许多企业的AI分析愿望与企业的规模和能力之间的差距正在扩大。成功的全球市场领导者不仅从他们的分析投资中获得了回报，但许多人仍深陷“试点炼狱”的泥潭，取得了一些适度的成功，但未能在整个企业范围内产生更大的影响。持续的冠状病毒爆发及其复苏带来的经济冲击凸显了有效部署人工智能分析的竞争优势。企业的规模优势无法通过采购和经营转化为利润。相反，具有前瞻性的企业正在使用他们的数据来提高利润率和市场份额，将其转化为战略资产并以对其业务产生具体影响的方式加以应用。更重要的是，许多大公司的分散和矩阵性质导致实施大规模分析或技术转型计划的进展缓慢。虽然这种类型的基础设施带来了营销和产品开发能力，但它阻碍了对数据和分析平台进行战略投资或构建灵活的扩展工作方式的能力。在AI分析领域获胜的市场领导者专注于关键领域的实施，包括三个特别具有挑战性的领域：发展合适的人才基础和运营模式。构建正确的数据和数字平台。采取行动并将产出转化为运营。SparkBeyond数据科学负责人RyanGrosso分析并讨论了如何弥合分析欲望和能力之间的差距。数据点1：培养内部分析人才许多组织都有一支非常适合推动业务洞察力(BI)的分析师团队。但是，要确保分析项目的成功，需要数据科学专业知识。在数据科学技能短缺的推动下，新的解决方案不断涌现，通过自动化根本原因分析和模型构建等关键活动来加速分析师的工作流程。这种自动化使分析师能够一次筛选数百万个假设，从而使他们无需费力地寻找相关性来证明或反驳个别假设。这也减少了出现偏差的可能性，因为分析师不再有责任确定首先探索哪个数据点，数据科学家也不再有责任确定要检验的假设；相反，他们可以专注于选择与机器学习模型最相关的见解或构建块。这些解决方案还降低了进入机器学习的技术门槛，使业务分析师能够承担更多的领导角色，并使人们更接近AI的民主化。数据点2：创建混合团队以促进协作当流程注入领域专业知识时，分析项目会取得成功，而不是在孤立环境中运行代码的超载分析卓越中心(CoE)团队。为了在整个企业范围内实现大量成功的分析项目并减轻卓越中心(CoE)的负担，培训主题专家(SME)非常重要，他们可以向数据科学家“讲数据”并可能“讲业务”给高管。对从事分析项目的团队来说是一个更有价值的补充。这有助于培养数据科学专家和业务用户之间的协作文化，使数据科学家/分析师能够更多地关注高级和复杂的流程，同时花费更少的时间为业务用户提供可操作的见解。数据点3：在云上构建合适的数据平台跨国公司需要反映其经营所在市场的多样性，但这带来了挑战：如何构建支持去中心化业务模型的可扩展人工智能解决方案？对于所有AI用例，数据科学家依靠一组工具和流程来摄取和转换数据并将其插入到存储解决方案或应用程序中。在基于云的技术成熟之前，构建这种基础设施既昂贵又耗时——数据堆栈的局部差异对数据的摄取、处理和存储方式产生连锁反应。企业级云计算解决方案通过使企业能够在需要时启动存储解决方案并利用第三方解决方案生态系统来满足各种数据摄取和转换需求，从而克服了这些困难。例如，将物理数据中心迁移到MicrosoftAzure平台有助于为集中式分析卓越中心铺平道路，以跟上实地运营的步伐。数据点4：信任数据驱动的建议在下游，AI分析领导者正在采用自动化驱动程序发现平台来大规模生成洞察力，同时不影响对本地市场的了解。以前，分析师和数据科学家会手动搜索相关性——这是一个缓慢的过程，在很大程度上依赖于对当地市场的了解，而且难以更新。通过依靠机器来发现潜在的驱动因素，人工智能解决方案可以跨地域快速扩展，但仍能捕捉到每个本地市场的一些动态。数据点5：一线行动见解人工智能分析的早期采用者已经释放出以运营为中心的解决方案的优势。例如，一家行业领先的全球零食供应商仅通过为其现场团队提供商店级分类推荐，就在成熟的拉丁美洲市场实现了1.5%的销售额增长。这些见解需要专门的数据策略来确保数据堆栈随着新数据源的出现而发展，从而实现快速测试和学习周期。数据点6：民主化分析以激发分析转型通过分析在企业范围内实现差异化需要SME、卓越中心(CoE)和业务利益相关者在整个分析过程中共享、理解和协作。人工智能分析解锁有效的自下而上的决策，一线团队可能会发现自己拥有更大的决策权和影响力，以及越来越多的投资份额。使用具有无代码/低代码环境和内置可解释性的技术，使团队能够将丰富的、自适应的洞察力和机器学习模型引入企业范围的业务流程。
