Sådan gør du “cool teknologi” til en forretningsværdi

I tidsalderen for digitale teknologier med wow-faktor som fx advanced analytics kan det være svært at modstå brugen af dem. Her er nogle råd til, hvordan de kan skabe værdifulde forretningsresultater.

DXC Technologys CTO for Analytics giver i denne Q&A råd om, hvordan du skaber værdifulde forretningsresultater med cool teknologi.

Hvorfor er analytics så vigtig en komponent i enhver digital transformation?

Dataanalyse og machine learning hjælper CIO’er med at fokusere på stigende forretningsværdi for deres klienter og levere vigtige forretningsindsigter i relation til forretningsprocesser.

Er der en rigtig måde at komme i gang på?

Sommetider begynder ad hoc-analyse og machine learning med “Hey, det her er virkelig cool.” Se lige, hvad vi kan gøre med teknologien. Hvor kan vi så bruge det i forretningen?”

Men det burde være omvendt – start med fokus på forretningsresultatet. Når det gælder brugen af dataanalyse og moderne machine learning og kunstig intelligens, er nøglen at identificere specifikke løsninger, der har en klart identificeret forretningsværdi for organisationen. Start der.

Derefter kan man teste og lave algoritmen. Og så skal man stille spørgsmålet: “Hvordan bringer vi denne algoritme ind i forretningsprocessen?”

Dette bør inkludere kulturel forandring, fordi det kan kræve en helt anden interaktion mellem mennesker og den forretningsproces, der bliver mulig med denne type algoritme.

På den anden side kan man ikke bare lade stå til, for algoritmer er ikke hard-codede applikationsstykker. Så hvis datainputtet ændrer sig, kan algoritmen opføre sig anderledes og levere andre resultater til forretningsprocessen.

Derfor bliver man nødt til at overvåge algoritmerne kontinuerligt. Man skal indfange disse input og output i algoritmen, hver gang den kører, så man kan komme dem tilbage i det datasæt, der bruges til at træne algoritmen, og hele tiden blive ved med at forbedre algoritmen.

Denne idé med løbende at have fokus på forbedringer, forandringer og læring, når algoritmen er implementeret i forretningsprocessen, er utrolig vigtig.

Hvor langt er vi nået med at indføre analyse i forretningsdriften?

I dag gør de fleste virksomheder ret meget inden for analyse og machine learning samt kunstig intelligens, men det er stadig primært på ad hoc-basis. Der er masser af dokumentation, der beviser værdien.

Men meget få organisationer har rent faktisk implementeret machine learing-algoritmer og analysemodeller direkte i deres forretningsprocesser for at forbedre deres driftsresultater.

Faktisk har meget få brugt analyse til at ændre forretningsmodellen for, hvordan de opererer, baseret på at udvide den menneskelige del af processen med machine learning. Når det gælder machine learning og kunstig intelligens, er det stadigt tidligt i udviklingen.

Jeg tror, at mange virksomheder stadig mangler en klar vision for, hvordan deres forretning vil udnytte disse nye teknologier optimalt. Det er en af de store udfordringer. Mange CIO’er mangler en standardiseret tilgang til analyse og kunstig intelligens – ofte kaldet industrialiseret kunstig intelligens.

Hvor er vejen til yderligere fremskridt?

CIO’er har behov for hjælp til analyse. En platform for kunstig intelligens kan hjælpe dem med at skabe informationsflowet, både mht. batch og streaming af data end-to-end, med algoritmen som slutprodukt.

Det ville være med til at give dem en forståelse af adfærden for den pågældende forretningsproces eller det pågældende udstyr, de overvåger.

Det, virksomhederne har brug for, er ikke kun et digitalt grundlag for dataanalyse, men også en forståelse af deres langsigtede mål med dataanalyse.

Vi kan gøre dette ved at bruge forskellige implementeringsmuligheder for offentlig cloud, hardware i det lokale miljø, virtuel privat cloud eller et hybridt miljø.

Hvordan foregår det i den virkelige verden?

BMW Group har oprettet en platform til forskning og udvikling, der er en vigtig milepæl på koncernens vej til førerløse biler. Især Level 4 og 5 som de forventer at have på vejene inden for nogle få år.

For at give en idé om, hvad det betyder, kan BMW’s High Performance D3-platform eller datadrevne udviklingsplatform lagre over 230 petabytes; virksomheden modtager omkring 1,5 terabytes nye data hver dag fra sin testflåde af førerløse køretøjer over hele verden.

For virksomheder, der beskæftiger sig med udvikling af førerløs kørsel, er de på udkig efter en partner, der kan skabe denne type tekniske løsning og derefter administrere den.

Vores acceleratorer og intellektuelle ejendom gør det muligt for teknologi-, test- og datavidenskabelige medarbejdere at håndtere disse stigende datamænger på en hurtig måde.

Platformen kan levere data til analyse på få sekunder i stedet for dage eller uger. Dataene er klar til analyse, fuldt mærkede og fuldt synkroniserede.

Dette er vigtigt, fordi der kommer alle mulige slags data fra en bil: video-, GPS-, sensordata m.m.

At løse udfordringerne forbundet med udvikling af førerløs kørsel er et fantastisk eksempel på, hvordan teknologi reelt kan tilpasses virksomhedens behov for at udvikle en komplet ny forretningsløsning.

Inden for førerløs kørsel er der en iver efter at komme på markedet først, så der er et klart forretningsbehov.

Læs mere: 3 tips fra CTO’en: Bliv digital med Advanced Analytics

Sig din mening

*