企業内で AI 分析を導入し拡張する方法

[[415863]]

多くの組織の AI 分析に対する要望と、組織の規模や能力との間のギャップは拡大しています。成功しているグローバル市場のリーダーは、分析への投資からより大きな利益を得ていますが、多くの組織は依然として「パイロット地獄」から抜け出せず、ある程度の成功は達成しているものの、企業全体に大きな影響を与えることができていません。

新型コロナウイルス感染症のパンデミックによって引き起こされた経済的ショックとその回復により、AI 分析を効果的に導入することの競争上の優位性が浮き彫りになりました。会社の規模のメリットは、調達や運営を通じて利益に転換することができません。代わりに、先見性のある企業はデータを活用して利益率と市場シェアを拡大​​し、それを戦略的資産に変えて、ビジネスに具体的な影響を与える方法で適用しています。

さらに、多くの大企業は分散化とマトリックス化が進んでいるため、大規模な分析やテクノロジー変革の取り組みの実装が遅くなります。このタイプのインフラストラクチャはマーケティングおよび製品開発機能をもたらしますが、データおよび分析プラットフォームへの戦略的な投資を行う能力や、拡張するための柔軟な作業方法を確立する能力を妨げます。

AI 分析で成功している市場リーダーは、特に困難な 3 つの分野を含む重要な分野での実装に注力しています。

• 適切な人材基盤と運用モデルを開発します。
• 適切なデータとデジタル プラットフォームを構築します。
• アクションを実行し、出力を運用に実装します。

Spark Beyond のデータサイエンス責任者である Ryan Grosso が、分析の欲求と能力のギャップを埋める方法を分析し、説明します。

データポイント1: 社内の分析能力のある人材を育成する

多くの企業には、ビジネス インサイト (BI) を推進するのに適したアナリストのチームが存在します。ただし、分析プロジェクトを成功させるには、データ サイエンスの専門知識が必要です。

データ サイエンスのスキル不足を背景に、根本原因分析やモデル構築などの主要なアクティビティを自動化することでアナリストのワークフローを加速する新しいソリューションが登場し始めています。この自動化により、アナリストは一度に何百万もの仮説をふるいにかけることができるため、単一の仮説を証明または反証する相関関係を見つけるという骨の折れる作業から解放されます。

これにより、最初に調査するデータ ポイントを決定するアナリストの責任や、どの仮説をテストするかを決定するデータ サイエンティストの責任がなくなるため、バイアスの可能性も軽減されます。代わりに、分析情報や機械学習モデルの構成要素として最も関連性の高いものを選択することに集中できます。

これらのソリューションは、機械学習への参入の技術的障壁も下げ、ビジネスアナリストがより多くのリーダーシップの役割を担えるようにし、AI の民主化を人々に近づけます。

データポイント2: コラボレーションを促進するハイブリッドチームを作成する

分析プロジェクトが成功するのは、サイロ化された環境でコードを実行する過負荷の分析センター オブ エクセレンス (CoE) チームではなく、プロセスにドメインの専門知識が組み込まれている場合です。

企業全体で成功する分析プロジェクトの臨界量を達成し、センター オブ エクセレンス (CoE) の負担を軽減するには、データ サイエンティストに「データについて語り」、場合によっては経営陣に「ビジネスについて語る」ことができる主題専門家 (SME) をトレーニングすることが、分析プロジェクトに取り組んでいるチームにとってより価値のある追加要素となるでしょう。

これにより、データ サイエンスの専門家とビジネス ユーザー間のコラボレーション文化が促進され、データ サイエンティストやアナリストは、ビジネス ユーザー向けの実用的な洞察を導き出すために費やす時間を短縮しながら、高レベルかつ複雑なプロセスに集中できるようになります。

データポイント3: クラウド上に適切なデータプラットフォームを構築する

多国籍企業は、事業を展開する市場の多様性を反映する必要がありますが、分散型ビジネス モデルをサポートするスケーラブルな AI ソリューションをどのように構築するかという課題が生じます。

すべての AI ユースケースにおいて、データ サイエンティストは一連のツールとプロセスを利用してデータを取り込んで変換し、それをストレージ ソリューションまたはアプリケーションに挿入します。クラウドベースのテクノロジーが成熟する前は、このインフラストラクチャの構築にはコストと時間がかかり、データ スタックのローカルな違いが、データの取り込み、処理、保存方法に連鎖的な影響を及ぼしていました。

エンタープライズ グレードのクラウド コンピューティング ソリューションは、企業が必要に応じてストレージ ソリューションを起動し、さまざまなデータの取り込みや変換のニーズに対応するサードパーティ ソリューションのエコシステムを活用できるようにすることで、これらの困難を克服します。たとえば、物理データ センターを Microsoft Azure プラットフォームに移行すると、集中型の分析センター オブ エクセレンスを構築して現場の業務に対応できるようになります。

データポイント4: データに基づく推奨事項を信頼する

下流では、AI 分析のリーダーが、自動ドライバー検出プラットフォームを導入して、現地市場の理解を損なうことなく大規模な洞察を生み出しています。以前は、アナリストやデータ サイエンティストが手動で相関関係を検索していましたが、このプロセスは時間がかかり、現地の市場に対する理解に大きく依存し、更新が困難でした。機械を利用して根本的な推進要因を明らかにすることで、AI ソリューションは地域を超えて迅速に拡張でき、同時に各地域市場の動向の一部を捉えることができます。

データポイント5: 最前線の行動に関する洞察

AI 分析を早期に導入した企業は、すでに運用重視のソリューションのメリットを享受しています。たとえば、世界有数のスナック食品サプライヤーは、現場チームに店舗レベルの品揃えの推奨事項を提供するだけで、成熟したラテンアメリカ市場で 1.5% の売上増加を達成しました。これらの洞察を得るには、新しいデータ ソースの出現に応じてデータ スタックが進化し、迅速なテストと学習サイクルを可能にする専用のデータ戦略が必要です。

データポイント6: 分析を民主化して分析の変革を促進する

分析を通じて企業全体の差別化を実現するには、中小企業、センター オブ エクセレンス (CoE)、ビジネス関係者が分析プロセス全体を通じて共有、理解、協力する必要があります。

AI 分析により、効果的なボトムアップの意思決定が可能になり、最前線のチームにはより大きな意思決定力と影響力が与えられ、投資の割合も増加する可能性があります。ノーコード/ローコード環境と組み込みの説明可能性を備えたテクノロジーを使用することで、チームは豊富で適応性の高い洞察と機械学習モデルを企業全体のビジネスプロセスに取り入れることができます。