“我们知道从我们的首席数据官研究和调查数据和分析领导人参与战略发展能够提供业务价值远比那些不。”

“数据和分析领导人努力优化业务价值,还有经常缺乏一致性的关键任务的优先次序。”

“你作为数据和分析领导人需要函数作为组织的主要价值军官。”

“咆哮(风险、机会、食欲,并返回)模型提供了一种系统化的方式为每个项目得分的好处和风险,然后考虑这些举措的组合的最优投资组合。”

“虽然我们有模型可以帮助你思考和优先级,这些模型背后是什么,是很重要的。想胜过做。”

“优化值数据和分析是一个持续的过程。这不仅仅是一个一年一次的活动,这不仅仅是一个季度活动——你需要考虑它作为中央管理的一切。”

学习如何使用数据和分析在Gartner电子书免费重新设计决策“未来的决策。”

“很多项目失败,使其生产不足或矛盾的现实世界的训练数据。组织可以使用各种技术来应对低可用性的训练数据的挑战。”

技巧# 1 -扩展你的数据收集策略。数据目前被忽略或黑暗的数据可以缺失的部分机器学习应用程序需要知道什么。

技巧# 2 -花更多的时间在数据预处理。例如,消除异常值,找到失踪的变量,过采样,等。随着这些,许多数据科学平台包含工具和特性来支持这个预处理。

技巧# 3 -数据共享。共创国家或国际联盟,收集数据并使用联合学习方法,数据可以共享在企业在不影响数据隐私。

技巧# 4 -众包。谨慎的众包数据不是从专业的数据提供者,但从互联网用户。

神话# 1:AI功能超越人类的能力。“欺骗,他们允许计算机五大精度指标。这意味着计算机允许五猜测,只有其中一个猜测是正确系统的分数‘正确的’。”

神话# 2:人工智能是扰乱行业。“当你应用人工智能,有许多用例,这都将导致更好的节约成本,客户满意度,减少停机时间,减少风险,但所有这些事情,我们将会看到更不一定转化为巨大的破坏。”

神话# 3:人工智能是智能。“我们创建的系统不明白,他们只反应。”

误区4:AI可以做任何事。“人工智能的谱问题可以解决令人惊讶,但我们不得不说,人工智能是一个点的解决方案。欺诈检测解决方案不会开车。”

误区5:AI将取代人类的智慧。学习”与我们的灵活性,来理解事物,和超快和自适应,还需要很长一段时间之前,AI将取代人类的智慧。”