Каталог / Искусственный интеллект
Некачественные данные и внедрение ИИ на плохих данных
Неполные, несогласованные, дублирующиеся и устаревшие данные в системах (CRM, 1С, склад, производство) и попытка внедрять ИИ на таких данных.
Типичные последствия
ИИ выдаёт неверные выводы и прогнозы с высокой уверенностью, автоматизации ломаются, проект не окупается, сотрудники теряют доверие к ИИ.
Как этот риск проявляется и что с ним делать
Неполные данные и большое количество пропусков
В ключевых системах (CRM, 1С, склад, производство) много пустых обязательных полей и пропусков
Почему это важно. Модели и аналитика, обученные или работающие на неполных данных, дают смещённые выводы; пропуски скрывают реальную картину и искажают отчёты
Типичная ситуация. В половине карточек клиентов нет отрасли и источника, прогноз спроса строится на неполной выборке
Меры снижения:
- Обязательные поля и проверки при вводе данных. Сделайте обязательными ключевые поля, ограничьте свободный ввод списками и форматами, включите проверки при сохранении
- Аудит полноты данных и план дозаполнения. Посчитайте долю пропусков по ключевым полям основных систем, определите критичные поля и срок дозаполнения
- Правила обработки пропусков перед использованием данных в ИИ. Решите заранее, как обрабатывать пропуски (дозаполнение, исключение, отдельная категория), и документируйте правила
Несогласованные и дублирующиеся данные в разных системах
Одни и те же клиенты, товары и контрагенты записаны по-разному в разных системах, много дублей и расхождений справочников
Почему это важно. ИИ не понимает, что это одна и та же сущность, объединяет разное и разделяет одно; автоматизация ломается на расхождениях форматов и идентификаторов
Типичная ситуация. Клиент заведён тремя карточками с разными телефонами, в учёте и CRM разные названия одной номенклатуры
Меры снижения:
- Единые справочники и правила написания (мастер-данные). Заведите единый справочник клиентов, товаров и контрагентов с уникальными идентификаторами и правилами написания
- Поиск и объединение дублей, регулярная чистка. Периодически находите и объединяйте дубли в CRM и учёте, ведите журнал изменений и ответственных
- Один источник данных и интеграция систем. Определите «источник правды» для каждой сущности и настройте обмен между системами вместо ручного переноса
Устаревшие и недостоверные данные
Справочники, остатки и данные о клиентах давно не обновлялись или вводились с ошибками
Почему это важно. Решения и прогнозы строятся на данных, которые уже не соответствуют действительности, поэтому ИИ уверенно выдаёт неверные ответы
Типичная ситуация. ИИ рекомендует клиенту товар, которого нет на складе; в базе контактов половина номеров неактуальна
Меры снижения:
- Регламент актуализации данных и дата обновления. Определите срок актуальности данных по каждому справочнику и ответственного за их обновление; показывайте дату обновления
- Автоматический обмен вместо ручного переноса. Настройте интеграцию систем и регулярную синхронизацию, чтобы данные не расходились и не устаревали
Внедрение ИИ на данных плохого качества без оценки и очистки
ИИ внедряется без оценки качества данных, подготовки и очистки, в надежде что «модель разберётся»
Почему это важно. Принцип «мусор на входе, мусор на выходе»: качество результата ограничено качеством данных; проект не окупается, а ошибки выглядят убедительно и подрывают доверие сотрудников к ИИ
Типичная ситуация. Пилот по прогнозу спроса показал нелогичные цифры из-за дублей и пропусков, проект остановлен
Меры снижения:
- Очистка и подготовка данных как обязательный этап проекта. Заложите в план и бюджет очистку, дедупликацию и дозаполнение; не запускайте ИИ на сырых данных
- Оценка готовности данных перед пилотом ИИ. Перед проектом проверьте данные по чек-листу: полнота, согласованность, актуальность, достаточный объём и права на использование; принимайте решение о запуске по результатам
- Владельцы данных и показатели качества данных. Назначьте ответственных за данные по системам, введите показатели качества (доля пропусков, дублей, ошибок) и регулярный отчёт
- Пилот на ограниченном качественном срезе данных. Начните с небольшого, хорошо подготовленного набора данных и проверяйте результаты человеком, расширяйте только после подтверждения качества
Оценить этот риск для своего бизнеса