简而言之，数据科学加速了业务增长。苏迪普·饶，通过指出全球每年投资近 300 亿美元用于人工智能 (AI) 和机器学习 (ML) 项目，提供了确凿的证据。BI 和分析调查表明的94% 的调查参与者表示“数据和分析”是其业务数字化转型的重要因素。

业内人士提供了这些赞成的论据将每个企业转变为数据驱动的组织：

借助数据洞察力和数据驱动的竞争情报，企业能够做出更出色的决策。
多种形式的产品和服务相关数据——客户数据、产品日志、产品评论数据、竞争对手产品数据、市场分析数据、技术分析数据——有助于创造更好的产品和服务。
从日常业务职能中收集的运营和交易数据有助于提高业务效率和成本意识。
高级数据分析，例如预测分析，帮助利用市场情报来对未来做出准确的预测或预测。
支持数据的工具还有助于衡量数据驱动的业务决策的成功或失败。
从职业的角度来看，数据科学领域提供了当今就业市场上最好的工作和薪酬机会。
因此，无论您选择哪种方式来评估数据在业务中的作用，数据都会成为赢家。使用人工智能和数据科学来提高工人的生产力  解释了数据科学如何提高企业的生产力，即使员工远程工作也是如此。

将数据科学带入组织的常见障碍
据福布斯报道，数据和数据技术经常孤立地运作，使数据管理团队远离主流业务活动。一种德勤调查表明，63% 的大型组织高管认为他们的组织缺乏以数据为中心的基础架构，而且业务团队通常与数据管理团队几乎没有联系。以下因素经常被描述为引入的主要障碍数据科学进入组织：

缺乏行政重点
缺乏整体组织技术战略
开发和维护内部数据团队所涉及的成本
数据安全和隐私问题
跨业务功能的孤立数据（无集中控制）
人才的缺乏，当然可以通过数据科学来缓解
最近的一篇博客文章揭示了数据意识面临的问题不知道从哪里开始的企业。其他文章引用沟通鸿沟作为通过数据实现预期业务目标的最大绊脚石。在许多情况下，尽管可以访问高级 BI 工具，但业务用户仍使用 Excel 或其他电子表格来报告结果。

然而，正如大多数行业文献表明的那样，发展数据素养组织中的程序可能是灌输“数据文化”的正确方法，以便所有业务用户，无论他们的工作角色或名称如何，都可以开始解决数据问题。

在组织中建立数据素养
在这个优秀的有纸，Catherine D'Ignazio 教授和研究科学家 Rahul Bhargava 将数据素养描述为“阅读数据、处理数据、分析数据和与数据争论”的能力。

中型或大型组织的典型方法是将数据科学团队专门用于解决最复杂和紧迫的业务问题。从理论上讲，这种方法听起来是对的，但实际上，一种更全面的方法，涉及多功能团队成员，通常会产生更好的结果。这里有一些方法可以使数据科学民主化在企业：

开发优秀的数据素养计划，以改善数据科学人员和其他业务用户之间的沟通和知识共享。当每个人都开始使用相同的数据语言时，通过数据驱动的洞察力解决业务问题变得更加容易。
确定可以通过数据支持的解决方案解决的核心业务风险或机遇。
建立由一名或多名“公民数据科学家”组成的工作团队。如果数据素养计划已在整个企业中成功实施，这应该会自动发生。
在开发团队中分配有限数量的数据科学家，以便他们的才能最好地用于最具战略意义的业务需求。
上述链接中引用的 HRB 作者使用体育领域 (NBA) 的有趣类比来说明这一点。虽然将最优秀的数据科学人才投资于战略运营具有极好的商业意义，但同样谨慎地在整个组织内培养和发展数据科学——跨职能和工作级别，以最大限度地发挥基层数据科学和协作决策的好处。

Gartner 预计，到 2020 年，80% 的组织 将在其组织中实施数据素养，以在业务中充分利用数据科学。

让您的组织为数据科学做好准备
尽管大型组织已经能够建立他们的数据中心和数据科学团队，以通过高级数据分析解决他们的业务问题，但沟通鸿沟“技术人员”和“非技术人员”（业务用户）之间的关系为实现预期结果设置了巨大的障碍。

在许多情况下，业务用户虽然是优秀的领域专家，但未能用数据语言传达他们的业务目标和期望，从而阻碍了技术专家从可用数据资产中实现全部业务成果的能力。

这些措施可以帮助组织为跨职能的数据驱动业务成果做好准备：

C-Suite Buy-In：所有业务决策，无论是技术上的还是其他方面的，都从顶层开始。因此，管理组织的高管和其他业务领导者首先必须确信为数据驱动的决策做好准备的重要性。
培养对先进技术的兴趣并了解这些技术在日常业务决策中的作用可能是将业务人员导向以数据为中心的业务模型的最佳方式。

数据素养计划：缩小数据科学团队与其同行之间不良沟通差距的唯一方法是支持和实施强大的数据素养计划。
所需的 IT 设置：现代技术，如云、物联网、人工智能、机器学习、边缘计算和许多其他相关技术，现在使大大小小的组织都可以访问支持数据的平台和服务。
大型组织通常拥有数据中心和数据科学团队，但即使它们也越来越多地将内部部署与混合云或多云架构相结合，以扩展其现有 IT 基础设施的功能。此外，在基础设施、人员或预算方面没有适当 IT 资源的中小型企业现在可以以最低成本从基于云的服务提供商处购买服务。

这里的问题是针对缺乏内部数据中心的组织——他们能否建立数据素养计划以使他们的业务人员具备数据素养？也许是的，因为大多数培训或教育计划也可以在托管平台上使用。

建立数据文化：这也许是成功的自然结果数据素养程式。在完成足够的数据素养培训后，所有业务人员，无论部门或职位，都可以与数据科学家、数据工程师或数据架构师等高技术人员进行顺畅的沟通。沟通或协作是一方面；数据文化的另一个方面是教每个业务用户使用数据解决日常问题。
在组织中建立数据科学团队
主席电子音乐委员会— 一个促进 DS 标准、最佳实践和培训的全球组织 — John Bottega 说：“在某种程度上，建立和维护强大的数据科学团队是一门艺术。”

企业数据科学团队的负责人有时是首席数据官或 CDO，2002 年在金融服务公司 Capital One 率先担任该职位。数据和分析咨询公司在 2020 年进行的一项调查新的华帝合作伙伴, 表明 65% 的受访公司（85 家大公司）拥有 CDO。

一个强大而有效的数据科学团队通常包括数据科学家——数学、编程、统计和数据挖掘方面的专家；数据工程师——具有计算机科学或软件背景的专家，对数据采集、存储和准备等数据基础设施问题具有特殊知识；数据架构师——构建数据系统和数据架构设计蓝图的整体“有远见的人”；最后是数据分析师——收集和维护数据、使用工具解释数据、为最终用户准备报告并为忙碌的数据科学家腾出时间。

最近，甚至人工智能和机器学习的科学家和工程师也加入了 DS 团队，通过提供培训模型来加强数据科学家的工作。

真正的数据科学团队还欢迎业务分析师、数据可视化人员和公民数据科学家（业务用户转变为数据专家），他们在日常数据驱动的组织中发挥着积极作用。

以下是对计划建立成功的数据科学团队的企业的其他建议：

根据技术目标，最好的团队成员将展示技术和业务技能的结合。
培养探索性学习的文化是在解决日常业务问题的同时发挥团队成员才能的最佳方式。
开发能够促进技术专家和业务专家之间协作的项目将增强团队精神和协作解决问题。
指导计划将帮助青少年更快地行动，常规训练营可以帮助所有团队成员跟上当前的技术。
开发“人才管理”计划可能有助于留住最优秀的数据科学家。
数据科学最佳实践
这里有一些最佳实践通常被成功的数据驱动型企业采用：

专注于数据质量，为人工智能和机器学习模型提供数据训练的最佳机会。
准确的数据标签或标签：很多时候，不清楚或不准确的数据标签会阻碍训练模型的性能，并可能导致不准确的结果。
企业、以人为本的数据治理 (DG) 必须到位，以促进为 DG 定义的数据管理角色、职责、沟通渠道和控制。
先进的数据安全技术实时监控和管理数据威胁和安全问题。
由于初创公司的惊人增长在全球范围内清晰可见，因此如果不提及初创公司，任何关于在组织中引入数据科学的讨论都是不完整的。

将数据科学引入初创企业
一个印度分析杂志文章为初创公司建立数据科学团队提供了指导。这篇文章恰如其分地揭示了将数据科学引入初创企业的当前挑战。

根据该帖子，无论在哪个行业，有助于塑造数据科学设置的因素是业务的成熟度和人工智能目前在产品开发中的参与。

创业公司的成熟度通常取决于运营预算、未来的融资可能性、当前收入、增长前景和用户。这些因素将有助于准确确定初创公司处于哪个成长阶段。

由于当今大多数企业已经以数据为中心，因此评估其数据友好性的下一步可以通过人工智能在其整个产品生命周期中的参与来确定。涉及人工智能的初创公司可以进一步分为早期或晚期（成熟）阶段。

根据文章，最后一类是非人工智能初创公司，同样包括早期和后期业务。

将数据科学引入其业务模型的方法对于上述每个类别都是不同的。

相关帖子DA内容精选 2022年300个以上最佳免费数据科学课 大厂数据分析面试指南！来自亚马逊、谷歌、微软、头条、美团的面试问题！ 机器学习模型方法总结 历史最全机器学习/深度学习/人工智能专业术语表中英对照表 机器学习如何应用于商业场景？三个真实的商业项目 数据工作者的自我修养 | 哪些技能是必不可少的？ 《汗牛充栋：数据分析书籍分享》CDA网校新课上线 文本挖掘常用的107个语料库 一图读懂“东数西算”工程 零基础转行数据分析，看这篇文章就够了