I denne æraen med utrolige digitale teknologier som avansert dataanalyse, kan det være vanskelig å unngå å bruke dem bare for teknologiens egen skyld. Her er noen råd rundt hvordan du kan bruke teknologien for å nå faktiske forretningsmål.

I denne Q&A-artikkelen vil Dragan Rakovich, DXC Technologys Chief technology officer for analytics, gi noen råd rundt hvordan du kan bruke «kul» teknologi til å produsere håndfaste resultater.

Hvorfor er dataanalyse en såpass viktig del av enhver digital omstilling?

Dataanalyse og maskinlæring lar CIOen fokusere på å øke bedriftsverdien til kundene sine og trekke viktige slutninger ut fra bedriftens prosesser.

Finnes det en «riktig» måte å komme i gang på?

Av og til starter ad hoc datanalyse og maskinlæring ut fra «Oi, dette er kule greier. Se hva vi kan få til med denne teknologien. Hvordan kan vi bruke dette i bedriften vår?»

Men egentlig burde det være andre veien – fokuser på måloppnåelsen først. Innen datanalyse, moderne maskinlæring og AI, er nøkkelen å identifisere spesifikke løsninger med en tydelig verdi for bedriften. Begynn med det.

Deretter kan du teste og skape algoritmen. Så kan du spørre, «hvordan kan vi bruke denne algoritmen i våre prosesser?»

Det bør omfatte en endring i kultur, fordi det kan kreve en helt annen interaksjon mellom mennesker og prosessene som støttes av en slik type algoritme.

På en side kan ikke dette ligge uten tilsyn, fordi algoritmene ikke er hardkodede applikasjoner. Algoritmen kan altså oppføre seg annerledes og levere ulike resultater for prosessen dersom det oppstår en endring i inndataen.

Derfor må man alltid overvåke algoritmene. Du må fange inndataen og utdataen fra algoritmen hver gang den kjører, slik at du kan legge det tilbake i datasettet som brukes til å trene algoritmen for å kontinuerlig fortsette å forbedre den.

Dette konseptet, med kontinuerlige forbedringer, kontinuerlig forandring og kontinuerlig læring i forbindelse med at algoritmen inkluderes i prosessene, er veldig viktig.

Hvor langt har vi kommet når det gjelder å omforme analyse til bedriftsplaner?

I dag har de fleste selskaper gjort ganske mye for analyse og maskinlæring og AI, men det er for det meste ad hoc. Det er mange konsepttester som viser seg å ha verdi.

Men svært få selskaper har faktisk implementert maskinlæringsalgoritmer og analysemodeller direkte inn i prosessene sine for å forbedre sine operasjoner.

Faktisk har svært få i det hele tatt brukt analyse til å endre forretningsmodellen for hvordan de arbeider, basert på å forbedre den menneskelige delen av prosessen ved hjelp av maskinlæring. Når det kommer til maskinlæring og AI, er det fortsatt early days.

Jeg tror at mange organisasjoner fortsatt mangler en klar visjon for hvordan bedriften skal dra nytte av disse nye teknologiene. Det er en av de store utfordringene. Mange CIO-er har ingen standardisert tilnærming til dataanalyse og AI – hvilken vanligvis kalles industrialisert AI.

Hvor går veien videre?

CIO-er behøver hjelp med analyse. En AI-plattform kan kanskje hjelpe dem med å skape en informasjonsflyt, både med enkelte datasett og strømming av data ende-til-ende, med algoritmen som sluttproduktet.

Det kunne hjulpet dem med å forstå hvorfor den bestemte prosessen eller utstyret de overvåker oppfører seg slik det gjør.

Det selskaper behøver, er ikke bare et digitalt grunnlag for dataanalyse, men også en forståelse for målene de har med analysen på lang sikt.

Vi kan gjøre det ved hjelp av flere bruksalternativer for offentlig sky, lokal maskinvare, virtuell privat sky eller et hybridmiljø.

Hvordan fungerer dette i virkelighetens verden?

BMW Group har skapt en plattform for R&D som er en milepæl på veien mot autonome biler – mer spesifikt, nivåene 4 og 5 – som det håper å ha på veiene i løpet av de neste par årene.

For å gi ett inntrykk av hva det betyr, kan BMWs høytytende D3-plattform, eller datadrevne utviklingsplattform lagre over 230 petabytes; selskapet mottar rundt 1,5 terrabytes med nye data hver dag fra sine testflåter med autonome biler over hele verden.

Selskaper som jobber med å utvikle selvkjørende biler ser etter en partner for å utvikle slike typer tekniske løsninger, og deretter administrere det.

Våre akseleratorer og IP-er lar ingeniører, testere og dataingeniører å håndtere stadig økende mengder data.

Plattformen kan tilby data for analyse innen sekunder, i stedet for innen dager eller uker. Dataene er klare for analyse, helt merket og helt synkronisert.

Det er viktig, fordi biler sender alle typer data: video, GPS, sensordata og mer.

Det å løse utfordringene med selvkjørende biler er et supert eksempel på hvordan teknologi virkelig kan flettes sammen med bedriftens behov for å utvikle helt nye løsninger.

Innen autonom kjøring foregår det et stort kappløp om å komme på markedet først, så behovet er tydelig.

Les mer: 3 tips fra CTO’en: Bliv digital med Advanced Analytics