1. AIIA人工智能资讯网首页
  2. 人工智能

壳牌是如何成为一家数据和AI驱动的公司的?

成为数据驱动型企业需要具备什么条件?这是每个企业和组织都需要面对的问题。作为一家全球性的能源和石化企业,壳牌(Shell)正在努力地以数据为驱动,推动业务发展,而且其表现也相当出色,其中,壳牌数据科学经理Dan Jeavons是重要推动力之一。下面就来看看他们在优先考虑数据驱动转型时都有哪些经验。

为什么企业必须以数据为驱动?

每年增长30%听起来很有吸引力吗?根据Forrester的说法,这是数据驱动型企业除了盈利和获得并保留新客户之外,可以期望实现的另一大目标。大多数企业都意识到了数据对于决策的重要性,但是,从了解到付诸行动,并不是一件那么简单的事。

下面是壳牌公司的一些最佳实践。

以战略性思维审视数据

任何数据策略的出发点,都必须是审视你自身的业务挑战——你的业务战略、总体业务目标、最大的挑战、未解决的问题都是什么。

在开始投资数据基础设施和数据驱动决策之前,你先退后一步,想想数据与业务战略有怎样的关联,这将有助于确定自己到底需要什么。

Jeavons解释了他在壳牌实施的“双轨”策略。“考量文化、标准、技术以及制定与之相关的决策很容易,但我们必须让这些因素变得对企业来说至关重要。我们要做的就是考虑最小可行性产品,这将会对业务带来重大影响。然后大家达成统一,确定哪些数据是真正重要的,如何投资数据质量、数据标准和技术,以大规模提供支持。”

除此之外,审查有权限访问的数据、确定如何实现数据多样性、必须获得哪些新数据集来解决特定的业务挑战,这些问题的考量也是十分重要的。

向科技企业学习

壳牌公司以及整个石油和天然气行业在很长一段时间以来,所拥有的数据具有不可思议的密集性。但是,随着云、数字化和新技术的兴起,数据的价值和重要性也不断提高。

Jeavons说:“我们一直努力思考的是,如何在企业上下使用数据。我们意识到,基于云的科技企业已经具备了一些技能,他们考量数据的方式与过去截然不同,所以,我们希望能向这些企业学习。”

Jeavons鼓励企业组织利用最佳实践,从市场中汲取经验,为所在的企业带来专业知识。

数据技术与学科

一旦你确定了数据源并知道从何处获取所需数据之后,就必须查看一下所需的技术和工具,从而确定数据的存储位置、如何分析数据、以及如何将这些数据转化为具体的价值。在这个过程中,技术是推动数据驱动型企业发展的另一个关键因素。

Jeavon解释了壳牌公司在收集数据和保存数据方面的原则,“当你踏上这条路的时候,很容易被诱惑着去处理大量数据然后寻找问题。我们的经验是,如果将所有数据存放在一个位置,就会很难筛选。”

为此,壳牌建立了一个惊人的数据集,Jevon宣称这可能是全球最大的精选数据集。他说:“同时,我们只提取那些能够推动业务的数据集,而不是所有数据集。”

从这方面来看,数据既是资产,也是潜在的负债。对于企业组织而言,重要的是只汇总和集成那些已知具有价值、并且可控的数据。企业需要很清楚,为什么要收集这些数据以及从中能获得哪些收益。在你的设想中,未来将如何使用这些数据?你如何以一种安全、可靠、管理良好的方式应对数据访问控制问题?当有人获得对这些数据的访问权时,他们怎么能知道他们将能查看到什么数据?——这些问题需要被一一解决。

技能与组织文化

除此之外,确保企业组织中的人员有能力使用和访问数据,知道如何使用数据以及如何获得洞察,这些非常重要。企业文化需要支持基于事实的、由数据驱动的决策,并确保得到了支持。

Jeavon解释说,在壳牌,他们把时间投入在数据科学家和其他核心工作的专业化上,他们花费所有时间来研究壳牌遇到的最复杂的问题。他们量身定制培训计划,将这些角色与企业涉及到的其他学科保持一致,例如,让数据科学变得和石油物理学一样重要。

然后,对于草根数据科学家(业务中需要使用数据来解决问题的员工),壳牌必须确保他们知道如何访问数据、如何开发自己的算法以及如何使用数据。

在壳牌,有一个名为Shell AI的社区,大约有2000人参与其中,他们正在学习以全新的方法利用数据提高自身业绩,这令人兴奋其充满吸引力。大家开始大规模采用这种方法,学习如何在自身专业领域更好地使用数据。壳牌会在上面举行数据专家和AI社区之间的黑客马拉松比赛,在很短的时间内合作开发小型快速的解决方案。

最后,壳牌推动数据驱动型业务文化涉及到的其他重要领域是业务和数据群体,也就是业务和数据技术部门。壳牌投入巨资培训这些人员,与他们一起,从业务成果角度出发,把他们所所需的内容转换为数据科学家需要做些什么。这些群体是很重要的,他们倾向于从商业世界中发现自我,对使用技术并将其用于解决业务问题具有浓厚的兴趣。

数据治理

成为数据驱动型企业的最后一个组成部分,是数据治理。每个企业组织都需要确保他们安全地处理和保存了所收集来的数据,正确构建了法律框架,并知道谁有权限访问这些数据,以及谁可以使用这些数据。

原创文章,作者:人工智能资讯网,如若转载,请注明出处:https://www.cnaiia.com/data/906.html

发表评论

登录后才能评论