许多企业组织在努力从数据分析中获得业务价值。据市场研究公司Gartner声称，到2022年，只有20%的分析洞察力有望带来业务成果。Gartner表示，说到人工智能，今年80%的项目将仍“如同炼金术，由一群专家在打理，他们的才能无法在本组织内推广开来。”
设立分析项目或成立分析组织是一回事，从分析中获得价值是另一回事。由于新冠疫情严重扰乱了全球各地的经济，许多公司在考虑是否设立分析和数据科学团队时可能会密切关注投资回报。
Mike Onders是俄亥俄州克利夫兰市KeyBank的首席数据官、部门CIO兼企业架构负责人，他说：“这并非关乎分析，甚至并非关乎洞察力，而是关乎影响。如果你无法带来影响，无异于白白浪费时间。”
就这点而言，持续地关注业务结果是关键，能够迅速证明分析可以对业务带来影响，而随后大规模交付成果也是关键。
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：“我们实际上是在进行逆向设计，先从我们希望获得的具体业务成果入手。最终，机器学习和人工智能往往是使我们实现最终目标的工具，但实际上，我们谈论的、我们共享的以及我们与客户共同努力获得的是一系列更好的成果。”
分析创造价值所面临的障碍
市场研究公司Forrester的副总裁兼为CIO提供咨询服务的首席分析师Brian Hopkins表示，制度性障碍是数据分析获得投资回报面临的最大障碍。
“我们发现的问题是，CIO的数据战略将涉及许多业务层面的变更、业务流程变更、IT部门之外新的组织结构，才能对数据定义和优先事项做出决策，并执行数据隐私策略以及CIO无法控制但面临成本的其他事情。”
Hopkins表示，许多公司转向CIO，希望他们提供一种能从数据中获取价值的技术解决方案，却没有看到更宏观的局面。无论他们为技术编制了多少预算，可能不得不为广泛的业务变化投入多达一倍的预算。
Hopkins说：“这些公司对最终由CIO负责的数据战略制定了目光宏远的愿景，编制了预算以购置技术解决方案，它们会认识到数据战略的成本远不止IT方面的，还涉及大量的业务变更。这包括流程变更、应用程序变更、组织变化管理和激励措施变更等。”
首先，CIO必须与业务部门的利益相关者建立伙伴关系。不过最终，高层领导人必须制订激励措施以促进这些伙伴关系。
Hopkins说：“你必须调动业务经理的积极性，关注数据，关注他们的数据如何可以被其他业务部门妥善使用。这不是大多数CIO轻松挥舞权杖就能改变的事情。”
几位IT领导人在这里阐明了其企业组织如何利用数据分析带来业务影响，并为希望将数据实践转化为业务成果的人给出了几点忠告。
分析方面的责任
Onders表示，KeyBank解决这个问题的方法是，使业务部门的利益相关者与分析团队紧密合作，并对他们请求的分析项目取得的业务成果负责。针对每个项目，KeyBank会设立一页长的章程，章程概述了公司要取得的成果和评估该成果的度量指标，并列出了业务发起人、产品负责人、分析负责人、风险负责人和技术负责人。
Onders说：“这一页长的章程写道‘你关注的度量指标是什么?’章程必须列出度量指标。如果这些分析技术将改变某个方面，什么度量指标会发生变化?你要对某个期限之前的预期成果负责。数据分析将如何助你抵达成功彼岸?这是一种极具进取性的指标驱动、影响驱动的章程，由高级业务领导人对此负责。”
业务领导人必须每两个月提交一份报告，报告表明数据分析如何影响了业务成果，以证明有必要对项目持续投入。
Santhanam表示，益百利的数据团队还依赖与业务部门紧密合作的关系，推动了分析计划，包括注重“以一种可量化的方式来阐明业务成果”。但是益百利的分析理念还支持一种更灵活的迭代性方法。
Santhanam说：“我们一开始做了一些可解决业务问题本身的事情。这让我们得以摆脱一系列约束条件，从而使我们得以非常迅速地运营，试探并了解哪方面可以产生影响。”
提升技能以确保分析取得成功
但是要使业务部门与IT部门在分析方面的合作取得成功，文化变革必不可少，因为业务专业人员不仅要精通数据驱动型流程和技术，还要在技能需求超过供给的方面帮助填补空白。
Jabil这家公司专门为业务专业人员和高管传授如何将分析转化为有影响力的业务计划。这家制造服务公司多年来致力于变得更加由数据驱动。由于很难找到数据科学家，它制订了平民数据科学计划，以帮助挖掘可供使用的数据。
Jabil CIO Gary Cantrell表示，Jabil竭力变得更加由数据驱动，两个关键的要素是持续地致力于解决业务问题以及竭力获得高管的支持。
获得业务领导人和高层管理人员的支持困难重重，但最终是Jabil在分析方面获得成功的最重要因素之一。作为平民数据科学计划的一部分，Jabil建立了一个高管培训组，让高管们参加为期两天的强化数据科学培训课程。高管们开始寻找能用数据解决的各种业务问题时，该课程帮助他们了解成为数据驱动型组织的重要性，并获得他们的积极支持。该课程在每一期学习班完成课程后邀请更高级别的高管到场听取总结汇报，继续加强高管的支持。
Cantrell说：“当高管团队开始看到企业组织的问题得到解决，由此带来的成果帮助他们改善业务后，我们真正开始得到高管的认可和支持。客观地说，我们在前期做了大量宣传工作，花了近三年的时间让高管们对此产生兴趣。而现在，过去两年的问题是‘OK，你在用数据分析做什么?下一步要做什么?’回答这种问题需要花点时间，但我们最终还是解释清楚了，将其与业务关联起来，他们可以切实看到价值。”
打破数据孤岛
原有的数据实践也可能遏制企业组织将数据转化为业务价值的能力。数据孤岛就是罪魁祸首。
在过去这几年，拜耳作物科学公司竭力将机器学习和人工智能应用于业务的方方面面。精准农业一直是其关注的重要方面。拜耳作物科学公司植物生物技术部研发部门数据战略负责人Michelle Lacy表示，该公司遵守FAIR数据是其数据驱动转型的立足之本，帮助它打破了数据孤岛。FAIR数据是《自然》杂志旗下《科学数据》子刊所发布的一套指导性的科学数据管理原则。
FAIR(可查找、可访问、可互操作和可重用)是数据领域的某种权利法案，表明用户应该能够轻松查找数据，用户在制定决策时应该能够访问所需的数据(同时仍遵守网络安全政策)，数据应该可互操作，数据还应该可重用。
Lacy说：“FAIR极其重要。它是我们数据战略的基础。”
一个小组开发的数据对于其他小组所做的工作常常有所帮助。为了高效使用数据，各个小组就要知道数据的存在以及如何找到这些数据，而且数据必须兼容。
Lacy说：“如果你在单单一家工厂进行各种检验，无论是现场检验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起来。这就好比七巧板，你进行的所有这些不同检验都是这七巧板的拼块。项目负责人要把那些拼块拼完整。”
信任
与许多转型一样，向数据驱动型组织转变取决于信任：对团队成员和新流程的信任，相信从数据获得的洞察力将对业务带来积极影响。
Santhanam表示，在益百利，性能、扩展、采用和信任这“四大支柱”是每个机器学习和人工智能项目的指导准则。在过去，信任问题制约了许多银行用分析模型来处理问题。
Santhanam说：“过去许多定位模型都是相当简单的逻辑回归模型，原因就在于银行在开发更复杂、更不透明的系统方面的信心带来了一定程度的风险，这使人们感到这种风险超出了受到严格监管组织的风险偏好范围。不过我们发现，这个领域的监管框架和企业认识到更复杂的算法和更复杂的技术具有的价值，更多地采取了一种分阶段的方法，在负责任的前提下，凭借可解释型人工智能框架进入该领域。”
他补充道：“最终，推动影响力需要满足这4个方面，如果你不以这些业务成果为导向，就很容易迷失方向。”
