为了从数据中生成可操作的实时洞察，企业需要通过包括AI和机器学习部署在内的多种方法来实现预期的结果。尽管各行各业的组织都将人工智能和机器学习作为其增长战略的核心技术，但大多数企业认为他们无法成功利用这些技术。主要原因是很多大数据项目缺乏充分利用人工智能和机器学习技术的成熟方法。根据大数据初创公司Databricks和《麻省理工学院技术评论》在2021年的调查显示，未来两年很多公司在企业数据战略中最重要的业务目标是拓展销售和服务渠道（45位受访者指出%的受访者）、提高运营效率(43%)以及改进创新和缩短上市时间(42%)。设定这些目标很好，但企业是否有能力执行这些目标？根据Gartner的数据，85%的大数据项目都失败了，而根据《麻省理工学院技术评论》的调查报告，只有13%的公司擅长以可衡量的结果实施他们的数据战略。当被问及“后进者”（在数据战略计划方面苦苦挣扎的组织）面临的主要障碍是什么时，他们的反馈强调了数据管理平台的可扩展性有限、难以促进协作以及处理大量数据的困难。慢的。显然，许多企业在数据开发的所有领域都面临着规模、速度和协作方面的挑战。为了从数据中生成可操作的实时洞察，企业需要通过包括人工智能和机器学习部署在内的多种方法来实现预期的结果。他们需要有数据素养的员工来应对对未知的恐惧并真正简化流程。以下是企业实现数据和AI成熟度的三种方式：1.构建坚实的基础架构当专注于强大数据管理的基础并专注于构建“民主化”数据的架构时，企业更有可能取得成功并看到可衡量的结果。虽然管理数据很复杂，但企业需要消除遗留系统以及各种工具和数据孤岛的负担，除非它们可以集成或隔离。这些问题通过降低交付所需业务成果所需的速度和规模来影响企业的数据平台及其支持的机器学习模型。坚实的基础设施应该减少数据重复，增加访问相关数据的便利性，能够高速处理大量数据，并提高整体数据质量。美国快递服务商UPS的派送优化项目，旨在将每个快递员的路线每天缩短一公里，预计年收入将超过0万。这是企业使用数据破坏和重建系统的一个很好的例子。它依赖于几个成熟度标准：一个现代化的、可扩展的成熟基础设施，在企业管理的各个层面的持续支持，尽管出现故障和延迟。此外，该公司依赖于通过GPS提供的有关交易、位置点、车辆甚至快递员的丰富、即时和准确的数据。2.创造一种数据和人工智能是每个人的事的文化作为企业转型的一部分，数据和人工智能的成熟度也与民主化分析、机器学习和人工智能能力有关，以帮助企业做出更好的明智决策。这需要通过协作和尖端技术建立强大的数据文化，以便使用数据改进决策制定及其各自的影响。从运营的角度来看，这意味着能够共享所有这些决策、数据和数据驱动的架构，为业务项目提供必要的资源。这只有在现代数据架构中才有可能实现，在这种架构中，只有正确的用户才能访问正确的数据，以快速生成可推动业务价值的洞察力。尽管这种新一代数据管理在系统、领导力和商业价值感知方面有了新的发展，但在大多数企业、数据团队和最终用户，以及需要数据洞察力进行日常决策的前台或后台仍然存在差距成为员工之间的桥梁。弥合这一差距的一个好方法是将数据科学家直接嵌入到业务中，让他们定期与用户互动，或者让用户直接访问分析工具，以便他们可以根据需要获得自己的见解。换句话说，它需要将数据推向更靠近“边缘”用户所在的位置。随着组织的员工越来越熟悉高级分析和数据科学，他们获得了进行自己分析的能力，而不仅仅是使用他人提供的分析。3.定期评估为了成功地从数据驱动的项目中创造价值，组织必须不断了解他们在数据和AI成熟度之旅中所处的阶段。它可以通过使用评估必要关键能力的模型来做到这一点。一个成功的评估模型应该有助于构建团队之间的对话，并且应该理解改进关键业务运营所需的步骤，这些业务运营必须通过大规模数据集成和真正的数据文化得到加强、更加一致和更加稳定。它支持使用数据来改进、加速或监控决策及其各自的进展，并共享所有这些决策、数据和数据驱动的架构，为每个人提供业务项目所需的资源。Databricks客户（一家领先的咖啡零售商）采用的AI项目完美地说明了这一点的价值，该项目的用例基于公共数据和三个不同部门的持续协作。该公司的运营团队可以创建基于人工智能的模型，以根据目标社区的社会和经济因素确定未来在何处开设门店。公司的客户关系部门也通过公司的忠诚度计划直接受益于人工智能。通过了解所有1900万订户的饮料偏好和购买模式，该团队可以推动销售，同时仍然提供高度个性化的客户体验。该数据还用于根据特定群体的习惯和口味预测哪些饮料和渠道将产生最大利润。最后，商店支持部门依靠人工智能来预测机器维护和供应需求。在通往数据和人工智能成熟的艰难旅程中，当各种业务用例被集成到由IT专门设置的集中、安全和可扩展的服务中时，许多企业向前迈出了一大步。步。数据驱动的业务转型或价值创造的成功需要从企业战略到培训计划的全球整合以及内部资源的升级以继续传播知识。此步骤对于更多数据和AI用例的部署至关重要。如果没有持续的管理支持、组织成熟度和大规模数据科学能力，这些项目的成功和价值创造也无法实现。
