Wanneer is jouw onderneming klaar voor AI
Auteur: Pauwel Grepdon van Trendskout
Heel wat bedrijven hebben de voorbije jaren ingezet op digitalisering. Gelukkig maar, want door de huidige crisis is thuiswerken de norm geworden en online bestellen een pure noodzaak. We zien nu hoe belangrijk die digitalisering is om als onderneming te kunnen overleven. Datagedreven bedrijven hebben nu een voorsprong op hun collega’s door slim met data om te gaan en nieuwe technologieën als artificial intelligence (AI) en machine learning te gebruiken. Maar wanneer ben je daar als bedrijf klaar voor? We vatten het samen in de drie belangrijkste parameters.
Focus op meerwaarde en niet op de technologie op zich
Het staat goed om te kunnen zeggen dat je als eerste een nieuwe technologie gebruikt, maar technologie enkel en alleen inzetten om ‘mee’ te zijn, is onzinnig. Investeren in nieuwe technologie móét gewoon opbrengen voor je bedrijf. Denk daarom niet in termen van (gehypete) technologie, maar in concrete oplossingen voor de onderneming. Verdiep je wel even in alle mogelijkheden en AI-concepten, zodat je beter kunt inschatten wat het potentieel van een oplossing is.
Breng vervolgens in kaart welke AI-processen een meerwaarde kunnen betekenen. Is er nood aan automatisatie van bepaalde processen? Kunnen forecasting modellen een toegevoegde waarde bieden voor de interactie met de klant? En waar zitten de quick wins: op welke vlakken kan de introductie van technologie iets bijbrengen, zonder dat dit een verregaande impact heeft op de huidige organisatie, kosten, enzoverder.
Maturiteit in dataverzameling
Alle AI- en machine learning-modellen worden gebouwd op basis van data. Het is dan ook evident dat de verzameling van data kwalitatief moet zijn. Heb je al als onderneming reeds de nodige software, zoals CRM- en ERP-pakketten waarin data wordt bijgehouden, dan is de kans groot dat er voor jouw bedrijf mogelijkheden zijn.
Heel wat AI-modellen vergen immers voldoende historische data om het model te trainen. Hierin zijn twee zaken belangrijk: de kwantiteit en de kwaliteit van data. Er moeten allereerst voldoende gegevens zijn die representatief zijn. Wil je bijvoorbeeld forecasting gaan doen om te zien welke klanten het meest waarschijnlijk zullen overgaan tot een aankoop de komende maanden, dan is het nuttig om data voorhanden te hebben van een periode die ruim genoeg is om verbanden te kunnen vertonen. Zo zal er in dit geval data nodig zijn van meerdere jaren, omdat die data verschillende aankoopcycli kunnen bevatten.
Ook de kwaliteit van data is belangrijk voor het uiteindelijke resultaat. Het zogenaamde garbage in, garbage out is elke datawetenschapper welbekend. Zijn er binnen de organisatie duidelijke richtlijnen voor alle medewerkers over hoe ze data moeten bijhouden en loggen? Is het voor iedereen duidelijk wat waar en hoe gegevens moeten bijgehouden worden? Is de data die wordt geregistreerd volledig of ontbreken er zaken? Want dat laatste kan zorgen voor een vooringenomenheid of bias van het AI-model.
Zijn de medewerkers en klanten er klaar voor?
Onbekend is onbemind, dat geldt zeker ook voor technologie. Soms zijn medewerkers terughoudend tegenover nieuwe technologie, omdat ze bang zijn voor het behoud van hun job. Informeer daarom duidelijk, en niet alleen op managementniveau, wat de bedoeling van de nieuwe technologie zou zijn en hoe deze zal helpen om het werk aangenamer te maken in plaats van hen te vervangen.
Denk uiteraard ook aan je klanten, indien zij rechtstreeks in contact zullen komen met de nieuwe technologie. Denk je bijvoorbeeld na over het gebruik van een AI-gestuurde chatbot, dan is het wel zo nuttig dat een groot deel van je klanten deze chatbot ook effectief wil gebruiken. Anders zou het jammer zijn van de investering.
Wanneer je als onderneming bovenstaande criteria kunt afvinken, ben je klaar om verdere stappen te nemen in artificial intelligence en machine learning, en kan je potentiële partners beginnen aanspreken om het project verder mee uit te werken.
Succes!