[[415863]]

許多企業(yè)的人工智能分析愿望與企業(yè)規(guī)模和能力之間的差距正在擴大。成功的全球市場領(lǐng)導(dǎo)者正在為其分析投資獲得高于其投資的回報，但許多企業(yè)仍陷入“試點煉獄”，雖然勉強獲得了一些成功，但未能在企業(yè)范圍內(nèi)產(chǎn)生更大的影響。

發(fā)生的冠狀病毒疫情及其復(fù)蘇造成的經(jīng)濟沖擊已經(jīng)凸顯了有效部署人工智能分析的競爭優(yōu)勢。企業(yè)的規(guī)模優(yōu)勢并不能通過采購和運營轉(zhuǎn)化為利潤。與其相反，具有前瞻性的企業(yè)正在利用他們的數(shù)據(jù)來提高利潤率和市場份額，將其轉(zhuǎn)化為戰(zhàn)略資產(chǎn)，并以對其業(yè)務(wù)產(chǎn)生具體影響的方式加以應(yīng)用。

更重要的是，許多大公司的分散和矩陣性質(zhì)導(dǎo)致在實施大規(guī)模分析或技術(shù)轉(zhuǎn)型計劃方面進展更加緩慢。雖然這種類型的基礎(chǔ)設(shè)施帶來了營銷和產(chǎn)品開發(fā)能力，但它阻礙了對數(shù)據(jù)和分析平臺進行戰(zhàn)略性投資或建立靈活的工作方式以進行擴展的能力。

在人工智能分析領(lǐng)域獲勝的市場領(lǐng)導(dǎo)者專注于在關(guān)鍵領(lǐng)域?qū)嵤?，其中包括三個特別具有挑戰(zhàn)性的領(lǐng)域：

• 開發(fā)合適的人才基礎(chǔ)和運營模式。
• 構(gòu)建正確的數(shù)據(jù)和數(shù)字平臺。
• 采取行動并將產(chǎn)出落實到運營中。

Spark Beyond公司數(shù)據(jù)科學(xué)主管Ryan Grosso對于如何彌合分析愿望和能力之間的差距進行了分析和探討。

數(shù)據(jù)點1：培養(yǎng)內(nèi)部分析人才

許多企業(yè)都有一支分析師團隊，他們非常適合推動業(yè)務(wù)洞察力(BI)。然而，為了確保分析項目的成功，需要具備數(shù)據(jù)科學(xué)專業(yè)知識。

在數(shù)據(jù)科學(xué)技能短缺的推動下，新的解決方案開始出現(xiàn)，通過自動化根本原因分析和模型構(gòu)建等關(guān)鍵活動來加速分析師的工作流程。這種自動化使分析師能夠一次篩選數(shù)百萬個假設(shè)，從而免于尋找證明或反駁單個假設(shè)的相關(guān)性的艱苦過程。

這也減少了偏差的可能性，因為分析師不再有責(zé)任確定首先要探索哪個數(shù)據(jù)點，或者數(shù)據(jù)科學(xué)家來確定哪些假設(shè)要測試;與其相反，他們可以專注于選擇最相關(guān)的內(nèi)容作為機器學(xué)習(xí)模型的見解或構(gòu)建塊。

這些解決方案還降低了進入機器學(xué)習(xí)的技術(shù)門檻，使業(yè)務(wù)分析師能夠承擔(dān)更多的領(lǐng)導(dǎo)角色，并使人們更接近人工智能的民主化。

數(shù)據(jù)點2：創(chuàng)建混合團隊以促進協(xié)作

當(dāng)流程注入領(lǐng)域?qū)I(yè)知識，而不是在孤立的環(huán)境中運行代碼的超負荷分析卓越中心(CoE)團隊時，分析項目就會取得成功。

為了在企業(yè)范圍內(nèi)實現(xiàn)成功的分析項目的關(guān)鍵數(shù)量，并減輕卓越中心(CoE)的負擔(dān)，培訓(xùn)可以向數(shù)據(jù)科學(xué)家“講數(shù)據(jù)”并且可能向高管“講業(yè)務(wù)”的主題專家(SME)，這對從事分析項目的團隊來說是更具價值的補充。

這有助于培養(yǎng)數(shù)據(jù)科學(xué)專家和業(yè)務(wù)用戶之間的協(xié)作文化，使數(shù)據(jù)科學(xué)家/分析師能夠更多地關(guān)注高級和復(fù)雜的流程，同時減少為業(yè)務(wù)用戶獲取可操作見解的時間。

數(shù)據(jù)點3：在云平臺上構(gòu)建正確的數(shù)據(jù)平臺

跨國公司需要反映其經(jīng)營所在市場的多樣性，但這帶來了一個挑戰(zhàn)：如何構(gòu)建支持去中心化商業(yè)模式的可擴展人工智能解決方案?

對于所有人工智能用例，數(shù)據(jù)科學(xué)家依靠一套工具和流程來攝取和轉(zhuǎn)換數(shù)據(jù)，并將其插入到存儲解決方案或應(yīng)用程序中。在基于云平臺的技術(shù)成熟之前，構(gòu)建這種基礎(chǔ)設(shè)施既昂貴又耗時——數(shù)據(jù)堆棧的本地差異對需要如何攝取、處理和存儲數(shù)據(jù)產(chǎn)生連鎖反應(yīng)。

企業(yè)級云計算解決方案使企業(yè)能夠在需要時啟動存儲解決方案，并利用第三方解決方案的生態(tài)系統(tǒng)來應(yīng)對各種數(shù)據(jù)攝取和轉(zhuǎn)換需求，從而克服了這些困難。例如，將物理數(shù)據(jù)中心遷移到微軟Azure平臺，有助于為集中式分析卓越中心與實地運營保持同步鋪平道路。

數(shù)據(jù)點4：信任數(shù)據(jù)驅(qū)動的建議

在下游，人工智能分析領(lǐng)導(dǎo)者正在采用自動化驅(qū)動程序發(fā)現(xiàn)平臺，以在不影響當(dāng)?shù)厥袌隼斫獾那闆r下大規(guī)模生成洞察力。以前，分析師和數(shù)據(jù)科學(xué)家會人工搜索相關(guān)性——這個過程緩慢，嚴(yán)重依賴當(dāng)?shù)厥袌龅睦斫?，并且難以更新。通過依靠機器來發(fā)現(xiàn)潛在的驅(qū)動因素，人工智能解決方案可以跨地域快速擴展，但仍能捕捉每個當(dāng)?shù)厥袌龅囊恍﹦討B(tài)。

數(shù)據(jù)點5：一線行動洞察

人工智能分析的早期采用者已經(jīng)釋放了以運營為中心的解決方案的好處。例如，行業(yè)領(lǐng)先的全球零食供應(yīng)商只通過為其現(xiàn)場團隊提供商店級別的分類建議，便在成熟的拉丁美洲市場實現(xiàn)了1.5%的銷售額增長。這些洞察需要專門的數(shù)據(jù)策略，以確保數(shù)據(jù)堆棧隨著新數(shù)據(jù)源的出現(xiàn)而不斷發(fā)展，從而實現(xiàn)快速的測試和學(xué)習(xí)周期。

數(shù)據(jù)點6：使分析民主化以激發(fā)分析轉(zhuǎn)型

通過分析在企業(yè)范圍內(nèi)實現(xiàn)差異化需要SME、卓越中心(CoE)和業(yè)務(wù)利益相關(guān)者在整個分析過程中共享、理解和協(xié)作。

人工智能分析開啟了有效的自下而上的決策，而企業(yè)一線團隊可能會發(fā)現(xiàn)自己被賦予了更大的決策權(quán)和影響力，以及越來越多的投資份額。使用具有無代碼/低代碼環(huán)境和內(nèi)置可解釋性的技術(shù)使團隊能夠?qū)⒇S富的、自適應(yīng)的洞察力和機器學(xué)習(xí)模型引入企業(yè)范圍的業(yè)務(wù)流程。