Gartner: оценка финансового эффекта команд по работе с данными и ИИ стала критически важной
Коротко
Проблема оценки финансового эффекта команд данных, ИИ и машинного обучения стала критической.
В мире блестящего будущего ИИ все только и говорят о ошеломляющих эффектах анализа данных и о том, что команды данных могут принести к столу в целом. Вы видели эти эффекты в реальности: конкретные денежные потоки в результате реализации проектов по анализу данных? Ответ, скорее всего, неоднозначный. Таким образом, Gartner обсудил проблему оценки результатов команд по работе с данными на их руководящих должностях. конференция по данным и аналитике в этом году.
Согласно исследованию Gartner, с 1975 года наблюдается неуклонное снижение доли компаний, которые измеряют конкретные финансовые последствия проектов по анализу данных (рост доходов, снижение затрат, рост производительности и снижение рисков). Уже в 2020 г. более 90 % вложений в данные (против 17 % в 1975 г.) оправдывались так называемыми стратегическими целями: созданием инноваций, данными как активом и ценностью бренда.
И тогда можно много говорить о том, как и почему мы к этому пришли и что будет дальше на фоне сгущающихся туч в глобальной макроэкономической среде.
Почему сформировался тренд?
Обоснование эффекта анализа данных с точки зрения стратегических целей во многих случаях вполне нормально. Развитие отрасли в последние годы уже стало очевидным для всех, кажется: ChatGPT здесь делает последний выстрел последний сомневающийся. В момент прорыва ни одна компания, которая хочет выжить, не хочет безнадежно отставать.
Обоснование эффекта стратегическими целями иногда бывает вынужденным, когда вы не вкладываетесь в понимание того, какой реальный финансовый эффект могут принести инвестиции в данные и как это можно измерить. Многие компании вкладывают огромные суммы в проекты по улучшению бизнес-процессов на основе данных, но при этом экономят на создании методологии оценки эффектов этих проектов (AB-тестирование, постинвестиционный анализ данных проектов и т. д.). С каждым новым проектом такие компании все больше и больше погрязают в ловушке неопределенности; для них растёт риск окончательного банкротства всей деятельности с данными, либо команда данных раздувается без понимания успеха своей деятельности.
В то же время на практике внедрение таких методологий всегда приводило к наибольшему эффекту для всех проектов данных.
Что будет дальше?
Темная сторона — растущая уязвимость data-команд в сложной макроэкономической ситуации на мировых рынках. Если 90% эффектов некоторых типов команд нельзя «потрогать», потому что они где-то в светлом будущем, когда экономический кризис усилится, то именно эти команды пострадают в первую очередь. К сожалению, начало этой тенденции во многом подтвердилось к 2022 г., и ряд масштабных увольнениям в крупных компаниях.
Яркой стороной является повышенный интерес к реальным оценкам финансового воздействия. На фоне всего вышеперечисленного мы ожидаем, что в 2024–2025 годах произойдет разворот тренда, и дополнительные вложения будут оправданы реальным финансовым эффектом.
А это будет означать рост интереса к методам вроде Reliable ML: как организовать работу data-команд так, чтобы эффект от их деятельности был измеримым и финансово положительным. Для этого нужно подумать о дизайне системы ML (чтобы не попасть в заведомо убыточные или нереализуемые проекты), каузальном выводе (чтобы не попасть в ловушку ложных паттернов) и тестировании AB (чтобы правильно понять, принесет ли ваш прототип деньги при масштабировании).
Читайте больше связанных новостей:
Отказ от ответственности
В соответствии с Руководство трастового проектаОбратите внимание, что информация, представленная на этой странице, не предназначена и не должна интерпретироваться как юридическая, налоговая, инвестиционная, финансовая или любая другая форма консультации. Важно инвестировать только то, что вы можете позволить себе потерять, и обращаться за независимой финансовой консультацией, если у вас есть какие-либо сомнения. Для получения дополнительной информации мы предлагаем обратиться к положениям и условиям, а также к страницам справки и поддержки, предоставленным эмитентом или рекламодателем. MetaversePost стремится предоставлять точную и объективную отчетность, однако рыночные условия могут быть изменены без предварительного уведомления.
Об авторе
Дамир — руководитель группы, менеджер по продукту и редактор в Metaverse Post, охватывающие такие темы, как AI/ML, AGI, LLM, Metaverse и Web3-связанные поля. Его статьи ежемесячно привлекают огромную аудиторию, насчитывающую более миллиона пользователей. Похоже, он эксперт с 10-летним опытом работы в области SEO и цифрового маркетинга. Дамир упоминается в Mashable, Wired, Cointelegraph, The New Yorker, Inside.com, Entrepreneur, BeInCrypto и другие издания. Он путешествует между ОАЭ, Турцией, Россией и СНГ в качестве цифрового кочевника. Дамир получил степень бакалавра в области физики, что, по его мнению, дало ему навыки критического мышления, необходимые для достижения успеха в постоянно меняющемся мире Интернета.
Другие статьи
Дамир — руководитель группы, менеджер по продукту и редактор в Metaverse Post, охватывающие такие темы, как AI/ML, AGI, LLM, Metaverse и Web3-связанные поля. Его статьи ежемесячно привлекают огромную аудиторию, насчитывающую более миллиона пользователей. Похоже, он эксперт с 10-летним опытом работы в области SEO и цифрового маркетинга. Дамир упоминается в Mashable, Wired, Cointelegraph, The New Yorker, Inside.com, Entrepreneur, BeInCrypto и другие издания. Он путешествует между ОАЭ, Турцией, Россией и СНГ в качестве цифрового кочевника. Дамир получил степень бакалавра в области физики, что, по его мнению, дало ему навыки критического мышления, необходимые для достижения успеха в постоянно меняющемся мире Интернета.
