士卓曼（Straumann）集团这家全球牙科种植体、正畸和数字牙科制造商与供应商的CIO  Sridhar Iyengar 正在通过机器学习和人工智能增强其业务，将千万亿字节的数据转化为资产和新的业务收入。

Straumann集团的北美数据和技术总监（CIO） Sridhar Iyengar有一个大胆的使命：将这家拥有近70年历史的公司的数据和技术组织转变为全球牙科植入物、修补、正畸和数字牙科制造商和供应商的数据即服务提供商（data-as-a-service）——并为商业利益相关者提供机器学习（ML）服务。

“我的愿景是，我们可以为企业员工与合作伙伴提供‘钥匙’，以管理他们的数据并自行运行数据，而不需要通过数据和技术团队来帮助他们，”Straumann Group北美数据和技术总监Iyengar说。

这样做绝非易事。这家总部位于瑞士巴塞尔的公司在100多个国家运营，拥有千万亿字节的数据，包括高度结构化的客户数据、关于治疗和实验室请求的数据、运营数据以及大量且不断增长的非结构化数据，特别是成像数据。例如，该公司的正畸业务大量使用图像处理，以至于非结构化数据以每月约20%至25%的速度增长。

成像技术的进步为士卓曼（Straumann）集团提供了为客户提供新服务功能的机会（注：实现业务增长）。例如，成像数据可用于向患者展示矫治器（牙套）将如何随着时间的推移改变其外观。

Iyengar说：“它为我们的供应商销售他们的服务提供了强大的力量，同时从患者那里为我们获得了更多的NPS（净推荐值），”Iyengar认为人工智能将在Straumann的图像处理和实验室治疗业务中发挥关键作用。因此，为数据和技术团队的内部客户提供（机器学习）ML服务。

他说：“他们所要做的就是建立他们的模型并运行它们。”

但为了通过ML和人工智能扩大其各种业务，Iyengar的团队首先必须打破组织内的数据孤岛，并改变公司的数据运营。

他说：“数字化是我们数据全生命周期管理过程中最重要的第一项任务。”

一、出售数据转换的价值

Iyengar和他的团队规划为期三到五年的旅程中已经走过了18个月，这一旅程从构建数据层开始——将ERP、CRM和传统数据库等数据源封装整合到结构化数据的数据仓库中，同时将非结构化数据存入数据湖中。

这一步骤主要由开发人员和数据架构师负责，实现了数据治理和数据集成。现在，团队的信息架构师与业务分析师一起，正在研究语义层，该层将数据仓库和数据湖中的数据送入数据集市，包括金融集市、销售集市、供应链集市和市场集市。在合作伙伴Findability Sciences的帮助下，下一个目标将是将机器学习（ML）和人工智能（AI）管道构建成一个能够支持预测性和规范性分析的信息传递层。

“随着信息层的成熟，这就是机器学习（ML）和人工智能开始看到一些萌芽的地方，”他补充说，尽管数据转换是2021年签约时的迫切需要，但他想要一个更引人注目的愿景，来引导董事会和商业领袖主动解决这个问题。

为此，他的数据战略采用了防御性和进攻性策略。防守性包括数据管理的传统要素，如数据治理和数据质量。进攻性的一面，则是人工智能和高级分析的领域，其作用不仅仅是洞察力和业务优化。

Iyengar说：“进攻性的方面表现在如何创造收入，我们收集的历史数据中的所有洞察，以及事实上，预测即将到来的趋势。”“我们从进攻性方面获得的大部分数据都是非结构化的，我们希望确保这对商业领袖有意义，并帮助他们协调和丰富这些数据，使他们能够更有效地为客户服务，让客户得到数据，并以更稳健、无摩擦的方式利用Straumann的服务（DaaS服务）。”

毫不奇怪，正是这种进攻性让士卓曼（Straumann）的董事会投资于CIO的转型计划。

Iyengar说：“当以客户为中心和数字化转型的理念被提出时，以及数据转型，我认为这与他们产生了共鸣。”

二、为未来做准备

Iyengar的团队通过推行使用案例（用例）方法取得了成功，这与Strauman的核心业务之一没有什么不同。Iyengar说：“我们几乎采用了与患者展示的治疗前和治疗后图像相同的原则。”

该团队要求公司领导选择一些以客户为中心的分析图表，以说明如何使用数据创新来推动业务成果。目标之一是减少客户流失。团队首先将客户流失倾向分为两个值：一个用于保留现有客户，另一个用于获取新客户。它使用了典型的客户生命周期价值（模型）并分析了购买模式，为营销团队和销售团队提供了可以用来推动战略的洞察。

Iyengar说，采用这种方法在内部销售数字化转型，使这项工作变得更容易。他说：“我们看到所有（全球区域的）企业都批准了这项投资，以支持该倡议。”

与此同时，随着团队开始构建机器学习（ML）和人工智能（AI）功能，也必须转变数据和技术团队本身。

Iyengar说：“从传统学校的角度来看，我们固有的技能组合不适合其中的机器学习（ML）和人工智能（AI）部分。”“你需要的是统计学家和数学家，而不是程序员和编码员，对吗？因此，我们也一直在从文化和技能的角度改变自己。这需要自我学习的时间。我们最终有一个学习曲线，以建立我们内部的正确技能。”

Iyengar正在企业人工智能专家Findability Sciences的帮助下补充团队的技能。该公司的Findability.ai平台结合了机器学习、计算机视觉和自然语言处理（NLP），帮助客户进行人工智能之旅。

他说：“我的团队中有很多传统的ETL技能（Extract-Transform-Load的缩写，是一种数据仓库技术，用来描述将数据从来源端经过抽取（extract）、转换（transform）、加载（load）至目的端的过程）。”“但我们现在还不具备机器学习（ML）和人工智能（AI）的团队技术能力，合作伙伴正在这个领域帮助我们。”

Iyengar说，最终，这些变化将改变数据和技术团队与业务部门的互动方式。目前，它们在集中的“枢纽和辐条”模式下运行。但他说，在他的团队中雇用统计学家和数学家是不可持续的。相反，他真正希望在三到五年内将他们嵌入到更接近业务线的团队中，这样企业业务部门就可以自己运行模型。

他说：“现在，我们正在以100英里每小时的速度驾驶公交车，同时还需要更换轮胎，这无论如何都不可持续，尽管我为我的团队感到骄傲，可我们也必须为未来做准备”。