许多企业的人工智能分析愿望与企业规模和能力之间的差距正在扩大。成功的全球市场领导者正在为其分析投资获得高于其投资的回报，但许多企业仍陷入“试点炼狱”，虽然勉强获得了一些成功，但未能在企业范围内产生更大的影响。
发生的冠状病毒疫情及其复苏造成的经济冲击已经凸显了有效部署人工智能分析的竞争优势。企业的规模优势并不能通过采购和运营转化为利润。与其相反，具有前瞻性的企业正在利用他们的数据来提高利润率和市场份额，将其转化为战略资产，并以对其业务产生具体影响的方式加以应用。
更重要的是，许多大公司的分散和矩阵性质导致在实施大规模分析或技术转型计划方面进展更加缓慢。虽然这种类型的基础设施带来了营销和产品开发能力，但它阻碍了对数据和分析平台进行战略性投资或建立灵活的工作方式以进行扩展的能力。
在人工智能分析领域获胜的市场领导者专注于在关键领域实施，其中包括三个特别具有挑战性的领域：
- 开发合适的人才基础和运营模式。
- 构建正确的数据和数字平台。
- 采取行动并将产出落实到运营中。
Spark Beyond公司数据科学主管Ryan Grosso对于如何弥合分析愿望和能力之间的差距进行了分析和探讨。
数据点1：培养内部分析人才
许多企业都有一支分析师团队，他们非常适合推动业务洞察力(BI)。然而，为了确保分析项目的成功，需要具备数据科学专业知识。
在数据科学技能短缺的推动下，新的解决方案开始出现，通过自动化根本原因分析和模型构建等关键活动来加速分析师的工作流程。这种自动化使分析师能够一次筛选数百万个假设，从而免于寻找证明或反驳单个假设的相关性的艰苦过程。
这也减少了偏差的可能性，因为分析师不再有责任确定首先要探索哪个数据点，或者数据科学家来确定哪些假设要测试;与其相反，他们可以专注于选择最相关的内容作为机器学习模型的见解或构建块。
这些解决方案还降低了进入机器学习的技术门槛，使业务分析师能够承担更多的领导角色，并使人们更接近人工智能的民主化。
数据点2：创建混合团队以促进协作
当流程注入领域专业知识，而不是在孤立的环境中运行代码的超负荷分析卓越中心(CoE)团队时，分析项目就会取得成功。
为了在企业范围内实现成功的分析项目的关键数量，并减轻卓越中心(CoE)的负担，培训可以向数据科学家“讲数据”并且可能向高管“讲业务”的主题专家(SME)，这对从事分析项目的团队来说是更具价值的补充。
这有助于培养数据科学专家和业务用户之间的协作文化，使数据科学家/分析师能够更多地关注高级和复杂的流程，同时减少为业务用户获取可操作见解的时间。
数据点3：在云平台上构建正确的数据平台
跨国公司需要反映其经营所在市场的多样性，但这带来了一个挑战：如何构建支持去中心化商业模式的可扩展人工智能解决方案?
对于所有人工智能用例，数据科学家依靠一套工具和流程来摄取和转换数据，并将其插入到存储解决方案或应用程序中。在基于云平台的技术成熟之前，构建这种基础设施既昂贵又耗时——数据堆栈的本地差异对需要如何摄取、处理和存储数据产生连锁反应。
企业级云计算解决方案使企业能够在需要时启动存储解决方案，并利用第三方解决方案的生态系统来应对各种数据摄取和转换需求，从而克服了这些困难。例如，将物理数据中心迁移到微软Azure平台，有助于为集中式分析卓越中心与实地运营保持同步铺平道路。
数据点4：信任数据驱动的建议
在下游，人工智能分析领导者正在采用自动化驱动程序发现平台，以在不影响当地市场理解的情况下大规模生成洞察力。以前，分析师和数据科学家会人工搜索相关性——这个过程缓慢，严重依赖当地市场的理解，并且难以更新。通过依靠机器来发现潜在的驱动因素，人工智能解决方案可以跨地域快速扩展，但仍能捕捉每个当地市场的一些动态。
数据点5：一线行动洞察
人工智能分析的早期采用者已经释放了以运营为中心的解决方案的好处。例如，行业领先的全球零食供应商只通过为其现场团队提供商店级别的分类建议，便在成熟的拉丁美洲市场实现了1.5%的销售额增长。这些洞察需要专门的数据策略，以确保数据堆栈随着新数据源的出现而不断发展，从而实现快速的测试和学习周期。
数据点6：使分析民主化以激发分析转型
通过分析在企业范围内实现差异化需要SME、卓越中心(CoE)和业务利益相关者在整个分析过程中共享、理解和协作。
人工智能分析开启了有效的自下而上的决策，而企业一线团队可能会发现自己被赋予了更大的决策权和影响力，以及越来越多的投资份额。使用具有无代码/低代码环境和内置可解释性的技术使团队能够将丰富的、自适应的洞察力和机器学习模型引入企业范围的业务流程。
