【睿观：AI时代，数据信任非可选项而是强制要求。治理驱动分析成熟度，赋能ML与GenAI，实现超越直觉的智能决策，是确保持久竞争优势的关键基石。】

在《优先考虑人工智能投资：平衡短期收益与长期愿景》一文中，我探讨了数据信任在制定可行的人工智能投资策略中的核心作用。这一原则始终不变：数据若不可信，则毫无价值。无论企业计划通过人工智能还是企业分析来做决策，与业务关键决策相关的风险都是巨大的。

图源：Dion Eusepi

大多数企业的业务决策者都依赖分析工具来做决策。这些工具的复杂程度从高端解决方案如Power BI、Tableau、SAP Analytics或IBM Cognos，到中端解决方案如Domo、Qlik，甚至是最经典的Excel，覆盖范围广泛。商业智能（BI）平台及其应用在大型、中型甚至小型企业中都已普及。

根据《财富商业洞察》的数据，全球约67%的员工可以使用商业智能工具，75%的员工可以使用数据分析软件。此外，Dresner Advisory Services的一项研究发现，84%的受访企业认为商业智能对其业务运营“至关重要”或“非常重要”。然而，一个令人不安的事实是，尽管大多数企业使用数据并重视这些工具，但许多决策者更倾向于依赖直觉而非数据。事实上，商业应用研究中心（BARC）的一项研究显示，58%的受访者表示，其公司至少一半的常规业务决策是基于直觉或经验，而非数据和信息。

这种现象背后有两个关键因素：

• 因果数据与相关数据的区别
  

• 数据成熟度与业务成果的关系

过去一个世纪中，统计学的一个核心原则是通过相关性推断因果关系。例如，一个分析仪表板可能将物流数据中的运输缺口与仓库发放数量相关联，但这并不意味着两者之间存在因果关系。2011年图灵奖得主Judea Pearl（朱迪亚·珀尔）在其著作《为什么：因果关系的新科学》中指出：“相关性不等于因果关系，数据本身并不理解因果关系，人类才具备这种能力。”只有通过积极的治理和可信的上下文，将数据与业务的复杂性联系起来，我们才能超越直觉，实现真正的数据驱动决策。根据IDC的研究，数据成熟度高的企业收入增长速度是其他企业的三倍以上，同时（产品或服务）上市时间更短，利润率更高。

一、数据信任与治理：企业分析的基础

尽管分析工具已被广泛采用，但其实际影响仍取决于数据质量和治理水平。麦肯锡的研究表明，拥有成熟治理框架的企业报告成功分析项目的可能性是没有这种框架的企业2.5倍。这是因为良好的治理为分析成功创造了环境，包括数据质量保证、标准化定义、明确的所有权和清晰的数据沿袭。

缺乏治理和信任的企业在采用复杂分析工具时面临更高的风险。没有坚实的数据基础，即使是最先进的机器学习模型也只能提供表面化的分析。Gartner指出，缺乏数据管理实践和治理严谨性会显著阻碍数据和分析战略的准备，最终影响人工智能的实施。

二、机器学习如何重塑企业分析

作为一名消费品行业的企业架构师，我亲身体验了机器学习如何通过模式匹配捕捉业务语义的细微差别。这让我意识到，对于产品数据来说，不存在单一的事实来源，只有关于产品的事实和反映业务语义的上下文数据。

机器学习（ML）是企业分析的变革者，帮助企业从复杂的数据集中提取深刻洞察。作为人工智能的一个分支，ML通过在大型数据集上训练的算法识别趋势和模式，而无需明确编程。随着企业将越来越多的非结构化数据纳入数据仓库，这种能力变得至关重要。

定量模型通过统计、数学和计算技术分析业务问题，帮助业务分析师识别趋势、模式和关系，为战略决策提供依据。ResearchGate的研究表明，利用定量分析的领导者可以更可靠地预测未来趋势、优化运营、改进产品供应并提高客户满意度。

描述性分析通过分析历史数据提供对过去业务表现的洞察，揭示数据中的有意义模式，为更高级的预测性和规范性分析奠定基础。

三、生成式人工智能的革命性影响

到2025年，生成式人工智能（GenAI）正在彻底重塑分析格局。通过自动化传统手动流程，GenAI显著缩短了研究工作流程的时间。例如，曾经需要数小时手动完成的任务（如筛选研究、综合发现和生成假设）现在可以在几分钟内完成。这种效率提升使研究人员能够将更多时间用于高价值分析和洞察生成。

更重要的是，GenAI通过直观的界面（由大型语言模型驱动）打破了技术障碍，使非技术用户能够即时从复杂的数据集中获取答案和洞察。这些对话式的交互系统不仅根据问题本身，还根据提问者的角色和上下文提供答案。现代BI仪表板将不再是简单的数据可视化，而是结合数据点与基于对话、角色和上下文的推理。这种民主化正在推动整个组织的数据素养发生根本性变革。

德勤的研究表明，专注于少数高影响用例可以显著加速人工智能实施的投资回报率。这种战略性方法帮助企业在生成式人工智能模型日益商品化的市场中实现差异化，同时在不限制创新的情况下实施有效的AI治理。

四、2025年企业分析：人工智能与分析的融合

到2025年，传统的BI仪表板将被人工智能驱动的智能系统取代。这些系统将用户体验从查询和响应转变为基于代理的规划和执行，具备验证准确性、自动化流程、适应性和业务影响。企业正在超越实验阶段，转向规模化运营人工智能以应对实际业务挑战。

企业数据平台供应商，如Snowflake和Databricks，正在从数据聚合和清理转向支持系统交互和参与的智能系统。行业也在从通用人工智能解决方案转向专注于解决特定行业挑战的实用型应用，如医疗、制造、金融和电信。像SAP、Salesforce和微软等公司正在开发代理式人工智能解决方案，将数据从洞察转化为行动。

数据和分析领导者需要重新审视企业分析的角色。每个业务计划都需要访问组织数据，如果数据策略无法提供灵活、可靠和受治理的访问方式，这将成为重大障碍。有效的治理是推动智能分析在整个业务中普及的关键。

五、数据信任是强制性的，而不是可选项

随着企业分析向人工智能驱动、实时和民主化能力的演变，那些建立了强大数据信任和治理基础的企业将最有可能利用变化获得竞争优势。Oracle和Seth Stephens-Davidowitz的研究显示，72%的高管表示，当他们信任数据时，决策速度会显著提升。将信任和治理置于数据和分析策略核心的企业拥有显著的竞争优势，包括更快的洞察、更高质量的决策、更大的敏捷性和可持续扩展的分析能力。

成熟数据治理与缺乏数据治理的企业之间的差距是明确的竞争分水岭，使治理成为进步企业的优先事项。在传统分析与生成式人工智能和机器学习融合的背景下，优先考虑数据信任的企业将是那些真正改变业务决策并确保在人工智能时代获得持久竞争优势的企业。

作者：Dion Eusepi（迪翁·尤塞皮）

译者：穿山甲