Перевод статьи "Three Steps to Prepare for Data and AI Leadership"  выполнил Вадим Сеничев

Поскольку Большие данные (Big Data) и искусственный интеллект (AI) с каждым годом все сильнее преобразуют бизнес, почти наверняка каждому руководителю в какой-то момент потребуется использовать эти технологии как для развития своей организации, так и своей карьеры.

Тем не менее, подобные действия сопряжены с фактором, сильно пугающим большинство руководителей,  что часто усугубляется описанными высокими требованиями к должностям, связанным с Большими данными, аналитикой или искусственным интеллектом. Однако эти описания зачастую бывают неверно восприняты в сравнении с тем, что же требуется для достижения успешных бизнес-результатов с использованием Больших данных и AI.

Хотя аналитическое мышление, безусловно, важно, многие традиционные лидерские навыки не менее важны при первой работе с ИИ / Большими данными. Также очень важно иметь всестороннее видение, добиваться консенсуса между разрозненными игроками и понимать инструменты создания ценности, чтобы соответствующим образом расставить приоритеты. Одни из самых эффективных лидеров в области Больших данных и ИИ - это те, кто мыслит коммерчески, применяя свой бизнес-опыт. Более того, сегодняшние бизнес-лидеры, которые опираются на Большие данные для достижения успеха, должны быть политиками и коммуникаторами, способными использовать потенциал данных и ИИ для увеличения прибыли, повышения эффективности и инноваций, одновременно оказывая влияние и объясняя всем создаваемую ими ценность.

Конечно, успех также требует знания существующих и новых технологий обработки данных и искусственного интеллекта - хотя и не обязательно углубленных технических знаний во всех сферах. Вам действительно необходимы достаточные технические знания, чтобы понять вероятную ценность, затраты и риски, связанные с их внедрением; необходимо отслеживать актуальные тенденции и вдохновлять команды специалистов по обработке и анализу данных. Однако, знать всё это необязательно и невозможно, не надейтесь.

Несмотря на то, что лидеру многое предстоит сделать, чтобы подготовить себя и свою организацию к использованию этих технологий, мы выделяем три ключевых шага, которые необходимо предпринять для достижения успеха в области больших данный и ИИ. 

Знайте свое "почему"

Прежде чем приступить, важно понять, как генеральный директор и исполнительный совет видят данные и искусственный интеллект. Их приверженность новым технологиям является ключевой, но важно знать и понимать, почему они захотят наращивать возможности обработки данных? Потому что они об этом читают? Неправильный ответ. Потому что консультанты им сказали? Снова неверно. Потому что это делают их конкуренты? Все еще нет.

Возможность ответить на главный вопрос «почему?» имеет решающее значение, потому что он затрагивает суть видения компании и рассматривает инвестиции в данные и ИИ как решения для реализации этого видения, а не как отдельные возможности.

Например, в Vodafone Катя Уолш (Katia Walsh), первый глобальный директор группы компаний по данным и ИИ, попыталась сформулировать свое видение, начав с простого вопроса: почему люди не могут прожить две минуты без телефона, но при этом могут легко сменить провайдера — даже если речь идет о той компании, которая дала миру этот самый телефон? Способность понять это простое «почему» позволила ее команде и их партнерам сузить круг своих интересов со всех возможных  вариантов оценки данных до тех, которые позволили бы им сделать компанию такой же незаменимой в жизни своих клиентов, как устройства, к которым подключены ее услуги.

Также важно оценить качество данных, которыми собирается пользоваться ваша организация. Задайтесь такими вопросами:

• - Есть ли у нас данные, необходимые для ответа на вопросы, которые соответствуют нашему видению?

• - Являются ли наши данные применимыми и организованными?

Если эти вопросы не будут решены на раннем этапе, вы можете закончить работу по «очистке» данных в течение первых трех лет, пока выстраивается работа, не принося при этом никакой существенной пользы вашей компании. Вы просто не можете создать ценность без единого источника точной и высококачественной информации.

Создайте свою команду

Когда организации пытаются превратить себя в предприятие, готовое к работе с Большими данными и искусственным интеллектом, они часто сосредотачиваются на найме самых ярких и технически одаренных умов.

Конечно, такие технические таланты ценны, но эффективность данных может быть ограничена мотивацией и возможностями к участию в проекте заинтересованных сторон и партнеров. Также важно - а иногда может быть более эффективно, не говоря уже о рентабельности, - инвестировать в обучение сотрудников по всей организации.

Например, вы можете идентифицировать и обучать сотрудников, занимающихся продажами, маркетингом и операциями, тому, как определять возможности и задавать вопросы, которые помогают решать бизнес-проблемы с помощью данных и ИИ, и вдохновлять их силой этих технологий. Это создает внутреннюю поддержку и может быть более успешным, чем наем легионов высококлассных технических специалистов, которые в отсутствие вовлеченных партнеров будут бороться за создание ценности для бизнеса.

В каждой организации есть момент, когда критически важно повысить информационную грамотность на уровне всего предприятия. Компании начинают осознавать это и вкладывают значительные средства в повышение квалификации сотрудников. Кроме того, команды по обработке данных и искусственного интеллекта, которые лучше всего подходят для создания ценности, имеют разнообразные профили, от аналитиков и инженеров до чего угодно, от докторов философии до дипломированных специалистов по философии, юриспруденции или даже экспертов-самоучек без университетских дипломов. Однако качество, которое у них всех должно быть общим, - это стойкость. Управление изменениями может быть трудной работой, и способность оправляться от неудач - вот что движет командой вперед.

Определите свой путь

Как только вы будете удовлетворены ответами на вопросы «почему?» и «кто?» в отношении ваших данных и начинаний с ИИ, пришло время определить свое «как?». И время это всегда ограничено. В условиях широкого разнообразия миссий организации по-прежнему существует слишком много проблем, чтобы решать их все эффективно.

Самое замечательное в аналитике данных - это то, что с ней можно сделать очень много всего, и, в то же время, это очень плохо.

Для достижения бизнес-результатов требуются дисциплина и сосредоточенность. Наличие четкого видения и всеобъемлющего «почему» сверху имеет решающее значение, но также необходим и систематический способ разбить это видение на конкретные цели, в достижении которых может помочь команда аналитиков, специалистов по обработке данных и инженеров.

Например, если общей целью является повышение удовлетворенности клиентов, вам все равно необходимо определить наиболее эффективный способ изменения этой метрики:

- Следует ли вам сосредоточиться на повышении качества взаимодействия с пользователем или на улучшении обслуживания клиентов?

- Было бы эффективнее разработать чат-ботов, улучшить рекомендации по продукту или более целенаправленные рекламные акции?

В организациях нужно решить так много проблем, что может возникнуть соблазн сразу перейти в «режим решения». Хотя вы и должны быстро встать на ноги и начать приносить пользу как можно раньше, важно постоянно улучшать свое понимание проблем и говорить о них с соответствующими заинтересованными сторонами и партнерами. Это гарантирует, что правильное решение будет применено в правильной ситуации.

Ясность в отношении наиболее важных бизнес-проблем может защитить вас от использования технологий обработки данных и искусственного интеллекта из-за их «Вау-эффекта» скорее, чем ценность, которую они принесут.

Имея четко обозначенные, определенные и хорошо продуманные проблемы, которые подтверждают ваше «почему», в каком порядке вы должны их решать? Очевидный ответ - ранжировать возможности в соответствии с вероятной ценностью, которую они принесут, и осуществимостью успеха, выбрав те, которые с наибольшей вероятностью принесут наибольшую отдачу. Оценка технической осуществимости, основанная также на доступности и качестве необходимых данных, является лишь частью уравнения. Осуществимость будет в решающей степени зависеть от работы с заинтересованными сторонами и партнерами, которые четко понимают, чего они ищут, и которые вовлечены и готовы пробовать новое. Также помогает, если они честны и ориентированы на ценности, потому что данные могут раскрыть неприятную правду.

Еще один ключевой параметр - это то, сколько времени потребуется, чтобы получить ожидаемую ценность. Люди теряют терпение, поэтому важно уделять приоритетное внимание данным и приложениям искусственного интеллекта, которые придают импульс и быстро приносят пользу. Во многих организациях часто именно простые приложения создают наибольший импульс и помогают обратить скептиков.

Джефф Макмиллан, директор по данным и аналитике Morgan Stanley, сначала сосредоточился на том, чтобы предоставить заинтересованным сторонам более хороший доступ к базовой информации, такой как данные о продажах, вместо того, чтобы искать самые заманчивые возможности с помощью ИИ и машинного обучения. Удвоив объем обучения молодых специалистов в области визуализации данных и доступа к хранилищам данных, Макмиллан вызвал огромное доверие, заинтересованность и поддержку для реализации амбициозных проектов с использованием более совершенных технологий искусственного интеллекта и машинного обучения.

Рекомендовано

Денис Гайворонский: Дополнительный визуальный контроль - враг качества и большая потеря

22 мая в 13:00

4840

Наталия Анфёрова: Закон Мерфи

01 апреля в 15:00

3058

• МОИ - онлайн система мотивационной оценки кандидатов. Это идеальный входной фильтр и отчет для выбора лучшего кандидата на ключевую должность.
• Всё что нужно знать участнику проекта в онлайн курсе "Бережливое Производство И Шесть Сигма. Базовый". Обязателен для успешных проектов в вашей компании.