过早地孤注一掷
就像建立数据文化需要时间一样，分析项目也不应期待迅速实现转型成功。成功的人工智能（AI）或机器学习计划依赖于人员、流程、技术的经验以及良好的基础设施支持，而获取这些经验并非一朝一夕之功。在IBM的Watson赢得《危险边缘》比赛或DeepMind的AlphaGo战胜围棋冠军之前，都是经过了多年的共同努力。
许多AI项目的失败源于超出了企业的能力范围，这在企业尝试推出基于AI的新产品或业务线时尤其明显。全新构建某些项目涉及太多不确定性，以至于成功的可能性大大降低。
正如电影《紧急搜捕令》中所说，人必须了解自己的极限，这同样适用于公司。大型企业日常做出无数业务决策，这些决策可以通过AI和数据实现自动化。总体而言，利用AI优化一些小决策能够带来更高的投资回报。与其将赌注压在长远的未来，不如从那些风险较小、吸引力不强的AI和机器学习领域入手，以改善现有工作流程。尽管新闻发布室可能不会注意到，但会计师一定会感受到变化。
即使你已经成功地利用AI进行数据驱动决策，投资于改进现有模型往往比开发新程序来得更有效。2018年，麦肯锡发布的报告《更好模型的价值是什么?》显示，即使预测能力稍有提升，也能够带来显著的经济价值。
分析的组织结构不足
AI并不是一种可以即插即用、立即带来投资回报的技术。它需要企业整体思维方式的转变，并在内部机构上进行相应调整。然而，通常人们过于关注人才、工具和基础设施，而忽视了组织结构的变化。
在高层的支持下，某些正式的组织结构对于将传统的非分析型企业转变为数据驱动型组织所需的关键质量、动力和文化变革是必要的。这将涉及新角色、职责的设定以及卓越中心的建立。卓越中心（COE）的形式应根据企业的具体情况而定。
通常，两院制模型效果较好。AI的核心职责集中处理，而嵌入各个业务部门的COE则负责协调交付，像卫星一样运作。这种结构通常增强了业务部门之间的协调与同步性，同时也使AI转型拥有更大的共享所有权。
由首席分析官领导的COE最适合处理开发教育与培训计划、创建AI流程库（数据科学方法论）、生成数据目录、构建成熟模型和评估项目绩效等职责。COE主要负责那些能够带来规模经济的任务，同时还包括培养AI人才、与第三方数据提供商进行谈判、制定治理和技术标准以及营造内部的AI社区。
来自各个业务部门的COE代表能够更好地提供培训、促进采用、协助裁决经过AI增强的决策、维护实施、激励计划，并大致判断何时、何地以及如何引入AI业务。COE的SWAT团队可以按项目基础增加业务部门的代表。
作者：Steve Nunez
