【睿觀：AI時代，數(shù)據(jù)信任非可選項而是強制要求。治理驅(qū)動分析成熟度，賦能ML與GenAI，實現(xiàn)超越直覺的智能決策，是確保持久競爭優(yōu)勢的關(guān)鍵基石?！?/span>
在《優(yōu)先考慮人工智能投資：平衡短期收益與長期愿景》一文中，我探討了數(shù)據(jù)信任在制定可行的人工智能投資策略中的核心作用。這一原則始終不變：數(shù)據(jù)若不可信，則毫無價值。無論企業(yè)計劃通過人工智能還是企業(yè)分析來做決策，與業(yè)務(wù)關(guān)鍵決策相關(guān)的風(fēng)險都是巨大的。
圖源：Dion Eusepi
大多數(shù)企業(yè)的業(yè)務(wù)決策者都依賴分析工具來做決策。這些工具的復(fù)雜程度從高端解決方案如Power BI、Tableau、SAP Analytics或IBM Cognos，到中端解決方案如Domo、Qlik，甚至是最經(jīng)典的Excel，覆蓋范圍廣泛。商業(yè)智能（BI）平臺及其應(yīng)用在大型、中型甚至小型企業(yè)中都已普及。
根據(jù)《財富商業(yè)洞察》的數(shù)據(jù)，全球約67%的員工可以使用商業(yè)智能工具，75%的員工可以使用數(shù)據(jù)分析軟件。此外，Dresner Advisory Services的一項研究發(fā)現(xiàn)，84%的受訪企業(yè)認(rèn)為商業(yè)智能對其業(yè)務(wù)運營“至關(guān)重要”或“非常重要”。然而，一個令人不安的事實是，盡管大多數(shù)企業(yè)使用數(shù)據(jù)并重視這些工具，但許多決策者更傾向于依賴直覺而非數(shù)據(jù)。事實上，商業(yè)應(yīng)用研究中心（BARC）的一項研究顯示，58%的受訪者表示，其公司至少一半的常規(guī)業(yè)務(wù)決策是基于直覺或經(jīng)驗，而非數(shù)據(jù)和信息。
這種現(xiàn)象背后有兩個關(guān)鍵因素：
因果數(shù)據(jù)與相關(guān)數(shù)據(jù)的區(qū)別
數(shù)據(jù)成熟度與業(yè)務(wù)成果的關(guān)系
過去一個世紀(jì)中，統(tǒng)計學(xué)的一個核心原則是通過相關(guān)性推斷因果關(guān)系。例如，一個分析儀表板可能將物流數(shù)據(jù)中的運輸缺口與倉庫發(fā)放數(shù)量相關(guān)聯(lián)，但這并不意味著兩者之間存在因果關(guān)系。2011年圖靈獎得主Judea Pearl（朱迪亞·珀爾）在其著作《為什么：因果關(guān)系的新科學(xué)》中指出：“相關(guān)性不等于因果關(guān)系，數(shù)據(jù)本身并不理解因果關(guān)系，人類才具備這種能力。”只有通過積極的治理和可信的上下文，將數(shù)據(jù)與業(yè)務(wù)的復(fù)雜性聯(lián)系起來，我們才能超越直覺，實現(xiàn)真正的數(shù)據(jù)驅(qū)動決策。根據(jù)IDC的研究，數(shù)據(jù)成熟度高的企業(yè)收入增長速度是其他企業(yè)的三倍以上，同時（產(chǎn)品或服務(wù)）上市時間更短，利潤率更高。
一、數(shù)據(jù)信任與治理：企業(yè)分析的基礎(chǔ)
盡管分析工具已被廣泛采用，但其實際影響仍取決于數(shù)據(jù)質(zhì)量和治理水平。麥肯錫的研究表明，擁有成熟治理框架的企業(yè)報告成功分析項目的可能性是沒有這種框架的企業(yè)2.5倍。這是因為良好的治理為分析成功創(chuàng)造了環(huán)境，包括數(shù)據(jù)質(zhì)量保證、標(biāo)準(zhǔn)化定義、明確的所有權(quán)和清晰的數(shù)據(jù)沿襲。
缺乏治理和信任的企業(yè)在采用復(fù)雜分析工具時面臨更高的風(fēng)險。沒有堅實的數(shù)據(jù)基礎(chǔ)，即使是最先進(jìn)的機器學(xué)習(xí)模型也只能提供表面化的分析。Gartner指出，缺乏數(shù)據(jù)管理實踐和治理嚴(yán)謹(jǐn)性會顯著阻礙數(shù)據(jù)和分析戰(zhàn)略的準(zhǔn)備，最終影響人工智能的實施。
二、機器學(xué)習(xí)如何重塑企業(yè)分析
作為一名消費品行業(yè)的企業(yè)架構(gòu)師，我親身體驗了機器學(xué)習(xí)如何通過模式匹配捕捉業(yè)務(wù)語義的細(xì)微差別。這讓我意識到，對于產(chǎn)品數(shù)據(jù)來說，不存在單一的事實來源，只有關(guān)于產(chǎn)品的事實和反映業(yè)務(wù)語義的上下文數(shù)據(jù)。
機器學(xué)習(xí)（ML）是企業(yè)分析的變革者，幫助企業(yè)從復(fù)雜的數(shù)據(jù)集中提取深刻洞察。作為人工智能的一個分支，ML通過在大型數(shù)據(jù)集上訓(xùn)練的算法識別趨勢和模式，而無需明確編程。隨著企業(yè)將越來越多的非結(jié)構(gòu)化數(shù)據(jù)納入數(shù)據(jù)倉庫，這種能力變得至關(guān)重要。
定量模型通過統(tǒng)計、數(shù)學(xué)和計算技術(shù)分析業(yè)務(wù)問題，幫助業(yè)務(wù)分析師識別趨勢、模式和關(guān)系，為戰(zhàn)略決策提供依據(jù)。ResearchGate的研究表明，利用定量分析的領(lǐng)導(dǎo)者可以更可靠地預(yù)測未來趨勢、優(yōu)化運營、改進(jìn)產(chǎn)品供應(yīng)并提高客戶滿意度。
描述性分析通過分析歷史數(shù)據(jù)提供對過去業(yè)務(wù)表現(xiàn)的洞察，揭示數(shù)據(jù)中的有意義模式，為更高級的預(yù)測性和規(guī)范性分析奠定基礎(chǔ)。
三、生成式人工智能的革命性影響
到2025年，生成式人工智能（GenAI）正在徹底重塑分析格局。通過自動化傳統(tǒng)手動流程，GenAI顯著縮短了研究工作流程的時間。例如，曾經(jīng)需要數(shù)小時手動完成的任務(wù)（如篩選研究、綜合發(fā)現(xiàn)和生成假設(shè)）現(xiàn)在可以在幾分鐘內(nèi)完成。這種效率提升使研究人員能夠?qū)⒏鄷r間用于高價值分析和洞察生成。
更重要的是，GenAI通過直觀的界面（由大型語言模型驅(qū)動）打破了技術(shù)障礙，使非技術(shù)用戶能夠即時從復(fù)雜的數(shù)據(jù)集中獲取答案和洞察。這些對話式的交互系統(tǒng)不僅根據(jù)問題本身，還根據(jù)提問者的角色和上下文提供答案。現(xiàn)代BI儀表板將不再是簡單的數(shù)據(jù)可視化，而是結(jié)合數(shù)據(jù)點與基于對話、角色和上下文的推理。這種民主化正在推動整個組織的數(shù)據(jù)素養(yǎng)發(fā)生根本性變革。
德勤的研究表明，專注于少數(shù)高影響用例可以顯著加速人工智能實施的投資回報率。這種戰(zhàn)略性方法幫助企業(yè)在生成式人工智能模型日益商品化的市場中實現(xiàn)差異化，同時在不限制創(chuàng)新的情況下實施有效的AI治理。
四、2025年企業(yè)分析：人工智能與分析的融合
到2025年，傳統(tǒng)的BI儀表板將被人工智能驅(qū)動的智能系統(tǒng)取代。這些系統(tǒng)將用戶體驗從查詢和響應(yīng)轉(zhuǎn)變?yōu)榛诖淼囊?guī)劃和執(zhí)行，具備驗證準(zhǔn)確性、自動化流程、適應(yīng)性和業(yè)務(wù)影響。企業(yè)正在超越實驗階段，轉(zhuǎn)向規(guī)?；\營人工智能以應(yīng)對實際業(yè)務(wù)挑戰(zhàn)。
企業(yè)數(shù)據(jù)平臺供應(yīng)商，如Snowflake和Databricks，正在從數(shù)據(jù)聚合和清理轉(zhuǎn)向支持系統(tǒng)交互和參與的智能系統(tǒng)。行業(yè)也在從通用人工智能解決方案轉(zhuǎn)向?qū)Ｗ⒂诮鉀Q特定行業(yè)挑戰(zhàn)的實用型應(yīng)用，如醫(yī)療、制造、金融和電信。像SAP、Salesforce和微軟等公司正在開發(fā)代理式人工智能解決方案，將數(shù)據(jù)從洞察轉(zhuǎn)化為行動。
數(shù)據(jù)和分析領(lǐng)導(dǎo)者需要重新審視企業(yè)分析的角色。每個業(yè)務(wù)計劃都需要訪問組織數(shù)據(jù)，如果數(shù)據(jù)策略無法提供靈活、可靠和受治理的訪問方式，這將成為重大障礙。有效的治理是推動智能分析在整個業(yè)務(wù)中普及的關(guān)鍵。
五、數(shù)據(jù)信任是強制性的，而不是可選項
隨著企業(yè)分析向人工智能驅(qū)動、實時和民主化能力的演變，那些建立了強大數(shù)據(jù)信任和治理基礎(chǔ)的企業(yè)將最有可能利用變化獲得競爭優(yōu)勢。Oracle和Seth Stephens-Davidowitz的研究顯示，72%的高管表示，當(dāng)他們信任數(shù)據(jù)時，決策速度會顯著提升。將信任和治理置于數(shù)據(jù)和分析策略核心的企業(yè)擁有顯著的競爭優(yōu)勢，包括更快的洞察、更高質(zhì)量的決策、更大的敏捷性和可持續(xù)擴(kuò)展的分析能力。
成熟數(shù)據(jù)治理與缺乏數(shù)據(jù)治理的企業(yè)之間的差距是明確的競爭分水嶺，使治理成為進(jìn)步企業(yè)的優(yōu)先事項。在傳統(tǒng)分析與生成式人工智能和機器學(xué)習(xí)融合的背景下，優(yōu)先考慮數(shù)據(jù)信任的企業(yè)將是那些真正改變業(yè)務(wù)決策并確保在人工智能時代獲得持久競爭優(yōu)勢的企業(yè)。
作者：Dion Eusepi（迪翁·尤塞皮）
譯者：穿山甲
