Automatisering er avgjørende for bedriften din

Automatisering er nøkkelen til å frigjøre store, bærekraftige fordeler i bedrifter på tvers av sektorer.

Big data kan være et stort ingenting uten en strategisk automatiseringstilnærming.

På den ene siden er vi inne i en heftig tid med informasjonsrikdom, med enestående datamengder om alt fra utstyrsytelse til forbrukernes sosiale medier-adferd (mer enn halvparten av alle verdensborgere er på sosiale medier). Men uten gjennomtenkt automatisering – bruk av maskiner og algoritmer for å håndtere, behandle og analysere tilgjengelige data – vil bedriften din miste store potensielle muligheter.

Godt gjort, forvandler automatisering «døde» big data til en levende, pustende ressurs du kan bruke for å skape verdi. Så det er ingen overraskelse at mange bedrifter tar sikte på automatisere alt som kan automatiseres, som en topp Google-sjef sa nylig.

For å hjelpe deg med å tenke på automatisering i din forretningssammenheng, presenterer jeg de tre viktigste måtene denne teknologidrevne aktiviteten hjelper deg med å skape verdier.

Det første automatiseringen hjelper deg med å gjøre er funksjonsekstraksjon, eller trekke kritiske nåler med informasjon fra massive høystakker med data. Tenk deg at organisasjonen din må gjennomgå patentsøknader for informasjon om en spesifikk teknologi og relaterte. Det kan hende du ser på tusenvis eller titusenvis av applikasjoner, hver på 30 eller flere sider, for millioner og millioner av ord. Men bare en liten andel av disse ordene og sammenhengene mellom patenter betyr noe, for eksempel hva den patenterte teknologien avhenger av eller oppfinnernes kvalifikasjoner og tidligere patenter.

Denne oppgaven involverer da, som mange andre i forretningsdomenet, et veldig lite signal-til-støy-forhold, og vil kreve tusenvis av mennesker timer å fullføre manuelt – noe som er altfor kostnads- og tidsprohibitivt. Men en maskinlæringsbasert algoritme kan trenes opp til relativt raskt å fange ut nøkkelinformasjonen som trengs, og spare betydelig tid og krefter. Videre si at du i fremtiden ønsket å søke i det samme settet med patenter eller relaterte, men etter annen informasjon, for eksempel størrelsen på patentsøkerteamet. Du kan enkelt omprogrammere eller omskolere algoritmen til å påta deg den oppgaven, og få stordriftsfordeler og større avkastning på den opprinnelige investeringen.

For det andre hjelper automatisering med datasjekking og opprydding. Datasett trenger ofte arbeid. Det er feil og manglende verdier, anomalier og noen ganger bevis på skjevhet. For eksempel, hvis en algoritme ble opplært til å oppdage egenskapene til lovbrytere, men bare bruker data om lovbrytere som ble tatt, vil algoritmen være partisk fordi den mangler data om lovbrytere som ikke ble tatt – et spesielt problem for hvitsnippkriminalitet, som har en tendens til å være underrapportert. Igjen, å sjekke og adressere dette enorme volumet av potensielle problemer er for mye å ta på seg manuelt. Men automatisering tillater rask utrulling av verktøy for testing og opprydding, noe som igjen sparer tid samtidig som det skapes verdi.

For det tredje, og dette er en stor en, er automatisering drivende motor for analyse. Gårsdagens enkle regresjonsanalyser har blitt dagens klynging og tilfeldige skoger, drevet av maskinlæring, enten det er for å forstå produktbrukere, forutsi neste måneds salg for å optimalisere beholdningen, eller forutsi effekten av en ny reklamekampanje. Maskinbasert automatisering lar deg ikke bare gjenta standardiserte analyseprosesser regelmessig til lave kostnader, men kan også oppdage ikke-lineære mønstre vi mennesker ikke kan.

For eksempel studerte laboratoriet mitt over 5 millioner patenter ved å bruke algoritmedrevne analyser for å se om vi kunne forutsi debuten til banebrytende fremtidige teknologier basert på deres patentsøknadsinformasjon. Vi antok at maskinen ville identifisere fremtidige treffpatenter fra applikasjonsdata hvis oppfinnelsen hadde frittstående, "mirakellignende" evner eller ideer. Til syvende og sist fant algoritmen fremtidens treffpatenter med høy nøyaktighet, men ikke slik vi mennesker hadde forestilt oss. Det vil si at algoritmen ikke identifiserte et fremtidig treffpatent basert på dens frittstående evner; snarere identifiserte den treffpatenter basert på om de var en del av en klynge av tilknyttede patenter som sammen kunne løse spesifikke problemer i kombinasjon som ingen enkeltpatenter kunne ha løst på egen hånd.

For eksempel gjorde ultralydteknologi en stor innvirkning på helsevesenet flere år etter at den først ble avduket, og muliggjorde ikke-invasiv avbildning og behandling av fysiske tilstander som nyrestein og til og med enkelte kreftformer. Men den fremgangen ville vært umulig uten mindre oppfinnelser utover kjerneteknologien – applikatorer, prosesser som reduserer statisk elektrisitet, spesialiserte medisinske pads og klemmer som ble utviklet uavhengig av ultralydteknologi, men likevel avgjørende for dens vellykkede anvendelse i medisin. Vår automatiserte analyse anerkjente pålitelig eksistensen av disse klyngene av relaterte patenter i over 5 millioner patenter fra helseprodukter til den nyeste golfballteknologien, og at disse klyngene var korrelert med sannsynligheten for at patentene i dem ville bli morgendagens fremtidige dominerende teknologier – en slutning ikke før verdsatt.

Min nordvestlige kollega Andrew Papachristos brukte lignende analyser for å vise det politikorrupsjon i Chicago stammer ikke fra noen få "bad apple"-offiserer, men et nettverk av tilkoblede politi som handler i ond tro; hans arbeid muliggjør tidligere oppdagelse av slike problemer.

Jeg håper jeg har tydeliggjort de gjensidig forsterkende fordelene ved automatisering, og hvordan det kan hjelpe deg å transformere data til store, bærekraftige verdier. Faktisk, jo mer data du har, jo mer trenger du automatisering; Når du først har sterke automatiseringsevner, kan du samle inn og utnytte enda mer data, og syklusen fortsetter.

Hovedpoenget: automatisering er en stadig mer kritisk funksjon, og kan være sentral for bedriftens ytelse på kort og lang sikt. Men det er viktig å forstå hvordan det skaper verdi, og å ta skritt for å redusere de virkelige ulempene, til beste for bedriften din og det brede fellesskapet der den opererer.

I den andre delen av denne artikkelen vil jeg diskutere de tre store ulempene ved automatisering – forklaring, gjennomsiktighet og kostnad – og hvordan man kan håndtere disse.