傅一洋、GAO Ning、魏子敏编译

这家公司连续六年调研大企业数据变革,今年的结果喜忧参半

大型企业到底如何看待数据及数据驱动?

从热潮到落地,大数据的力量有无受到区块链人工智能等新浪潮的冲击?

在清华数据科学研究院联合大数据文摘发布的《顶级数据团队建设报告》中提到,数据化转型更多是一个至上而下的过程,企业高管对待数据的态度,对于一家公司的数据驱动文化建立至关重要。

围绕“数据”话题,NewVantage Partners 已连续六年对全球各领域的大型企业高管如何看待数据进行调研。每年,调查回复率都在增长,而且据调查结果显示,如何有效数据利用的紧迫性在逐年增加。

今年的调查结果,喜忧参半。

六年前,NewVantage Partners 开启了针对大数据的首次调研,当年的调查聚焦在当时尚属新颖的大数据领域,而六年后,今年调查问卷的焦点落在了人工智能领域。

显然,人工智能已经成为这些大型成熟企业的关注重点。有显著迹象表明,大数据和AI技术都有着强大的应用价值,曾经市场上巨头企业或因创业公司的加入而被颠覆。

大数据文摘对本次调研的关键信息进行了摘要如下:

受访者:首席数据官(CDO)的比例大幅提高

受访者为来自57家大型企业的高管。其中,大多数企业隶属于金融服务业——数据密集度最高的行业之一,同时也有来自生命科学,制造业,电信和互联网行业的众多企业参与其中。

2018年的调查企业名录

受访者的职位分布情况也有明显变化。一般情况下,受访者主要是以C开头的企业高管,而在今年,首席数据官(CDO)的比例竟高达 56%,明显高于去年的 32%,而且在 2012 年的首次调查中,仅 12% 的企业中设置了这一职位。

几乎所有被调研公司都在投资大数据人工智能项目

调查内容涵盖了大数据及当下最热门的AI技术。多年来,尽管专业术语在不断变化,始终如一的,是数据的爆炸式增长,以及对数据意识的永恒需求。

如今,在大数据和AI之间,已不存在明显的界限。处理大量、快速变化数据的机器学习技术,以及越来越受欢迎的基于深度学习的统计方法等,都需要二者的结合。传统的数据分析、大数据人工智能应当被视为一个整体。几乎所有(97%)的企业高管都表示,所在公司已经在投资该类项目。

大数据和AI正在为公司创造价值

从调查结果中得到的最好的消息是,所有企业都认同“大数据和 AI 类的项目会为公司创造价值”的说法。

其中,已经获得了可观收益的企业占 73%,相比 2017年高出了 50%。这表明,随着企业对这些新技术的日益熟悉,更多潜在的价值将被逐渐挖掘出来。

而谈到具体的价值,大数据和 AI 技术同之前众多技术一样,都在于提升公司的业务分析能力。多数企业渴求达到,并且很可能实现的目标是“更先进的分析和更优化的决策”。有 36% 的企业认为该目标正是公司的首要任务,而其中的 69% 已经在这个方面取得了一定成就。

同时,超过四分之一的企业(27%)正在将数据货币化,同企业创新型变革和快速融入市场相结合,尽管数据货币化的优先级和成功率最低(27%)。

AI技术的影响力远远超过云计算(13%)或区块链(7%)

调查结果还显示出目前最值得关注的两个问题:

初创企业带来的威胁

约 80%  的企业高管表示,担心那些金融科技行业或专注于大数据的初创企业会抢占他们的市场份额。其中最具威胁的就是 AI 技术,有 72% 的企业认为,AI技术的影响力远远超过云计算(13%)或区块链(7%)。

企业向数据驱动文化转型的速度缓慢

几乎所有的企业高管(99%)都表示公司正在试图朝这个方向发展,但仅有三分之一的企业成功实现了转型。

多年来的调查结果显示,这种成功率并没有明显的提升,显然,企业还需要一些更加明确的计划来促进这一变革的实现。与此同时,许多初创企业自成立之初就已经建立了数据驱动文化,这也成为大型企业担忧的主要原因之一。

数据类职位被认可,但职能设置不清晰

企业为了避免数据驱动变革所带来的混乱,常会设立新的管理角色。

但是,目前多数企业都缺乏对不同的数据方向类角色(首席信息官,首席数据官,企业数字化负责人,首席分析官等)职能的清晰定义。

甚至对于首席数据官(CDO)的主要职责,以及任职人员的背景要求都存在着很大的分歧。

对CDO的主要职责而言,39%的企业表示CDO要对公司的数据战略和其业务成果负主要责任,而37%的企业却将这一职责分配给其他的C-开头的高管,24%的企业对此并没有明确的责任分配;而对任职人员的背景要求而言,34%的企业认为,CDO应该来自于公司外部,以帮助实现企业的变革,而32%的受访者认为,公司内部的资深员工是最佳人选。

尽管所有企业高管都能认识到:明确定义数据方向类的高管的角色和职能,对于其领导AI /大数据项目和实现企业的文化变革都至关重要。但目前多数公司,仍然缺乏明确的数据战略。

当前经济和社会最主要的特征之一是,大数据的重要性和挑战性都在持续增长,而人工智能的崛起更是大大加剧了这一趋势。NewVantage Partners多年来的调查结果,换个角度,也是通过这些有趣的、高质量的材料记录了这场 “数据革命”。 而对于企业而言,成功的关键在于,需要明确公司的战略导向,并在数据战略和业务成果层面设立明确的角色和职责,以系统化的、更有效的方式来实现向数据驱动型企业的转型。

原文链接:

https://hbr.org/2018/02/big-companies-are-embracing-analytics-but-most-still-dont-have-a-data-driven-culture?ref=quuu&utm_source=quuu

【今日机器学习概念】

Have a Great Definition

产业
1
相关数据
人工智能技术
Artificial Intelligence

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

区块链技术
Blockchain

大数据技术
Big data

大数据,又称为巨量资料,指的是传统数据处理应用软件不足以处理它们的大或复杂的数据集的术语。

机器学习技术
Machine Learning

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

深度学习技术
Deep learning

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法。观测值(例如一幅图像)可以使用多种方式来表示,如每个像素强度值的向量,或者更抽象地表示成一系列边、特定形状的区域等。而使用某些特定的表示方法更容易从实例中学习任务(例如,人脸识别或面部表情识别)。 近年来监督式深度学习方法(以反馈算法训练CNN、LSTM等)获得了空前的成功,而基于半监督或非监督式的方法(如DBM、DBN、stacked autoencoder)虽然在深度学习兴起阶段起到了重要的启蒙作用,但仍处在研究阶段并已获得不错的进展。在未来,非监督式学习将是深度学习的重要研究方向,因为人和动物的学习大多是非监督式的,我们通过观察来发现世界的构造,而不是被提前告知所有物体的名字。 至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

云计算技术
Cloud Computing

云计算(英语:cloud computing),是一种基于互联网的计算方式,通过这种方式,共享的软硬件资源和信息可以按需求提供给计算机各种终端和其他设备。

推荐文章
这是一份通俗易懂的知识图谱技术与应用指南
机器之心2
知识图谱的技术与应用
贪心科技1
金融科技与银行的恩怨录:要合作?这些痛点必须剔除
微胖
返回顶部