摘要：如果人们真的存在疑问，那么支持将数据和智能技术嵌入到业务核心的争论已经得到了最终解决。在人工智能正在改变企业开展业务方式的时代，人们现在普遍认为，数据科学为组织提供了明显的竞争优势。

    如果人们真的存在疑问，那么支持将数据和智能技术嵌入到业务核心的争论已经得到了最终解决。在人工智能正在改变企业开展业务方式的时代，人们现在普遍认为，数据科学为组织提供了明显的竞争优势。
　　
　　以一家为每个客户提供个性化推荐的行业领先的电子商务零售商为例，采用人工智能，其每年的收入中增加近1亿美元。而一家欧洲电信公司，通过使用实时数据在最相关频道中为客户提供最引人注目的内容，从而大幅提高其转化率，高达50％。
　　
　　但是，一旦组织真正实现了“数据科学准备”，他们可以期待看到这些好处。这意味着采用在业务功能和流程中嵌入数据科学的新方法。如果他们这样做，其收益远大于投资。
　　
　　以下将探讨数据科学转型的五个不同方面，并研究分析和智能技术如何为当今和未来的成功奠定坚实的基础。
　　
　　为数据科学做好准备的的五种方法：
　　
　　1.重新思考人力资源。许多公司都在努力获取、开发和留住积极追求的数据科学和分析人才。随着需求持续增长，这些挑战只会更加严峻。数据科学人才的独特性要求对人力资源采取全新的方法，这意味着企业投资于专业招聘人员，并构建相关薪酬和激励措施，以吸引最佳人选。但即使是那些设法正确实施这些措施的企业也未能投入人才发展和保留。组织必须制定明确的职业发展路径，并投资于保留最佳数据科学家的学习文化，这一点至关重要。
　　
　　2.数据科学。整合数据对于分析具有很大的价值，无法与日常业务脱节。2017年Burchworks调查显示，近50％的数据科学家表示他们离职的一个原因是缺乏数据文化。组织需要将数据科学整合到更广泛的业务中，让数据科学家与公司内的关键决策者进行沟通，并提供数据驱动的见解，为整个组织的决策提供信息。
　　
　　3.解锁数据中的新情报。孤立的数据导致孤立分析，反过来导致有限的见解。通常情况下，科学家们常常能够通过他们的分析得出的影响数据是有限的，因为他们只能挖掘组织数据的一小部分。为了用数据科学来解锁价值，组织首先需要授权他们的开发人员在一个单一的数据库中创建一个统一的客户视图，其中包含干净的、结构化的和安全的数据。
　　
　　4.数据科学的产业化。即使他们成功聘用了优秀的数据科学家，许多企业通过让他们使用过时的技术来限制这些人才，而这些技术缺乏长期企业解决方案所需的规模、速度、可扩展性和安全性。虽然升级基础设施可能带来巨大的成本支出，但并不一定。一些技术提供商提供概念验证试验或弹性定价，使企业能够测试该技术。更重要的是，许多简单、低成本的投资仍然可以对业务产生转型影响。
　　
　　5.以新的敏捷性进行操作。通过分析和数据科学人才实现快速的价值和投资回报率需要一种新型的交付模式。从根本上讲，这意味着一个敏捷模型。是什么使它与众不同？代码频繁改动，原型测试得更快，来自真实用户的数据提供了可操作的反馈。所有这些都将帮助数据科学团队更加有效。
　　
　　这五个领域的每一个都需要详细地探讨，但请牢记以下几点：数据科学转型是一个旅程，而不是目的地。如果在整个企业范围内对其进行整体分析，则其影响大于其五个部分的总和。
　　
　　编辑：Harris