大数据文摘出品
作者：魏子敏
大数据和人工智能已然成为了这个时代的主题曲，与此同时，焦虑感也开始在行业中蔓延，从初创公司到行业巨头，都急切地想要跟上这股越炒越热的浪潮。
媒体、行业报告中曝光的例子往往让人心动：传统行业通过几个月的部署，迅速引入大数据领域人才、上马一套完整的数据库，并建立较完整的数据搜集分析流程，产生立竿见影的价值。但在数据化转型的真实尝试中，很多企业却面临着数据团队建设目标不清晰、业务界限模糊、人才缺乏等问题。
10月22日，在米兰召开的SAS Analytics Experience 2019大会上，SAS这家专注数据分析40多年的软件公司，发布了一系列产品和调研报告，并尝试告诉这些亟待转型的公司，在数字时代如何应对焦虑、顺利转型。
2019年10月22日至23日，SAS Analytics Experience 2019峰会在意大利米兰举办
“公司的数字化转型意愿都很强烈，但是失败并不少见。”在峰会首日的keynote演讲中，SAS公司执行副总裁、COO&CTO Oliver Schabenberger总结了不同公司变革失败的四大因素：没有调动各阶层积极性、缺乏清晰变革策略、无调动力的领导层、部署的“最后一公里”无法实施，并针对每一点，一一给出了对应的解决方案。
调动公司各阶层参与，推进“分析民主化”
Oliver在演讲中指出，在SAS接触的客户中，很多公司面临最大的问题之一是没有调动公司全部阶层共同参与转型过程，而只将其看作某些部门的工作内容。
SAS公司执行副总裁、COO&CTO Oliver Schabenberger在峰会发布演讲
由于公司实施数字转型的团队并不直接产生价值，其价值落地多通过与业务团队有效合作产生。因此，业务团队对数据团队的工作是否满意、有多大合作动力，在很大程度上影响着数据团队的工作效率。
传统业务领域的参与者一方面受制于数据分析本身的技术门槛无法跨进来，另一方面也很大程度归咎于公司内部没有建立起一体化的智能和分析文化。
“数字化转型不只是数据科学家的事情，需要全公司各阶层的共同参与。”会后，Oliver告诉大数据文摘，SAS将这一过程称为公司“分析民主化（democratizing analytics）“过程，希望通过完整的系统构建和文化建设，让更多人参与进数据化和智能化转型中。
为此，SAS近日也对于其人工智能解决方案进行了升级，以帮助组织提高效率并通过自动化快速实现价值。最新版本的SAS ® Viya ®提供了更智能的分析技术，可供数据科学家和商业用户分别使用。比如增强功能提供了智能流程，可以自动化数据转换和构建机器学习模型所需的许多手动和复杂步骤，只需单击一下，即可自动化分析生命周期，完成从数据整理到功能工程和算法的多种选择。
为了进一步使AI解决方案民主化，SAS最新自动化建模过程使用REST API。这有助于开发人员在使用SAS Analytics时自定义业务应用程序。此外，用户可以轻松地嵌入开放源代码并使用SAS扩展其分析，从而提供真正的开放体验。
完善变革策略，推进整体性“数据化决策”
在咨询公司Futurum Research与SAS联合发布的《展望2030：消费体验未来研究报告》（下称报告）中，描绘了2030年公司行为和消费者行为将进一步数字化。报告称，10年后，67％的客户行为将由智能机器而非今天的人工代理完成。到2030年，与客户互动期间做出的决定中有69％将由智能机器完成。
也就是说，未来公司运营决策中，小到客服回应，大到公司战略，都将在很大程度上依赖数据智能完成。而要让整个公司适应这样的数字化决策流程，必须从现在起开始准备。
这时候，一个清晰且至上而下的变革策略就显得至关重要。
Oliver告诉我们，目前的情况是，所有公司都能够意识到自己需要数字化转型，需要数据化决策，但是如何形成一套一体化的系统仍然不清晰。
SAS公司执行副总裁、COO&CTO Oliver Schabenberger接收大数据文摘专访
“我们看到，即使有一些决策是基于分析和数据制定的，这些决策依然是基于公司中不同部门的‘孤岛数据’“，Oliver在采访中表示，“更重要的是一个整体的看法，比如能否提供所有数据的交互视图？或者在另一业务线的先前决策中，该业务线的信息应该如何处理？这就要求数据分析系统可以向内追溯，并且跟踪公司业务的演变。“
SAS也因此将集成性作为平台的最重要性能之一进行研发。“我们看到由于缺乏一致性的系统，许多好的数据科学工作被浪费了。这也是我们的核心优势之一，贯穿整个数据分析生命周期：从如何清洗数据？如何准备我的数据开发模型，到部署它们，使其真实有效，并投入生产。”
大会现场，意大利初创公司Yolo的创始人兼首席执行官Gianluca De Cobelli演示了如何通过SAS一体化的数据分析系统变革传统的保险业务。该公司的数字保险平台可按需访问旅行，产品，健康和宠物保单。在SAS机器学习的推动下，Yolo的平台可以为客户定制临时保险单，而没有滞后时间。
Gianluca称：“借助SAS，我们的平台能够使用所有可用数据实时处理客户的请求，使我们的金融机构和公司合作伙伴能够为客户提供定制、动态、移动的体验。”
打破“部署的最后一公里”难题
数据团队将工作局限于搜集和分析数据是远远不够的，只有数据能够真正驱动行动的时候，数据科学的价值才能显现。数据应该去推动产品的迭代完善，同时能够驱动所在组织或机构的关键绩效指标。
而就Oliver称，最后投入生产的过程，也即所谓的最后一英里往往最难做到。“我们在调查中发现，一半的开发模型无法投入生产。”
究其原因，Oliver告诉我们，一是很多模型并不是基于业务考虑而开发的，二是很多公司投入生产的模型周期太长，90％花费了三到四个月的时间，而从开发到部署，很多数据已经发生了巨大的变化。
“因此，我们一直从一开始就基于一些不确定性，选择鲁棒性更好的模型来提高生产率，然后弥合差距，并确保它们确实在被使用。“
至上而下推进，有效的领导力至关重要
一个组织或机构数据文化的建立往往是“一把手工程”，需要高层自上而下的全力支持：要确保数据能够真正驱动行动，需要数据科学家、工程师和产品经理的协同配合，而所有这些又都需要高层的支持和承诺，将数据明确列入制度流程，确保全组织或机构都能依靠数据来做决策。
公司能否有领先市场的发展，决策者的眼界非常重要，高管对数据是否敏感，能否下决心把数据推动做好，决定了这个公司的前景和竞争力。
SAS创始人，年近八旬Jim Goodnight一直以一位“统计学家”自称，在今年的演讲中，他一直强调数据和管理的重要性。受其影响，整个SAS的数据驱动文化也颇为强大，高层对数据和技术非常敏感，也将这一文化贯穿进了客户服务的整个过程。
基于这些经验和整个公司的数据文化，SAS在分析领域目前已经服务了全球超过100家大型客户，根据IDC报告《2018年全球大数据和分析软件的市场份额报告》的结果，SAS在分析软件市场份额预测中占据27.7％的市场份额，名列第一位，该类别的收入每年也在持续增长。
