盡管許多企業在其數據分析項目中使用人工智能和機器語言工具作為核心推動因素，并且全球人工智能支出持續增加，但事實上，大多數數據科學項目注定要失敗。
導致這些失敗的原因有很多，從人工智能/機器語言計劃的固有復雜性到持續缺乏熟練人才，再到數據安全、治理和數據集成方面存在的挑戰。根據調研機構IDC公司對全球2000多名IT和業務部門決策者進行的調查，這些問題統稱為“數據準備就緒問題”，所有這些決策者都參與了某種程度的人工智能系統的使用或開發。
更糟糕的是，雖然大多數企業通常會維護大量數據，但這些數據通常儲存在功能孤島中，很難跨越這些邊界訪問或使用。云計算、數據工程工具和機器學習算法的進步也比產品和新流程的部署速度更快。然后是來自傳統渠道和新的顛覆性技術的競爭挑戰。
為了改善這種情況并為客戶和股東創造新價值，IT領導者必須創建生態系統和企業文化，以加速和維持企業的數據科學和分析的發展。
對能力的關鍵需求
很明顯，數據科學需要計算機編程、數據工程、數學和統計學方面的技能。然而，優秀的數據科學家與偉大的數據科學家的區別在于，能夠在企業范圍內轉換功能領域的業務需求。這些資源可能很稀缺，因此它們必須專注于具有最高投資回報率/最快時間價值比的項目，同時幫助企業內部的整體分析社區發展。
通常情況下，建立數據科學能力中心(CoC)可以作為企業實現這些目標的資源，這些數據科學能力中心(CoC)相互依賴于數據基礎設施。
然而，雖然數據架構和治理至關重要，但遠離業務領域的數據科學能力中心(CoC)將導致目標錯位、延遲，并最終增加項目失敗。
混合型的組織方法是成功的關鍵，在這種方法中，集中的數據科學和分析中心作為傳統IT基礎設施和功能領域之間的橋梁，這可以成功地加快由數據驅動的價值生態系統的發展和可持續增長所需的文化轉變。
著眼于投資回報率的成功
以下基本目標對提高能力，制定可持續支持的戰略計劃和流程至關重要：
(1)創建能力中心。很多項目的失敗是因為它們是孤立開發的，沒有考慮模型的整個生命周期以及數字線程和數據管道要求。人們可能會持有或隱藏數據和信息，因為他們認為數據和信息可能對他們個人有幫助。在尋求更深入的見解時，這種態度阻礙了創造價值的潛力。
了解數據科學和分析是一項團隊工作。企業創建一個專注于協作、教育和包容的能力中心將有助于在職能團隊之間建立信任。
(2)擴展數據和設計工作。在整個企業中創建一個虛擬社區，以解決從最基本的概念到最復雜的數據科學和設計思維結構的問題。作為能力中心(CoC)的一部分，該資源中心將推動精心策劃的學習計劃的開發和管理，從“入職分析”技能水平到更高級的數據科學認證。
該中心還將成為企業所有職能領域的數據科學家培訓和認證的重點。其目標是創建一個跨職能團隊的社區，為提高員工的數據素養提供支持。
(3)創建一個跨職能和多元化的戰略思想家團隊。這提供了一個企業范圍的平臺，用于分享想法和識別具有最高潛力的項目。它還使團隊成員能夠利用彼此的技能和領域知識，共同為客戶和股東創造新價值。
戰略關鍵績效指標(KPI)與個人指標之間的一致性減少了對企業文化轉變的摩擦，并將重點放在了投資回報率最高的項目上。然而，歸根結底，除非在數據管道的完整性和安全性以及人員之間以及跨職能方面建立信任，否則由數據驅動的價值生態系統是不可持續的。一旦在這個更廣泛的社區內建立了信任和一致性，就可以實現數據的價值轉化。
版權聲明：本文為企業網D1Net編譯，轉載需注明出處為：企業網D1Net，如果不注明出處，企業網D1Net將保留追究其法律責任的權利。
京公網安備 11010502049343號