作者：Andrew Ross 編譯來源：企業網D1Net

盡管關于創建業務戰略的信息廣為人知，但創建數據和人工智能戰略仍然是一個充滿挑戰的新領域。

在行業媒體Information Age最近與 Informatica公司合作在倫敦舉行的一次圓桌會議上，來自各個行業的技術領導者分享了有關開發數據和人工智能策略的見解，以及如何克服的常見障礙。

與會者包括：Starling Bank機器學習主管Alison Choy; M&S公司技術、數據主管Chris Waite;匯豐銀行人工智能項目經理Sebastian Wilson;維珍航空公司數據和見解主管Tim Lum;Gowling WLG(英國)資訊科技總監Tony McKenna;Willis Towers Watson的數字主管George Zarkadakis;Trainline公司數據科學總監Fergus Weldon;Superbet公司高級顧問Finbarr Joy;Dun&Bradstreet全球業務數據戰略和管理負責人Andy Crisp; Data Labs 英國和EMEA地區負責人Javier Campos;Informatica公司EMEA地區副總裁Greg Hanson以及Information Age編輯Nicholas Ismail。

盡管與會者來自不同領域，但整個討論過程中都有一個共同的話題：人工智能和機器學習的成功始于擁有強大的數據基礎。

人工智能與數據

分析、人工智能和機器學習繼續在所有行業取得廣泛進展，為企業帶來重大機遇。然而，人工智能提高業務性能和競爭力的潛力要求采用不同的方法來管理數據生命周期。

根據專家在圓桌會議上達成的共識，許多人工智能計劃未能啟動是因為企業需要從數據中獲得洞察，但沒有找到實施它們的正確戰略。

Dun&Bradstreet公司全球業務數據戰略和管理負責人Andy Crisp認為，這一問題很大程度上源于缺乏技術專長。

他說：“我認為，要想在數據方面取得成功，企業需要一個非常好的數據管理計劃。企業需要能夠讓人們了解數據背后的機制，并為數據提供場景。我認為在人工智能中看到的一個問題是，模型在沒有這種知識的情況下被使用，將會一事無成。”

下一代數據湖

根據Informatica公司EMEA地區副總裁Greg Hanson的說法，問題在于缺乏良好的數據治理，而由于數據流的持續增長，這個問題變得更加嚴重。

他主張利用數據，必須拆除數據孤島，并用更易訪問的下一代數據湖代替，這將使更有效的決策、更全面的見識和更明智的自動化成為可能。

他說，“如果企業沒有提供能夠以數據科學家或業務人員可以利用的形式有效地提供數據的工具，那么他們將無法從數據中獲得該價值。”

他補充道：“人工智能可以幫助確保數據的傳播和數據的生命周期被跟蹤，并提供給組織幫助管理，并證明他們是某人數據的良好監護人。”

他認為，不能做到這一點的組織將難以開發出高質量的數據產品。由于監管方面的影響，還存在阻礙消費者信任的實際風險。

提出正確的問題

雖然毫無疑問，人工智能可以緩解數據管理中的許多挑戰，但Trainline公司數據科學總監Fergus Weldon表示，圍繞試圖找出數據中的需求還有其他問題。

他說：“我工作中最困難的部分是試圖回答正確的問題。除了數據爭論，我的團隊花了很多時間讓人們知道他們想問什么。”

維珍航空公司數據和洞察負責人Tim Lum補充說，收集數據還不夠，然后希望人工智能能夠對其進行整理。收集數據不應成為主要目標：應該找到收集數據的理由。

他說，“數據治理離不開數據策略。首先也是最重要的是，需要弄清楚需要解決的業務問題是什么。”

在這種信念下，Lum在維珍航空公司的大部分工作都涉及與業務利益相關者一起工作。例如，他最近與客戶體驗和客艙團隊合作，為空乘人員創建客戶信息應用程序;這樣，通過跨部門分享見解和工作，他們可以更加關注客戶。

他補充說：“從沒有數據湖或數據倉庫到擁有兩個人工智能用例，我想說的是，如果已經有很多數據，那么治理就很重要，如果沒有，則需要快速開發產品。治理總是可以跟進的。”

Starling Bank公司機器學習主管Alison Choy對此表示認同，他說：“企業必須了解自己的業務需求以及客戶的需求，以便可以決定要生產什么產品，然后要決定如何做。同時還要確保每個人都了解實現此目標的必要步驟。”

定義數據產品

Gowling WLG(英國)信息技術總監Tony McKenna指出，這種方法也具有挑戰性。根據他的經驗，通常很難使數據團隊與業務分析師處于同一頁面上。

Experian DataLabs英國和EMEA地區負責人Javier Campos對此表示贊同，他說，“數據科學家和業務分析師似乎來自兩種不同的文化。分析師關注業務利益相關者和業務影響，而許多數據科學家關注純數據建模。”換句話說，大多數據科學家缺乏商業頭腦。

作為Superbet公司高級顧問，Finbarr Joy非常清楚這個問題，他和他的團隊希望避免這個問題。因此致力于徹底各自為政的部門孤島。

他說：“雖然要使產品投入使用需要大量專業知識，但是數據實踐需要與軟件工程、產品管理以及其他業務融合在一起，因此他們必須以共同的客戶為中心。在Superbet公司，我們沒有發展獨立的分析師和商業智能團隊，而是在發展跨學科的產品團隊，每個產品團隊都擁有相關的專業知識(例如‘數據')。

它本質上是客戶驅動的。我們必須建立并加強與客戶的互動，并因此而增強其見識，這是我們的首要任務。對于我們作為數字團隊的團隊來說，如果我們的客戶不購買我們的產品，那么我們將無法持續經營。”

Superbet公司高級顧問Finbarr Joy向與會代表解釋了他為何建立多學科產品團隊的原因。

敏捷性和標準化：不互斥

無論采用哪種數據管理方法都適合企業的業務，Hanson認為，盡可能地標準化技術堆棧通常會帶來好處。

他說：“缺乏數據標準化會導致信息的碎片化，這會阻礙組織推動創新、變革和靈活性的能力。例如，我時常收到郵件，但對于我的稱呼并不一致。這種不一致表明，許多公司仍然對客戶及其與公司的整體互動沒有統一的看法。”

這對M&S公司技術和數據主管Chris Waite來說是一個巨大的挑戰。該零售商擁有大量來自不同系統和業務不同部分的數據。

為了取得進展，M&S公司需要將這些孤島放在一起，以便業務用戶可以在雄心勃勃的項目上進行創新。將這些聯合數據組合在一起的方法是開始通過數據編目對數據產品進行可視化。一旦有了集中的信息目錄;它可以開始將客戶數據整合在一起并圍繞它開發產品。

Hanson補充說，“到目前為止，人工智能在工程層的投資還不算太多。這就是數據所面臨的巨大挑戰。”

匯豐銀行人工智能項目經理Sebastian Wilson表示，在其公司的數據湖中使用人工智能在其開發人工智能產品的過程中發揮了至關重要的作用。

匯豐銀行于2017年開始創建其數據湖，當時它從數百個系統和數千個應用程序中收集數據。然后對這些數據進行標記和編目。人工智能被用來從其數據湖中獲取見解，幫助發現商業機會;以及評估數據質量、數據就緒性和技術可行性。

對于許多公司而言，試圖從低成熟度狀態過渡到以人工智能為中心的模型是一個真正的挑戰。最終，將由組織的客戶培訓他們的人工智能系統，企業制定數據和人工智能策略必須對它們有著更濃厚的興趣。