In dit artikel:
- Wat is AI-ready data?
- Waarom definities het echte werk zijn
- De helft van je data staat niet in een database
- Waarom het organisaties zelf zelden lukt
- Hoe wij een AI-ready datatraject aanpakken
Wat is AI-ready data?
Je data is AI-ready als een AI-agent een vraag over je bedrijf net zo betrouwbaar beantwoordt als je beste medewerker. Dat is bij Blis Digital de lat waar we een datatraject aan aftoetsen.
Rajeev: "Het is AI-ready als een agent jou hetzelfde antwoord kan geven als jouw beste medewerker."
Die medewerker weet welke berekening erbij hoort, welke business rules gelden, welke dataset hij moet pakken en over welke periode. Die kennis heeft hij in jaren opgebouwd en zit grotendeels in zijn hoofd. Precies die kennis moet je uitpakken en vastleggen voordat een model het kan overnemen.
Vraag je een model om een mail te schrijven, dan mag er best wat gegokt worden. Maar vraag je om een getal, dan verwacht je een exact antwoord. En een model formuleert een fout getal even stellig als een goed getal.
Rajeev sprak een directeur die niet wist hoeveel mensen er voor hem werkten. Zijn rechterhand rekende er 3 dagen aan. Toen het getal er lag, begonnen de vragen pas. Tellen de stagiairs mee? Het tijdelijke personeel? Alle entiteiten? Zet je daar AI op, dan gaat dat rekenen van 3 dagen naar een paar seconden. Je weet alleen nog steeds niet wat je meet.
Waarom definities het echte werk zijn
Neem de simpele vraag: hoeveel klanten hebben we?
Sales telt de actieve opportunities in het CRM. De CFO kijkt aan wie er deze maand gefactureerd is. Het contactcenter telt wie er gebeld heeft. Alle drie kloppen.
Rajeev: "En dan krijg je vijf verschillende definities die over de hele organisatie leven."
Het zit ook in vragen die onschuldig klinken. "Hoeveel omzet hebben we dit jaar gedraaid op ons pand aan de Coolsingel?" Daar zitten 4 aannames in: wat telt als pand, welke locaties vallen onder Coolsingel, is omzet met of zonder korting en is dit jaar het boekjaar of het kalenderjaar. Liggen die afspraken er niet, dan gokt het model.
Eén definitie voor de hele organisatie hoeft trouwens niet. Finance en sales mogen allebei hun eigen 'lens' houden, zolang je vastlegt welke lens bij welke vraag hoort. Geef je dat mee aan je model, dan weet een agent bij "geef mij de klanten van vandaag" dat de vraag uit finance komt. En kan hij erbij zetten door welke lens hij keek.
Rajeev: "Dan ben je niet continu bezig om uit te leggen waarom getallen afwijken van elkaar."
De helft van je data staat niet in een database
Alles hierboven gaat over gestructureerde data: je CRM, je ERP, je boekhoudsysteem. Dat is de data die je relatief makkelijk ontsluit en waar je die definities op loslaat.
De rest staat op SharePoint, in mappen en op laptops. Word-bestanden, PowerPoints, PDF's en Excels. Daar speelt hetzelfde probleem in een andere vorm. Van een document dat ertoe doet liggen er zomaar 20 versies.
Rajeev: "De laatste versie kan je misschien nog wel bepalen, maar wat is nou de juiste versie?"
In een database is dat geregeld. Verouderde records krijgen een status of gaan naar het archief, dus je weet altijd wat de stand van vandaag is. In een mappenstructuur heb je een kopie van een kopie van een kopie. Ook daar moet dus iemand vastleggen welk document geldt en hoe een nieuwe versie de oude vervangt.
Wat helpt: er structuur uit halen. Een organisatie die wij spraken heeft mensen fulltime bezig met uitzoeken welke vergunningen nog vernieuwd moeten worden, verspreid over honderden PDF's. Die gegevens kun je met AI in een gestructureerde database zetten. Dan krijg je weer een antwoord met een bron en een datum eronder, en hoeft de agent niet te gokken in welke paragraaf het stond.
Waarom het organisaties zelf zelden lukt
Afspreken wat een contract is, klinkt niet als rocket science. En toch staat zo'n definitie 3 maanden later nog in draft. Een finance-pet kijkt anders naar een klant dan een sales-pet, en allebei hebben ze gelijk vanuit hun eigen proces. Het verzandt in welles-nietes en een volgende versie.
Rajeev: "De magie zit in om die vijf personen die hier een mening over hebben aan tafel te krijgen, ze met elkaar te laten praten en de moeilijke vragen te stellen."
Daar zit onze rol als bijrijder. We vragen irritant lang door, wegen de belangen tegen elkaar af en maken de technische consequenties zichtbaar. Een wens kan inhoudelijk logisch zijn en technisch alsnog te duur uitpakken. Dan zeggen we dat.
Hoe wij een AI-ready datatraject aanpakken
We starten met een blueprint voor één proces of datadomein. In workshops met de stakeholders brengen we in kaart hoe dat proces echt loopt, welke datapunten onderweg ontstaan en in welke systemen ze staan. Definities, KPI's en uitzonderingen leggen we vast in een datamodel. Pas daarna kijken we naar techniek.
Rajeev: "Hoe kleiner, hoe beter."
Staat er al een dataplatform, mooi, dan gaan we daarmee aan de slag. Staat het er niet, dan is een kleine database met de data voor dat ene proces genoeg voor je eerste proof of concept. Zo blijft de investering behapbaar en zie je snel welke problemen in de techniek zitten en welke eerst een besluit van de business vragen.
Daarna bouwen we. Met toestemming nemen we de workshops op en verwerken we de besluiten en definities in een second brain. Onze engineers kunnen die tijdens de bouw bevragen, zodat de context uit die workshop beschikbaar blijft als iemand weken later wil weten wat de klant precies bedoelde met een contract.
We blijven betrokken tot het team van de klant er zelf mee werkt. Definities blijven namelijk niet staan. Bij een klant erfde een nieuwe salesmanager KPI's die 20 jaar eerder waren opgesteld. Hij kon zijn organisatie er niet mee besturen, dus zijn ze herzien. Je datamodel moet zo'n verandering aankunnen.
Begin bij één vraag
Pak één vraag die vandaag door 3 afdelingen anders wordt beantwoord. Leg vast wat de termen betekenen, welke bron leidend is, welke uitzonderingen gelden en wie erover gaat. Bouw daarna een kleine proef die laat zien of AI dat antwoord betrouwbaar geeft.
Daar begint AI-ready data.
Luister of kijk de aflevering van Blis Bytes over AI-ready data
FAQ
Veelgestelde vragen
Die beantwoorden we graag alvast. Staat je vraag er niet tussen, neem dan gerust contact op.
Data is AI-ready wanneer een AI-agent op een vraag hetzelfde antwoord geeft als je beste medewerker. Dat betekent dat de definities, de bron, de business rules en de periode zijn vastgelegd en aan het model zijn meegegeven.
Nee. Sales, finance en het contactcenter kunnen allemaal een geldige eigen definitie hebben. Leg per vraag of proces vast welke definitie geldt en laat het systeem bij het antwoord vermelden welke lens het gebruikt heeft.
Voor een eerste proof of concept volstaat meestal een kleine, afgebakende dataset voor één proces. Heb je al een dataplatform staan, dan gebruik je dat. De technische keuze volgt uit de vraag die je wilt beantwoorden.
