Yleisin kysymys, jonka kuulen kaupan johtajilta tällä hetkellä: mistä me aloitamme tekoälyn kanssa?
Se on väärä kysymys.
Oikea kysymys on: mikä on asiakastietojenne tila? Tekoäly ei ole teknologiaprojekti. Se on datanlaatuprojekti, johon on kääritty teknologiakuori. Datanlaatu-ongelmat ratkaistaan eri tavalla kuin teknologiaongelmat. Hitaammin, vähemmän näyttävästi, enemmän organisatorista kitkaa vastaan.
Useimmat yritykset kohtelevat tekoälyhankintaa hankintapäätöksenä. Löydä oikea toimittaja, allekirjoita sopimus, aja pilotti, skaalaa. Tämä logiikka toimi SaaS-maailmassa. Se ei toimi tekoälyssä. Tekoälyn suorituskyky on suoraan verrannollinen siihen dataan, jolla se pyörii. Useimmilla kaupan organisaatioilla on dataa, joka on osittaista, epäjohdonmukaista, siiloutunutta tai yksinkertaisesti väärää.
Olen nähnyt tämän kuvion tarpeeksi usein kutsuakseni sitä johdonmukaiseksi. Lupaava pilotti tuottaa vaikuttavia tuloksia: kuratoitu data, hallitut olosuhteet, käyttötapaus valittu siksi, että se toimisi. Sitten pilotti yrittää skaalata. Tuotantodata on sotkuisempaa. Reunatapaukset nousevat esiin. Malli tekee suosituksia, jotka ovat teknisesti oikeita mutta operatiivisesti hyödyttömiä. Projekti pysähtyy.
Konsultit siirtyvät seuraavaan toimeksiantoon. Sisäinen tiimi perii jotain, joka toimii puoliksi ja on poliittisesti vaikea lopettaa. Hallitukselle kerrotaan, että hanke on "käynnissä".
Tämä ei ole teknologiaongelma. Se on organisatorisen rehellisyyden ongelma.
Datavelka, jota kukaan ei halua roadmapille
Pohjoismaiset kaupan yritykset ovat investoineet hyvin teknologiainfrastruktuuriin viimeisen vuosikymmenen aikana. Alustat ovat moderneja. Integraatiot toimivat pääosin. Mutta datakerros ei ole pysynyt perässä. Asiakastiedon ja tuotetiedon todellinen laatu, johdonmukaisuus ja hallinta on siellä missä se oli viisi vuotta sitten, koska se ei ole koskaan ollut se näkyvä ongelma.
Tuotekatalogi, jossa 15% attribuuteista on väärin, ei hidasta verkkosivua. Se hidastaa tekoälyn suosittelumoottoria, joka yrittää ymmärtää tuotteiden välisiä suhteita.
Tämän korjaaminen vaatii oikeaa investointia: aikaa, henkilötyötä, näkymätöntä työtä. Se kilpailee roadmap-kohteiden kanssa, jotka ovat näkyvämpiä ja helpompia selittää hallituskokouksessa. Joten se siirtyy. Tekoälyprojekti paljastaa sen.
Ennen seuraavaa toimittajademoa
Tee ensin rehellinen sisäinen auditointi kolmella alueella. Asiakasidentiteetti: tiedätkö oikeasti, ketkä asiakkaasi ovat eri kosketuspisteissä, vai onko sinulla pirstaleinen kuva, joka näyttää siistiltä dashboardissa mutta ei ole? Tuotedata: onko se täydellistä, johdonmukaista ja rakenteeltaan sellaista, että kone pystyy jäsentämään sen? Käyttäytymisdata: keräättekö mitä tarvitsette, ja onko se luotettavaa?
Tämä auditointi ei tuota hyvää diaa. Mutta se kertoo, missä todellinen kattosi on, ennen kuin löydät sen kuusi kuukautta sopimuksen allekirjoittamisen jälkeen.
Yritykset, jotka liikkuvat tekoälyn kanssa nopeasti, eivät löytäneet oikotietä tämän ohi. He aloittivat datatöiden tekemisen aiemmin, yleensä siksi, että jokin muu pakotti heidät: alustan migraatio, compliance-vaatimus, uudelleenalustus. Heidän tekoälyvalmius on seuraus siitä aiemmasta työstä.
Kun toimittaja näyttää, mitä tuote pystyy tekemään, kysy, minkälaista datanlaatua heidän ratkaisunsa vaatii toimiakseen näytetyllä tavalla. Kysy, mitä tapahtuu, kun data ei täytä noita vaatimuksia.
Vastaus kertoo enemmän kuin demo.