Krishnan Venkata, 是数字分析公司 LatentView Analytics 的首席客户官，该公司是数据和分析领域的知名领导者，并且是 Fortune500 公司的可靠合作伙伴。
过去几年，创新步伐的加快让商业领袖们感到不知所措，跟上新功能的涌入市场的步伐变得非常具有挑战性。就在公司认为自己领先于游戏时，一则新的公告威胁着分散注意力和阻碍进展。这导致C级高管们更长期地思考他们的数字战略，并加强他们对可持续创新的能力。可持续创新的概念与可持续性本身（通常涉及气候影响）不同，而是认识到新兴技术需要合适的生态系统才能蓬勃发展。换句话说，数字转型不仅仅是关于获取现在可用的技术，还要建立一个强大的数据基础，以便在将来获取任何新技术。这一基础是创新本身的根源，并允许公司在其上构建一个带有AI的分析模型，以驱动变化的洞察力。在这种环境中，通常是众所周知的“快速失败，快速学习”原则的起源，因为它为团队提供了空间来实验和测试新想法。当围绕AI和GenAI的炒作从实验转向执行时，公司通过创建一个强大的、精心设计的数据层来未来-proof他们的投资，这一层数据是可访问的、有组织的和结构化的，以经受住时间的考验。解决数据缺口虽然更具吸引力的客户端技术往往占据所有头条，但实际上是幕后的数据分析才是AI/GenAI的真正工作马。绝大多数领导者现在都理解这一点，但AI程序和数据收集工作仍然可以并行运行，数据在被输入到AI程序之前会被集中在一个位置。与其将数据程序和AI/GenAI流程视为两个独立的计划，不如将这两项工作联系起来，以确保数据得到适当的安排并准备好被使用。也就是说，虽然可能有大量的数据可用，但领导者需要考虑有多少数据可以被用来驱动他们的AI项目。事实上，并不是很多。某种意义上，组织通过将数据和AI分开，实际上是重复努力，将它们更紧密地联系在一起，可以成为提高效率、降低成本和简化运营的关键区别。根据BCG的说法，公司在一开始就将数据和AI程序合并的公司与其同行相比，已经经历了超出预期的增长。毕竟，公司不能在没有先解决数据问题的情况下进行AI开发，领导者正在通过利用他们更成熟的能力来更好地构思、优先考虑和确保采用更有区别和变革性的数据和AI用例，从而与其他公司拉开距离。因此，公司将数据与AI开发联系起来的公司，其业务中扩大和采用了四倍以上的用例，而对于他们实施的每个用例，平均的财务影响是五倍大。为了加强您的数据基础，请先提出几个关键问题请记住，提升和转移数据（无论是本地还是通过云迁移）的能力与使其AI就绪是不同的。为了确保数据准备好被使用（即能够被分析以获得AI洞察），公司首先需要考虑几个重要的问题： 我们的数据如何与特定的业务成果保持一致？ AI模型需要经过策划、相关和上下文化的数据才能有效。在早期阶段，公司应该从数据的获取/存储转变为如何使用数据进行AI驱动的决策的思维方式。 当公司在存储和组织数据时构建特定的用例时，数据在开发新流程（如AI、GenAI或agentic AI）时更容易被访问。 我们的路上有什么障碍？ 当McKinsey对全球各行各业的100位C级高管进行调查时，几乎50%的高管难以理解数字和分析转型产生的风险——远远超过其他风险管理的痛点。在匆忙开始产生结果的同时，公司经常牺牲战略以换取速度。相反，领导者需要仔细研究所有角度，思考未来，并尝试减轻任何潜在风险。 我们如何优化数据以提高效率？ 随着对数据的需求加剧，经理们经常戴上有色眼镜，只关注自己的部门。这类孤立的思维方式会导致数据冗余和更慢的数据检索速度，因此公司需要优先考虑从一开始就进行跨职能的沟通和协作。 4个开发强大数据基础的最佳实践今天投资于数据层的公司正在为未来的AI成功奠定长期基础。以下是四个最佳实践，以帮助您为您的数据策略提供未来保障：1. 确保数据质量和治理 建立数据血统、元数据管理和自动化质量检查 利用AI驱动的数据目录以提高可发现性和分类 简化数据管理，以确保对结构化和非结构化数据、机器学习（ML）模型、笔记本、仪表盘和文件的无缝治理 一个很好的例子是SAP，它在其数据管理套件中集成了机器学习能力，以识别和纠正数据不一致性，从而提高整体数据质量，并在其平台上保持强大的数据治理实践。2. 加强数据安全、隐私和合规 通过加密静态和传输中的数据来实施零信任安全 使用AI驱动的威胁检测来识别异常并防止违规 确保遵守全球法规，如GDPR和CCPA，并使用AI自动化报告/审计 一家在数字供应链和第三方风险管理方面做出创新努力的公司是Black Kite。Black Kite的智能平台快速、经济地提供第三方和供应链的洞察，并将发现结果优先排序到一个简化的仪表盘中，风险管理团队可以轻松消化和关闭关键的安全漏洞。3. 探索战略伙伴关系 评估您自己的高级分析能力，并研究现有数据的表现 寻找可以将AI、数据工程和分析整合到一个易于管理的平台中的合作伙伴 一些可以帮助构建数据以实现AI成功的基于云的合作伙伴解决方案是：（a）Databricks，它与现有工具集成，并帮助企业构建、扩展和治理数据/AI（包括GenAI和其他ML模型）；和（b）Snowflake，它运行一个允许对数据进行分析和同时访问数据集的平台，延迟最小。4....
作者：Krishnan Venkata，数字分析公司 LatentView Analytics 的首席客户官。十多年来，从小型初创公司到大型企业，各类企业都在谈论人工智能（AI）和机器学习（ML）的前景。根据这些预言，AI 和 ML 将改变现代工作，自动化日常流程，并让人类员工专注于更高层次的任务。十年后，对于许多企业来说，AI 的前景仍然只是一个承诺，而不是现实。虽然许多组织已经采取措施加速数字化转型努力，但一些常见的陷阱经常使 AI/ML 的梦想无法实现。是什么因素阻碍了 AI 和 ML 的变革潜力？ 缺乏组织： 实施成功的 AI 策略的第一步是收集数据。但同样重要的是规划数据的组织；那些积累了大量数据但没有计划如何组织、分析和利用它们的企业，只能得到一个未经加工、几乎无法使用的资源。没有办法从地下提取或加工石油，那么发现石油又有什么价值呢？ 零碎的采用： 虽然数字化转型承诺长期的成本节约，但采用新技术的初始价格可能很高。这导致一些企业采用零碎的方式来集成 AI 工具，而没有考虑到单个解决方案如何融入更大的路线图中。 缺乏流程/纪律： AI 和...
