未来证明您的公司的AI战略：强大的数据基础如何为可持续创新奠定基础

过去几年，创新步伐的加快让商业领导者们感到震惊，不断涌现的新能力让他们难以跟上。就在公司以为自己已经领先于时代的时候，一则新的公告就会威胁到他们的进步。因此，C级高管开始从长远角度思考数字战略，并增强可持续创新的能力。

可持续创新的概念与可持续性（通常与气候影响有关）不同，而是对新兴技术需要合适的生态系统才能蓬勃发展的认识。换句话说，数字转型不仅仅是获取当前可用的技术，还要建立强大的数据基础，以便在未来获取任何新技术。这种基础是创新本身的根源，并允许公司在其上构建具有AI内置的分析模型，以提供驱动变革的洞察力。这种环境通常是众所周知的“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尝试和测试新想法。

随着围绕AI和GenAI的炒作从实验转向执行，公司通过创建强大的、精心设计的数据层来未来证明其投资，这种数据层是可访问的、有组织的和结构化的，以便能够经受住时间的考验。

解决数据缺口

虽然更吸引眼球的客户端技术往往占据头条新闻，但实际上是在幕后工作的数据分析才是AI/GenAI的真正工作马。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进行，数据在被输入到AI程序之前会被集中在一个地方。与其将数据程序和AI/GenAI过程视为两个独立的计划，不如将这两个努力联系起来，以确保数据被正确排列并准备好被消耗。也就是说，尽管有大量的数据可用，但领导者需要考虑有多少数据可以被用于驱动他们的AI项目。实际上，并没有多少。从某种意义上说，通过将数据和AI分开，组织正在重复努力，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，从一开始就将数据和AI程序整合在一起的公司已经经历了与同行相比的异常增长。毕竟，公司不能在解决数据问题之前开发AI，而领导者正在使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多区别和变革性的数据和AI用例。因此，已经将数据与AI开发联系起来的公司在整个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。

为了加强您的数据基础，请先提出几个关键问题

请记住，抬起和转移数据（无论是在现场还是通过云迁移）的能力与使其准备好被消耗（即能够被分析以获取AI洞察）是不同的。为了确保数据准备好被消耗，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结果对齐？ 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，公司应该将思维方式从数据如何获取/存储转变为如何使用数据进行AI驱动的决策。通过在存储和组织数据时构建特定的用例，数据可以更容易地被访问和用于开发新的过程，如AI、GenAI或agentic AI。
• 我们的路上有哪些障碍？ 当麦肯锡对全球各行各业的100位C级高管进行调查时，几乎有一半的高管难以理解数字和分析转型产生的风险。公司在匆忙推出结果的同时，往往会牺牲策略以求速度。相反，领导者需要仔细研究所有角度，展望未来，并尽量减少潜在风险的可能性。
• 我们如何优化数据以提高效率？ 随着对数据的需求加剧，管理者经常只关注自己的部门。这类孤立的思维方式会导致数据冗余和较慢的数据检索速度，因此公司需要优先考虑跨部门的沟通和合作。

4个最佳实践以开发强大的数据基础

投资于数据层的公司正在为未来的AI成功奠定基础。以下是四个最佳实践，以帮助您为您的数据策略提供未来证明：

1. 确保数据质量和治理

• 建立数据血统、元数据管理和自动质量检查
• 利用AI驱动的数据目录实现更好的发现和分类
• 简化数据管理，以确保结构化和非结构化数据、机器学习模型、笔记本、仪表板和文件的无缝治理

一个很好的例子是SAP，它将机器学习能力集成到其数据管理套件中，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、隐私和合规性

• 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的事情是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力，将发现结果简化为一个易于风险管理团队消耗和关闭关键安全漏洞的仪表板。

3. 探索战略合作伙伴关系

• 评估自己的高级分析能力，并研究现有数据的性能
• 寻找能够将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

一些基于云的合作伙伴解决方案可以帮助为AI成功结构化数据，包括：（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和其他机器学习模型）；以及（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. 培养数据驱动的文化

• 通过实施使用自然语言查询（NLQ）的自助AI工具，使数据洞察更容易被获取
• 提高员工的AI和数据素养，并培训团队学习AI、GenAI和其他数据治理流程
• 鼓励数据科学家、工程师和业务团队之间的合作，以促进数据共享和产生更全面的洞察力

一个很好的例子是亚马逊，它大量使用客户数据来个性化产品推荐、优化物流，并在整个业务中做出明智的决策，使数据成为其战略的核心支柱。

为未来构建数据基础

根据最近的KPMG调查，67%的商业领袖预计AI将在未来两年内从根本上改变他们的业务，85%的人认为数据质量将成为进步的最大瓶颈。这意味着是时候对数据本身进行大规模的重新思考，不仅仅是关注存储，还要关注可用性和效率。通过现在整理好数据基础，公司可以为AI投资提供未来证明，并为持续的可持续创新做好准备。