Transformacja cyfrowa
Biznes,  Edukacja,  Podcast

Transformacja cyfrowa

Transformacja cyfrowa czasem wzbudza różne kontrowersje,  pojawia się dużo mitów także sukcesów. Wypowiadanie się na ten temat staje się modne, dlatego też wypowiadają się różni ludzie, często tworzy się zamieszanie. To, co jest pewne, to to, że ta transformacja już się odbywa i dalej będzie się tylko napędzać. To oznacza, że pytanie nie brzmi “czy warto” tylko “jak to zrobić”!

Dzisiaj chciałbym opowiedzieć więcej o tym jako podejść do procesu transformacji cyfrowej firmy, aby nie tylko ją zacząć, ale też zrobić to efektywnie. Porozważać, jak określić, na którym etapie jest Twoja firma i jaki ma być kolejny krok. Jakie są zagrożenia i gdzie można poślizgnąć się i co zrobić, aby zminimalizować ryzyko.

Opowiem Ci dzisiaj kilka historii z mojego życia wziętych. Zależy mi na tym, aby ten odcinek był maksymalnie praktyczny i oparty na faktach. Też zwrócę Twoją uwagę, że w ramach mojej spółki DataWokshop współpracujemy z różnymi firmami co do wielkości (małe lub średnie przedsiębiorstwa, polskimi  w 100% i tymi z kapitałem zagranicznym.

W tym wypadku to ma znaczenie, bo chodzi też o kulturę prowadzenia firmy. Widać, że jak jest kapitał zagraniczny to firmy są prowadzone inaczej (nie zawsze lepiej – też kwestia definicja lepiej warto było tu określić), dlatego lepiej powiem – inaczej).

Ten odcinek jest z jednej strony dla osób decyzyjnych, aby zachęcić Cię  do transformacji cyfrowej w swojej organizacji we właściwy sposób lub zacząć ją usprawniać, jak również dla pracowników, którzy są w organizacji, w której odbywa się transformacja cyfrowa lub zamierza się odbyć.

Zbieranie danych



Zacznijmy najpierw od mitu – już wydaliśmy X zł, spędziliśmy Y lat i mamy scyfryzowane procesy.

Trzeba uświadomić sobie prostą rzecz – transformacja cyfrowa to proces. To nie jest punkt binarny, który można osiągnąć na 100% (w sposób ogólny). Już tłumaczę co mam na myśli, bo tutaj wiele rodzi się zamieszania, w szczególności u osób decyzyjnych.  Zarząd czasem ma wrażenie – “przecież już mamy scyfryzowane procesy biznesowe, bo już wydano „trochę” lub nawet więcej niż tylko trochę pieniędzy na infrastrukturę (np. w chmurze) i są jakieś dane w gigabajtach czy nawet terabajtach zbierane”. 

Natomiast porozważajmy tak po ludzku. Zbieranie danych nawet w terabajtach da się załatwić w minutę, wystarczy generować strumień losowych danych i już mamy. Dlatego tylko ta metryka brzmi bardzo słabo, aby ją wykorzystywać do mierzenia cyfryzacji procesu (wiem, że jak teraz to mówię to może być bolesne, ale lepiej uświadomić sobie ewentualne błędy, jedna sprawa, kiedy to boli o coś można z tym zrobić, inna tkwić w tym przez całe życie i nie mieć świadomości).

Zadajmy sobie takie pytanie, czy da się scyfryzować 100% procesu? Tutaj oczywiście przez chwilę można pomyśleć, ale odpowiedź jest oczywista — nie da się! Co to oznacza? No bo nasz świat jest tak złożony, że ciężko jest „złapać” wszystkie zdarzenie. Np. czy jesteś w stanie zapisać, czy przed kupowaniem Twój klient mrugnął albo miał czkawkę?  Tylko też pytanie, czy to zdarzenie nam jest potrzebne? Raczej też nie. 

Tu już dochodzimy do pierwszych wniosków:


  1. Nie możemy powiedzieć, że mamy scyfryzować proces na 100%, bo tych zdarzeń jest nieskończenie wiele.
  2. Mówiąc, że mamy pewien proces scyfryzować, musimy zdawać sobie sprawę, nie chodzi o punkt binarny, tylko o stopień pokrycia (np. 20%), tylko tu pojawia się pytania — pokrycia czego (jakich zdarzeń)?
  3. Dobra wiadomość jest tak, że nie musimy zbierać wszystkich zdarzeń, aby podejmować lepsze decyzji lub tworzyć lepszy produkt, tylko te, które są najważniejsze z punktu widzenia biznesu i ich jest zdecydowanie mniej. Zasada Pareto w tym przypadku bardzo pomaga.




Doszliśmy do ważnego punktu, powinniśmy zbierać tylko najważniejsze zdarzenia, które mogą pomoc biznesowi podejmować lepsze decyzji lub tworzyć lepszy produkt. Natomiast pojawia się nam bardzo ważne pytanie jak stwierdzić, które dane są najważniejsze dla biznesu? Mierzyć w bajtach ile zbieramy danych, brzmi jak słaby pomysł. To jest bardziej techniczna metryka, niż biznesowa. Jak już wspomniałem wcześniej, wygenerować dane losowe jest trywialnym zadaniem i nie ma sensu. 

Co możemy zrobić? Zapytać o teoretyczną opinie ludzi w otoczeniu. Co mam na myśli mówiąc teoretyczną? Czyli taką, kiedy człowiek nawet nie bada kontekstu firmy, ale już ma Power Point i na pewno wie, jak to musi być zrobione, bo takie są trendy. Podejście – zapytać ludzi z otoczenia, dość często nie sprawdza się na 100%. Jak to nie sprawdza się? Od zawsze tak robiłem… no właśnie 🙂 .

Podejście “wiem wszystko”, to podejście z definicji mylące. Nie można wiedzieć wszystkiego. Przecież, jeśli chcemy rozwiązać konkretny problem, np. scyfryzować któryś proces, to wcale nie jest tak, że z góry wiadomo wszystko, co ma się tam wydarzyć. Owszem jest pewien poziom abstrakcji kiedy to jest wiadome, ale istotne są szczegóły, które w tym przypadku są kluczowe. 

Podsumujmy ten punkt.


Teraz nie próbuje krytykować zarządu lub innych decyzyjnych organów w firmie, że podejmują decyzję na podstawie opinii innych (między innymi ekspertów). Natomiast chcę podpowiedzieć, na co należy zwrócić swoją uwagę. Np. robiąc taką cyfryzację, któregoś procesu, warto zadać takie pytanie: 

  • czy na pewno zbieramy te dane, które pomogą nam wytworzyć wartość dodaną? 
  • Skąd to wiemy i jak to możemy sprawdzić? 
  • Też warto dodać, czy na pewno nie gubimy (nie zbieramy) ważnych danych? Bo zbierać trochę więcej (czyli mniej przydatne dane), jest mniejszym złem, bo dyski raczej obecnie są w miarę tanie, ale nie zbierać ważnych danych — może być (bardzo) problematyczne. 


Dlaczego? Bo tracimy czas, i to jest więcej niż pieniądze! Bo pieniądze zawsze może gdzieś pożyczyć, zdobyć, znaleźć itd, ale historię wstecz np. rok czy kilka lat nie da się za bardzo otworzyć. I akurat ten błąd może kosztować dużo, nawet utratę pozycji na rynku.

Od czego zacząć?

Jeśli nie zbierasz danych w tym momencie, to warto przygotować mechanizm, aby zacząć to robić. Natomiast warto wykonywać proste i małe kroki, bo jeszcze jest wiele błędów, które można popełnić, więc aby zminimalizować ich “ból”, warto robić małe kroki i szybką weryfikację, czy idziemy w dobrym kierunku.


Jakie są pułapki?


Nie zaczynać od budowania  “wielkiej hurtowni danych” bez zrozumienia, co dokładnie chcesz osiągnąć. Tego zwykle nie wiesz (nawet jak masz wizję w głowie, to tylko wizja). Wiedzieliśmy już na własne oczy, kiedy cały “fokus” był przesunięty na infrastrukturę jako cel i przyszli różne eksperci, którzy obiecują jak fajnie ta infrastruktura skaluje się pod terabajty. Tylko ciągle brakowało pytania: po co to? Jaki problem próbujemy teraz rozwiązać? No chyba, że problemem było przeprowadzić szkolenie, jak zrobić skalowalną infrastrukturę pod terabajty w sekundach czy minutach? To wtedy rozumiem, ale konkretnie ta firma nie miała tego problemu, też nie miała tyle danych.


Tutaj można zarzucić mnie argumentem, ale wiesz jak dużo firm padło przez to, że nie myśleli do przodu i nie byli w stanie się wyskalować. Rozumiem ten argument. Mało tego, już projektowałem wiele architektur i też takich większych, które są rozproszone po całym świecie i też dość sporo rozważałem na tym. Bo tutaj jest pewien konflikt interesów:  będąc w butach osoby technicznej, to owszem, dla mnie jest łatwiej, aby od razu budować zamek (to też jest nawet ciekawiej, niż robić budkę), ale problem jest w tym, że firma ma zarabiać i dopiero wtedy rozrastać się!  Biznes to organizacja, która ma zarabiać. 


Dobry architekt systemów IT, to taki, które stara się być elastyczny do ograniczeń (różne zasobów ale też różnych decyzji), czyli nie podejmować takich decyzji, które później jednoznacznie zabiją organizację, ale z drugiej stronie nie robić rzeczy zbytnio na wyrost, bo przecież to też może zabić — bo jak król jest nagi, to kto ma utrzymywać ten piękny zamek?


Podsumuję ten punkt w taki sposób – zrób krok do przodu, myśl o 5-10 kroków do przodu, ale miej pokorę do tego, że życie i tak Cię zaskoczy. Nie próbuj zaimplementować rzeczywistość w jednej iteracji.


Jak to robimy w DataWorkshop?

Jak zaczynamy współpracę z firmą, to przed tym jak zaczynamy trenować modele i tym bardziej cokolwiek wdrażać, robimy audyt stanu faktycznego. To nie ma na celu kogoś oskarżyć o cokolwiek. Zdecydowanie nie! Chodzi tylko o zdrowy rozsądek, aby szczerze odpowiedzieć, gdzie jesteśmy teraz, czyli tak zwany punkt A i gdzie chcemy być — czyli punkt B i jak dużo jest pomiędzy.

Swoja drogą, tu też jest fajna sprawa psychologiczna.  Przez to, że działamy tylko na faktach i nie mamy emocji (bo to jest cudzy biznes), na skutek tego możemy po prostu to zrobić. Nie myśląc o tym, że Jacek czy Baśka może się obrazić, że grzebie w tej działkę, albo nie mogę powiedzieć wprost powiedzieć tego czy tamtego. Pomyśl o tym, w jakim stopniu takie hamulce skrzywiają i komplikują proste działania, kiedy po prostu trzeba przyjść, zobaczyć gdzie jest punkt A, zrozumieć gdzie jest punkt B i popchnąć firmę do tego punktu.

Oczywiście, pewnie emocje są ważne. Np. istnieje takie coś jak dojrzałość firmy (podobnie jak dojrzałość u ludzi) i tutaj nie chodzi o wiek. Np. kiedy człowiek jest w roli dziecka to jest naturalne, że “strzela focha” lub jemu (dziecku) należy się wszystko. Człowiek dorosły (nie mylić z tym, kto ma wiele lat), to taki, który myśli zdroworozsądkowa. Potrafi poradzić sobie z emocjami w inny sposób niż blokować ważne procesu (np. siłownia, medytacja itd). Podobnie jest z firmami.

Współpraca z “dorosłymi” firmami (nawet jeśli oni mają tylko roczek czy kilka lat, bo tu nie chodzi o wiek) jest bardzo przyjemna i jest tam po prostu współpraca. Rozumiemy, że gramy do jednej bramki i wspieramy nawzajem. Przy osiąganiu większych celów  współpraca jest bardzo ważna!

Podsumowując ten punkt,  zaproszenie firmy zewnętrznej do przeprowadzeniu audytu może mieć wiele zalet. Między innymi to, że zaczynają z białej kartki i nie muszą trzymać wielu warstw emocjonalnych, które wytworzyły się  w danej organizacji.  Oczywiście zapraszając taką firmę, trzeba sprawdzić, na ile zdroworozsądkowo podchodzą do rozwiązania.

Nawet najlepszy chirurg nie zrobi sobie samodzielnie operacji  na sercu. Swoją drogą też dodam, że jako DataWorksohp też korzystamy ze wsparcia innych firm robiąc wewnętrzną weryfikację. Skupiamy się na uczeniu maszynowym, ale często ten temat przeplata się z innymi dziedzinami i można powiedzieć, że “można sobie jakoś poradzić”, ale zawsze warto sięgnąć po kogoś, kto zna się tym lepiej lub spojrzy na problem z innej perspektywy.  Emocje potrafią przeszkadzać i na swoje dziecko patrzysz czasem bezkrytycznie, a w biznesie krytyczne myślenie to podstawa. 


Prototyp modelu Machine Learning

Przejdźmy teraz do kolejnego kroku. Już mamy jakieś dane lub zaczęliśmy je zbierać i nawet mamy PowerPoint, w którym jest wytłumaczone, dlaczego akurat te dane mają sens. To teraz czas wykonać kolejny pragmatyczny krok, sprawdzić używając pewnych narzędzi, w jakim stopniu jesteśmy w błędzie.




Jak to możemy sprawdzić? Pewnie jest wiele sposobów. Natomiast fanie, aby maksymalnie skupić się na podejściu, które jest pozbawione emocji i jest mierzalne. Jest tak zwane podejście: data driven o tym więcej już było w 25 odcinku podcastu. Do mnie coraz bardziej przemawia podejście  tak zwane model-driven AI. Pewnie o tym nagram osoby odcinek, ale w skrócie chodzi o to, że decyzje są napędzane przez modele uczenia maszynowego, które podpowiadają,  gdzie są luki lub inne problemy. Można potraktować to w taki sposób, model ML jest Twoim asystentem i podpowiada Ci różne rzeczy, a Ty zwracasz na to uwagę i podejmujesz lepsze decyzje.



 

Co robimy na tym etapie?


Zaczynamy trenować model na obecnych danych, który ma rozwiązać jeden z naszych problemów biznesowych.  Np. prognozowanie potencjału czy klient kupi lub, czy kupi to kanałem X lub czy zrezygnuje w najbliższym miesiącu itd.



Warto zrozumieć, że na tym etapie nie chodzi o to, aby wytrenowane modele wdrożyć. Nie! Chodzi o to, aby wytrenować modele na danych które mamy i odpowiedzieć na pytanie: czy ML jest przydatny w tym problemie i dlaczego? Ważne też jest to “dlaczego” .

Czasem może być tak, że na ten moment ML nie jest w stanice usprawnić ten model i ważne też zrozumieć dlaczego. Jakie mogą być problemy, zobaczmy najczęstsze:




  1. zbieramy niewłaściwe dane, innymi słowy, mamy jakieś dane, ale te dane  nie zawierają sygnału, które pomaga złapać korelację z tym co chcemy optymalizować np. zbieramy którym dniu urodziła się ta osoba (np. we wtorek), ale ta informacja raczej nie bardzo nam pomoże, aby prognozować, czy z tego powodu ta osoba jest skłonna kupić u nas teraz produkt X. Wbrew pozorom większość danych z klasycznego profilu jest mało pomocna!




    Tam, gdzie klient jawnie deklaruje różne rzeczy, np. miejscowość, co lubi lub czego potrzebuje – zwykle ma słabe sygnały, bo w tych danych jest dużo szumu.



  2. Gubimy kontekst w danych. To jest już bardziej podchwytliwe i ciężko to złapać na prezentacji. Problem polega na tym, że mamy jakieś dane. Które na pierwszy rzut oka nawet mogą brzmieć dość konkretnie, ale tam są problemy. Np. mamy datę zdarzenia. Brzmi jako konkret! Ale co może pójść nie tak? Pytanie jest, ale co to data oznacza…. problem jest taki, że często (w szczególności w dużych firmach) dane spływają raz na dobę (czy kilka raz na dobę) i fizyczne zdarzenie jest tworzone akurat wtedy jak spływają dane, ale samo zdarzenie odbyło się w innym czasie (np. kilka godzin lub dłużej temu).




    Najciekawsze jest to, że osoba, która zapisuje do bazy czas utworzenia zdarzenia, nie ma problemu, aby zapisać właśnie ten moment kiedy dane przyszli, no bo fizyczne w bazie właśnie wtedy te dane pojawiły się! Niby wszystko zgadza się. Natomiast jak patrzysz na ten proces jak na całość to rozumiesz, że potrzebujesz co najmniej dwa rodzaje dat: pierwszy kiedy fizycznie odbyło się zdarzenie i ewentualnie druga data, kiedy fizycznie o tym zapisaliśmy w naszej hurtownie.

  3. Grupowanie zdarzeń. Tak naprawdę mamy jakieś dane, ale w sumie nie wiadomo, co te dane oznaczają, bo zostały pogrupowane w poszczególne segmenty, czyli tak zwana granularność jest zbyt ogólna. Wtedy dochodzi do takiej sytuacji, że np. widzimy, że to zdarzenie może być pomocne, ale… niewiadoma co w praktyce oznacza. Np.  wiemy, że był kontakt z klientem, ale nie wiem nic poza tym, w jaki sposób, którym kanałem, o czym była dyskusja, czym się skończyła. 

Istnieje jeszcze wiele innych problemów z co do jakości danych.

Od czego zacząć?


Należy jak najszybciej zacząć robić prawdziwy prototyp na danych, które już się ma, aby sprawdzić, jaki jest potencjał w tych danych oraz jakie są problemy i jak można ten problem naprawić.

Na tym etapie już trzeba omijać “gadanie” na sucho, tylko mają się pojawić kawałki kodu, które faktycznie wykorzystując wprost dane i trenują modele ML i następnie okazują, jaki jest potencjał (lub go nie ma). Do tego też koniecznie warto dołożyć interpretacje najważniejszych danych. Na szczęście wykorzystując model, możemy skupić się na najważniejszych zdarzeniach (które nam model podpowiada), dzięki temu możemy sporo zaoszczędzić czasu, bo potrafimy zadawać konkretne oraz właściwe pytania.


Jakie są pułapki?

Wiedza, w szczególności w dużych biznesach, jest rozproszona. Nie ma, a nie jednej osoby, która wie wszystko w tym procesie. Nawet też to, co wie, zwykle nie jest w 100% prawdziwe. Bo ten proces, to jest żywy organizm, tam ciągle coś się dzieje.  Dlatego warto było “jakoś” zorganizować wymianę myśli, aby zderzyć różne perspektywy.


Machine Learning – wsparcie DataWorkshop


Zaczynamy zawsze od audytu, który może mieć różne  oblicze w zależności od poziomu skomplikowania problemu, który chcemy rozwiązać.



1. Zawsze zaczynamy od rozmowy, zadawania tak zwanych właściwych pytań, które są zwykle dosyć zaskakujące dla odpowiadających, ale ważne, aby na nie odpowiedzieć.



2. Potem jak najszybciej przechodzimy do danych i weryfikujemy to, co usłyszeliśmy na danych.
Zasada niedowierzania za każdym razem tutaj dobrze się sprawdza.



Podsumowałbym to tak: słuchaj bardzo uważnie, co mówią, ale nie wierz. Oczywiście tutaj chodzi nie o to, aby nie ufać swoim współpracownikom, ale raczej o podejście do pracy z danymi – trzeba weryfikować informacje na danych i opierać się na danych, a nie tylko na słowach. Chociaż warto przyznać, że słowa to pierwszy cenny drogowskaz zawsze.



3. Jak najszybciej budujemy prosty model ML, który pokazuje, gdzie tkwią potencjały, a gdzie mogą pojawić się problemy.



4. Podejmujemy wspólnie z firmą, z którą pracujemy decyzję, co dalej:


a) Jeśli audyt i prototyp wykazały, że ML ma tutaj sensowne zastosowanie, bo sam prototyp dostarcza już sporą wartość biznesową, to ustalamy plan i działamy dalej – usprawniamy model i dążymy do tego, aby jak najszybciej przyniósł wartość biznesową – zwrócił się.


b) Jeśli audyt i prototyp pokazał, że posiadane dane są niewystarczające lub da się ten problem rozwiązać w prostszy sposób niż ML – jest liniowy, to też powstaje ogromna wartość – firma wie, jak rozwiązać problem prościej lub wie, że zbiera niewłaściwe dane, a to cenna wiedza.



To jest oczywiście uproszczony schemat działania i najczęstszy, ale warto zwrócić uwagę na jedną rzecz – organizacje są różne i są na różnym etapie transformacji cyfrowej. Poza tym dysponują różnymi zasobami finansowymi czy ludzkimi, mają też różne inne cele związane z tak zwaną kulturą innowacji, która idzie często w parze z transformacją cyfrową.



My jako DataWorkshop zajmujemy się tylko uczeniem  maszynowym, ale w różnych kontekstach i jesteśmy dosyć elastyczni we współpracy b2b. A więc nawet jeśli wydaje Ci się, że organizacja w której pracujesz jest jak to się mówi “skostniała” i ciężko zmienić zasady gry, to pomyśl w taki sposób. Może nie trzeba całkowicie ich zmieniać, ale można uzbroić się w dodatkowe moce i lekko zmodyfikować pewne rzeczy na start.


Podam Ci kilka ciekawych modeli współpracy, które wypracowaliśmy i które odpowiednio dostrajamy według indywidualnych potrzeb organizacji. Może któryś zainspiruje Cię do działania wewnątrz swojej. 





1. Praktyczny consulting –  audyt & prototyp



Wspomniałem już sporo o audycie i prototypie, ale chcę zwrócić jeszcze Twoją uwagę na jedną rzecz  – branża i wielkość organizacji nie mają znaczenia.

Mamy doświadczenie consultingu zarówno dla firm z obszaru przemysłu, bankowości, czy z obszarów energetycznych, czyli dużych graczy, ale też mniejszych organizacji.

Zasadnicza różnica pomiędzy dużą firmą produkcyjną lub korporacją, a mniejszą organizacją jest taka, że proces podpisania umowy trwa krócej lub dłużej, ale problemy są podobne. Wcale nie jest tak, że duża firma skoro ma duże zasoby, to doskonale wie, co ma cyfryzować i wszystko śmiga. Z wyzwaniem skutecznej transformacji cyfrowej mierzą się wszyscy, bo wyzwanie nie jest trywialne.



2. Szkolenie i twórcze hackowanie 



Teraz podam Ci nietypowy przykład dotykający transformacji cyfrowej, bo nie dotyczy procesów, zdarzeń, ale w pewnym sensie też ludzi.

Transformacja cyfrowa, o której tyle tutaj mówimy dotyczy jak nazwa wskazuje cyfryzacji, ale aby to miało sens, to musimy też wiedzieć, co mamy scyfryzować, to już wiemy. To teraz dołóżmy do tego kolejny poziom, ten ludzki. Aby jakakolwiek transformacja się odbywa to muszą (jeszcze) być zaangażowani w to ludzie, którzy rozumieją wartość, którą takie działanie przynosi i potrafią też dołożyć swoje kompetencje do tego procesu, aby zadziało się to efektywnie i skutecznie.



Mówienie ludziom – zrób to lub to, bo to jest ważne, jest raczej słabe. Nikt nie chce robić czegoś, czego do końca nie rozumie lub nie widzi w tym wartości. Co innego, jeśli Twój pracownik, kolega lub koleżanka z pracy zrozumieją wartości i będą sami zwracać uwagę na to,co warto scyfryzować, co jest potrzebne, a czego nie ma. Mało tego, będą w stanie zaangażować się w rozwiązywane problemy niezależnie od wielkości organizacji.
Co musi się stać, aby coś takiego się odbyło?


Przede wszystkim trzeba dostarczyć pracownikom rzetelnej wiedzy, ale zanim podsuniesz im stertę książek, to zastanów się 😉 Rzetelna i angażująca wiedza nie jest równa przeczytanej książce. Tutaj trzeba uczyć ludzi poprzez motywowanie ich do twórczego myślenia. Można to robić też na większą skalę. Powiesz pewnie – to tak nie działa, jak to zrobić.



Podam przykład. Jako DataWorkshop pomagamy firmom realizować ich cele strategiczne związane z danymi i AI także poprzez edukację. Może odbywać się to w taki sposób, że przygotowujemy dedykowane szkolenia w pełni skalowalne, mało tego nawet udostępniamy swoje środowisko, a więc z punktu widzenia pracownika to jest kilka kliknięć i może zacząć trenować swój model i uczyć się rozwiązywać problemy na realnych danych.



Ostatnio też mieliśmy okazję pomóc pewnej organizacji zorganizować wewnętrzny hackathon połączony ze szkoleniem. To jest rewelacyjny sposób na to, aby stworzyć gigantyczną burzę mózgów skupionych wokół konkretnego wyzwania biznesowego i w stosunkowo krótkim czasie wspólnymi siłami zrobić audyt i wygenerować wiele prototypów, które pokazują, na co zwracać uwagę.

Często w trakcie takich inicjatyw już na poziomie przygotowania ma miejsce swego rodzaju audyt. Hackathony mogą wydawać się jedynie zabawą, w której biorą udział studenci, ale jeśli dobrze się to zorganizuje i postawi właściwe cele i ukierunkuje wszystkie głowy na rozwiązanie konkretnego problemu tak jak my to zrobiliśmy,  to wtedy generuje to dużą wartość i może mocno wspierać transformację cyfrową, a przy okazji realizuje też kilka innych celów np. edukuje.




3. LAB AI


Laboratorium  AI – brzmi, jak coś w co trzeba zainwestować miliony $$$, ale pomyśl o tym trochę inaczej. Pozbądźmy się  obrazka klasycznego laboratorium pokazywanego w telewizji i rozdmuchanego przez media  i pomyśl o tym, jako o przestrzeni w swojej organizacji na działanie według innych zasad niż reszta organizacji i bardzo efektywnej komórce, która w krótkim czasie generuje sporo wartości. Tak, to możliwe.



Pomyśl o Laboratorium AI jako o zespole kilku osób, które zajmują się codziennie uczeniem maszynowym i regularnie wdrażają na produkcję modele, które zarabiają na siebie i dają znaczącą wartość firmie. Laboratorium AI – to decyzja, aby poświęcić czas i znaleźć właściwe osoby w Twojej organizacji, które chcą zająć się ML na pełen etat lub zatrudnić taką osobę.


Zadanie nie jest łatwe, aby zorganizować lab AI, czyli ten wycinek czasu i zasobów w firmie w taki sposób, aby generował wartość, ale da się. Mamy za sobą taki projekt, zresztą możesz o nim posłuchać w podcaście, jest to jawna informacja – mowa o współpracy z Obido i podcaście numer 79. Dużą zaletą stworzenia takiego Labu jest to, że można wewnątrz jednostki stworzyć pewną strukturę lub zespół, który działa trochę inaczej np. Szybciej i nie podlega standardowym procesom – jako inspirację polecam Ci także odcinek na temat innowacji w PZU (69).
Mało tego, takie laby AI mogą zarabiać na siebie i mogą być prowadzone w małych firmach, potrzebujesz pomocy z tym, napisz, pomożemy 🙂



Kończąc już ten odcinek, chciałbym zostawić Cię z taką myślą, aby nie tkwić w takim schemacie myślenia, że “ok to co mówisz jest potrzebne, ale to u mnie / w mojej firmie nie zadziała, tam jest tyle różnych wyzwań…”, a raczej pomyśl, co chcesz, aby się zadziało i napisz do mnie lub  na hello@dataworkshop.eu.


Praca domowa

Mam też małą pracę domową dla Ciebie. Zarezerwuj sobie czas na spacer, pomyśl i odpowiedz sobie szczerze na 5  pytań. To zadanie dla każdego. Jeśli nie jesteś osobą decyzyjną, to skup się na swojej roli w firmie i zadaniach.

1. Na jakim etapie transformacji cyfrowej jest Twoja firma i/lub Twój dział w firmie

2. Jak często patrzysz na dane i jakie wnioski z tych danych wyciągasz?

3. Czy dane, na które patrzysz ułatwiają Ci podejmowanie decyzji?

4. Czy widzisz potencjał, aby ML “stał się Twoim asystentem” i pomagał podejmować lepsze decyzje?

5. Czy coś się wstrzymuje, aby zbudować prototyp? A jeśli tak, to co?

Podziel się swoimi przemyśleniami. Możesz napisać na hello@dataworkshop lub na linkedin do mnie.

Od 2013 roku zacząłem pracować z uczeniem maszynowym (od strony praktycznej). W 2015 założyłem inicjatywę DataWorkshop. Pomagać ludziom zaczać stosować uczenie maszynow w praktyce. W 2017 zacząłem nagrywać podcast BiznesMyśli. Jestem perfekcjonistą w sercu i pragmatykiem z nawyku. Lubię podróżować.

Dodaj komentarz

Twój adres e-mail nie zostanie opublikowany.