Productontwikkeling en AI: van goed naar geweldig

Redactie WINMAG Pro
Door Stacy Kerkela, Director of Engineering bij Databricks

Inzichten halen uit bedrijfsdata en met die inzichten aan de slag: voor veel organisaties zit daar een belangrijke strategische waarde. Daarom leunen datagedreven organisaties steeds meer op geavanceerde cloudtechnologie en maken ze meer en meer gebruik van artificial intelligence (AI). Een van de belangrijkste terreinen waar AI sterk in opmars is, blijkt productontwikkeling.

Een recent onderzoek van MIT, in samenwerking met Databricks, laat zien dat twee derde van de CIO’s ervan uitgaat dat AI voor productontwikkeling binnen afzienbare tijd gemeengoed én onmisbaar zal zijn. Het is interessant om te bekijken waarom de toekomst van productontwikkeling bepaald wordt door AI en wat dat oplevert. Zullen er betere beslissingen worden genomen bij de ontwikkeling van producten en zijn de producten dan daadwerkelijk beter?

Concrete AI-toepassingen bij productontwikkeling

Er is een verschil tussen een goed product en een geweldig product. Data kan dat verschil maken. Een geweldig product is namelijk ontwikkeld op basis van echte, actuele marktbehoeften en klantinput. Het lost aantoonbaar een probleem op en heeft de optimale levensduur en kwaliteit. Eigenschappen die zijn gebaseerd op data. Wat heeft dat met AI te maken? Elke organisatie beschikt over zo onnoemelijk veel data, dat het ondoenlijk is om deze zelf te verzamelen, analyseren en te benutten. Datasets bestaan tegenwoordig met gemak uit vele terabytes en miljarden datapunten. Dat is waar AI om de hoek komt kijken. AI geeft productteams de kennis en inzichten om een wezenlijk concurrentievoordeel te behalen. Een aantal concrete toepassingen:

  • Continue input om de gebruiksvriendelijkheid van producten te verbeteren. Bij softwareontwikkeling is het gebruikelijk om A/B-testen of testen met meer variabelen uit te voeren om te toetsen welke functies, workflows en andere diensten klanten het prettigst vinden. Als AI onderdeel is van productontwikkeling, kunnen die A/B-testen tijdens de ontwikkeling worden uitgevoerd. Dat levert direct input en aanbevelingen op om het product gebruiksvriendelijk en echt geweldig te maken.
  • Betrouwbare voorspelling van de vraag naar nieuwe producten. Als je weet hoe de vraag naar producten zich ontwikkelt, wordt de kans op verkoopsucces een stuk groter. Voor dit doel wordt AI tegenwoordig al ingezet en dat levert mooie resultaten op. Uiteraard blijven de deskundige voorspellingen van channel partners en verkoopteams nog steeds nuttig, maar geavanceerde statistische modellen voegen een extra laag aan waardevolle inzichten toe. Een van de belangrijkste toegevoegde waarden van AI en machine learning (ML) is patroonherkenning. Dat is van onschatbare waarde om de factoren te identificeren die de vraag beïnvloeden en die je met het blote oog over het hoofd zou kunnen zien.
  • Zelflerende ontwerpalgoritmen kunnen productontwerpen optimaliseren binnen bepaalde kaders, zoals gewicht, sterkte, kostenefficiëntie en productiemethoden.
  • Personalisatie. Veel online services, van webwinkels tot streamingdiensten als Disney+, zijn opgebouwd rond personalisatie. Als je dit op zo’n grote schaal wilt doen, voor miljoenen gebruikers, dan zijn AI en ML onmisbaar. Dat die ene serie waar je nu net zin in hebt, opduikt in de suggesties? AI doet het.

Er zijn nog wel wat hordes

Als er zoveel toepassingen en voordelen zijn met AI, waarom stappen dan niet alle organisaties direct over? Er zijn nog wel wat hordes te nemen voor je een AI-gedreven organisatie bent. Twee belangrijke hordes hebben te maken met hoe organisaties data gebruiken.

De meeste bedrijven denken en werken nog productgericht en niet klantgericht. Dit maakt het voor de verschillende channel- , markt- en productteams lastig, en misschien wel onmogelijk, om goed samen te werken. Ook wordt analytics niet in het hele bedrijf gebruikt, en is er niet één enkel platform waar klantdata geïntegreerd samenkomt zodat productteams die data optimaal kunnen benutten - laat staan dat ze daar AI op kunnen loslaten. Toch zijn deze twee factoren cruciaal om de verbinding te leggen tussen klantteams en productteams, en om de waarde die productteams uit data en AI halen te maximaliseren.

Logischerwijs ligt de sleutel tot het overwinnen van die hordes bij de data-architectuur. Die architectuur, bijvoorbeeld een data lakehouse, moet dataopslag en workloads verenigen en tegelijk analytics en AI mogelijk maken voor de teams in de hele organisatie. De architectuur die je kiest, legt de basis voor het succes van alle AI-inspanningen.

Ruim twee derde (68%) van de respondenten van het MIT-onderzoek zegt dan ook dat een geïntegreerd data analytics- en AI-platform voorwaarde is voor succes. Dat is wat een organisatie in staat stelt om AI- en ML-modellen te voeden met alle relevante gegevens, zodat dat klantgerichte ontwerpsuggesties oplevert, die uiteindelijk de kwaliteit verhogen, de klanttevredenheid verbeteren en de vraag stimuleren.

Redactie WINMAG Pro
Door: Redactie WINMAG Pro
Redactie

Redactie WINMAG Pro

Redactie