Artificial Intelligence (AI) is inmiddels alom erkend als de hoeksteen van digitale transformatie en het is geen verrassing dat veel betrokken bedrijven nu proberen de implementatie en acceptatie ervan te versnellen. Veel organisaties worstelen echter om de acceptatie en belangstelling voor analytics te vergroten. Zelfs met de opkomst van business intelligence (BI)-platforms, blijft besluitvorming onverbeterd wanneer de acceptatie onder gebruikers te wensen overlaat.Om als organisatie enige kans op succes te hebben met AI, moet er eerst een solide BI-strategie zijn. Die moet diepgeworteld in de kernpijlers ‘people, proces en platforms’ van de onderneming zitten. In de afgelopen jaren zijn veel organisaties verder gegaan dan elementaire analytics. Meer diagnostische analyse neemt de overhand, maar slechts enkele hebben een echte self-service omgeving gecreëerd die in staat is om de voordelen en risico’s van AI te omarmen.
Zonder een goede basis leiden pogingen om Artificial Intelligence te implementeren uiteindelijk tot negatieve uitkomsten, zoals foute beslissingen. Die kunnen op hun beurt resulteren in verloren inkomsten, boetes of zelfs langdurige schade aan de reputatie van een organisatie. Om veelvoorkomende valkuilen te voorkomen, moeten organisaties die investeren in AI eerst de stabiliteit en functionaliteit van hun BI-programma beoordelen.
AI is een spel met hoge inzetten
Ten opzichte van Business Intelligence gaan er met AI hogere risico’s gepaard. BI is grotendeels gericht op het begrijpen van wat er al is gebeurd, voornamelijk via Key Performance Indicators (KPI’s). Terwijl de voordelen van AI en machine learning in voorspellende en voorschrijvende analyses liggen.
Zoals vaak het geval is, hoe hoger de potentiële beloning, hoe groter het risico. Foutieve gegevens in een rapport of dashboard zou waarschijnlijk niet als een catastrofale gebeurtenis worden beschouwd. Maar in het geval van een kritische keuze die op basis van slechte voorspellingen door Artificial Intelligence wordt genomen, ligt dat anders.
Data is de basis van Artificial Intelligence. Daarom zijn de kwaliteit en betrouwbaarheid van voorschrijvende rapportages of geautomatiseerde taken direct gecorreleerd aan de kwaliteit en betrouwbaarheid van de data. Met Machine Learning verbetert het systeem zijn eigen voorspellingen immers. Organisaties die niet hebben geïnvesteerd in degelijk databeheer of weinig moeite hebben gedaan om adoptie en vertrouwen in hun BI-implementatie op te bouwen, hebben weinig kans om AI succesvol te omarmen.
Artificial Intelligence groeit ‘om’ je bedrijf heen
Veel organisaties hebben technieken voor data management geïmplementeerd. Hun BI/AI-gebruik kan echter alleen in volwassenheid groeien als gebruikers de gegevens ook daadwerkelijk analyseren en de resulterende inzichten gebruiken om beslissingen op te baseren.
Helaas begint de acceptatie van Business Intelligence vaak met een relatief klein percentage gebruikers binnen de organisatie. Inmiddels verschuift de BI-markt echter naar een modern zelfbedieningsmodel. Daardoor worden de rapportage-mogelijkheden uitgebreid naar een breder publiek, terwijl BI in essentie bij veel organisaties nog in de kinderschoenen staat. Dit komt grotendeels door de tijd en complexiteit die gepaard gaat met het creëren van een echte analysecultuur.
Voor de meeste bedrijven is de sprong van een lage volwassenheid naar een AI-gericht model gewoonweg te ver om succesvol over te steken. Wanneer je meer met AI wilt doen, volg dan de behoefte om meer geavanceerde rapportages te ontwikkelen. Door nieuwe datasets te koppelen en nieuwe verbanden te zoeken, bevordert dit een omgeving waar een Artificial Intelligence kan gedijen.
BI-kampioenen worden AI-kampioenen
De mate waarin AI zal slagen binnen een organisatie komt uiteindelijk neer op de besluitvormers. Als organisatiebeslissers hun onderbuikgevoel boven data verkiezen, is er weinig kans dat ze bereid zijn om computergegenereerde inzichten en aanbevelingen te vertrouwen. In het beslissingsproces zal een manager die nog nooit een datagedreven denkwijze heeft omarmd waarschijnlijk elke ‘black box’ verwerpen en terugkeren naar het onderbuikgevoel.
Om een succesvolle AI-implementatie op te bouwen, moeten beleidsmakers de onderliggende problemen aanpakken die bijdragen aan terughoudende BI-acceptatie. Dit begint met een eerlijke beoordeling van de data van een organisatie om te bepalen of ze geschikt zijn om als input te dienen voor algoritmen die AI aansturen. Ontwikkel daarom een uitgebreide datastrategie en pak zwakke punten op het gebied van databeheer, kwaliteit, opschoning, catalogisering en bijvoorbeeld beveiliging direct aan.
Terwijl uw organisatie deze basis bouwt, moet u bepalen of er afdelingen of teams zijn die al een solide BI-programma hebben ontwikkeld of robuuste rapportage processen hebben ontwikkeld die hun beslissingsprocessen sturen. In deze gevallen is het een natuurlijke stap om AI te evalueren om de besluitvorming verder te optimaliseren. Deze teams kunnen dienen als blauwdruk voor andere delen van een organisatie, terwijl ze stappen ondernemen naar een analytische volwassenheid.