Automatisering er afgørende for din virksomhed

Automatisering er nøglen til at frigøre store, bæredygtige fordele i virksomheder på tværs af sektorer.

Big data kan være et stort ingenting uden en strategisk automatiseringstilgang.

På den ene side er vi i en hæsblæsende tid med informationsrigdom med hidtil usete mængder af data om alt fra udstyrs ydeevne til forbrugeradfærd på sociale medier (mere end halvdelen af ​​alle globale borgere er på sociale medier). Men uden gennemtænkt automatisering – brugen af ​​maskiner og algoritmer til at håndtere, behandle og analysere tilgængelige data – vil din virksomhed miste store potentielle muligheder.

Udført godt, forvandler automatisering "døde" big data til en levende, åndbar ressource, du kan bruge til at skabe værdi. Så det er ingen overraskelse, at mange virksomheder sigter mod automatisere alt, der kan automatiseres, som en topchef i Google sagde for nylig.

For at hjælpe dig med at tænke på automatisering i din forretningssammenhæng, præsenterer jeg de tre vigtigste måder, hvorpå denne teknologidrevne aktivitet hjælper dig med at skabe værdi.

Den første ting automatisering hjælper dig med at gøre, er funktionsudtræk, eller trække kritiske nåle af information fra massive høstakke af data. Forestil dig, at din organisation skal gennemgå patentansøgninger for at få oplysninger om en specifik teknologi og relaterede. Du ser måske på tusinder eller titusindvis af applikationer, der hver kører 30 eller flere sider, for millioner og atter millioner af ord. Men kun en lille del af disse ord og indbyrdes forhold mellem patenter betyder noget, såsom hvad den patenterede teknologi afhænger af eller opfindernes kvalifikationer og tidligere patenter.

Denne opgave involverer så, ligesom mange andre i forretningsdomænet, et meget lille signal-til-støj-forhold og ville kræve tusindvis af mennesker timer at udføre manuelt - noget alt for omkostnings- og tidskrævende. Men en maskinlæringsbaseret algoritme kunne trænes til relativt hurtigt at udtømme de nødvendige nøgleoplysninger, hvilket sparer betydelig tid og kræfter. Sig desuden, at du i fremtiden ønskede at søge i det samme sæt af patenter eller beslægtede, men efter forskellige oplysninger, såsom størrelsen af ​​patentansøgerteamet. Du kan nemt omprogrammere eller omskole algoritmen til at påtage dig denne opgave, hvilket opnår stordriftsfordele og større afkast på din oprindelige investering.

For det andet hjælper automatisering med datakontrol og oprydning. Datasæt har ofte brug for arbejde. Der er fejl og manglende værdier, anomalier og nogle gange tegn på bias. For eksempel, hvis en algoritme blev trænet til at spotte lovbrydernes karakteristika, men kun bruger data om lovovertrædere, der blev fanget, vil algoritmen være forudindtaget, fordi den mangler data om lovovertrædere, der ikke blev fanget - et særligt problem for hvidkravekriminalitet, som har tendens til at være underrapporteret. Igen er det for meget at påtage sig manuelt at kontrollere og løse denne store mængde potentielle problemer. Men automatisering tillader hurtig implementering af værktøjer til test og oprydning, hvilket igen sparer tid, mens der skabes værdi.

For det tredje, og dette er en stor en, er automatisering drivende motor for analyse. Gårsdagens simple regressionsanalyser er blevet til nutidens clustering og tilfældige skove, drevet af maskinlæring, hvad enten det er for at forstå produktbrugere, forudsige næste måneds salg for at optimere lagerbeholdningen eller forudsige virkningen af ​​en ny reklamekampagne. Maskinbaseret automatisering giver dig ikke kun mulighed for at gentage standardiserede analyseprocesser regelmæssigt til lave omkostninger, men kan også spotte ikke-lineære mønstre, som vi mennesker ikke kan.

For eksempel studerede mit laboratorium over 5 millioner patenter ved hjælp af algoritmedrevne analyser for at se, om vi kunne forudsige debuten af ​​banebrydende fremtidige teknologier baseret på deres patentansøgningsoplysninger. Vi antog, at maskinen ville identificere fremtidige hitpatenter fra ansøgningsdata, hvis opfindelsen havde selvstændige, "mirakellignende" muligheder eller ideer. I sidste ende fandt algoritmen fremtidens hitpatenter med høj nøjagtighed, men ikke på den måde, vi mennesker havde forestillet os. Det vil sige, at algoritmen ikke identificerede et fremtidigt hitpatent baseret på dets selvstændige muligheder; snarere identificerede den hitpatenter baseret på, om de var en del af en klynge af tilknyttede patenter, der tilsammen kunne løse specifikke problemer i kombination, som intet enkelt patent kunne have løst alene.

For eksempel gjorde ultralydsteknologi en stor indvirkning på sundhedsvæsenet flere år efter, at den først blev afsløret, hvilket muliggjorde ikke-invasiv billeddannelse og behandling af fysiske tilstande som nyresten og endda nogle kræftformer. Men det fremskridt ville have været umuligt uden mindre opfindelser ud over kerneteknologien – applikatorer, statisk-reducerende processer, specialiserede medicinske puder og klemmer, der blev udviklet uafhængigt af ultralydsteknologi, men alligevel afgørende for dens succesfulde anvendelse i medicin. Vores automatiserede analyse anerkendte pålideligt eksistensen af ​​disse klynger af beslægtede patenter i over 5 millioner patenter fra sundhedsprodukter til den nyeste golfboldteknologi, og at disse klynger var korreleret med sandsynligheden for, at patenterne i dem ville blive morgendagens fremtidige dominerende teknologier – en slutning, der ikke tidligere har været værdsat.

Min nordvestlige kollega Andrew Papachristos brugt lignende analyser for at vise det politiets korruption i Chicago stammer ikke fra nogle få "bad apple"-betjente, men et netværk af forbundet politi, der handler i ond tro; hans arbejde muliggør tidligere opdagelse af sådanne problemer.

Jeg håber, at jeg har tydeliggjort de gensidigt forstærkende fordele ved automatisering, og hvordan det kan hjælpe dig med at transformere data til stor, bæredygtig værdi. Jo flere data du har, jo mere har du brug for automatisering; Når først du har stærke automatiseringsevner, kan du indsamle og udnytte endnu flere data, og cyklussen fortsætter.

Den nederste linje: automatisering er en stadig mere kritisk funktion og kan være afgørende for din virksomheds præstationer på kort og længere sigt. Men det er vigtigt at forstå, hvordan det skaber værdi, og at tage skridt til at afbøde dets meget reelle ulemper til gavn for din virksomhed og det brede samfund, hvori den opererer.

I den anden del af denne artikel vil jeg diskutere de tre store ulemper ved automatisering – forklaring, gennemsigtighed og omkostninger – og hvordan man løser disse.