Gartner: Ocena skutków finansowych zespołów zajmujących się danymi i sztuczną inteligencją stała się krytyczna
W skrócie
Problem oceny efektów finansowych zespołów Data, AI i ML stał się krytyczny.
W świecie świetlanej przyszłości sztucznej inteligencji wszyscy mówią tylko o oszałamiających efektach analizy danych i ogólnie o tym, co zespoły danych mogą wnieść do tabeli. Czy widziałeś te efekty w rzeczywistości: konkretne przepływy pieniężne w wyniku realizacji projektów analizy danych? Odpowiedź jest prawdopodobnie niejednoznaczna. Gartner omówił więc problem oceny efektów działania zespołów danych na ich czele konferencja na temat danych i analiz w tym roku.
Według badań firmy Gartner od 1975 roku obserwuje się stały spadek odsetka firm, które mierzą konkretny wpływ finansowy projektów związanych z analizą danych (wzrost przychodów, redukcja kosztów, wzrost produktywności i redukcja ryzyka). Już w 2020 roku ponad 90% inwestycji w dane (wobec 17% w 1975 roku) było uzasadnionych tzw. celami strategicznymi: tworzeniem innowacji, danymi jako zasobem, wartością marki.
A potem można dużo mówić o tym, jak i dlaczego do tego doszliśmy i co będzie dalej na tle zbierających się chmur w globalnym otoczeniu makroekonomicznym.
Dlaczego powstał trend?
Uzasadnianie efektu analizy danych celami strategicznymi jest w wielu przypadkach czymś normalnym. Rozwój branży w ostatnich latach stał się już dla wszystkich oczywisty, wydaje się: ChatGPT tutaj czyni ostatni strzał ostatnim wątpiącym. W momencie przełomu żadna firma, która chce przetrwać, nie chce zostać beznadziejnie w tyle.
Uzasadnianie efektu celami strategicznymi bywa czasem wymuszone, gdy nie inwestuje się w zrozumienie, jakie realne efekty finansowe mogą przynieść inwestycje w dane i jak można to zmierzyć. Wiele firm inwestuje ogromne kwoty w projekty mające na celu usprawnienie procesów biznesowych opartych na danych, ale jednocześnie oszczędza na tworzeniu metodologii oceny efektów tych projektów (testy AB, analiza poinwestycyjna projektów danych itp.). Z każdym nowym projektem takie firmy coraz bardziej ugrzęzły w pułapce niepewności; dla nich rośnie ryzyko ostatecznego bankructwa wszelkiej działalności związanej z danymi lub zespół danych jest przeciążony bez zrozumienia sukcesu ich działań.
Jednocześnie w praktyce wprowadzenie takich metodyk zawsze dawało największe efekty we wszystkich projektach danych.
Co się później stanie?
Ciemną stroną jest rosnąca podatność zespołów danych w trudnej sytuacji makroekonomicznej na światowych rynkach. Jeśli 90% efektów niektórych typów drużyn nie da się „dotknąć”, bo są gdzieś w świetlanej przyszłości, kiedy kryzys gospodarczy się nasili, to właśnie te zespoły zostaną uderzone jako pierwsze. Niestety, początek tego trendu został w dużej mierze potwierdzony do 2022 roku, a szereg na dużą skalę zwolnienia w dużych firmach.
Jasną stroną jest wzrost zainteresowania rzeczywistymi ocenami skutków finansowych. Na tle powyższego spodziewamy się, że w latach 2024-2025 nastąpi odwrócenie trendu, a kolejne inwestycje będą uzasadnione realnym efektem finansowym.
A to oznaczać będzie wzrost zainteresowania metodami typu Reliable ML: jak zorganizować pracę zespołów danych, aby efekt ich działań był wymierny i pozytywny finansowo. Aby to zrobić, trzeba pomyśleć o projektowaniu systemów ML (aby nie wpakować się w projekty ewidentnie nieopłacalne lub nie do zrealizowania), wnioskowaniu przyczynowym (aby nie wpaść w pułapkę fałszywych wzorców) oraz testowaniu AB (aby poprawnie zrozumieć, czy Twój prototyp przyniesie pieniądze podczas skalowania).
Przeczytaj więcej powiązanych wiadomości:
Odpowiedzialność
Zgodnie z Zaufaj wytycznym projektu, należy pamiętać, że informacje zawarte na tej stronie nie mają na celu i nie powinny być interpretowane jako porady prawne, podatkowe, inwestycyjne, finansowe lub jakiekolwiek inne formy porad. Ważne jest, aby inwestować tylko tyle, na utratę czego możesz sobie pozwolić, a w przypadku jakichkolwiek wątpliwości zasięgnąć niezależnej porady finansowej. Aby uzyskać więcej informacji, sugerujemy zapoznać się z warunkami oraz stronami pomocy i wsparcia udostępnianymi przez wydawcę lub reklamodawcę. MetaversePost zobowiązuje się do sporządzania dokładnych i bezstronnych raportów, jednakże warunki rynkowe mogą ulec zmianie bez powiadomienia.
O autorze
Damir jest liderem zespołu, menedżerem produktu i redaktorem w Metaverse Post, obejmujący takie tematy, jak AI/ML, AGI, LLM, Metaverse i Web3-pokrewne pola. Jego artykuły przyciągają każdego miesiąca ogromną publiczność, liczącą ponad milion użytkowników. Wydaje się być ekspertem z 10-letnim doświadczeniem w SEO i marketingu cyfrowym. Damir został wspomniany w Mashable, Wired, Cointelegraph, The New Yorker, Inside.com, Entrepreneur, BeInCrypto i inne publikacje. Jako cyfrowy koczownik podróżuje między ZEA, Turcją, Rosją i WNP. Damir uzyskał tytuł licencjata z fizyki, co jego zdaniem dało mu umiejętności krytycznego myślenia potrzebne do odniesienia sukcesu w ciągle zmieniającym się środowisku internetowym.
Więcej artykułów
Damir jest liderem zespołu, menedżerem produktu i redaktorem w Metaverse Post, obejmujący takie tematy, jak AI/ML, AGI, LLM, Metaverse i Web3-pokrewne pola. Jego artykuły przyciągają każdego miesiąca ogromną publiczność, liczącą ponad milion użytkowników. Wydaje się być ekspertem z 10-letnim doświadczeniem w SEO i marketingu cyfrowym. Damir został wspomniany w Mashable, Wired, Cointelegraph, The New Yorker, Inside.com, Entrepreneur, BeInCrypto i inne publikacje. Jako cyfrowy koczownik podróżuje między ZEA, Turcją, Rosją i WNP. Damir uzyskał tytuł licencjata z fizyki, co jego zdaniem dało mu umiejętności krytycznego myślenia potrzebne do odniesienia sukcesu w ciągle zmieniającym się środowisku internetowym.
