データとAIの成熟度に到達することがビジネス価値を引き出す鍵

[[419580]]

データから実用的なリアルタイムの洞察を生成するには、企業は人工知能や機械学習の導入など、さまざまなアプローチを通じて望ましい結果を達成する必要があります。

さまざまな業界の組織が人工知能と機械学習を成長戦略の中核技術として位置づけている一方で、ほとんどの企業はこれらの技術をうまく活用できていないと考えています。その主な理由は、多くのビッグデータ プロジェクトに、AI と機械学習のテクノロジーを最大限に活用するための成熟したアプローチが欠けていることです。

ビッグデータスタートアップのDatabricksとMIT Technology Reviewによる2021年の調査によると、今後2年間のエンタープライズデータ戦略において多くの企業が掲げる最も重要なビジネス目標は、販売およびサービスチャネルの拡大（回答者の45%が挙げた）、業務効率の向上（43%）、イノベーションの向上と市場投入までの時間の短縮（42%）です。こうした目標を持つことは良いことですが、企業はそれを実行できるでしょうか? ガートナーによると、ビッグデータ プロジェクトの 85% が失敗し、MIT テクノロジー レビューの調査によると、測定可能な結果を​​伴うデータ戦略の実装に成功している企業はわずか 13% です。 「達成度の低い組織」（データ戦略の取り組みに苦労している組織）に主な障壁は何かと尋ねたところ、データ管理プラットフォームの拡張性の限界、コラボレーションの促進の難しさ、大量のデータの処理の遅さが回答で強調されました。明らかに、多くの組織はデータ開発のあらゆる領域において、規模、速度、コラボレーションに関する課題に直面しています。

データから実用的なリアルタイムの洞察を生成するには、企業は人工知能や機械学習の導入など、さまざまなアプローチを通じて望ましい結果を達成する必要があります。未知への恐怖に対処し、プロセスを真に合理化するために、従業員にデータリテラシーが必要です。組織がデータと AI の成熟を実現できる 3 つの方法は次のとおりです。

1. 強固なインフラを構築する

強力なデータ管理の基盤に焦点を当て、データを「民主化」するアーキテクチャの構築に集中すると、ビジネスが成功し、測定可能な結果が得られる可能性が高くなります。データの管理は複雑であり、企業は、統合または分離できない限り、レガシー システムやさまざまなツール、データ サイロの負担を排除する必要があります。これらの問題は、望ましいビジネス成果を実現するために必要な速度と規模を低下させることで、企業のデータ プラットフォームとそれがサポートする機械学習モデルに影響を及ぼします。堅牢なインフラストラクチャは、データの重複を減らし、関連データへのアクセスを容易にし、大量のデータを高速で処理し、全体的なデータ品質を向上させる必要があります。

米国の宅配便サービスプロバイダーであるUPSは、各宅配便業者の配送ルートを1日あたり1キロメートル短縮することを目標とした配送最適化プロジェクトに取り組んでおり、推定年間収益は3,600万ドル以上となる見込みです。これは、企業がデータを活用してシステムを破壊し再構築する素晴らしい例です。これは、最新かつスケーラブルな成熟したインフラストラクチャ、および障害や遅延にもかかわらず、あらゆるレベルの企業管理からの継続的なサポートなど、いくつかの成熟基準に依存します。さらに、同社は GPS を通じて、取引、位置情報、車両、さらには宅配業者に関する豊富で即時かつ正確なデータを活用します。

2. データとAIが全員の課題である文化を創る

企業変革の一環として、データと AI の成熟とは、分析、機械学習、AI 機能を民主化し、企業が情報に基づいた意思決定を行えるようにすることです。これには、コラボレーションと最先端のテクノロジーを通じて強力なデータ文化を構築し、データを使用して意思決定とその影響を改善する必要があります。運用の観点から言えば、これは、ビジネス プロジェクトに必要なリソースを提供するために、これらすべての決定、データ、およびデータ駆動型アーキテクチャを共有できることを意味します。これは、適切なユーザーだけが適切なデータにアクセスして、ビジネス価値を高める洞察を迅速に生成できる最新のデータ アーキテクチャによってのみ可能になります。

次世代のデータ管理は、システム、リーダーシップ、認識されたビジネス価値の面で進化していますが、ほとんどの組織では、データ チームとエンド ユーザー (日常の意思決定にデータの分析情報を必要とするフロント オフィスまたはバック オフィスの従業員) の間にまだ埋めるべきギャップがあります。このギャップを埋める優れた方法は、データ サイエンティストをビジネス ユニットに直接組み込み、定期的にユーザーとやり取りさせるか、ユーザーが分析ツールに直接アクセスできるようにして、必要に応じて独自の洞察を引き出すことです。言い換えれば、ユーザーがいる「エッジ」にデータを近づける必要があります。企業全体の従業員が高度な分析とデータ サイエンスに精通するにつれて、他者が提供する分析を使用するだけでなく、独自の分析を実行できるようになります。

3. 定期的な評価

データ駆動型プロジェクトから価値をうまく生み出すには、組織はデータと AI の成熟の過程において自社がどこにいるのかを継続的に把握する必要があります。これは、必要な主要機能を評価するモデルを採用することで実現できます。成功する評価モデルは、チーム間の会話の構造化に役立ち、主要なビジネス オペレーションを改善するために必要な手順を通知する必要があります。これらのオペレーションは、大規模なデータ統合と真のデータ カルチャーによって強化され、一貫性と安定性が高まります。データの使用をサポートし、意思決定とその進捗状況を改善、加速、または監視します。また、これらすべての意思決定、データ、データ駆動型アーキテクチャを共有して、ビジネス プロジェクトに必要なリソースをすべての人に提供します。

Databricks のクライアントの 1 社である大手コーヒー小売業者が実施した AI プロジェクトは、共通データと 3 つの異なる部門間の継続的なコラボレーションに基づくユースケースによって、この価値を完璧に示しています。同社の運営チームは、対象コミュニティの社会的、経済的要因に基づいて将来の店舗の場所を決定する AI ベースのモデルを作成できます。同社の顧客関係部門も、同社のロイヤルティ プログラムを通じて AI から直接恩恵を受けています。 1,900 万人の加入者全員の飲料の好みと購入パターンを理解することで、チームは超パーソナライズされた顧客体験を提供しながら売上を伸ばすことができます。このデータは、特定のグループの習慣や嗜好に基づいて、どの飲料やチャネルが最も利益を生み出すかを予測するためにも使用されます。最後に、ショップ サポート部門は、機械のメンテナンスと供給のニーズを予測するために AI を活用しています。

データと AI の成熟に向けたこの困難な道のりにおいて、多くの企業は、IT 部門によって特別に設定された集中化された安全でスケーラブルなサービスにさまざまなビジネス ユース ケースを統合することで、大きな前進を遂げています。データ主導のビジネス変革や価値創造を成功させるには、企業戦略からトレーニング プログラム、社内リソースのアップグレードに至るまでのグローバルな統合により、知識を継続的に広める必要があります。このステップは、より多くのデータと AI ユースケースを展開する上で非常に重要です。継続的な管理サポート、組織の成熟度、大規模なデータ サイエンス機能がなければ、これらのプロジェクトの成功と価値創造は達成されません。