Gartner: Bedömningen av de ekonomiska effekterna av data- och AI-team har blivit avgörande
I korthet
Problemet med att bedöma de ekonomiska effekterna av data-, AI- och ML-team har blivit kritiskt.
I en värld av AI:s ljusa framtid pratar alla bara om de fantastiska effekterna av dataanalys och vad datateam kan tillföra bordet i allmänhet. Har du sett dessa effekter i verkligheten: specifika kassaflöden som ett resultat av genomförandet av dataanalysprojekt? Svaret är troligen tvetydigt. Så Gartner diskuterade problemet med att utvärdera effekterna av datateam på deras ledare konferens om data och analys detta år.
Enligt Gartners studie har det sedan 1975 skett en stadig minskning av andelen företag som mäter den specifika ekonomiska effekten av dataanalysprojekt (inkomsttillväxt, kostnadsminskning, produktivitetstillväxt och riskminskning). Redan 2020 motiverades mer än 90 % av investeringarna i data (mot 17 % 1975) av de så kallade strategiska målen: skapandet av innovationer, data som en tillgång och varumärkesvärde.
Och sedan kan man prata mycket om hur och varför vi kom fram till detta och vad som kommer att hända härnäst mot bakgrund av de samlande molnen i den globala makroekonomiska miljön.
Varför har trenden bildats?
Att motivera effekten av dataanalys i termer av strategiska mål är i många fall helt normalt. Utvecklingen av branschen de senaste åren har redan blivit uppenbar för alla, verkar det som: ChatGPT här gör det sista skottet till den sista tvivlaren. I ögonblicket för ett genombrott vill inget företag som vill överleva ligga hopplöst efter.
Att motivera effekten med strategiska mål tvingas ibland fram när man inte investerar i att förstå vilka verkliga ekonomiska effekter investeringar i data kan ge och hur detta kan mätas. Många företag investerar enorma siffror i projekt för att förbättra affärsprocesser baserade på data, men samtidigt sparar de på att skapa en metodik för att utvärdera effekterna av dessa projekt (AB-testning, efterinvesteringsanalys av dataprojekt, etc.). För varje nytt projekt fastnar sådana företag mer och mer i osäkerhetsfällan; för dem ökar risken för att all dataaktivitet slutligen går i konkurs, eller så är datateamet överuppblåst utan att förstå framgången med deras aktiviteter.
Samtidigt har införandet av sådana metoder i praktiken alltid resulterat i de största effekterna på alla dataprojekt.
Vad kommer hända härnäst?
Den mörka sidan är den växande sårbarheten hos datateam i en svår makroekonomisk situation på världsmarknaderna. Om 90 % av effekterna av vissa typer av lag inte kan "röras" eftersom de är någonstans i en ljus framtid, när den ekonomiska krisen intensifieras, kommer det att vara dessa team som kommer att bli de första som drabbas. Tyvärr var början av denna trend till stor del bekräftats av 2022, och ett antal storskaliga uppsägningar i stora företag.
Den ljusa sidan är det ökade intresset för verkliga ekonomiska konsekvensbedömningar. Mot bakgrund av allt ovan räknar vi med att det under 2024–2025 kommer att ske en trendvändning och att fler investeringar motiveras av en reell ekonomisk effekt.
Och detta kommer att innebära ett ökat intresse för metoder som Reliable ML: hur man organiserar arbetet i datateam så att effekten av deras aktiviteter blir mätbar och ekonomiskt positiv. För att göra detta måste du tänka på ML-systemdesign (för att inte hamna i uppenbart olönsamma eller orealiserbara projekt), kausala slutledningar (för att inte falla i fällan med falska mönster) och AB-testning (för att korrekt förstå om din prototyp kommer att ge pengar vid skalning).
Läs fler relaterade nyheter:
Villkor
I linje med den Riktlinjer för Trust Project, vänligen notera att informationen på den här sidan inte är avsedd att vara och inte ska tolkas som juridisk, skattemässig, investerings-, finansiell eller någon annan form av rådgivning. Det är viktigt att bara investera det du har råd att förlora och att söka oberoende finansiell rådgivning om du har några tvivel. För ytterligare information föreslår vi att du hänvisar till villkoren samt hjälp- och supportsidorna som tillhandahålls av utfärdaren eller annonsören. MetaversePost är engagerad i korrekt, opartisk rapportering, men marknadsförhållandena kan ändras utan föregående meddelande.
Om författaren
Damir är teamledare, produktchef och redaktör på Metaverse Post, som täcker ämnen som AI/ML, AGI, LLMs, Metaverse och Web3-relaterade områden. Hans artiklar lockar en massiv publik på över en miljon användare varje månad. Han verkar vara en expert med 10 års erfarenhet av SEO och digital marknadsföring. Damir har nämnts i Mashable, Wired, Cointelegraph, The New Yorker, Inside.com, Entrepreneur, BeInCrypto och andra publikationer. Han reser mellan Förenade Arabemiraten, Turkiet, Ryssland och OSS som en digital nomad. Damir tog en kandidatexamen i fysik, som han tror har gett honom de kritiska tänkande färdigheter som behövs för att bli framgångsrik i det ständigt föränderliga landskapet på internet.
fler artiklar
Damir är teamledare, produktchef och redaktör på Metaverse Post, som täcker ämnen som AI/ML, AGI, LLMs, Metaverse och Web3-relaterade områden. Hans artiklar lockar en massiv publik på över en miljon användare varje månad. Han verkar vara en expert med 10 års erfarenhet av SEO och digital marknadsföring. Damir har nämnts i Mashable, Wired, Cointelegraph, The New Yorker, Inside.com, Entrepreneur, BeInCrypto och andra publikationer. Han reser mellan Förenade Arabemiraten, Turkiet, Ryssland och OSS som en digital nomad. Damir tog en kandidatexamen i fysik, som han tror har gett honom de kritiska tänkande färdigheter som behövs för att bli framgångsrik i det ständigt föränderliga landskapet på internet.
