[[415863]]

許多企業的人工智能分析愿望與企業規模和能力之間的差距正在擴大。成功的全球市場領導者正在為其分析投資獲得高于其投資的回報，但許多企業仍陷入“試點煉獄”，雖然勉強獲得了一些成功，但未能在企業范圍內產生更大的影響。

發生的冠狀病毒疫情及其復蘇造成的經濟沖擊已經凸顯了有效部署人工智能分析的競爭優勢。企業的規模優勢并不能通過采購和運營轉化為利潤。與其相反，具有前瞻性的企業正在利用他們的數據來提高利潤率和市場份額，將其轉化為戰略資產，并以對其業務產生具體影響的方式加以應用。

更重要的是，許多大公司的分散和矩陣性質導致在實施大規模分析或技術轉型計劃方面進展更加緩慢。雖然這種類型的基礎設施帶來了營銷和產品開發能力，但它阻礙了對數據和分析平臺進行戰略性投資或建立靈活的工作方式以進行擴展的能力。

在人工智能分析領域獲勝的市場領導者專注于在關鍵領域實施，其中包括三個特別具有挑戰性的領域：

• 開發合適的人才基礎和運營模式。
• 構建正確的數據和數字平臺。
• 采取行動并將產出落實到運營中。

Spark Beyond公司數據科學主管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。

數據點1：培養內部分析人才

許多企業都有一支分析師團隊，他們非常適合推動業務洞察力(BI)。然而，為了確保分析項目的成功，需要具備數據科學專業知識。

在數據科學技能短缺的推動下，新的解決方案開始出現，通過自動化根本原因分析和模型構建等關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百萬個假設，從而免于尋找證明或反駁單個假設的相關性的艱苦過程。

這也減少了偏差的可能性，因為分析師不再有責任確定首先要探索哪個數據點，或者數據科學家來確定哪些假設要測試;與其相反，他們可以專注于選擇最相關的內容作為機器學習模型的見解或構建塊。

這些解決方案還降低了進入機器學習的技術門檻，使業務分析師能夠承擔更多的領導角色，并使人們更接近人工智能的民主化。

數據點2：創建混合團隊以促進協作

當流程注入領域專業知識，而不是在孤立的環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。

為了在企業范圍內實現成功的分析項目的關鍵數量，并減輕卓越中心(CoE)的負擔，培訓可以向數據科學家“講數據”并且可能向高管“講業務”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。

這有助于培養數據科學專家和業務用戶之間的協作文化，使數據科學家/分析師能夠更多地關注高級和復雜的流程，同時減少為業務用戶獲取可操作見解的時間。

數據點3：在云平臺上構建正確的數據平臺

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

對于所有人工智能用例，數據科學家依靠一套工具和流程來攝取和轉換數據，并將其插入到存儲解決方案或應用程序中。在基于云平臺的技術成熟之前，構建這種基礎設施既昂貴又耗時——數據堆棧的本地差異對需要如何攝取、處理和存儲數據產生連鎖反應。

企業級云計算解決方案使企業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系統來應對各種數據攝取和轉換需求，從而克服了這些困難。例如，將物理數據中心遷移到微軟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。

數據點4：信任數據驅動的建議

在下游，人工智能分析領導者正在采用自動化驅動程序發現平臺，以在不影響當地市場理解的情況下大規模生成洞察力。以前，分析師和數據科學家會人工搜索相關性——這個過程緩慢，嚴重依賴當地市場的理解，并且難以更新。通過依靠機器來發現潛在的驅動因素，人工智能解決方案可以跨地域快速擴展，但仍能捕捉每個當地市場的一些動態。

數據點5：一線行動洞察

人工智能分析的早期采用者已經釋放了以運營為中心的解決方案的好處。例如，行業領先的全球零食供應商只通過為其現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了1.5%的銷售額增長。這些洞察需要專門的數據策略，以確保數據堆棧隨著新數據源的出現而不斷發展，從而實現快速的測試和學習周期。

數據點6：使分析民主化以激發分析轉型

通過分析在企業范圍內實現差異化需要SME、卓越中心(CoE)和業務利益相關者在整個分析過程中共享、理解和協作。

人工智能分析開啟了有效的自下而上的決策，而企業一線團隊可能會發現自己被賦予了更大的決策權和影響力，以及越來越多的投資份額。使用具有無代碼/低代碼環境和內置可解釋性的技術使團隊能夠將豐富的、自適應的洞察力和機器學習模型引入企業范圍的業務流程。