作为一种占据主导地位的技术趋势，人工智能为推动数据战略和商业战略的企业带来了先发优势。
根据麻省理工学院技术评论的调查，企业的数据战略支持重要的业务目标，包括促进销售、提高运营效率以及缩短上市时间，它还可以帮助企业开发新产品或进入服务市场，以及改进创新、维护实物资产和ESG。
如今面临的问题是，只有13%的企业擅长于交付他们的数据战略。典型的挑战包括众所周知的数据孤岛和重复，以及数据有限、质量差和难以访问的进一步的系统问题。
当企业规划其下一个数据战略时，其中有6个战略要点，将有助于企业将其数据战略与业务联系起来。
1、与技术业务战略保持一致并赋予其权力
与大多数特定于技术的战略一样，将数据战略与总体IT和业务战略联系起来至关重要。企业制定的数据战略不仅应该认识到IT和业务战略中的内容，还应该嵌入到这些战略中，帮助它们为企业释放更多的业务价值。
数据工程和机器学习平台Accure公司的CEO Sam Ansari表示，在当前的数字时代，数据已经从单纯的副产品演变为推动创新和推动业务成功的关键因素。通过战略性地利用数据，企业可以获得竞争优势，释放业务增长机会。企业的CIO应该优先考虑适应性强的技术基础设施，以消除数据孤岛，确保安全性和治理，并采用统一的平台来简化数据管理，降低集成复杂性、熟练的劳动力需求以及成本。
2、探索将数据货币化的方法
在许多行业，根据客户消费和从产品和服务中提取价值的方式，企业的数据可以在技术堆栈的多个层面上实现货币化，从原始数据本身和各种形式的后处理数据，到通过可视化和分析工具消费的数据，以及通过数字孪生等行业应用程序消费的数据。
例如，在建筑、工程和建筑(AEC)行业，这些场景可能包括地理空间数据，例如通过电子商务网站直接提供的航空图像，基于无人机的道路和桥梁摄影测量，支持人工智能缺陷分析(例如Manam)，通过GIS平台可视化的交通拥堵数据(例如Urban SDK)，或由实时数字孪生提供的电动汽车充电数据等。
这里的重点应该是考虑客户当前使用数据的所有方式，以及他们可能希望获得更好结果的新方式。例如，尽管最近的美国费城95号州际公路坍塌是一个不可预见的事件，但传统的桥梁管理系统可能会受益于人工智能缺陷分析的增强，甚至可以升级或替换为过去、现在和未来模型的实时数字孪生平台。
3、利用自动化、数据分析和人工智能/机器学习
当今许多现代数据平台超越了传统的关系数据库、数据仓库和数据集市，为自动化和人工智能/机器学习提供内置支持，还有无代码数据工程和人工智能/机器学习平台，因此业务用户以及数据工程师、科学家和DevOps人员可以快速开发、部署并获得业务价值。
通过将这些平台置于数据架构的核心，企业可以进入自动化、分析和人工智能/机器学习项目，同时通过其他的合作伙伴和投资来完善其生态系统。
4、集成各种数据源
整合数据源是为客户提供额外见解的另一种策略，可以通过2D环境(如分析仪表板和GIS)或3D环境(如带有XR可视化功能的数字孪生，例如Magic Leap和Apple Vision Pro)实现。
企业寻找机会将自己的数据与第三方数据(包括开放数据)结合起来，以增加价值，并使用支持数据摄取、转换和集成的工具，从而将其输入到包括GIS和数字孪生在内的各种分析工具中。
5、使数据成为产品和服务组合的内在要素
正如在5种衡量数字投资组合成熟度的方法中所探讨的那样，数据和分析可以成为企业的产品和服务组合的内在组成部分。事实上，有必要衡量一下企业的投资组合中有多少比例利用了数据和分析作为产品的一部分，并随着时间的推移进行跟踪。很好的一个入门方式是让企业各部门开展合作，让他们自我评估目前的百分比，然后根据其数字战略确定他们在2025年或以后的目标。
6、数据如何将项目转化为年金收入流的产品
如果企业提供咨询服务，那么其收入通常是由一次性项目驱动的，并且每个全职员工的平均收入受到市场上普遍存在的业务规模和账单费率的限制。通过将数据整合到其可交付成果中，企业通常可以将其转化为年金收入流，其中这些项目将成为通过SaaS商业模式盈利的软件产品。
即使是实物资产也可以通过这种方式实现货币化。资产购买是一次性交易，但在其日常运营中围绕该资产的数据可以在其整个生命周期中实现货币化。正如咨询机构Cognizant公司所强调的那样，即使是50美元或以上的日常产品(如电动牙刷)的使用数据，也可以通过这种方式实现货币化。
当然，如果不考虑人员、流程和技术，任何数据战略的要求都是不完整的。在这里已经讨论了业务需求，但是要实现这一点，需要更广泛的技术需求和考虑因素(例如数据质量和卫生)，以及资源需求和考虑因素(包括数据技能、能力和培训)。企业制定的数据战略以及如何在内部货币化和提取价值，将为其自动化和人工智能战略，以及整体IT和业务战略带来好处。
