Enable javascript in your browser for better experience. Need to know to enable it? Go here.
intelligent-enterprise-series-models-enterprise-intelligence

智能企业系列

企业智能模式

 

当今的领先企业越来越受到数据的驱动,这些企业渴望让数据驱动所有决策和行动,并利用数据验证或推翻业务假设创意

 

常言道,数据已成为企业的命脉。不过,单凭数据还不足以确保成功,能够利用数据为企业创造有形的成果,才能真正实现价值,正因为如此,我们发现世界正在日益向着智能化趋势发展。利用机器智能推动实现业务成果已成主流。将智能洞察与业务目标结合,推动制定更明智的决策,这对大多数企业都是一种挑战。与此同时,人工智能、数据工程和云计算的发展使得以更复杂的方式执行决策成为可能。包括根据更多样化的输入和更丰富的逻辑,使用更高自主水平的学习和迭代,更快地做出更多、更细致的决策。懂得如何利用新技术来使企业智能化达到预期结果的企业领导者将获得显著优势。

 

在本系列文章中,我们将探讨智能企业的概念:什么是智能企业;IT系统的角色和数据处理方法;如何构建团队和正确的工作方式从数据中创造最大价值。涵盖一系列数据和智能领域的实践、原则和技术,结合应用这些实践、原则和技术帮助企业利用数据提高智能化水平,打造智能企业。

 

在这第一篇文章中,我们将介绍智能企业的模式:了解当今企业如何利用数据来获取洞见以及如何进行改进。

持续智能

 

其核心是智能周期(见图1)。毕竟,推动业务决策和行动的不是数据,而是从业务运营和交易过程中创建的原始数据中收集信息提炼出的洞见。对于今天的大多数企业来说,这种“数据→信息→洞见→决策→行动”的智能周期是线性且至关重要的。顺利执行数据加工过程,需要复杂的数据架构、数据分析和挖掘能力、数据驱动的思维方式和行之有效的业务流程。但还不止于此,培养持续智能能力将使企业能够通过多次反馈循环,将这种线性过程转变为一个可以学习和改进的迭代过程。

 

持续智能指的是什么?在智能周期中,洞见和决策的流程包括审查结果、修正假设、重构预测的生成过程以及规范下一步行动。理想情况下,这些流程应该持续发生,以便从结果中学习,并对不断变更的环境和结果做出响应。将这种变更作为周期的一个内嵌部分进行管理,就是持续智能。要对智能周期及时执行这些变更,可能需要每月、每周、每天、每小时甚至是接近实时地进行迭代。正是这种及时的迭代才使智能周期变成持续智能周期。

 

intelligent-enterprise-series-models-enterprise-intelligence

图1:持续智能

我们可以看到持续智能如何在实践中发挥作用。例如,假设一家医院使用机器智能检测并降低患者败血症(住院期间感染)的发病率。根据Healthcare Business & Technology的报告,患者在住院期间经常发生感染,并可能最终死于败血症,而不是死于入院时的主要病因。及早发现败血症对有效的治疗至关重要。患者数据,例如生命体征、与医护人员的交互以及进食时间表,都应通过医疗监测系统及其他医院系统进行收集。这些数据记录在电子病历(EMR)和医院运营系统中,用于提醒医护人员注意相关问题。医生定期探视患者,检查这些数据,并决定是否改变治疗计划。此外,医院的数据科学家利用从众多患者中收集的历史数据,开发出了预测模型来监控这些数据,并在模型检测到可能发生了感染时触发警报,这些警报要求医护人员立即采取行动。更重要的是,捕获新的数据使护理人员能够确定感染是否已得到有效的治疗。

 

在这个场景中,关键是要将捕获的数据快速处理为可理解的信息,而预测模型可以使用这些信息生成对患者状况的预判。医生必须迅速对病人做出治疗方案,护理人员也必须采取相应的行动。这些模型和假设为治疗患者提供了洞见和决策依据,并应根据需要不断审查和迭代,确保尽可能制定最佳临床决策。这就需要变革业务流程、组织协作、技术实践,投资建设配套的技术基础设施。积极接受这些变革和投资的企业是“智能企业”的典型代表,并将成为各自行业的颠覆力量。

 

遗憾的是,在大多数企业中,智能周期不仅费时费力,而且面临重重阻力。要想成为一家智能企业,就必须了解如何改进。

智能成熟度模型

 

那什么是智能企业呢?智能成熟度模型(见图2)有助于理解这个概念。该模型描述了企业智能化的三个基本维度:

 

  • 洞见创造能力。您的企业的分析能力有多先进?
  • 洞见部署能力。新的智能是如何投入运营和使用的?
  • 洞见采用效果。在业务决策中,利用智能洞见来推动行动的效果如何?

 

intelligent-enterprise-series-models-enterprise-intelligence

图2:智能成熟度模型

正如模型所表明的那样,在通往真正智能化的道路上,企业可能会遇到一个阶段边界,我们称之为“智能鸿沟”。在这些维度上,真正智能化的企业(颠覆者)与“濒临颠覆”的企业之间存在着鸿沟。

 

在本系列文章中,我们将探讨在领先公司中发现的促成因素,例如,使用数据推动决策和行动方面的文化影响。从广义上讲,这些洞见采用文化包括:

 

  • 反对洞见。我们比任何人都更了解自己的业务,不需要数据来告诉我们那些我们已经知道的东西。
  • 洞见驱动。数据洞见驱动我们做出的每一个决策,是我们采取的每一个行动的依据。

 

大多数现代企业都处于中间位置:

 

  • 具备洞见意识。我们知道自己需要更好地利用洞见,但我们还不知道如何去做。
  • 或已在利用洞见。我们尝试利用洞见来做出决策和采取行动,但我们仍有待改进。
intelligent-enterprise-series-models-enterprise-intelligence

图3a:剖析洞见创造和采用

然后,您可能会考虑您的洞见采用文化如何才能与您创造洞见的能力相匹配(参见图3a)。在这里,Y轴是Gartner分析优势模型的扩展,该模型侧重于从收集到的信息中创造新的洞见。它描述了企业内部分析的精细性,将主要依赖主观性和描述性洞见的企业与使用机器学习等高级分析方法的企业区分开来。 

 

主观性洞见基于直觉和传闻证据,可能导致错误的解释。描述性洞见关注的是已发生的情况,但可能不会明确指出发生这些情况的原因,或者该如何应对。传统商业智能(BI)通常是描述性的。更精细的洞见通常由机器智能、统计建模和数据科学驱动。其中包括诊断性洞见(为什么会发生这种情况?)、预测性洞见(可能会发生什么情况?)以及规范性洞见(我们可以对已发生的情况产生怎样的影响?)-这些洞见的影响力和可操作性显著提高。 

 

几乎所有企业都使用主观性洞见和描述性洞见。如果您渴望实现数据驱动,这些就是重要的筹码。但是,智能企业大力推动机器智能,以创造更丰富、更具影响力的洞见,甚至实现自动化行动。例如,Apple Siri利用机器学习来推荐您所在地区符合您品味的电影;Facebook识别照片中朋友的脸,并根据AI模型推荐标签,其精确度高达98%;Spotify使用预测性模型定制符合您品味的音乐体验。

intelligent-enterprise-series-models-enterprise-intelligence

图3b:剖析洞见部署和洞见采用

但是,您将智能模型部署到生产环境中的能力如何?图3b评估了分析模型的运作方式以及在决策中使用这些模型的效果。分析的运作是指通常如何将模型部署到生产环境中以及如何监控模型的偏离或不准确性。静态运作是指已部署但从未监控或更新模型。手动运作是指手动部署和监控模型,需要人工干预,很容易出错。自动化运作方法进入了机器学习下的持续交付(CD4ML)领域,这是本智能企业系列文章的中心主题,在后续文章中将做更深入的探讨。自主模型是指使用实时数据通过强化学习在线机器学习等技术持续部署、自我监控和自我修复的模型。

 

该模型中的数据鸿沟、洞见鸿沟和数据开发自运维鸿沟代表了原生智能企业与其他企业之间的主要差距。智能企业具有非常先进的洞见创造能力,能够在生产环境中持续交付和监控这些洞见,并拥有采用和利用洞见的企业理念和流程。聚焦智能化(Intelligence  Fouced)的企业已经投资了洞见创造能力,但却难以将洞见应用到企业文化中。妒羡智能化(Intelligence  Envy)的企业是指企业领导者拥有洞见驱动的思维方式,但缺乏创造和实施先进洞见所需的能力。而左下既缺乏洞见创造能力有没有洞见采用文化的企业最好注意一点,即使您的行业目前还没有颠覆者,不久也会出现颠覆者。

 

企业智能模型

 

结合当今典型企业的运营情况,研究持续智能中的价值链将大有裨益。这样做能帮助我们找到存在阻力的环节,找到改进流程和技术的机会,以及企业需要的新能力。智能企业模型能广泛代表各行各业的任何数字化企业,它包括五个层面,分别代表根据基础数据采取的行动结构。图4描述了该模型的四个象限。

intelligent-enterprise-series-models-enterprise-intelligence

图4:企业智能模型

  1. 从左上象限开始,该模型包括以下层面:体验。在日常业务活动中,企业的消费者、供应商、员工、合作伙伴体验如何?这里还包括市场活动、呼叫中心的客户交互、交易、订单履行、退货、产品发现等等。这一层面行动的价值通常要通过调整体验来体现。
  2. 运营技术。这些是支持体验并从中获取原始数据的系统,包括POS(销售点)、CRM(客户关系管理)、电子商务、呼叫中心以及企业使用的其他运营或交易系统。
  3. 洞见支持。企业内部系统收集、合并和分析原始数据,将其转换为可理解的信息。分析师、数据科学家、报表制作者和其他创造新洞见的人员可以访问这些信息。在大多数企业中,这是数据管理、数据仓库、数据中心或数据湖提供价值之处。
  4. 洞见生成。这一层面包括使用各项能力和工具来运用洞见支持系统提供的数据,进行新的发现,创建新的洞见工件,通常旨在助力业务专家做出明智决策和采取有效行动。它包括商业智能和报告工具以及高级分析工具,如数据科学家使用的统计和机器学习工具。它还包括拥有分析技能的人员,如统计建模、SQL编程、报表设计、数据科学和机器学习工程等技能。
  5. 决策制定。如果没有必要的业务专家或算法来做出数据驱动的决策,并采取适当的行动来为体验层面的变更提供信息和影响,并且循环重复持续性智能周期,那么之前所有的数据收集、洞见支持和分析能力就将徒劳无益。

 

在获取新数据和最终采取改善体验的行动之间,大多数企业都存在高延迟,有时会长达数月。通过剖析这个模型,我们就可以发现减少阻力和创造持续智能洞见和行动流程的许多机会。结合技术主导思维和业务主导思维,可以获得最佳效果(见图5)。技术主导思维包括加快数据流、减少数据孤岛以及简化新洞见构件(例如机器学习模型)的部署。业务主导思维包括变革业务流程、交互和能力,以快速采用新洞见并将其转化为有效的行动。将洞见转化为行动也可以通过机器和算法(例如算法股票交易)来完成,而不仅仅由人工完成。

intelligent-enterprise-series-models-enterprise-intelligence

图5:有效的智能周期需要结合技术和业务工作

如何实现快速增长?