事实证明，管理大量数据和颠覆性技术的关键在于建立一个能力中心。
尽管许多企业在其数据分析项目中使用人工智能和机器语言工具作为核心推动因素，并且全球人工智能支出持续增加，但事实上，大多数数据科学项目注定要失败。
导致这些失败的原因有很多，从人工智能/机器语言计划的固有复杂性到持续缺乏熟练人才，再到数据安全、治理和数据集成方面存在的挑战。根据调研机构IDC公司对全球2000多名IT和业务部门决策者进行的调查，这些问题统称为“数据准备就绪问题”，所有这些决策者都参与了某种程度的人工智能系统的使用或开发。
更糟糕的是，虽然大多数企业通常会维护大量数据，但这些数据通常储存在功能孤岛中，很难跨越这些边界访问或使用。云计算、数据工程工具和机器学习算法的进步也比产品和新流程的部署速度更快。然后是来自传统渠道和新的颠覆性技术的竞争挑战。
为了改善这种情况并为客户和股东创造新价值，IT领导者必须创建生态系统和企业文化，以加速和维持企业的数据科学和分析的发展。
对能力的关键需求
很明显，数据科学需要计算机编程、数据工程、数学和统计学方面的技能。然而，优秀的数据科学家与伟大的数据科学家的区别在于，能够在企业范围内转换功能领域的业务需求。这些资源可能很稀缺，因此它们必须专注于具有最高投资回报率/最快时间价值比的项目，同时帮助企业内部的整体分析社区发展。
通常情况下，建立数据科学能力中心(CoC)可以作为企业实现这些目标的资源，这些数据科学能力中心(CoC)相互依赖于数据基础设施。
然而，虽然数据架构和治理至关重要，但远离业务领域的数据科学能力中心(CoC)将导致目标错位、延迟，并最终增加项目失败。
混合型的组织方法是成功的关键，在这种方法中，集中的数据科学和分析中心作为传统IT基础设施和功能领域之间的桥梁，这可以成功地加快由数据驱动的价值生态系统的发展和可持续增长所需的文化转变。
着眼于投资回报率的成功
以下基本目标对提高能力，制定可持续支持的战略计划和流程至关重要：
(1)创建能力中心。很多项目的失败是因为它们是孤立开发的，没有考虑模型的整个生命周期以及数字线程和数据管道要求。人们可能会持有或隐藏数据和信息，因为他们认为数据和信息可能对他们个人有帮助。在寻求更深入的见解时，这种态度阻碍了创造价值的潜力。
了解数据科学和分析是一项团队工作。企业创建一个专注于协作、教育和包容的能力中心将有助于在职能团队之间建立信任。
(2)扩展数据和设计工作。在整个企业中创建一个虚拟社区，以解决从最基本的概念到最复杂的数据科学和设计思维结构的问题。作为能力中心(CoC)的一部分，该资源中心将推动精心策划的学习计划的开发和管理，从“入职分析”技能水平到更高级的数据科学认证。
该中心还将成为企业所有职能领域的数据科学家培训和认证的重点。其目标是创建一个跨职能团队的社区，为提高员工的数据素养提供支持。
(3)创建一个跨职能和多元化的战略思想家团队。这提供了一个企业范围的平台，用于分享想法和识别具有最高潜力的项目。它还使团队成员能够利用彼此的技能和领域知识，共同为客户和股东创造新价值。
战略关键绩效指标(KPI)与个人指标之间的一致性减少了对企业文化转变的摩擦，并将重点放在了投资回报率最高的项目上。然而，归根结底，除非在数据管道的完整性和安全性以及人员之间以及跨职能方面建立信任，否则由数据驱动的价值生态系统是不可持续的。一旦在这个更广泛的社区内建立了信任和一致性，就可以实现数据的价值转化。
