เอาชนะอุปสรรคในการออกแบบโครงการ AI แบบครบวงจร

จากการศึกษาล่าสุดโดย 451 Research ซึ่งเป็นส่วนหนึ่งของ S&P Global Market Intelligence “มากกว่า 90% ขององค์กรที่นำ AI เริ่มพัฒนาโครงการ AI แรกของพวกเขาภายในห้าปีที่ผ่านมา” แม้ว่าเพิ่งเกิดขึ้นใหม่ แต่โซลูชันที่ใช้ AI ก็เพิ่มขึ้นเรื่อยๆ รอบตัวเรา อย่างไรก็ตาม ความคิดริเริ่มเหล่านี้จำนวนมากยังคงไม่เป็นไปตามความคาดหวัง—หากพวกเขาทำให้มันใช้งานได้

ในการประสบความสำเร็จ ผู้นำควรเลือกและจัดการโครงการ AI ด้วยกลยุทธ์ที่รอบคอบซึ่งขับเคลื่อนโดยความคาดหวังที่ชัดเจน ความสอดคล้องกับเป้าหมายทางธุรกิจ และการทำซ้ำ มาดูอุปสรรคทั่วไปที่องค์กรต้องเผชิญเมื่อออกแบบโครงการ AI แบบ end-to-end ที่ประสบความสำเร็จ และวิธีเอาชนะอุปสรรคเหล่านี้

การจัดการความคาดหวังสำหรับโซลูชันที่เปิดใช้งาน AI

โครงการ AI ที่ล้มเหลวจำนวนมากในปัจจุบันนี้ทำให้นึกถึงโครงการซอฟต์แวร์ระดับองค์กรในทศวรรษที่ XNUMX ซึ่งโครงการพัฒนาต่างๆ ดำเนินไปอย่างไม่ราบรื่น เนื่องจากทีมต่างคาดหวังไว้สูงว่าเทคโนโลยีใหม่จะช่วยแก้ปัญหาของพวกเขาได้ ทั้งในขณะนั้นและตอนนี้ หลุมพรางที่สำคัญคือการมีความคาดหวังที่สูงเกินจริงในสิ่งที่โซลูชันของคุณสามารถแก้ไขได้จริง

เป็นการอันตรายที่จะสรุปว่าการรวบรวมข้อมูลที่เพียงพอจะทำให้ทุกอย่างโปร่งใสในทันใด ที่คุณสามารถคาดการณ์พฤติกรรมของลูกค้าหรือให้คำแนะนำที่สมบูรณ์แบบเพื่อคาดการณ์ความต้องการของพวกเขาได้ น่าเสียดายที่โลกคาดเดาได้น้อยกว่าที่ผู้คนต้องการให้เป็น แม้ว่ารูปแบบที่เป็นประโยชน์จะเกิดขึ้น แต่ไม่ใช่ทุกเหตุการณ์ที่เป็นสาเหตุหรือแม้แต่สัมพันธ์กัน มีหลายสิ่งหลายอย่างเกิดขึ้นเพียงแค่ทำให้เกิดเสียง

ในขณะเดียวกัน หลายองค์กรมองว่าเพื่อนร่วมงานของตนใช้โซลูชัน AI และรู้สึกกดดันที่ต้องติดตาม การลงทุนใน AI เพียงเพื่อ "ก้าวให้ทันกับพวกโจนส์" อาจย้อนกลับมาถ้าคุณไม่เข้าใจว่าอะไรเป็นแรงผลักดันให้เพื่อนร่วมงานของคุณประสบความสำเร็จ และสิ่งนี้จะได้ผลสำหรับองค์กรของคุณเองหรือไม่ บ่อยครั้ง บริษัทที่มีส่วนได้ส่วนเสียในโครงการ AI มี กลยุทธ์ข้อมูลและกระบวนการทางธุรกิจ ในสถานที่ที่ช่วยให้พวกเขาสามารถรวบรวมและใช้ประโยชน์จากข้อมูลประเภทที่เหมาะสมสำหรับ AI

ในท้ายที่สุด การจัดการความคาดหวังสำหรับโครงการ AI เริ่มต้นด้วยความสามารถในการระบุว่าปัญหาใดของคุณสามารถแก้ไขได้ด้วย AI

การเลือกประเภทโครงการ AI ที่เหมาะสมสำหรับปัญหาของคุณ

กลยุทธ์ AI ของคุณสอดคล้องกับเป้าหมายทางธุรกิจของคุณหรือไม่? การเลือกโครงการน่าจะเป็นความท้าทายที่ยิ่งใหญ่ที่สุดอย่างหนึ่งที่องค์กรต้องเผชิญในการริเริ่มด้าน AI สิ่งสำคัญคือต้องเข้าใจคำถามที่คุณพยายามจะตอบจริงๆ การตอบคำถามนั้น (และหาก) จะช่วยปรับปรุงผลลัพธ์ทางธุรกิจได้อย่างไร และแหล่งข้อมูลที่คุณมีจะสามารถตอบคำถามได้สำเร็จและมีประสิทธิภาพหรือไม่

สมมติว่าคุณต้องการใช้แบบจำลองการคาดการณ์เพื่อกำหนดเวลาและชนิดของส่วนลดที่จะเสนอให้แก่ลูกค้า ยกทีม Data Science! แต่นี่เป็นความท้าทายอย่างมากในการเข้าถึงปัญหาแบบจำลองการคาดการณ์ ประการแรก เป็นการยากที่จะทราบว่าลูกค้าของคุณจะซื้อสินค้าโดยไม่มีส่วนลดหรือไม่ และการรวบรวมข้อมูลที่จำเป็นด้วยความเข้มงวดทางสถิติที่เพียงพอเพื่อสร้างแบบจำลองที่มีประโยชน์อาจเกี่ยวข้องกับกระบวนการบางอย่างที่รู้สึกว่าไม่เป็นธรรมชาติสำหรับธุรกิจ เช่น การสุ่มลูกค้าที่รับส่วนลดหรือตัวแทนขายคนใดที่สามารถให้ส่วนลดได้ ที่เพิ่มความซับซ้อนให้กับสถานการณ์อย่างมาก

วิธีที่ดีกว่าในการแก้ไขปัญหานี้ด้วย AI อาจเป็นการสำรวจแบบจำลองการจำลองพฤติกรรมของลูกค้าที่คุณคาดหวังภายใต้ระบบการลดราคาที่แตกต่างกัน แทนที่จะทรมานระบบเพื่อให้ได้การคาดการณ์ที่แม่นยำ การจำลองสถานการณ์และการวางแผนสถานการณ์สามารถช่วยให้ผู้คนค้นพบว่าตัวแปรใดมีความอ่อนไหวต่อกันและกันเมื่อทำการตัดสินใจทางธุรกิจ ถามตัวเองว่า: เราต้องการคำตอบจากลูกค้าอย่างไรเพื่อให้ส่วนลดนี้สมเหตุสมผล แบบฝึกหัดประเภทนี้ในการสำรวจผลลัพธ์ที่เป็นไปได้นั้นมีประสิทธิภาพมากกว่าและง่ายกว่าการสร้างการทดลองวิทยาศาสตร์ข้อมูลที่ซับซ้อนอย่างแน่นอน

ตั้งทีมของคุณให้ประสบความสำเร็จ

การทำความเข้าใจว่าข้อมูลของคุณถูกรวบรวมและจัดระเบียบเพื่ออะไร มีการใช้ข้อมูลอย่างไรในอดีต และนำไปใช้อย่างไรในอนาคต เป็นสิ่งสำคัญสำหรับการทำกิจกรรม AI ใดๆ กับข้อมูล สิ่งสำคัญคือต้องฝึกแบบจำลองเกี่ยวกับข้อมูลที่ครบถ้วนและแสดงถึงสิ่งที่มีอยู่ในโลกแห่งความเป็นจริงในขณะที่คุณทำการแทรกแซง ตัวอย่างเช่น หากคุณมีหลายขั้นตอนในไปป์ไลน์ของดีลและคุณต้องการคาดการณ์แนวโน้มที่การปิดดีลระหว่างขั้นตอนที่ XNUMX คุณจะไม่สามารถเรียกใช้แบบจำลองของดีลในขั้นตอนที่สามหรือสี่และคาดหวังผลลัพธ์ที่เป็นประโยชน์ได้

นักวิทยาศาสตร์ด้านข้อมูลมักมีช่องว่างในการทำความเข้าใจความแตกต่างของข้อมูลที่แสดงและวิธีที่ข้อมูลสร้างขึ้น กระบวนการของมนุษย์และเทคโนโลยีใดที่มีส่วนร่วมในการสร้างข้อมูล และข้อมูลมีความหมายอย่างไรในบริบทของธุรกิจของคุณ นี่คือจุดที่นักวิเคราะห์และผู้ใช้ทางธุรกิจที่ใกล้ชิดกับข้อมูล—และปัญหาที่คุณพยายามแก้ไข—มีค่าอย่างเหลือเชื่อ เราชอบที่จะ คิดว่า AI เป็นทีมกีฬา เพราะความสำเร็จต้องการบริบททางธุรกิจนอกเหนือจากพื้นฐานข้อมูลและความรู้แบบจำลอง

สุดท้าย มีแง่มุมที่เน้นมนุษย์เป็นศูนย์กลางของความสำเร็จของโครงการที่องค์กรสามารถมองข้ามได้หากพวกเขาให้ความสำคัญกับข้อมูลหรือเทคโนโลยีมากเกินไป บ่อยครั้งที่ AI สามารถทำนายได้ แต่ขึ้นอยู่กับใครบางคนที่จะตัดสินใจว่าจะเปลี่ยนสิ่งนั้นให้เป็นการกระทำที่แนะนำได้อย่างไร ข้อเสนอแนะมีประโยชน์ในการให้การดำเนินการที่ชัดเจนและเป็นสิ่งที่ผู้คนยินดีที่จะปฏิบัติตามหรือไม่? คุณกำลังสร้างสภาพแวดล้อมที่ข้อเสนอแนะเหล่านี้จะได้รับอย่างมีประสิทธิภาพหรือไม่?

การคาดเดาบางสิ่งก็มีประโยชน์ในบางครั้งเท่านั้น คุณยินดีที่จะปรับราคา ปริมาณของผลิตภัณฑ์ หรือพนักงาน หรือแม้แต่เปลี่ยนสายผลิตภัณฑ์ของคุณหรือไม่? จำเป็นต้องมีการจัดการการเปลี่ยนแปลงระดับใดเพื่อให้ผู้คนยอมรับโซลูชันใหม่และพัฒนาพฤติกรรมและกระบวนการที่กำหนดไว้ ความไว้วางใจมาจากรูปแบบของพฤติกรรมที่สม่ำเสมอและความเต็มใจที่จะให้ความรู้แก่ธุรกิจต่อไป หากคุณกำลังจะส่งผลกระทบอย่างรุนแรงต่อวิธีการทำงานของผู้คน พวกเขาต้องมีส่วนร่วมด้วย

เริ่มต้นเล็ก ๆ และวนซ้ำ

มาปิดคำแนะนำบางอย่างโดยพิจารณาจากสิ่งที่เราเห็นขณะทำงานกับลูกค้า

บ่อยครั้ง โครงการ AI แรกที่ดีที่สุดคือโครงการที่จะง่ายที่สุดในการดำเนินการและเข้าสู่การผลิตด้วยการจัดการการเปลี่ยนแปลงที่ซับซ้อนน้อยที่สุด พยายามสร้างบางสิ่งที่มอบคุณค่าให้เร็วที่สุด แม้ว่ามันจะเป็นการปรับปรุงทีละน้อยทีละน้อยก็ตาม และรักษาลูกค้า ผู้ใช้ทางธุรกิจ และผู้มีส่วนได้ส่วนเสียของคุณให้ใกล้เคียงกับกระบวนการพัฒนามากที่สุด ตั้งเป้าที่จะสร้างสภาพแวดล้อมของผลตอบรับที่ดี—ทั้งในแง่ของการรวบรวมข้อมูลเพิ่มเติมเพื่อปรับปรุงแบบจำลองซ้ำแล้วซ้ำเล่า และข้อมูลจากผู้มีส่วนได้ส่วนเสียเพื่อปรับปรุงโครงการและผลลัพธ์ของโครงการ

ด้วย AI มักจะมีกรณีที่ทางแก้ปัญหาพลาดไป แต่จะดีกว่าที่จะค้นหาโซลูชันที่เหมาะกับลูกค้าส่วนใหญ่หรือพนักงานของคุณ แทนที่จะสร้างการพิสูจน์แนวคิดที่ฉูดฉาดจริงๆ ซึ่งใช้ได้กับกรณีการใช้งานเฉพาะบางกรณีเท่านั้น ในท้ายที่สุด AI ควรลดความขัดแย้งและทำให้ผู้คนทำงานได้ง่ายขึ้นและตัดสินใจอย่างชาญฉลาด

หากต้องการเรียนรู้เพิ่มเติมเกี่ยวกับการวิเคราะห์ Tableau AI โปรดไปที่ tableau.com/ai.