数据与人工智能成熟度提升驱动业务价值

要从数据中提取可操作的实时洞察，企业需要通过人工智能与机器学习实现多样化的部署，以获得所需成果。

尽管各行业组织已将人工智能和机器学习视为增长的核心驱动，但不少企业对充分利用这些技术仍持保留态度。原因在于，许多大数据项目尚缺乏成熟的方法论，难以将人工智能和机器学习的潜力转化为实际成效。

基于对大数据初创公司 DatabRicks 与《麻省理工技术评论》在 2021 年的调查，未来两年的企业数据战略目标多聚焦于扩展销售与服务渠道、提升运营效率，以及推动创新并缩短上市时间。然，制定目标只是第一步，企业能否落地执行才是关键。根据 Garner 的研究，85% 的大数据项目失败；而 MIT Technology Review 的报告则显示，只有 13% 的企业能够以可衡量的结果来实施数据战略。面对“低成就者”的反馈，主要障碍包括数据管控平台的可扩展性不足、协作难以高效推进，以及处理海量数据的速度偏慢。这些都指向一个共同挑战：在规模、速度与协作方面，企业在数据开发的各个环节仍需提升。

从数据中获得可操作的实时洞察

要实现这一目标，企业需要通过 AI 与机器学习等多种方法来驱动结果，同时提升员工的数据素养，克服对未知的恐惧，并简化工作流程。以下是提升数据与人工智能成熟度的三条路径：

构建坚实的基础架构

聚焦强大且可扩展的数据管理基础，并推动数据民主化的架构，可以显著提高成功率与可衡量的结果。因为数据治理复杂，企业需清除遗留系统、消除数据孤岛，并实现数据的整合或合理隔离。否则，重复数据、访问阻塞和高并发处理的困难会削弱交付的速度与规模，影响数据平台及其所支撑的机器学习模型的表现。理想的基础架构应减少数据重复，提升对相关数据的便捷访问，具备高效处理海量数据的能力，并提升整体数据质量。

比如，美国快递企业的配送优化项目便是一个典型案例：通过现代化、可扩展的基础设施与持续的高层支持，结合GPS 等实时数据，逐步将每位快递员的日常路线优化，以实现显著的成本与效率收益。

建立让数据与 AI 贯穿全员的文化

数据与人工智能的成熟度也与分析、机器学习与 AI 功能的民主化程度紧密相关。通过协作与前沿技术，企业应让数据驱动的决策成为常态，从而改进决策过程及其影响。运营层面意味着实现对决策、数据与数据驱动架构的共享，确保在现代数据架构中，合适的用户能快速获取相应数据，推动业务洞察的产生。

尽管新一代数据管理在系统、领导力与对业务价值的认知方面取得进展，许多企业仍需缩短数据团队、最终用户与在前台或后台依赖数据洞察的员工之间的距离。一种有效做法是将数据科学家直接嵌入业务部门，或让业务用户直接使用分析工具，从而让洞察更贴近实际需求。换言之，要把数据推向“边缘”用户，让他们在日常工作中也能进行数据分析。

定期评估与改进

要持续从数据驱动的项目中创造价值，企业需不断评估自身在数据与人工智能成熟度旅程中的位置。可以通过评估模型来衡量关键能力，并促进跨团队的对话，明确通过大规模数据集成与数据文化建设实现改进所需的步骤。这类评估应支持对决策及进展的跟踪、加速与监控，并把数据、数据驱动的架构与资源共享给所有相关业务项目。

以 DatabRicks 的一位客户为例：一家行业领先的咖啡零售商通过跨部门协作进行的 AI 项目，利用公共数据与多方协作，帮助运营团队基于社会与经济因素预测未来门店选址，提升销售并优化客户体验。客户关系部门也通过忠诚度计划直接受益，结合对 1900 万订阅者的饮品偏好与购买模式分析，实现个性化与利润最大化的平衡。供应与维护方面，数据也用于预测性维护与需求预测，提升整体运营效率。

在迈向数据与人工智能成熟度的过程中，企业需要将各类用例集成到由 IT 建设、集中化、可扩展与安全的服务中，并实现全球范围的资源整合与知识传播。没有持续的管理支持、组织成熟度与大规模数据科学能力，项目的成功与价值创造将难以实现。