Tác giả: Tina Kung, Đồng sáng lập & Giám đốc Công nghệ của Nue.io
ngày 6 tháng 8 năm 2024
Các công ty khởi nghiệp trong lĩnh vực y tế cho rằng các quy định không rõ ràng đang kìm hãm sự đổi mới AI trong ngành. Tất nhiên, các biện pháp phòng ngừa như vậy là cần thiết trong ngành chăm sóc sức khỏe, nơi sự sống và cái chết có thể phụ thuộc vào đó. Nhưng điều khiến ít hợp lý hơn là việc chấp nhận AI chậm chạp trên toàn bộ các ứng dụng SaaS doanh nghiệp – một lĩnh vực không bị cản trở bởi các thủ tục hành chính như các ngành khác.
Vậy điều gì đang ngăn cản các doanh nghiệp áp dụng AI để tinh gọn và tối ưu hóa quy trình của họ? Nguyên nhân chính là các khối dữ liệu lộn xộn mà các công ty tích lũy khi phát triển và thêm các công cụ và sản phẩm mới. Trong bài viết này, tôi sẽ đi sâu vào cách dữ liệu lộn xộn là một rào cản đối với sự đổi mới AI trong doanh nghiệp và khám phá các giải pháp.
Chào mừng đến với khu rừng dữ liệu
Hãy bắt đầu bằng cách xem xét một thách thức dữ liệu phổ biến mà nhiều doanh nghiệp hiện đại gặp phải. Ban đầu, khi các doanh nghiệp chỉ cung cấp một phạm vi sản phẩm hạn chế, họ thường có dữ liệu doanh thu sạch, được lưu trữ trong một hệ thống duy nhất. Tuy nhiên, khi mở rộng các sản phẩm và áp dụng nhiều mô hình doanh thu khác nhau, mọi thứ nhanh chóng trở nên lộn xộn.
Ví dụ, một doanh nghiệp có thể bắt đầu với mô hình mua một lần, nhưng sau đó giới thiệu các tùy chọn bổ sung như đăng ký hoặc giá dựa trên mức tiêu thụ. Khi họ mở rộng, họ cũng sẽ đa dạng hóa các kênh bán hàng của mình. Một công ty bắt đầu với việc bán hàng tự phục vụ 100% sản phẩm có thể nhận ra theo thời gian rằng họ cần sự hỗ trợ của các nhóm bán hàng để bán thêm, bán chéo và thu hút khách hàng lớn hơn.
Trong giai đoạn tăng trưởng nhanh, nhiều doanh nghiệp chỉ đơn giản là thêm các hệ thống bán hàng mới vào những hệ thống hiện có. Họ sẽ mua các công cụ SaaS khác nhau để quản lý từng quy trình, mô hình giá, quy trình mua hàng, v.v. Không hiếm khi một bộ phận marketing của công ty có đến 20 công cụ SaaS khác nhau với 20 silo dữ liệu khác nhau.
Vì vậy, trong khi các công ty thường bắt đầu với dữ liệu sạch và tích hợp, sự phát triển khiến dữ liệu nhanh chóng trở nên ngoài tầm kiểm soát, thường là trước khi doanh nghiệp nhận ra đó là một vấn đề. Dữ liệu bị phân tách giữa các hệ thống thanh toán, thực hiện, thành công của khách hàng và các hệ thống khác, có nghĩa là các công ty mất đi cái nhìn toàn cầu về hoạt động bên trong của mình. Và đáng tiếc thay, việc đối chiếu dữ liệu thủ công thường tốn rất nhiều công sức và thời gian, khiến các thông tin có thể đã lỗi thời khi được sử dụng.
AI Không Thể Giải Quyết Dữ Liệu Lộn Xộn Cho Bạn
Một số khách hàng tiềm năng đã hỏi chúng tôi: “Nếu AI tuyệt vời như vậy, không thể để nó giải quyết vấn đề dữ liệu lộn xộn cho chúng tôi sao?” Thật tiếc, các mô hình AI không phải là giải pháp kỳ diệu cho vấn đề dữ liệu này.
Các mô hình AI hiện tại yêu cầu dữ liệu sạch để hoạt động đúng cách. Các công ty phụ thuộc vào nhiều quy trình bán hàng khác nhau, nền tảng SaaS và quy trình doanh thu thường tích lũy dữ liệu phân tán và rời rạc. Khi dữ liệu doanh thu của một doanh nghiệp bị phân tán trên các hệ thống không tương thích và không thể giao tiếp với nhau, AI không thể hiểu được nó. Ví dụ, cái được gán là “Sản phẩm” trong một hệ thống có thể rất khác với “Sản phẩm” trong hệ thống khác. Sự khác biệt ngữ nghĩa tinh tế này khó để AI nhận diện và chắc chắn sẽ dẫn đến những sai sót.
Dữ liệu cần được làm sạch, định hình ngữ cảnh và tích hợp đúng cách trước khi AI có thể can thiệp. Có một hiểu lầm lâu dài rằng kho dữ liệu cung cấp một giải pháp đồng bộ cho mọi vấn đề. Trong thực tế, ngay cả với một kho dữ liệu, dữ liệu vẫn cần được tinh chỉnh, gán nhãn và định hình ngữ cảnh thủ công, trước khi doanh nghiệp có thể sử dụng nó để tạo ra phân tích có ý nghĩa. Vì vậy, có sự tương đồng giữa kho dữ liệu và AI, ở chỗ các doanh nghiệp cần giải quyết vấn đề dữ liệu lộn xộn trước khi có thể hưởng lợi từ bất kỳ công cụ nào trong số này.
Ngay cả khi dữ liệu đã được định hình ngữ cảnh, các hệ thống AI vẫn ước tính có thể xảy ra nhầm lẫn ít nhất 3% thời gian. Nhưng số liệu tài chính của một công ty — nơi ngay cả một dấu chấm thập phân sai chỗ cũng có thể gây hiệu ứng domino làm gián đoạn nhiều quy trình — yêu cầu độ chính xác 100%. Điều này có nghĩa là sự can thiệp của con người vẫn là cần thiết để xác nhận độ chính xác và sự đồng bộ của dữ liệu. Việc tích hợp AI quá sớm có thể thậm chí tạo thêm công việc cho các nhà phân tích, những người phải phân bổ thêm thời gian và tài nguyên để sửa chữa những nhầm lẫn này.
Một Vòng Luẩn Quẩn Dữ Liệu
Tuy nhiên, sự gia tăng các giải pháp SaaS và dữ liệu lộn xộn phát sinh từ đó vẫn có một số giải pháp.
Trước tiên, các công ty nên thường xuyên đánh giá công nghệ mà họ sử dụng để đảm bảo rằng từng công cụ là cần thiết cho quy trình kinh doanh của họ, chứ không chỉ góp phần vào sự rối ren dữ liệu. Bạn có thể phát hiện ra rằng có đến 10 hoặc thậm chí hơn 20 công cụ mà các đội ngũ của bạn sử dụng hàng ngày. Nếu những công cụ này thực sự mang lại giá trị cho các phòng ban và toàn bộ doanh nghiệp, thì không nên loại bỏ chúng. Nhưng nếu dữ liệu lộn xộn, phân tách đang làm gián đoạn quy trình và việc thu thập thông tin, bạn cần cân nhắc giữa lợi ích của chúng so với việc chuyển sang một giải pháp tích hợp gọn nhẹ, nơi tất cả dữ liệu được lưu trữ trong cùng một công cụ và ngôn ngữ.
Tại thời điểm này, các doanh nghiệp đối mặt với một nghịch lý khi chọn phần mềm: các công cụ toàn diện có thể cung cấp tính nhất quán dữ liệu, nhưng có thể kém chính xác trong các lĩnh vực cụ thể. Một giải pháp trung gian là tìm kiếm phần mềm cung cấp một mô hình đối tượng phổ quát, linh hoạt, dễ thích ứng và tích hợp liền mạch với hệ sinh thái chung. Ví dụ, hãy xem Jira của Atlassian. Công cụ quản lý dự án này hoạt động trên một mô hình đối tượng dễ hiểu và có thể mở rộng cao, điều này giúp nó dễ dàng thích ứng với các loại quản lý dự án khác nhau, bao gồm Phát triển Phần mềm Agile, IT/Helpdesk, Marketing, Giáo dục, và nhiều hơn nữa.
Để điều hướng sự đánh đổi này, việc lập bản đồ các chỉ số quan trọng nhất đối với doanh nghiệp của bạn và làm việc từ đó là rất quan trọng. Xác định ngôi sao dẫn đường của công ty bạn và điều chỉnh các hệ thống của bạn theo hướng đó đảm bảo rằng bạn đang xây dựng cơ sở hạ tầng dữ liệu để cung cấp những thông tin cần thiết. Thay vì chỉ tập trung vào quy trình hoạt động hoặc tiện lợi của người dùng, hãy xem xét liệu một hệ thống có đóng góp vào các chỉ số không thể đàm phán, chẳng hạn như những chỉ số quan trọng đối với quyết định chiến lược hay không.
Cuối cùng, chính những công ty đầu tư thời gian và tài nguyên vào việc gỡ rối dữ liệu mà họ đã gặp phải sẽ là những người đầu tiên khai thác được tiềm năng thực sự của AI.