Şirketler için, ürettikleri veriler çok büyük bir potansiyele sahip.

Yapay zeka çağında, değerlendirilen verilerden farklı içgörüler elde etmek, iş başarısı için önemli bir kriter haline geldi.

Bu yazıda, uzman olduğumuz kurumsal inovasyon verilerine odaklanacağız. Şirketlerin, iç ve dış paydaşlarıyla (startup, teknoloji üreticisi, akademisyen, danışman, uzman, iş birimi vb.) yenilik keşfetme ve geliştirme süreçlerinde yarattıkları verinin, iş zekası için ne kadar değerli olduğunu biliyoruz. (PoC Verileri ve İş Zekası)

Oysa araştırmalar, şirketlerin ürettikleri verinin çoğunu değerlendiremediğini gösteriyor.

Gartner tanımına göre karanlık veri, şirketlerin düzenli iş faaliyetleri sırasında topladıkları, işledikleri ve depoladıkları, ancak genellikle analiz, iş ilişkileri ve gelir yaratma gibi amaçlar için kullanmadıkları bilgi varlıklarını ifade ediyor.

Kurumsal inovasyon verilerinde değer kaybına girmeden önce, genel olarak kurumsal verilerin ne kadarının değerlendirildiğine ve tespit edildiğinde kayıpların nasıl telafi edilerek başarı hikayelerine dönüştüğüne bakalım.

Şirketlerin değerlendiremediği karanlık veri, yapay zeka kullanım alışkanlıklarının artmasıyla, su yüzüne çıkıyor.

Şirketlerin karanlık veriyi, ekstra depolama masrafından, anlamlı kazanımlara çevirdiği sektörel örneklere bakalım.

İlk örnek sağlık sektöründen. Doktorların en iyi kararları hızlı bir şekilde almak için verilere daha fazla erişime ihtiyaç duyduğunu fark eden Chicago Üniversitesi (UCM), veri silolarını birbirine bağlamak ve akış analitiğini uygulamak için Tibco ile birlikte çalıştı. Bu, yalnızca bilgilerin insanlara daha hızlı ulaşmasına yardımcı olmakla kalmadı, aynı zamanda bir hastanın kalp durması riski yüksek olduğunda personeli gerçek zamanlı olarak uyaran bir sistem geliştirmelerini de sağladı. Akış analitiği ve UCM araştırmacılarından biri tarafından geliştirilen bir tahmin algoritması kullanan sistem, hastanedeki kalp durması sayısını tahmini olarak %15-20 oranında azalttı. (University of Chicago Medicine Improves Patient Care with Data)

Envision Racing, 100’den fazla Formula E yarışından ses kayıtları topladı, ancak sürücülerin kullandığı kod adları ve kısaltmalar nedeniyle gerçek zamanlı ses iletilerini kullanmakta zorlandı. Genpact ile birlikte çalışarak, ses verilerini, lastik, batarya ve frenlerden gelen sensör verileri ve rüzgar hızı gibi dış verilerle birlikte analiz etmek için doğal dil işleme ve derin öğrenme modelleri uygulandı. Yapay zeka sistemi, ses mesajlarını anlama süresini 5-10 saniyeden 1-2 saniyeye düşürdü ve bu da daha hızlı yarış stratejileri oluşturulmasını sağladı. Bu veri odaklı yaklaşım, Envision Racing’in New York’taki ABB FIA Formula E Dünya Şampiyonası’nda birinci ve üçüncülük kazanmasına katkı sağladı. (Unlocking the hidden value of dark data)

Çok benzer bir örneği biz de yaşadık. Büyük makinaların çalıştığı bir ortamda, çalıştığımız şirketin satış ekiplerinin müşteri ziyaret notları, dijital veriye çevrilip müşteri memnuniyeti için kullanmak istiyorduk. Sonuçlar startup için yeni bir kullanım alanı sağlasa da, şirketle entegrasyon konusunda çok zorlanmıştık. (Bir F*ck-up, bin nasihatten iyidir. Yaşanmış Startup PoC Hikayeleri)

Tekstil sektöründen bir örnek verelim. Giyim markası Everlane, veri toplama ve karanlıktaki verileri yorumlamak için karbon muhasebesi girişimi Watershed ile iş birliği yaptı. Ortak çalışma, Everlane'in hava taşımacılığını en aza indirmesine ve üretim kaynaklarının bir kısmını hammaddelerden kaşmir dahil geri dönüştürülmüş alternatiflere dönüştürmesine yardımcı oldu. Everlane, karanlıkta kalan verilerini analiz ederek, karbon emisyonlarını %22 oranında azalttı. (Everlane slashed its carbon emissions by 22% with help from a high-tech startup. Companies all over the world are racing to do the same.) 

Farklı bir örnek perakende sektöründen. Zincir mağazaları şube açma süreçlerinde oluşan veriyi, iş süreç yazılımları (BPM) sayesinde içgörü ve kazanımlara çevirmeye başladı. (BPM and Big Data – Why it Makes Sense) 

Son olarak tüm üretim süreçlerini kapsayan bir örnekten bahsedelim.

Birçok sanayi üretim şirketi birkaç sene öncesine kadar dijital ikiz yaklaşımını kullanmıyordu. Bugünse, cihazlarının ürettiği veri hasar tahminleme ve simülasyon yöntemleri için kullanmaya başlayan ve bunu bir hizmet olarak müşterilerine sunan şirketler var. (How Digital Twin Enables Predictive Maintenance) Dijital ikizlerin, daha önce değerlendirilmeyen verilerden yaratılmış olması, yeni soruları da beraberinde getiriyor.

Cihazlar gibi, süreçler de veri üretiyor.

Peki inovasyon süreçlerindeki verileri kullanarak, darboğazları aydınlığa çıkarabilir miyiz? Bu soru bize 2020'de ilham verdi ve kendi süreçlerimizde verileri takip etmeye başladık.

Şimdi yazının başında bahsettiğimiz gibi, şirketlerin paydaşlarıyla inovasyon süreçlerinde değerlendirmedikleri veriler ve çözüm önerilerimize bakalım.

İnovasyon Veri İzi

Şirketler inovasyon projelerinde iç ve dış paydaşlarıyla, yeni teknoloji, iş modeli veya pazarları test etmeyi hedefler.

Oldukça riskli bir çalışmadan bahsediyoruz. Çalışmanın riskini ölçülebilir seviyelere çekmek için, objektif süreç ve çalışma ortamına ihtiyacımız var. 

Şirketlerde büyüme beklentisi doğrusaldır ve bu beklentiyle uyumlu fizibilite metrikleri, bugünün kârlı işlerini ölçmeyi ve yönetmeyi sağlıyor. 

Yarının fizibilitesini ölçebilmek için, yeni süreçlere ihtiyaç var.

Şirketlerin kendi süreçlerini geliştirebilmesi için, kavramsal doğrulama (PoC) projeleri yapmalarını öneriyor ve destekliyoruz. PoC projesi, limitli bütçe ve zaman içerisinde iş birliğinin yaratacağı değeri kanıtlamak için tasarlanır. (Şirketler, Startupları Nasıl Değerlendirir ? PoC - Kavramsal Doğrulama Metodolojisi)

PoC projeleri, sürecin başlangıcından değerlendirme aşamasına kadar, çok değerli bir veri izi üretiyor.

- Proje, ne zaman, hangi iş birimi için, ne tür bir değer yaratmayı hedefliyor?

- Önerilen değeri test ederken, ne tür ek fırsat veya sorunlarla karşılaşıldı?

- Hangi değer hangi metriklerle takip edildi ve çıktılar ne tür bir başarı perfomans metriği gösteri?

- Kaynaklar kullanım metrikleri ve diğerler...

Yukarıdaki örnek, bir PoC çalışmasında takip etmemizi sağlayan geliştirdiğimiz aracın çıktılarını gösteriyor. (PoC Verileri ve İş Zekası)

Yeşil kutular, rapor alınan güne kadar tamamlanan işleri kapsıyor. Byeaz kutular, tamamlanmamış adımları gösteriyor.

Her yeşil kutunun içerisinde, sürece ait dokümanlar ve farklı değerlendirme kayıtları bulunuyor. 

3 sene öncesine dönüp, hangi projede ne yapılmış, hangi problemler olmuş, şartlar ve çıktılar neymiş, email kayıtlarına kadar erişebiliyoruz.

PoC takip aracını geliştirirken, kurumlar için üç alanda değer yaratabildiğimizi gördük.

- Startup ile beraber yeni ürün-servis iş birlikleri geliştirme, kurumsal inovasyon darboğazlarının tespiti

- Kurum içi girişim geliştirmeyi startup'larla destekleyen PoC projeleri yürütme ve raporlama

- Kurumsal risk sermayelerinin, startup PoC çıktılarını analiz ettiği yatırım değerlendirme

Workinlot, kurumsal inovasyon projelerini destekleyen hizmetlerle, teknoloji odaklı iş birliği fırsatlarını geliştirmeye yardımcı oluyor.

Tanışma toplantısı için bekliyoruz.