人工智能实现数据民主化的四步骤
点击上方蓝字关注我们
本文选自《福布斯》杂志网站(www.forbes.com),
原文作者:Stratifyd 创始人& CEO 汪晓宇(Derek Wang)。
Stratifyd 创始人& CEO 汪晓宇(Derek Wang)受福布斯技术委员会(Forbes Technology Council)邀约,定期在《福布斯》杂志网站发表文章,贡献其在人工智能和大数据方面的知识洞察。福布斯技术委员会成员由世界级CTO、CIO和技术主管组成,是一个创新、活跃的技术社区。社区将各个行业的成熟领导者聚集在一起,帮助每个成员专业成长,并对商界产生更大的影响。
以下为文章正文
数据民主化应当是企业发展的首要战略目标。数据太多但见解匮乏是如今困扰每个企业的难题。随着数字化进程的推进,企业将面临越来越多的客户数据、员工数据和运营数据,但是绝大多数数据仍处于未开发的阶段,在某种程度下,甚至已经成为一种负担。
根据全球领先的数据&信息软件服务商Splunk发布的最新报告,每家公司至少有55%的数据是“黑暗数据”(Dark Data),即“整个公司中所有由系统、设备和交互产生的未知和未被开发利用的数据”。推进数据民主化不是一项简单的工作,企业既要处理目前已知的数据,还要挖掘隐藏于表面之下的“黑暗数据”。
套用一句话:不在黑暗中爆发,就在黑暗中灭亡。数据亦是如此。是时候用人工智能(AI)让这些“黑暗数据”见见光了。
AI民主化是实现数据民主化的前提
仅凭数据还不足以为员工赋能。要获取数据价值,除了赋予员工访问数据的权限,还要有对数据含义的解读能力。换句话说,员工需要拥有数据,但也要理解数据为何重要以及如何处理数据。人工智能(AI)和机器学习(ML)可以将抽象的数据转化为具象的可视化表达,赋予员工解读数据的能力,填补数据价值挖掘存在的空白。
近几年关于AI的炒作有很多,不切实际的虚假概念背后是无尽的失望和恐惧。大多数企业仍在苦苦挣扎于传统内部AI项目的试验中:这些AI项目中有85%未能兑现其承诺的价值,且项目进程缓慢、流程复杂,无法达到预期的ROI。
不过许多公司尚未有优化内部AI项目的计划。数据科学家有将近一半的时间都在研究怎么让数据变得可用。对于那些希望从自己拥有的海量数据中寻找价值的企业来说,AI或许是一条必经之路。AI正逐渐从数据科学家的领域转移到更多业务人员的手中。但是,在多数情况下,它仍然集中在企业一小部分劳动群体中。我相信,当AI可以使任何业务终端用户轻松应用和改变AI模型以满足其特定需求时,真正的数据民主化就会发生。
数据科学家将不再是AI的唯一受益人。以呼叫中心为例,在疫情大流行初期,客户呼入量增加了300%。如果能从这些通话数据中快速提取有价值的洞察,客服坐席的表现会不会有明显的提升?随着越来越多的客户转向完全数字化的交互形式,客户体验(Customer Experience, CX)团队可以从这些交互数据中获取什么有价值的信息?如果跨部门团队可以实时了解对方的业务表现,怎样配合可以更好地推进跨部门工作?
成功实现数据民主化的四步骤
那么,你该如何参与AI计划,避免让自己的团队淹没在无意义的数据海洋中,并且战略性推出AI驱动的数据民主化策略呢?
以下分享我的几点建议。
01
评估业务盲点
正式启动项目前,一定要客观地评估一下公司在数据实践方面的成熟度。你的团队是手动从不同的数据源收集信息情报的吗?还是你们公司是一个完全数据驱动型的组织,每一个举措都由自动化的洞察力驱动?亦或是介于两者之间的状态?
一旦明确了这些,你就知道自己的业务盲点在哪了。这将有助于为数据民主化指明方向。为了更出色地完成工作,你的团队需要什么样的洞察力?哪些有价值的数据源没有得到充分利用?业务冗余点在哪,或者更糟糕的是,哪个环节出了问题,导致客户和员工体验出现两极分化?
02
从小做起,精准切入
没有一刀切的数据民主化策略。先从简单的目标做起:哪些团队或部门迫切需要更简易的数据获取方式,以更好地完成工作?客户体验和市场营销团队是组织中的两个不同的分支领域,它们可以从整个企业对数据的更大访问中获益。一旦解决了其中一个领域的数据民主化问题,可以以此为模板,在企业更大范围内应用和复制成功案例。
从小做起,精准切入。通过小的案例准确展现数据民主化的ROI,获得公司范围内的广泛认可,为整个公司的宏伟蓝图制定规划。
03
自下而上地建立数据体系
数据民主化赋予每个员工访问数据的权限,辅助他们优化决策。只有通过正确的员工培训,增强员工的参与度和体验感,将民主化真正作为企业文化的一部分来推行,数据民主化转型项目才能脱颖而出。
这也是为什么企业高管需要自下而上推行数据民主化的原因。这个项目可以很好地量化员工的工作,从一开始就赋予员工对数据的所有权,员工运用自己的分析思想寻求创造性的解决方案更容易取得成功。许多自上而下推行数据民主化策略的企业最终以失败告终,因为懂技术的人不一定懂业务,掌握数据和技术使用权的人如果不能真正了解业务痛点和需求,就无法提供适用业务发展的决策建议。
04
与公司整体发展目标保持一致
正确的数据民主化策略应该与整个公司层面的业务指标保持一致。可以通过以下指标进行核查,比如:企业是否建立了完善、合规的数据治理制度?消除数据壁垒和流程冗余问题后企业的管理成本是否有所降低?客户和员工体验是否得到了改善?
一旦数据民主化策略与公司的核心业务目标达成一致,并且制定了应急预案,之前因种种原因被拖延的项目就得以顺利开展了。
努力践行数据民主化
数据民主化是治疗许多公司运营弊病的一剂良药,但是用药方式不同会产生不一样的效应。如果你使用的工具不是面向大众设计的,那么践行民主化的努力也将很快消失。相反,把更多的主动权给到员工,帮助他们从“黑暗数据”的深渊里解放出来,让他们的能量得到更大程度释放,那么企业的发展蓝图也将更加惊艳可期。
原文链接:https://www.forbes.com/sites/forbestechcouncil/2021/04/21/four-steps-to-data-democratization-with-artificial-intelligence/?sh=36e58f0a79a0
END
推荐阅读
报告:2021金融服务行业客户体验报告
基于43.6万条客户投诉趋势分析
白皮书:客户分析助力企业实现业绩增长的六个使用方法
从方法到实践数据驱动业务决策
白皮书:为什么客户体验如此重要?客户体验该如何量化?
客户体验与企业收入增长的联系
扫码关注&进群
欲加入Stratifyd AI&大数据交流群
扫码关注微信公众号,并在后台回复“粉丝群”
即可入群,与数据同行交流经验,
领取行业洞察白皮书、报告等干货资料!
扫码关注我们
微信号|Stratifyd
新浪微博|斯图飞腾Stratifyd
点击文末 阅读原文 免费体验demo~
人工智能实现数据民主化的四步骤相关推荐
- 2021年大数据基础(四):大数据业务分析基本步骤
2021大数据领域优质创作博客,带你从入门到精通,该博客每天更新,逐渐完善大数据各个知识体系的文章,帮助大家更高效学习. 有对大数据感兴趣的可以关注微信公众号:三帮大数据 目录 大数据业务分析基本步骤 ...
- 数据预处理的四个步骤
数据预处理的四个步骤分别是数据清洗.数据集成.数据变换和数据归约:而数据的预处理是指对所收集数据进行分类或分组前所做的审核.筛选.排序等必要的处理:数据预处理,一方面是为了提高数据的质量,另一方面也是 ...
- 综述:人工智能、数据科学、机器学习
前言:学科交叉乃大势所趋,新兴学科应市场需求孕育而生.人数机,便产生在这样的时代背景下.什么,你所在的学校至今还没开设相关专业?不必惊慌,老牌资本主义国家德国同样如此.但是,学好微积分.线代.优化.统 ...
- 2021年大数据ELK(四):Lucene的美文搜索案例
全网最详细的大数据ELK文章系列,强烈建议收藏加关注! 新文章都已经列出历史文章目录,帮助大家回顾前面的知识重点. 目录 系列历史文章 美文搜索案例 一.需求 二.准备工作 1.创建IDEA项目 2. ...
- 必备 | 人工智能和数据科学的七大 Python 库
来源:新智元 本文约3100字,建议阅读10+分钟. 本文汇总了2018年针对数据科学家/AI的最佳库.repos.包和工具. [ 导读 ]作者根据每周发布总结的系列文章,汇总了2018年针对数据科学 ...
- 云从科技在渝布局人工智能大数据平台
近日,重庆日报记者从两江新区获悉,重庆中科云从科技有限公司拟投资1.2亿元,在渝布局国内顶尖人工智能大数据平台,以重庆为基点,服务整个西部地区人工智能和大数据产业发展. 据介绍,该人工智能大数据平台已 ...
- eBay数据科学家李睿:自然语言处理在eBay的技术实践 数据 网络 类别 技术 分类器 阅读1593 近日,在飞马网主办的“FMI人工智能大数据高峰论坛”上,来自eBay的数据科学家李睿
eBay数据科学家李睿:自然语言处理在eBay的技术实践 数据 网络 类别 技术 分类器 阅读1593 近日,在飞马网主办的"FMI人工智能&大数据高峰论坛"上,来自eB ...
- 新秀nginx源代码分析数据结构篇(四)红黑树ngx_rbtree_t
新秀nginx源代码分析数据结构篇(四)红黑树ngx_rbtree_t Author:Echo Chen(陈斌) Email:chenb19870707@gmail.com Blog:Blog.csd ...
- 工业大数据发展面临四方面挑战
推动以数据为核心的工业转型升级,不仅已成为产业宏观层面的共识,也给微观层面的企业带来了实实在在的效益,但工业大数据的发展也面临着数据资源不足.数据管理滞后.孤岛普遍存在.应用深度不足等四大挑战,因此, ...
最新文章
- 手机web开发的感想
- 结构体自动化转为char数组的实现
- php异步处理下载文件,异步处理Excel文件导入【流程图+PHP示例】
- 关于dev无法更新、调试的问题
- matlab 指定区域随机游走_了解随机游走模型和移动平均过程(Python)
- Hadoop2 自己动手编译Hadoop的eclipse插件
- 计算机组成知识试题及答案,2015年计算机考研:计算机组成原理试题六【附答案】...
- RabbitMq之简单队列
- Turbo码(Turbo Codes)
- 可视化模板:销售\采购\财务收支等模板分享
- Appium+python实现App自动化登录
- 独立成分分析 与 功能连接之间的关联尝试 by 张高燕
- R语言入门(17)-读写excel文件
- 满爷的2019年终总结: 趋势、反思及展望
- 单反?手机?华为回应微博P30系列海报争议
- CoCa-GAN阅读笔记
- 配置NFS服务器和NFS客户端
- 阿里暑期实习c\c++研发工程师一面经历
- emmet :_使用Emmet快速编写HTML Crazy Fast:交互式指南
- 设备管理成功经验总结