“人在任何转型的核心。成功的数据转型项目高度关注培养和提升人员能力，以增强其利用数据和人工智能进行决策的能力。这既是一项技术实践，也是一场文化变革。它关乎拥抱新的工作方式、挑战现状，并将直觉驱动的决策转变为数据驱动的决策。Artefact致力于以渐进且可持续的方式为客户推动这一变革。”
拉胡尔·阿利亚（Rahul Arya），ARTEFACT 首席执行官兼管理合伙人
1 – 构建数据解决方案应以业务为导向，服务于业务
在当今快速变化的商业环境中，数据智能已成为企业保持竞争力的必备工具。未能采用数据驱动模式的企业，将因错失宝贵的洞察以及扩展、优化和创新的机会，而面临落后于竞争对手的风险。 简而言之，利用数据智能开展业务已不再是奢侈之举，而是企业实现可持续发展与进化的必要条件。企业领导者应当率先推动数据与人工智能解决方案的识别、优先级排序及开发工作。与普遍认为企业利益相关者仅是数据解决方案“消费者”的观点相反，我们认为他们应在数据和技术专家的支持下，主导整个过程。
2 – 要确定“合适”的数据解决方案，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，最好由业务相关方亲自完成。这项分析旨在识别那些数据解决方案能够通过提升营收、优化成本、改善客户体验或实现卓越运营等方式，产生显著业务影响的领域。 在此过程中，必须识别出与公司整体业务战略相契合的商业机会。例如，对供应链及其关键指标的分析有助于发现潜在的缺口和低效环节，这些环节可通过数据分析与智能技术得到改善。
3 – 优先考虑少数几个数据解决方案，最终将对业务产生最大的影响
目标不应是列出一长串数据解决方案来博取眼球，而应是确定哪些关键业务领域能够从数据驱动的洞察中获益。通过抵制追求过多数据解决方案的诱惑，企业能够保持专注，从而提高构建成功数据解决方案的几率。 此外，识别数据解决方案在简单报告之外的增值能力也至关重要。虽然报告在提供业务绩效摘要方面很有价值，但它仅能呈现数据的回顾性视角，留给分析和决策的空间有限。要充分发挥数据的力量，企业必须选择能够提供诊断分析（自动识别绩效问题的根本原因）和预测分析（预判未来趋势）的数据解决方案。
4 – 要评估数据解决方案的可行性，必须全面了解数据来源和技术
在着手开发数据解决方案之前，必须进行详细的可行性研究，以评估所需数据源的可用性和质量，以及收集和处理这些数据源所需的技术和专业知识的成本。这包括评估硬件和软件需求，以及实施和维护该技术所需的人员技能。 这也有助于针对数据解决方案设定切合实际的预期，使其与所需数据源、技术及能力的成熟度相一致。
5 – 要高效构建数据解决方案，需要一个可扩展的AI工厂和敏捷的开发流程
为企业构建和扩展数据解决方案需要一种新的运营模式——即“AI工厂”——该模式由业务专家领导的功能团队组成，并得到数据科学家、工程师、分析师和软件工程师的支持。这种团队结构确保数据解决方案的构建始终以业务目标为导向。采用敏捷的“测试与学习”流程，力求在短期内构建出成功的概念验证（POC），对于缩短开发周期也至关重要。
6 – 承认某些数据解决方案会失败，并扩展和维护那些行之有效的方案
并非所有数据解决方案都能成功；有些方案即使经过周密的规划和执行，仍会因技术或数据方面的限制而失败。企业必须认识到，失败是开发过程中的自然组成部分：这不应阻碍他们继续推进未来的项目。 相反，企业应专注于将成功的数据用例进行标准化，将其扩展至完整的数据领域，并优化算法和数据源。这还包括对用例进行持续监控和改进，以确保其持续满足业务用户的需求。
7 – 知识共享是数据解决方案广泛采用的必要条件，但并非充分条件
为业务用户提供数据解决方案培训和易于使用的文档固然必要，但这通常还不足以推动数据用例的广泛采用。 要实现业务用户对数据解决方案的广泛采用，最佳途径是让用户主导开发流程，将这些解决方案纳入组织的培训体系，并在业务用户绩效评估表中加入采用率和影响力的关键绩效指标（KPI）。通过将业务用户绩效评估表与组织的数据战略保持一致，企业能够营造一种数据驱动的决策文化，并确保数据解决方案的采用能够带来切实的业务影响。
8 – 优化数据解决方案是一个持续的过程；关键在于优先考虑那些真正重要的改进
为了实现数据解决方案的持续优化，必须定期收集业务用户的反馈，评估其需求和要求，并进行必要的调整以优化这些解决方案。Scrum 方法论为以迭代和增量的方式收集并实施改进提供了有效途径。数据解决方案的用户应持续记录对数据解决方案准确性和可用性的反馈，以及对业务流程所需的改进建议。 重点在于：(1) 实施能提高解决方案输出准确性的改进；(2) 扩展其功能和特性；(3) 提升其易用性和用户体验。
9 – 对数据解决方案实施强有力的治理，可在最小化监督的情况下确保结果准确
对于数据解决方案而言，维护高质量的数据源对于在尽可能减少人工干预的情况下实现自动化、准确的结果至关重要。为此，企业应建立一个健全的数据质量框架，对数据采集和转换制定明确的指导方针和标准。此外，企业还应实施严格的数据安全和隐私政策，以确保数据处理的安全性和合规性。这种方法能确保输入数据的准确性、时效性和一致性，从而降低出错风险，并提高数据处理工作流的整体效率。
10 – 要追踪数据解决方案对业务的影响，需要定义直接影响的 KPI 并评估其对业务的增量影响
确定哪些商业或运营关键绩效指标（KPI）能因数据解决方案而直接得到改善，对于衡量该解决方案的业务影响至关重要。 一旦确定了这些关键绩效指标，下一步就是制定一个公式，用于衡量数据解决方案对每个指标的增量影响。该公式应考虑数据解决方案实施前（或未实施时）这些指标的基准值，并将其与实施该解决方案后（或实施时）这些指标的实际表现进行对比，同时需考虑可能导致该增长的其他因素。 计算出对每个KPI的增量影响后，应将其转化为财务指标，例如成本降低或收入增加。最后，建议始终采用数据解决方案的自动化业务影响评估机制，以确保业务影响评估的客观性和及时性。
“随着企业力求从数据分析和人工智能投资中获得切实的业务成果，采取一种聚焦策略至关重要——既要构建正确的解决方案，又要设定合理的预期。 通过这种方法，企业领导者将主导开发‘由业务部门主导、服务于业务部门’的数据与人工智能解决方案——优先考虑影响最大的方案，与数据专家共同快速构建概念验证（POC），对行之有效的数据解决方案进行扩展，并对那些行不通的方案坦然接受‘失败’。让业务团队主导整个过程，从设计之初就确保了业务部门的认可与采用。”乌萨马·艾哈迈德，数据咨询合伙人
近年来，随着各组织纷纷利用数据的力量推动业务增长，中东和北非（MENA）地区的数据加速项目呈现爆发式增长。尽管仍存在一些挑战，例如维护数据质量（尤其是在涉及老旧系统时），但各组织正积极寻求解决方案以克服这些障碍。在业务团队中建立适当的数据能力并构建正确的运营模式，是确保数据解决方案成功实施和应用、从而实现切实业务影响的最关键途径。卡里姆·海耶克，数据咨询高级经理
