Perché costruire una base pronta per l'AI non si ferma alla tecnologia
di Aly McGue
Kraken, il sistema operativo basato sull'AI che supporta alcune delle più grandi utility del mondo, gestisce oltre 90 milioni di account clienti in 27 paesi per clienti come EDF, E.ON, National Grid e Tokyo Gas. Kraken utilizza Databricks come piattaforma dati interna e collabora con Databricks per aiutare i clienti a massimizzare il valore dei dati che ricevono tramite una distribuzione dati sicura e scalabile.
Kristy Mayer-Mejia è la Global Head of Data Transformation di Kraken, dove il suo team aiuta i clienti del settore utility a comprendere, adottare ed estrarre valore dai dati forniti da Kraken. Il suo mandato è duplice: accelerare il tempo necessario ai clienti per utilizzare i dati e aumentare il valore che ne ricavano.
Ho incontrato Kristy per capire come i dati funzionano come risorsa aziendale e sono la base di una strategia AI di successo. Un punto chiave della nostra conversazione è che diventare data-driven riguarda tanto i dati puliti e unificati quanto il contesto aziendale approfondito e la proprietà. Piattaforme come Kraken e Databricks risolvono quello che Kristy chiama il problema della unificazione fondamentale, il prerequisito che rende tutto il resto fattibile. Ma una volta che questa base è a posto, la parte che la maggior parte dei leader sottovaluta è il contesto aziendale che rende i dati unificati utilizzabili.
Aly McGue: Nella tua esperienza, perché i dati isolati e i sistemi frammentati rimangono un grande ostacolo per le organizzazioni che cercano di estrarre valore dai loro investimenti?
Kristy Mayer-Mejia: Ciò che vediamo ripetutamente con i nostri clienti è che i dati di bassa qualità e isolati sono il più grande ostacolo per ottenere valore da qualsiasi altro investimento. Finché i dati non sono in un unico posto, nient'altro funziona su larga scala, e risolvere questo è esattamente il problema che la piattaforma di Kraken è progettata per affrontare. E l'ho vissuto anch'io come leader dei dati in tutti i miei ruoli precedenti. Il tuo team trascorre l'80% del tempo a pulire i dati, e questo non è un lavoro di valore. Non è necessario.
La vera svolta è il self-service, ma è possibile solo una volta che i dati sottostanti sono puliti, unificati e accessibili. Soprattutto nell'era dell'AI, il self-service è possibile su larga scala. Non ti muoverai mai rapidamente come azienda, non innoverai o prenderai decisioni quotidiane basate sui dati se ogni domanda deve essere risposta dal team dati. Ma quando i dati sono sparsi tra i sistemi senza documentazione e senza un modo chiaro per unirli, il self-service è impossibile. L'unificazione è questa svolta fondamentale che rende tutto il resto fattibile: l'analisi, l'AI, la velocità del processo decisionale. È un requisito fondamentale.
Aly: Siamo stati tutti in riunioni in cui la leadership trascorre più tempo a discutere 'quale numero è giusto' che a prendere effettivamente una decisione. Qual è il costo nascosto di questa mancanza di fiducia nei dati?
Kristy: Faccio questo esempio continuamente, ed è stato vero in ogni azienda in cui ho lavorato. Prima di avere dati unificati, la domanda classica è: quanti clienti abbiamo? E nessuno lo sa con certezza. Conosci l'ordine di grandezza approssimativo. Ma quando faccio questo esempio, ogni volta le persone ridono perché sanno che è vero.
Ciò a cui porta è una mancanza di fiducia nei dati. E uno dei principali valori iniziali che i dati unificati forniscono è la velocità del processo decisionale, la capacità di incorporare il pensiero basato sui dati nel DNA dell'azienda. Non puoi muoverti rapidamente se ogni volta che estrai un numero, pensi: 'Sono sicuro che sia giusto?' Lascia che controlli in altri cinque posti. Lascia che chieda a qualcuno. E poi è diverso. E poi devi capire perché è diverso. Improvvisamente, sono passate due settimane o un mese, e tanto valeva aver scelto una direzione a caso e aver continuato a muoverti.
Aly: Spesso parliamo di dati che alimentano l'AI, ma tu hai suggerito che l'AI potrebbe in realtà essere una 'funzione di forzatura' per dati migliori. Come sta cambiando la spinta verso l'AI il modo in cui le organizzazioni approcciano la documentazione e il contesto?
Kristy: L'AI è stata effettivamente una funzione di forzatura. Gli input di cui l'AI ha bisogno sono gli stessi input di cui gli esseri umani hanno bisogno: dati chiari, documentazione, contesto sul significato delle colonne e su come le cose si uniscono. Quando i dati sono difficili da usare, l'analisi self-service sembra un "nice-to-have" perché il valore è difficile da definire. Si tratta di poche ore risparmiate qua e là su singole decisioni, il che non sembra convincente in isolamento. Ma accumulato in tutta l'organizzazione, è enorme. È semplicemente difficile da vedere.
L'AI ha reso visibile quel valore e ha reso i dati puliti e la documentazione un requisito fondamentale. Prende ciò che tutti sapevano essere necessario e lo rende non negoziabile. E poi, dall'altro lato, l'AI stessa fornisce gli strumenti per sbloccare l'analisi. Cose come le interfacce conversazionali che permettono alle persone di interrogare i dati senza scrivere SQL. Quindi è sia la funzione di forzatura che guida l'unificazione sia il risultato che ne deriva.
Aly: Hai parlato della necessità di unificare e documentare i dati. Ma quando si tratta specificamente di AI, la documentazione in una knowledge base o in un PDF è sufficiente?
Kristy: Lo era. Condividevamo la nostra documentazione sui dati come fanno la maggior parte delle aziende: un PDF, o una pagina su un sito web che un analista di dati poteva consultare quando aveva bisogno di contesto. Questo funziona abbastanza bene per gli esseri umani. Non funziona per l'AI.
Ogni cliente con cui parlo ora pone la stessa domanda: potete condividere i metadati nel contesto, insieme ai dati stessi, in modo da poterli effettivamente alimentare nei modelli e far sì che comprendano con cosa stanno lavorando? Questo cambiamento, dalla documentazione come artefatto di riferimento alla documentazione come input live, è uno dei cambiamenti più sottovalutati che l'AI sta imponendo. Con Unity Catalog e Delta Sharing, possiamo condividere quel contesto con i dati piuttosto che separatamente da essi. Per i nostri clienti, questa è spesso la differenza tra un'AI che può ragionare sui dati e un'AI che non può.
Aly: Come si presenta l'unificazione dei dati nella pratica? Come cambia la visibilità quasi in tempo reale le operazioni quotidiane?
Kristy: Alcuni esempi dei nostri clienti spiccano. Uno è l'operatività dei call center, che è una funzione enorme per le utility. Abbiamo avuto un cliente che è passato dalla reportistica mensile sul volume delle chiamate, che era così dolorosa da assemblare, a dashboard che si aggiornano ogni due ore, con un modello predittivo sovrapposto su quali chiamate è probabile che vedano in futuro. Questa capacità di ottimizzare le operazioni quasi in tempo reale, piuttosto che guardare indietro una volta al mese, è un modo completamente diverso di gestire l'azienda.
Un'altra area è l'innovazione di prodotto. Nel settore delle utility, i clienti stanno determinando quali prodotti e tariffe offrire per attrarre e fidelizzare i clienti. Questa è una decisione che può essere profondamente ottimizzata con i dati. Dati puliti e chiari offrono ai clienti una facile intuizione e cicli rapidi di test e apprendimento per ottimizzare le loro offerte di prodotti – e poi la piattaforma di Kraken consente loro di lanciare rapidamente quelle nuove tariffe.
Aly: Il 'collo di bottiglia degli analisti' è un classico punto dolente per la leadership. Come le interfacce in linguaggio naturale, come Databricks Genie, spostano la cultura dall'attesa di settimane per un report all'ottenimento di risposte in pochi minuti?
Kristy: La maggior parte dei nostri clienti Genie è ancora nelle fasi iniziali. Ma ciò che stiamo vedendo è che sta accelerando il loro tempo per iniziare di settimane o più. Non hanno bisogno di modellare i dati in profondità come si farebbe per alimentarli in uno strumento BI tradizionale. Hanno bisogno di documentazione chiara, hanno bisogno del contesto, hanno bisogno dei dati in un unico posto, ma non devono strutturarli in modo così preciso che un utente possa esplorarli attraverso un'interfaccia rigida.
Ma oltre alla velocità, c'è un effetto a catena culturale davvero chiaro. Una delle maggiori barriere al valore dei dati è il cambiamento culturale che consiste nel rendere i dati parte del proprio DNA. E credo fermamente che una delle chiavi per questo sia renderlo incredibilmente facile e intuitivo. Quando la barriera è bassa e le persone possono accedere rapidamente, la cultura e il valore composto ne conseguono.
Aly: Qual è il più grande equivoco che i leader di livello C hanno quando incaricano i loro dipartimenti IT di 'preparare i dati' per l'AI?
Kristy: I dati sono una risorsa aziendale. E il più grande errore che vedo fare ai leader è trattarli come una piattaforma IT. Li disconnettono dal business e dicono: "Ok, IT, andate a preparare i nostri dati." Ma la chiave per costruire una solida base di dati è il contesto aziendale approfondito. Come vengono generati i dati? Come vengono utilizzati? Come li interpretano le persone? Cosa significa realmente questo campo? Una volta che la base tecnica è a posto, la parte più difficile diventa quel contesto aziendale approfondito. E la stragrande maggioranza di quel lavoro spetta al business, non al team dati.
Quindi il mio consiglio è di integrare i dati all'interno del business. La roadmap per preparare i tuoi dati per l'AI è una roadmap condivisa. È una roadmap aziendale tanto quanto tecnica.
Aly: Kraken gestisce una grande parte dei dati del settore delle utility. Dove vedi l'AI e i dati portare i tuoi clienti nei prossimi tre-cinque anni?
Kristy: Ciò che trovo più interessante è la velocità con cui l'AI sta innalzando il limite di ciò che i clienti possono fare una volta che hanno una solida base di dati. Per molto tempo, la domanda è stata: come possiamo rendere i nostri dati utilizzabili? Questo lavoro è ancora concreto e richiede ancora tempo. Ma la domanda si sta spostando verso: ora che la base è pronta, cosa diventa possibile? E la risposta a questa domanda continua ad espandersi. L'AI sta cambiando il punto di partenza dei clienti e cosa significa ottenere buoni risultati. I clienti che due anni fa avrebbero considerato un report mensile un successo, ora eseguono dashboard orarie con modelli predittivi sovrapposti e si stanno rapidamente orientando verso un ampio utilizzo dell'AI agentica.
Coloro che hanno investito precocemente nelle loro capacità di gestione dei dati – e non solo nella tecnologia, ma anche nelle competenze e nella cultura – sono quelli che si muovono più velocemente ora, e il divario tra loro e tutti gli altri è destinato solo ad ampliarsi.
La prospettiva di Kristy aggiunge un livello spesso mancante alla conversazione sull'infrastruttura dei dati. La piattaforma e l'unificazione che essa consente sono la chiave di volta fondamentale. Ma dove vede la maggior parte delle organizzazioni bloccarsi è nel lavoro che viene dopo: la conoscenza aziendale che rende i dati utilizzabili, la documentazione che rende l'AI possibile e il cambiamento culturale che rende il self-service una realtà.
Mentre sviluppi la tua roadmap per integrare l'AI nella tua organizzazione e nei tuoi prodotti, scarica il Databricks State of AI Agents per aiutarti a confrontare i tuoi investimenti.
(Questo post sul blog è stato tradotto utilizzando strumenti basati sull'intelligenza artificiale) Post originale
Iscriviti al nostro blog e ricevi gli ultimi articoli direttamente nella tua casella di posta.