Benoit Loeillet

Head of Data&AI faculty department in emlyon

“数据”如今是管理和发展组织活动不可否认的战略资产。高级分析解决方案（例如语言模型和Microsoft Copilot等相关工具）的出现及其日益增强的可访问性正在推动商业兴趣。这鼓励企业更多地利用数据，以此来影响运营模式和整体组织。当今公司需要明确了解他们能通过数据获得什么样的具体优势：数据的开发产生了哪些真正、有形的利益？特别是考虑到数据质量的重要性，使用时应当设定哪些限制条件？

长期以来，数据的管理和利用一直被视为一种奇迹般的商业解决方案，但需要一定时间才能在组织内完全集成。数据曾被归入IT或技术服务领域，现在正被专业负责人士重新利用。根据最近的一项研究，49%的公司认为数据管理是一项战略业务资产，而且近年来这种资产一直在增加（《数据与人工智能领导力高管调查》，Wavestone，2024 年）。 这一趋势凸显了数据对于决策和业务成功的重要性正在日益增长。此外，48% 的公司表示他们已经实施了“数据驱动”方法——这一比例达到了2023年的两倍。

▼以下是2024年企业在数据科学技能及人工智能领域的投资及效用情况调查结果 (Wavestone)：

数据，优化内部流程的载体

然而，数据是优化和创新的真正载体。尽管它们通常与提高客户理解和营销目标相关，但对这些“数据”的优化收集和详细分析也可以改善公司的内部业务管理流程。

事实上，数据是训练和使用人工智能模型的重要来源。 根据IBM的全球人工智能采用指数报告，在2022 年，已有35%的组织在其运营中使用人工智能。由于现在ChatGPT等语言模型 (LLM)访问和使用都非常便捷，这一比例自那时起可能有所增加。

以迪卡侬为例，该公司使用人工智能来管理线上和店内销售服务之间的订单和库存流动，特别是“点击提货”服务。 自COVID-19时期以来，此类服务的在线订单呈爆炸式增长。因此，迪卡侬必须调整其库存管理，并在订单准备和员工管理之间找到平衡，多亏了人工智能才能快速实现这一需求。

此外，迪卡侬多年来一直在优化其供应链方面进行投资。该战略的重要方面之一是为其所有产品配备RFID芯片。该技术使得实时跟踪产品成为可能，并且改善库存管理。

数据质量是一个主要问题

这种优化不仅仅是由数据驱动的，人力和技术专业知识仍旧是发展公司竞争优势的主要资产。事实上，并非所有收集到的数据都适合系统地运用。为了使一切标准化并接近预定义的标准，排序和清理步骤至关重要（《大规模时间序列预测：数据、建模和监控方法》，Vianney Bruned，迪卡侬数字，2022）。

数据的质量直接影响分析结果的质量和相关性，从而影响最终的决策。公司的主题和技术专业知识也可以实现数据的真正排序或清理。因此，深入探索提供了收集的样本和分布分析的概述。此步骤还可以改进策略以及收集工具，或识别将在分析过程中产生重大影响的收集偏差。

无论使用哪种分析工具（从商业智能到使用简单或高级人工智能模型），员工对数据的信任与否很大程度上取决于数据的质量。从分析师到决策者，处理低质量的数据浪费了每个人大量的时间，在清理、排序和分析阶段来来回回也增加了数据出错的机率。这种情况在数据集合的过程中会变得更加严重。总体而言，对数据的信任在公司运作过程中成为了一件“奢侈品”，运用数据的最终效果也与数据能够优化运营管理的承诺产生了一定的差距。

企业要真正成为“数据驱动”，数据质量是一个基本要素。不保证这一点，就不可能在各个层面做出可靠和明智的决策：运营、战略和执行。此外，在多方参与互动的企业生态系统中，高质量数据可以促进信息系统的互动和互操作性，尤其适用于与供应商的交流。

例如，迪卡侬会根据数据的清理、汇总和关键程度，在不同级别上对接收到的数据进行管理。设定质量指标可以监控数据质量的变化，并为数据生产者（例如某些内部服务）指明改进方向。

配置文件是必要的，但数据管理的财务成本也不容忽视

除了与数据配置文件、技能开发和必要工具相关的巨额成本之外，通常在线的数据存储还具有经常被忽视的财务成本。随着各行业数据量的爆炸式增长，管理这些数据的成本也呈指数级增长。例如，2022 年底，云服务提供商谷歌云平台改变了定价，特别是其数据存储服务上涨了50%。

这促使Maisons du Monde公司发起一项计划来诊断和优化这些云使用成本。其30%的营业额来自数字化，存储和收集的数据量不断增加。此外，每月还有数百名商业用户访问它进行分析，使我们能够 ：

• 确定可以存档和压缩的数据；
• 优化每天对数据库进行的业务查询；
• 根据员工的工作时间调整服务器的使用。

数据驱动方法，或组织范围的数据方法

在公司的不同部门（营销和销售、生产、人力资源等）中很容易观察到采用数据驱动方法的情况。我们看到这种方法已真正用于应对个别业务挑战。然而，要使这种成熟度惠及整个组织，就必须更大规模地发展它。

以数据为导向的组织整体方法虽然发展迅速，但尚未普及。许多挑战依然存在，阻碍其应用。为了应对这些挑战并充分发挥数据的潜力，必须落实几个关键要素：

• 明确定义业务和战略目标（应该优化什么？部门或公司应该关注哪些方面？）；
• 依靠内部业务专业知识以确定最相关的数据并保证清理质量；
• 正确的工具来处理和利用这些数据，并在决策过程中获得真正的运营和战略利益；
• 加强对数据文化的理解从而提高数据质量和效率。