🧱 Lowe’s раскрыла 3 уровня данных, которые должен освоить каждый enterprise, чтобы стать AI-native. Это: структурированные, неструктурированные и… незафиксированные данные
TL;DR: Lowe’s (1700+ магазинов, миллионы клиентов) объясняет, что будущее enterprise-AI зависит от трёх слоёв данных:
- структурированные (30–40%),
- неструктурированные (~30%),
- незахваченные (ещё 30%) — знания сотрудников, процессы, экспертиза.
Секрет успеха — объединить все три.
(Все самые свежие AI-новости — в моём Twitter: @MariaKraim69)
🔍 Контекст: почему Lowe’s перестраивает всю data-стратегию под AI
Lowe’s владеет гигантским массивом данных:
- товарные данные
- операционные данные
- пространственные данные (дом, комнаты, планировки)
- экспертные знания о ремонте и установке
- данные взаимодействия с клиентами
Но основная проблема:
огромная часть информации либо не используется, либо вообще не зафиксирована.
Пример, который приводит Lowe’s:
«Лёгкая» операция вроде починки крана на самом деле сидит в голове у тысяч сотрудников и технических документов — это чисто неструктурированная и незахваченная информация.
🎯 В эпоху AI роль CDO полностью меняется
По словам Чандху Найара, SVP по Data & AI Lowe’s:
«Это не просто технология. Это путешествие лидерства, культуры и перемен».
AI требует от компании:
- модернизации платформ
- миграции в облако
- системного подхода к ML/LLM
- фиксации экспертизы, которая раньше жила «в головах»
🔥 Lowe’s делит данные на 3 уровня — и каждый из них надо освоить
1. Структурированные данные (30–40%)
Обычные базы данных, транзакции, каталоги, инвентарь, цены.
→ Lowe’s модернизирует платформы, переносит ML в облако.
2. Неструктурированные данные (~30%)
PDF, инструкции, SOP, заметки, фото, документация, видео, исторические процессы.
Главный прорыв Lowe’s — Mylow Companion:
AI-помощник для сотрудников, который объединяет SOP, гайды, данные магазина и выдаёт рекомендации в реальном времени.
3. Незахваченные данные (~30%)
Это секретная «треть данных», которую многие компании вообще игнорируют:
- знания сотрудников
- триггеры покупательского поведения
- логика ремонта, установки, оптимизации
- контекст, который никуда не заносится
Найар говорит:
«Чтобы стать AI-native, надо научиться собирать эту треть данных и объединять все три слоя».
🧠 Главное: AI-native ≠ просто внедрить модели
Это:
- собирать скрытую экспертизу
- захватывать данные из реальных процессов
- соединять структуру + неструктуру + человеческое знание
- превращать всё это в модели и цифровых ассистентов
📌 Вывод: чтобы стать AI-native, компания должна трансформировать всю систему данных
Lowe’s называет это:
«from doing things → to embedding things → to being AI-native».
Это основной blueprint для больших корпораций в 2025–2026.
