Så här förvandlar du “coolt” till värde

I en tid med digitala tekniker med wow-faktor som advanced analytics, kan det vara svårt att stå emot att använda teknikerna för teknikens egen skull. Här följer några tips om hur du kan förvandla dem till värdefulla affärsresultat.

I dessa frågor och svar ger Dragan Rakovich, DXC Technologys tekniska analyschef, goda råd om hur du kan förvandla cool teknik till värdefulla affärsresultat.

Varför är analyser en så viktig del av all digital transformation?

Dataanalyser och maskininlärning hjälper CIO:er att öka affärsvärdet för sina kunder och leverera viktiga affärsinsikter i samband med affärsprocesser.

Finns det ett rätt sätt att komma igång?

Ibland börjar ad hoc-analyser och maskininlärning med: “Hör du, det här var ju riktigt coolt. Titta vad vi kan göra med tekniken. Hur kan vi nu tillämpa den i verksamheten?”

Men det borde fungera tvärt om – genom att sätta affärsresultatet först. När det gäller att använda dataanalyser, modern maskininlärning och AI, är det avgörande att identifiera specifika lösningar med tydligt identifierat affärsvärde för organisationen. Börja där.

Sedan kan du testa och skapa algoritmen. Ställ sedan frågan “Hur kan vi införa den här algoritmen i affärsprocessen?”

Detta bör även omfatta förändringar av kulturen, eftersom det kan krävas en helt annorlunda interaktion mellan de anställda och de affärsprocesser som drivs med den här typen av algoritm.

Å andra sidan kan du inte bara låta algoritmen vara, eftersom algoritmer inte är hårdkodade delar av en applikation. Om indata ändras kan algoritmen fungera på ett annorlunda sätt och ge andra resultat i affärsprocessen.

Därför måste algoritmerna hela tiden övervakas. Du måste samla in indata och utdata från algoritmen varje gång den aktiveras, så att du kan sätta in dem i de datauppsättningar som används för att träna algoritmen och hela tiden förbättra den.

Tanken med ständiga förbättringar, ständiga förändringar och ständig inlärning medan algoritmen implementeras i affärsprocessen är mycket viktig.

Hur långt har vi kommit med att införa analyser i affärsverksamheten?

Idag sysslar de flesta företag en hel del med analyser, maskininlärning och AI, men det mesta sker improviserat. Det finns gott om koncepttester som bevisar värdet.

Men det är mycket få företag som verkligen har implementerat algoritmer för maskininlärning och analysmodeller direkt i affärsprocesserna i syfte att förbättra sin affärsverksamhet.

Det är faktiskt få av oss som ens har använt analyser för att förändra affärsmodellerna baserat på att förstärka den mänskliga delen av processen med maskininlärning. När det gäller maskininlärning och AI är processen i sin linda.

Jag tycker att många organisationer fortfarande saknar en tydlig vision om hur de ska utnyttja de här nya teknikerna. Det är en av de stora utmaningarna. Många CIO:er saknar ett standardiserat arbetssätt för analyser och AI – som gemensamt kallas industrialiserad AI.

Hur ser vägen mot vidare framsteg ut?

CIO:er behöver hjälp med analyserna. En AI-plattform kan hjälpa dem att skapa ett informationsflöde med algoritmen som slutpunkt, både för batchbehandling och för heltäckande strömning av data.

Detta kan hjälpa dem att förstå funktionen för en viss affärsprocess eller just den utrustning de övervakar.

Vad företagen behöver är inte bara en digital grund för dataanalyser, utan också förståelse för de långsiktiga målen för dataanalyserna.

Detta kan uppnås med flera olika införandealternativ för det offentliga molnet, maskinvara på plats, virtuella privata moln eller hybridmiljöer.

Hur fungerar det här i verkligheten?

BMW Group har skapat en plattform för forskning och utveckling som är en viktig milstolpe på deras väg mot autonoma fordon – specifikt nivå 4 och 5 – som de hoppas få ut på gatorna under de närmaste åren.

För att ge dig en uppfattning kan BMW:s högpresterande D3-plattform, eller datadrivna utvecklingsplattform, lagra mer än 230 petabyte. Företaget tar emot cirka 1,5 terabyte nya data varje dag från sin fordonspark med autonoma testfordon världen över.

Företag som arbetar med utveckling av autonom körning letar efter partners som kan skapa och sedan hantera den här typen av tekniska lösningar.

Våra acceleratorer och vår immateriella egendom gör det möjligt för tekniker, testpersonal och dataforskare att snabbt hantera dessa ökande datamängder.

Plattformen kan tillhandahålla data för analys på sekunder, i stället för dagar eller veckor. Dessa data är redo för analys, fullt märkta och helt synkroniserade.

Detta är viktigt eftersom du får alla möjliga slags data från en bil: video, GPS, sensordata och mycket annat.

Att lösa utmaningarna för utveckling av autonom körning är ett utmärkt exempel på hur tekniken verkligen kan anpassas till affärsbehoven vid utveckling av en helt ny affärslösning.

Inom autonom körning är det bråttom att komma ut på marknaden först, så affärsbehovet är tydligt.

Läs mer: Tre tips från IT-chefen: Digitalisera med Advanced analytics

Säg din mening

*