许多组织都在努力从分析中获取业务价值。Gartner的调查称，到2022年，只有20%的分析洞察可以产生业务成果。就人工智能而言，Gartner说，今年80%的项目将始终“像炼金术一样，由一群巫师在摆弄，其才能无法在组织中进一步扩大”。
设立分析项目或分析组织是一回事，从分析中获得价值则是另一回事。由于冠状病毒大流行对全球经济造成了巨大的破坏，各大公司在涉及分析和数据科学团队方面的事情时可能会密切关注投资回报(ROI)。
“这与分析无关，甚至与洞察无关，而与影响有关。如果你不能产生影响，那你就是在浪费时间”，Mike Onders(总部位于俄亥俄州克利夫兰市的KeyBank的部门级首席信息官兼首席数据官兼企业架构负责人)这样说道。
在这里，对业务结果的持续关注是关键，快速证明分析可以对业务产生影响并大规模交付结果的能力也很关键。
益百利(Experian)的执行副总裁兼全球分析和人工智能总经理Shri Santhanam说：“我们实际上采取了逆向思维，即从我们希望取得的特定业务成果开始。最终，机器学习和人工智能往往是使我们达到最终目标的手段，但实际上，我们所谈论的内容，我们所共享的知识以及我们与客户一起推动的事业才是更好的成果。”
获得分析价值所面临的障碍
Forrester Research的副总裁兼服务于首席信息官的首席分析师Brian Hopkins说，机构壁垒是妨碍分析获得投资回报的最大障碍。
“我们发现的问题是，首席信息官的数据战略将很多业务级别的变革，业务流程的变革，IT外部的新组织结构统统包含在内，从而对数据的定义和优先事项做出决策，执行数据隐私策略以及其他首席信息官无法控制但又不得不付出代价的事情。”
Hopkins说，许多公司正在向首席信息官求助，指望他们提供一种能从数据中获取价值的技术解决方案，但它们却忽视了更大的前景。无论它们为技术编制多少预算，它们也许不得不在广泛的业务变革中投入双倍的资金。
“这些公司对数据战略的远大抱负以预算的形式由首席信息官负责对各种技术解决方案进行投资，这些公司认识到，数据战略的成本远不只是IT，还涉及很多业务变革”，Hopkins这样说道。“该成本还包括流程变革，应用程序变革，组织变革管理，激励措施变革等等。”
首先，首席信息官必须与业务利益相关者建立伙伴关系。不过，最终，高层领导必须制定激励机制来推动这些伙伴关系的发展。
Hopkins说：“你必须激励业务管理者关心数据，你还要关心他们的数据在多大程度上可以被其它业务部门使用。这并非大多数首席信息官可以轻松驾驭并做出变革得事情。”
在本文中，IT领导者阐明了组织如何转向由分析驱动的影响并为希望将数据实践转化为业务资产的人出谋划策。
分析责任
Onders说，KeyBank解决了这个问题，其方法是使业务线的利益相关者与分析团队紧密合作，使这些利益相关者对分析团队要求实施的分析项目所要实现的业务成果负责。对每一个项目，KeyBank都会创建一个简明的章程，这些章程中描述了企业所要达到的结果以及评估该结果的指标。该章程罗列了各个业务发起人，产品主管，分析主管，风险主管和技术主管。
Onders说：“这一简明的宪章指出，‘你正在考察的指标是什么?’人们必须列出各项指标。如果这些分析将改变某些东西，那么什么指标将发生改变?你将对自己所期望发生的变革负责，就在此刻。分析如何使你取得这样的进展?这是一种更具进取性的指标驱动的，影响驱动的章程，它由高级业务领导者负责。”
业务领导者必须每隔一个月提交一份报告，该报告表明分析如何影响业务成果，从而证明对项目的持续投资是合理的。
Santhanam说，益百利的数据团队还凭借与企业的紧密合作来推动分析计划，包括强调“以一种可量化的方式澄清业务成果”。但是，益百利的分析理念也允许采用更灵活，迭代能力更强的方法。
Santhanam说：“我们首先要做一些不会因为问题本身而扩大化或变得难以应付的事情。这使我们能够摆脱一系列约束条件，从而使我们能够非常迅速地运作，进行实验并了解作用在哪里。”
为分析获得成功而提升技能
但是，要使企业与IT部门在分析方面成功地建立合作关系就必须改变文化，因为业务专业人员不仅必须精通数据驱动的流程和技术，还必须在技能紧缺的领域填补空缺。
捷普(Jabil)是这样一家公司，它向业务专业人士和高管传授将分析转化为有影响力的业务计划所需的各种知识。这家制造服务公司多年来一直致力于成为数据驱动型企业。在努力寻找数据科学家时，它创建了一个公民数据科学计划来帮忙挖掘可供使用的数据。
捷普的首席信息官Gary Cantrell表示，捷普之所以能成为数据驱动型组织是因为两个关键的组成部分，即坚持不懈地关注如何解决业务问题以及努力获得高管的支持。
尽管捷普很难得到业务管理者和高级管理人员的支持，但这终究是捷普在分析方面获得成功的最重要因素之一。作为“公民数据科学”计划的一部分，捷普创建了一个高管级别的培训队列，主要高管要参加为期两天的目标明确的数据科学培训计划。当高管们在寻找能用数据解决的各种问题时，该计划有助于他们了解成为数据驱动型组织的重要性。该计划持续不断地强化了高管的支持，其方法是在每个队列完成该计划后邀请高管听取简要汇报。
Cantrell说：“当行政团队渐渐发现组织的问题得到解决并且出现了有助于他们改善的结果时，我们真的渐渐得到了他们的支持和关注。公允地说，我们在前端做了很多推广工作，花了三年时间让高管们对此产生兴趣。但是，过去两年一直存在的问题如今却成了，‘好吧，你正在用分析做什么?下一步要做什么?这需要时间来消化，但我们最终都一一解释清楚了，方法就是将其与业务关联起来，因为业务可以体现价值。”
打破数据孤岛
旧有的数据实践也可能扼杀组织将数据转化为业务价值的能力。而导致这个的罪魁祸首就是数据孤岛。
在过去的几年中，拜耳作物科学(Bayer Crop Science)一直致力于将机器学习和人工智能应用于业务的各个方面。精准农业(precision agriculture)一直是重点关注对象。拜耳作物科学的植物生物技术部的研发数据战略负责人Michelle Lacy表示，公司对FAIR数据的遵守(这是科学数据中发布的一组科学数据管理和管理指导原则)是其数据驱动转型的基础，这有助于它打破数据孤岛。
FAIR(可查找，可访问，可互操作和可重用)有点类似于数据界的权利法案，该法案表明用户必须能够轻松地查找数据，用户在做出决策时(同时依然遵循网络安全性方面的策略)必须能够访问所需的数据，数据必须可互操作，可重用。
Lacy说：“这非常重要。这是我们数据战略的基础。”
通常，某一个小组开发的数据可能有助于其他小组所负责的工作。为了高效利用数据，各个小组必须知道这些数据的存在以及如何找到这些数据，而且这些数据必须兼容。
Lacy说：“如果你在单个工厂中运行各种测定，无论是现场测定还是在实验室中进行不同的实验，你必须能够将这些数据整合在一起。你可以视其为拼图游戏，你运行的所有不同的检测方法都是该拼图的一部分。项目负责人必须将这些部分整合在一起。”
信任
向数据驱动型组织的转变与许多转型一样取决于对团队成员和新流程的信任，从数据中得出的见解将对业务产生积极影响。
Santhanam说，在益百利，“四大支柱”为每个机器学习和人工智能项目提供了指导，它们分别是性能，扩展，采用和信任。
Santhanam说，从历史上看，信任问题使银行在用分析模型处理问题时畏首畏尾。
Santhanam说：“许多定位模型都是相当简单的逻辑回归模型，因此，人们对创建更复杂，透明度更高的东西的信心会带来一定程度的风险，这使人们感到这种风险超出了受到严格监管的组织的风险承受能力。不过,我们发现，该领域的监管框架和企业纷纷认识到更复杂的算法和更复杂的技术的价值并且采取了一种分阶段的方法，即用可解释的人工智能框架进入该领域，这是十分负责任的做法。”
Santhanam补充说：“最终，推动影响力需要满足这四个方面，如果你不以这些业务成果为目标，那么你很容易迷失方向。”
