Gartner: Ocenjevanje finančnih učinkov podatkov in skupin AI je postalo kritično
Na kratko
Problem ocenjevanja finančnih učinkov ekip Data, AI in ML je postal kritičen.
V svetu svetle prihodnosti umetne inteligence vsi govorijo samo o osupljivih učinkih analize podatkov in o tem, kaj lahko podatkovne ekipe sploh prinesejo na mizo. Ali ste videli te učinke v resnici: specifične denarne tokove kot rezultat izvajanja projektov analize podatkov? Odgovor je verjetno dvoumen. Tako je Gartner razpravljal o problemu ocenjevanja učinkov podatkovnih skupin pri njihovem vodenju konferenca o podatkih in analitiki letos.
Po Gartnerjevi študiji je od leta 1975 stalno upadal delež podjetij, ki merijo specifične finančne učinke projektov podatkovne analitike (rast prihodkov, zmanjšanje stroškov, rast produktivnosti in zmanjšanje tveganj). Že leta 2020 je bilo več kot 90 % naložb v podatke (v primerjavi s 17 % leta 1975) upravičenih s tako imenovanimi strateškimi cilji: ustvarjanje inovacij, podatki kot sredstvo in vrednost blagovne znamke.
In potem lahko veliko govorite o tem, kako in zakaj smo prišli do tega in kaj se bo zgodilo naprej v ozadju kopičenja oblakov v globalnem makroekonomskem okolju.
Zakaj se je oblikoval trend?
Utemeljitev učinka analize podatkov s strateškimi cilji je v mnogih primerih povsem običajna. Zdi se, da je razvoj industrije v zadnjih letih že vsem očiten: ChatGPT tukaj naredi zadnji strel zadnji dvomljivec. V trenutku preboja nobeno podjetje, ki želi preživeti, ne želi brezupno zaostajati.
Upravičevanje učinka s strateškimi cilji je včasih prisiljeno, ko ne vlagate v razumevanje, kakšne dejanske finančne učinke lahko prinesejo vlaganja v podatke in kako jih je mogoče izmeriti. Mnoga podjetja vlagajo ogromne zneske v projekte izboljšanja poslovnih procesov na podlagi podatkov, hkrati pa varčujejo pri izdelavi metodologije za vrednotenje učinkov teh projektov (AB testiranje, poinvesticijska analiza podatkovnih projektov ipd.). Z vsakim novim projektom se takšna podjetja vedno bolj ujamejo v past negotovosti; za njih se povečuje tveganje dokončnega bankrota vseh podatkovnih dejavnosti ali pa je podatkovna ekipa prenapihnjena, ne da bi razumela uspešnost svojih dejavnosti.
Hkrati je v praksi uvedba tovrstnih metodologij vedno imela največje učinke na vseh podatkovnih projektih.
Kaj se bo potem zgodilo?
Temna stran je vse večja ranljivost podatkovnih ekip v težkih makroekonomskih razmerah na svetovnih trgih. Če 90% učinkov nekaterih vrst ekip ne moremo »tipati«, ker so nekje v svetli prihodnosti, bodo ob zaostrovanju gospodarske krize prav te ekipe prve na udaru. Na žalost je bil začetek tega trenda v veliki meri potrjen do leta 2022 in številne obsežne odpuščanje v velikih podjetjih.
Svetla stran je povečano zanimanje za dejanske ocene finančnega učinka. Glede na vse navedeno pričakujemo, da bo v letih 2024–2025 prišlo do obrata trenda in bo več investicij upravičenih z realnim finančnim učinkom.
In to bo pomenilo povečanje zanimanja za metode, kot je Reliable ML: kako organizirati delo podatkovnih skupin tako, da bo učinek njihovih aktivnosti merljiv in finančno pozitiven. Če želite to narediti, morate razmišljati o zasnovi sistema ML (da se ne bi spustili v očitno nedonosne ali neuresničljive projekte), vzročnem sklepanju (da se ne ujamete v past lažnih vzorcev) in AB testiranju (da pravilno razumeti, ali bo vaš prototip prinesel denar pri skaliranju).
Preberite več povezanih novic:
Zavrnitev odgovornosti
V skladu z Smernice projekta Trust, upoštevajte, da informacije na tej strani niso namenjene in se jih ne sme razlagati kot pravni, davčni, naložbeni, finančni ali kakršen koli drug nasvet. Pomembno je, da vlagate samo tisto, kar si lahko privoščite izgubiti, in da poiščete neodvisen finančni nasvet, če imate kakršne koli dvome. Za dodatne informacije predlagamo, da si ogledate določila in pogoje ter strani s pomočjo in podporo, ki jih nudi izdajatelj ali oglaševalec. MetaversePost se zavzema za natančno in nepristransko poročanje, vendar se tržni pogoji lahko spremenijo brez predhodnega obvestila.
O avtorju
Damir je vodja ekipe, produktni vodja in urednik pri Metaverse Post, ki pokriva teme, kot so AI/ML, AGI, LLMs, Metaverse in Web3- sorodna področja. Njegovi članki vsak mesec pritegnejo množično občinstvo več kot milijon uporabnikov. Zdi se, da je strokovnjak z 10-letnimi izkušnjami na področju SEO in digitalnega trženja. Damir je bil omenjen v Mashable, Wired, Cointelegraph, The New Yorker, Inside.com, Entrepreneur, BeInCrypto in druge publikacije. Kot digitalni nomad potuje med ZAE, Turčijo, Rusijo in SND. Damir je diplomiral iz fizike, kar mu je po njegovem mnenju dalo sposobnosti kritičnega razmišljanja, potrebne za uspeh v nenehno spreminjajočem se okolju interneta.
več člankov
Damir je vodja ekipe, produktni vodja in urednik pri Metaverse Post, ki pokriva teme, kot so AI/ML, AGI, LLMs, Metaverse in Web3- sorodna področja. Njegovi članki vsak mesec pritegnejo množično občinstvo več kot milijon uporabnikov. Zdi se, da je strokovnjak z 10-letnimi izkušnjami na področju SEO in digitalnega trženja. Damir je bil omenjen v Mashable, Wired, Cointelegraph, The New Yorker, Inside.com, Entrepreneur, BeInCrypto in druge publikacije. Kot digitalni nomad potuje med ZAE, Turčijo, Rusijo in SND. Damir je diplomiral iz fizike, kar mu je po njegovem mnenju dalo sposobnosti kritičnega razmišljanja, potrebne za uspeh v nenehno spreminjajočem se okolju interneta.
