克服端到端 AI 项目设计中的障碍

根据 S&P Global Market Intelligence 旗下 451 Research 最近的一项研究，“超过 90% 的采用人工智能的组织在过去五年内开始开发他们的第一个人工智能项目。” 尽管处于初期阶段，但支持 AI 的解决方案在我们周围正在兴起。 然而，这些举措中的许多仍然没有达到预期——如果它们甚至可以部署的话。

为了取得成功，领导者应该选择和管理 AI 项目，并采用由明确的期望、与业务目标保持一致和迭代驱动的深思熟虑的战略。 让我们看看组织在设计成功的端到端 AI 项目时面临的常见障碍，以及如何克服这些障碍。

管理对支持 AI 的解决方案的期望

今天许多失败的 AI 项目让人想起 XNUMX 年代的企业软件项目，因为团队对新技术能够解决他们的问题寄予厚望，开发项目正在脱轨。 无论是过去还是现在，一个主要的缺陷是对您的解决方案实际可以解决的问题抱有过高的期望。

假设通过收集足够的数据，一切都会突然变得透明，这是很危险的。 您可以预测客户行为或提出完美的建议来预测他们的需求。 不幸的是，世界远不如人们希望的那样可预测。 虽然确实会出现有用的模式，但并非所有事件都是因果关系甚至是相关的——许多事情的发生只会产生噪音。

与此同时，许多组织看到他们的同行实施人工智能解决方案，并感到跟上步伐的压力。 如果您不了解推动同行成功的因素以及它是否适用于您自己的组织，那么仅仅为了“跟上潮流”而投资人工智能可能会适得其反。 通常，在 AI 项目中有优势的公司 数据策略和业务流程 使他们能够为 AI 收集和利用正确类型的数据。

归根结底，管理对 AI 项目的期望始于能够清楚地阐明哪些问题可以通过 AI 真正解决。

为您的问题选择正确类型的 AI 项目

您的 AI 战略是否与您的业务目标一致？ 项目选择可能是组织在 AI 计划中面临的最大挑战。 真正了解您要回答的问题，如何（以及是否）回答该问题将带来改进的业务成果，以及您拥有的资源是否可以成功和有效地回答它，这一点很重要。

假设您想使用预测模型来确定何时以及为客户提供何种折扣。 引入数据科学团队！ 但这实际上是一个非常具有挑战性的预测模型问题。 首先，很难知道您的客户是否会在没有折扣的情况下购买产品。 并且以足够严格的统计数据收集必要的数据来生成有用的模型可能会涉及一些对业务来说不自然的过程——比如随机分配哪些客户可以获得折扣或哪些销售代表可以提供折扣。 这给情况增加了很多复杂性。

使用 AI 解决此问题的更好方法可能是探索您在不同折扣制度下期望的客户行为的模拟模型。 模拟和情景规划可以帮助人们在做出业务决策时发现哪些变量相互敏感，而不是折磨系统以获得精确的预测。 问问自己：我们需要什么样的客户反应才能使这个折扣有意义？ 这种探索潜在结果的练习比建立一个复杂的数据科学实验更有效，当然也更容易。

让您的团队为成功做好准备

了解收集和整理您的数据的目的、过去如何使用以及未来如何使用这些数据对于对数据进行任何类型的 AI 活动都至关重要。 使用完整的数据训练模型非常重要，这些数据代表您进行干预时现实世界中可用的数据。 例如，如果您的交易管道中有多个阶段，并且您想预测交易在第五阶段完成的可能性，那么您就不能在第三或第四阶段的交易上运行模型并期望得到有用的结果。

数据科学家在理解数据代表的细微差别以及它是如何生成的方面经常存在差距。 哪些人力和技术流程在创建数据中发挥了作用，数据在您的业务环境中究竟意味着什么？ 这就是接近数据的分析师和业务用户——以及你试图用它解决的问题——非常有价值的地方。 我们喜欢 将 AI 视为一项团队运动 因为除了数据和模型素养的基线之外，成功还需要业务背景。

最后，如果组织过于专注于数据或技术，则项目成功的一些以人为中心的方面可能会被忽视。 通常，人工智能可以做出预测，但如何将预测转化为推荐行动取决于某人。 该建议是否有助于提供明确的行动，以及人们愿意遵循的行动？ 您是否正在创造一个可以有效接收这些建议的环境？

预测某事只是有时有用。 您是否愿意调整价格、产品数量或人员配置，甚至改变您的产品线？ 需要什么级别的变革管理，以便人们接受新的解决方案并发展他们既定的行为和流程？ 信任来自于一致的行为模式和继续教育企业的意愿； 如果你要从根本上影响人们的工作方式，他们需要参与其中。

从小处着手并迭代

让我们根据我们在与客户合作时所看到的情况来结束一些指导。

通常，最好的第一个 AI 项目是最容易操作和投入生产且变更管理最简单的项目。 尝试构建能够尽快交付价值的东西，即使这是一个非常小的增量改进。 并让您的客户、业务用户和利益相关者尽可能接近开发过程。 旨在创造一个良好反馈的环境——无论是在收集更多数据以迭代改进模型的意义上，还是从利益相关者的输入以改进项目及其结果。

有了人工智能，总会有解决方案失败的边缘情况。 但最好找到适用于大多数客户或员工的解决方案，而不是开发仅适用于少数定制用例的真正华而不实的概念证明。 归根结底，人工智能应该减少摩擦，让人们更容易完成工作并做出明智的决定。

要了解有关 Tableau AI 分析的更多信息，请访问 tableau.com/ai.