本文作者仅代表个人观点。狗万官方
数字转换这些天在大多数公司都很顺利。随着越来越多的流程实现数字化，越来越多的公司认识到人工智能驱动效率提升的机会。然而,更大的人工智能应用仍然面临着绊脚石，通常存在于组织工作流程的性质中。
尽管自动化和数字化在各行各业都很盛行，但大多数公司都缺乏一种能力数据驱动的文化．数据驱动的文化不仅仅是在BI平台上观察趋势和运行场景——它是一种帮助公司重新定位自己的客户，并使用数据来证明每一个决定的文化。
企业不可能在一夜之间建立起数据驱动的文化，但现在是开始的最佳时机。随着人工智能使用量的增加，现有的数据量也在增加，这导致大数据分析变得比以往任何时候都更加重要。因此，组织必须摒弃“直觉”决策方法，转而采用面向数据的决策结构。
1.优先考虑重要的业务功能
人工智能的应用正成为人们关注的焦点数据质量．企业长期收集客户数据，很少关注数据的准确性和完整性。在低质量数据集上训练的人工智能算法会导致不太理想的业务结果。
The Markup在2021年的一篇调查文章详细介绍了按揭个案由于训练数据的历史偏差，承销算法拒绝少数族裔贷款申请人的情况要严重得多。粗制滥造的收集和未经验证的数据会产生这样的结果，并使负面的品牌认知持续存在，这是金融公司不需要的。
检查数据收集源是发现潜在地雷的第一步，如上面的例子。公司必须审查他们正在收集的数据，以及他们正在丢弃的数据。通常，团队会丢弃与流程无关的数据，但这些数据集在其他工作流中可能会派上用场。
更重要的是，被归类为“噪音”的数据通常包含有价值的线索，为AI算法提供上下文。然而，并非所有的噪音都是有用的。数据驱动的公司对哪些变量在整个组织中发挥重要作用有一个广泛的看法，并相应地对数据进行分类。
因此，数据收集和分析是一个集中的功能。虽然单个单元可能嵌入了数据科学家，但中央数据团队必须定义模式和治理实践。没有这种集中的观点，组织将缺乏远见，导致有缺陷的结果，损害他们的业务。
如果一个组织开始着手理清数据，那么最好从最重要的业务功能开始。通常情况下，基础设施也需要彻底检修。将技术投资与高层业务目标联系起来，将确保收购，并推动公司更快地走上数据驱动的道路。
归根结底，人工智能等技术只是一种工具，而不是解决方案。它只和它接收到的输入一样好。
2.执行试点项目，取得可论证的成果
尽管有大量的关注人工智能和机器学习算法近年来都收到了，只有极少数公司信任他们。New Vantage Partners 2021年的一项调查强调指出，只有12.1%的受访企业在广泛生产中实施了人工智能。其余的人要么对人工智能大失所望(这要归功于错误的结果)，要么对扩大人工智能的使用持谨慎态度。
在企业中，转型变革需要很长时间。然而，科技扭曲了我们对“长”的理解。随着创新在过去十年中迅速发展，企业不能坐视不管，忽视人工智能和数据驱动态势对其业务的潜力。
保护高管的支持是一个需要克服的关键障碍。虽然大多数高管不能声称对人工智能的潜力一无所知，但要获得他们的认可，关键在于让他们相信可以证明的业务成果。在这种情况下，关键是要证明投资的合理性。
大多数人工智能试点项目的重点是首先避免灾难，其次实现目标。例如，图像识别引擎必须避免在可能导致负面品牌宣传的情况下对人和产品进行错误分类。在这种情况下，业务目标被忽略了。
因此，高管们将人工智能计划视为避免损害的练习。为了成功过渡到数据驱动的环境，人工智能试点必须与ROI指标挂钩。此外，这些举措必须随着时间的推移显示出稳定的回报。只有这样，企业才能稳步扩大努力，证明投资的合理性。
3.民主化的数据
实现数据驱动心态的最简单方法之一是民主化的数据整个组织。集中式数据科学团队有自己的位置。然而，这种集中化并不意味着组织应该将数据分析隔离给少数团队。
嵌入式分析是未来的发展方向。将分析嵌入到每个企业应用程序中，公司可以从每个员工那里获得见解，从而提高投资回报率。虽然由于员工数据分析能力差，其中一些见解可能会导致团队走上错误的道路，但长期的好处是巨大的。
公司可以通过嵌入来防止错误的数据分析结论数据科学家在每个团队中。该人员可以验证分析结论并防止有缺陷的结果。人们永远无法预测伟大的见解来自何处，数据民主化是前进的方向。
这种方法还使组织中的每个团队重新面向客户。团队可以查看与客户相关的数据，分析趋势，衡量他们的贡献，并建模实时决策影响。结果是更好的产品和客户的一致性。
数据驱动的长期结果
由于缺乏计划，“数据驱动的风险”在大多数组织中正在成为一个流行词。随着组织采用人工智能和其他复杂技术，缺乏数据驱动的流程将使他们失望，并导致高故障率。为了取得成功，企业现在必须重新调整他们对待数据的方法。
