作者
作者
“人是任何转型的核心。成功的 data 转型计划非常注重创造和提高人的能力，从而增强他们利用 data 和人工智能做出决策的能力。这既是一项技术工作，也是一项文化变革。它涉及接受新的工作方式、挑战现状，以及用 data-driven 决策取代以直觉为主导的决策。在 Artefact，我们专注于以渐进和可持续的方式为客户推动这种变革”。”
拉胡尔-阿里亚，中东地区首席执行官兼 Managing Partner、ARTEFACT
1 - 建立 data 解决方案应由业务驱动，为业务服务
在当今快速发展的商业环境中，data 智能已成为企业保持竞争力的重要工具。未能采用 data-driven 模型的企业有可能因错失宝贵的洞察力以及扩张、优化和创新的机会而落后于对手。简而言之，利用 data 智能开展业务不再是一种奢侈，而是实现可持续发展和进化的必要条件，企业领导者应率先识别、优先考虑和开发 data 与人工智能解决方案。一般认为，业务利益相关者只是 data 解决方案的 “消费者”，与此相反，我们认为他们应该在 data 和技术专家的支持下主导整个过程。.
2 - 确定 “正确的 ”data 解决方案需要对业务价值链和业务流程进行深入分析
对业务价值链和关键业务流程的全面分析最好由业务利益相关者自己进行。通过分析，可以确定 data 解决方案可以在哪些领域推动收入增长、成本优化、客户体验提升或卓越运营等形式的重大业务影响。在此过程中，必须确定与公司整体业务战略相一致的业务机会。例如，对供应链及其关键比率的分析有助于发现潜在的差距和低效率，从而从 data 分析和智能中获益。.
3 - 优先考虑几个 data 解决方案，最终将产生最大的业务影响
我们的目标不应该是用一长串 data 解决方案来打动客户，而是要确定能够从 data-driven 见解中获益的最关键业务领域。通过避免追求过多 data 解决方案的诱惑，企业可以保持专注，增加成功构建 data 解决方案的机会。除了简单的报告之外，确定 data 解决方案的增值功能也很重要。虽然报告在总结业务绩效方面很有价值，但它只能提供 data 的回顾性视图，为分析和决策留下的空间很小。要充分发挥 data 的威力，企业必须确定 data 解决方案能够提供诊断分析，自动找出绩效的根本原因，以及预测未来趋势的预测分析。.
4 - 评估 data 解决方案的可行性需要充分了解 data 的来源和技术
在着手开发 data 解决方案之前，必须进行详细的可行性研究，审查所需的 data 信号源的可用性和质量，以及收集和处理这些 data 信号源所需的技术和专业知识的成本。这包括审查硬件和软件要求，以及实施和维护技术所需的人员技能。这也有助于为 data 解决方案设定切合实际的期望值，使其与所需 data 来源、技术和能力的成熟度相一致。.
5 - 高效构建 data 解决方案需要可扩展的人工智能工厂和敏捷的开发流程
为企业构建和扩展 data 解决方案需要一种新的运营模式--人工智能工厂，由业务专家领导的功能团队组成，并由 data 科学家、工程师、分析师和软件工程师提供支持。这种团队结构可确保 data 解决方案在构建过程中始终以业务目标为导向。采用敏捷的测试和学习流程，力图在短时间内构建成功的 POC，这对于实现更快的构建时间也至关重要。.
6 - 接受某些 data 解决方案会失败的事实，并扩展和维护那些有效的解决方案
并不是所有的 data 解决方案都能取得成功；尽管经过精心规划和执行，但由于技术或 data 方面的限制，有些解决方案还是会失败。至关重要的是，企业要认识到失败是开发过程中的一个自然组成部分：不应因此而放弃未来的项目。相反，企业应专注于将成功的 data 用例产业化，将其扩展到完整的 data 领域，并优化其算法和 data 源。这还包括持续监控和改进用例，以确保其继续满足企业用户的需求。.
7 - 要广泛采用 data 解决方案，分享知识是必要的，但还不够
为业务用户提供 data 解决方案培训和易于使用的文档是必要的，但通常不足以广泛采用 data 用例。要让业务用户广泛采用 data 解决方案，最好的办法是让用户主导开发过程，将这些解决方案纳入组织的学习课程，并在业务用户记分卡中纳入采用和影响关键绩效指标。通过将业务用户记分卡与组织的 data 战略相结合，组织可以创建 data-driven 决策文化，并确保 data 解决方案的采用能够带来切实的业务影响。.
8 - 不断改进 data 解决方案；优先考虑重要的改进是关键
为实现 data 解决方案的持续改进，必须定期收集业务用户的反馈意见，评估他们的需求和要求，并进行必要的调整以优化这些需求和要求。Scrum 方法提供了一种以迭代和渐进方式收集和实施改进的有效方法。data 解决方案的用户应就 data 解决方案的准确性和可用性以及业务流程所需的改进持续记录反馈意见。重要的是：(1) 实施改进以提高解决方案输出的准确性；(2) 扩展其特性和功能；(3) 提高其可用性和用户体验。.
9 - 对 data 解决方案进行严格管理，确保在最少监督的情况下取得准确结果
为 data 解决方案维护高质量的 data 数据源对于在最少的监督下实现自动、准确的结果至关重要。为此，企业应实施强大的 data 质量框架，为 data 的收集和转换执行明确的指导原则和标准。此外，企业应实施强有力的 data 安全和隐私政策，以确保 data 处理的安全性和合规性。这种方法可确保输入的 data 是准确、最新和一致的，从而降低出错风险并提高 data 处理工作流程的整体效率。.
10 - 跟踪 data 解决方案的业务影响需要定义直接影响关键绩效指标并分配增量业务影响
确定 data 解决方案可直接改善的商业或运营 KPI 对于衡量其业务影响至关重要。一旦确定了这些 KPI，下一步就是制定一个公式来衡量 data 解决方案对每个 KPI 的增量影响。该公式应考虑到这些 KPI 在实施 data 解决方案之前（或未实施之前）的基线，并将其与实施该解决方案之后（或实施之后）这些 KPI 的表现进行比较，同时考虑到可能导致这种增长的其他因素。计算出对每个 KPI 的增量影响后，应将其转化为财务数据，如成本的降低或收入的增加。最后，建议始终使用 data 解决方案的自动业务影响测量，以确保对业务影响进行公正、及时的测量。.
“在企业寻求通过对 data 分析和 artificial intelligence 的投资取得实际业务成果的过程中，采用一种重点突出的方法来构建正确的解决方案并设定正确的期望至关重要。通过这种方法，业务领导者将带头开发 ‘由业务为业务 ’的 data 和人工智能解决方案--优先考虑最有影响力的解决方案，与 data 专家一起建立快速的 POC，推广有效的 data 解决方案，并接受那些无效解决方案的 ‘失败’。由业务团队主导整个过程，可确保业务的认同和采用。”Oussama Ahmad，Data 咨询合作伙伴
近年来，中东和北非地区的 Data 加速项目一直在激增，因为各组织都在利用 data 的力量促进业务增长。虽然某些挑战依然存在，如保持 data 质量，特别是使用传统系统时的质量，但企业正在积极寻求克服这些障碍的解决方案。在业务团队中建立正确的 data 能力和正确的运营模式，是确保成功实施和采用 data 解决方案并实现切实业务影响的最重要途径。”卡里姆-哈耶克，Data 咨询高级经理
