Denne klumme er et debatindlæg og er alene udtryk for skribenternes synspunkter.
Kunstig intelligens er meget mere end en ny teknologi, der kan tygge sig igennem enorme mængder af tekster, lyd og billeder.
Det er en General Purpose Technology (GPT), som vil revolutionere vores hverdag på samme måde som den industrielle revolution gjorde det i begyndelsen af 1900-tallet.
Kunstig intelligens er et paradigmeskifte for os alle. Jo før virksomheder indser dette, jo bedre kan de geare forretningen til en ny verdensorden.
De virksomheder, der i dag er traditionelt ledelsesdrevne skal i fremtiden være datadrevne. De virksomheder, der i dag arbejder i siloer - bevidst eller ubevidst - skal i fremtiden arbejde tværfagligt. Data er råvaren og omdrejningspunkt for alt.
Kun data er unikke. Produkter og priser kan kopieres. Det er evnen til at få det meste ud af data på den mest omkostningseffektive måde, som giver virksomheder kant og mulighed for at differentiere sig. Den præmis er afgørende for virksomheders fremtidige konkurrencedygtighed.
Konceptuelt og erkendelsesmæssigt er præmissen heldigvis klar for de fleste. Alligevel halter det med eksekveringen.
Baseret på min indsigt i danske og internationale virksomheder opsummerer jeg her typiske udfordringer i transformationen til at blive en datadreven virksomhed.
1. Tænk tværfaglighed ind i strategien
Gør dig klart, hvad data kan gøre for din virksomhed, og hvordan kunstig intelligens kan blive en styrke for din forretning og din organisation. Ofte sætter man uafhængige aktiviteter i gang. Økonomiafdelingen ønsker at automatisere rutineopgaver, marketing ønsker at opsamle experience data på websitet, og it arbejder på at opgradere teknologier, etc.
På den måde er den digitale transformation begyndt, men indsatsen er ukoordineret.
Når man skaber en datadreven virksomhed, er det nødvendigt at prioritere og udvælge de vigtigste indsatser og have mindre fokus på, hvor i organisationen de opstår, gennemføres og gør gavn.
Digital transformation kræver en tværfaglig indsats, som er kendt og forankret i organisationen.
Medarbejdernes fokus skal flyttes fra egen faggruppe til hinandens faggrupper, og de skal motiveres gennem fælles initiativer og deltagelse i de indsatser, som er vigtigst for hele virksomheden.
For at få alles buy-in skal de indsatser, virksomheden udvælger, være klare og forståelige. Ansvaret for at kommunikere dette ligger hos topledelsen.
2. Hav kun én version af data
Skab overblik og ejerskab over din virksomheds data. De fleste virksomheder oplever interessekonflikter omkring data på tværs i organisationen. Det går fra at ingen vil eje og tage ansvar for data - til at flere afdelinger ønsker at eje og dermed influere på data.
Når samme data benyttes i mange sammenhænge, er dataejerskabet oftest svært at håndtere. Hvem har mandat til at ændre eller udbygge eksisterende data, som er i brug?
Hvem har overblikket over de funktioner, rapporter, produkter og services, som bygger på disse data og derved kender til de potentielle konsekvenser, det kan have at ændre dataene?
Ved at sikre at et datasæt kun findes i én version med entydigt ejerskab kan man reducere kompleksiteten og i stedet opnå datakonsistens og datakvalitet.
Det kræver overblik over hvilke data man har, hvem der ejer data, hvordan de bruges, og hvor de findes fysisk. Systemunderstøttelse af dette bliver en nødvendighed i takt med at datamængden stiger.
3. Forstå dine data og dataresultater
Det er nødvendigt, at du involverer relevante fagkompetencer i projektteamet for at kunne bygge bro mellem data, it og forretning. Et projektteam skal således bestå af både forretningsspecialister, en data scientist, samt it.
Forretningens fagkompetencer er særligt vigtige at have med i projektteamet, når man skal udvælge data til analysen. Et for snævert datasæt kan i værste fald give fejlagtige konklusioner, og et for bredt datasæt kan forårsage, at projektforløbet bliver umådeligt langt.
Fagkompetencerne er også vigtige, når dataresultaterne skal forstås og fortolkes. For resultaterne er ofte overraskende.
Måske har man forventet at finde sammenhænge i data, som ikke findes? Måske finder man datamæssigt belæg for noget, man ikke anede var en mulighed? For at skabe tillid om dataresultaterne, skal de kunne forstås og forklares. Det sikrer fagkompetencerne.
4. Begynd med at transformere produktudvikling
Ret dit transformationsblik mod produkter og services. For det er ved at udvikle produkter og services med afsæt i data, at din virksomhed kan differentiere sig i fremtiden.
Langt de fleste virksomheder stiger om bord på det digitale transformationstog med fokus på effektivisering, automatisering og dynamisk rapportering. Satsningen på automatisering er en valid investering. Men risikoen er, at det sker på bekostning af produktudvikling.
De kompetencer, som arbejder med produktudvikling, er på mange måder mere udfordrede i forhold til at definere, prioritere og eksekvere udviklingsprojekter, hvor data er omdrejningspunktet.
Dog er indsatsen nødvendig for at sikre virksomhedens eksistensberettigelse.
Hvor digital transformation inden for automatisering sikrer forbedrede resultater på den korte bane, er det evnen til at udnytte data i nye produkter og services, som skaber indtjeningen på den lange bane.
Klummer er læsernes platform på Computerworld til at fortælle de bedste historier, og samtidig er det vores meget populære og meget læste forum for videndeling.
Har du en god historie eller har du specialviden, som du synes trænger til at blive delt?
Læs vores klumme-guidelines og send os din tekst, så kontakter vi dig - måske bliver du en del af vores hurtigt voksende korps af klummeskribenter.
