2023年4月4日 – 根据Gartner的一项新调查,不到一半的数据和分析(D&A)领导人(44%)表示其团队能够有效地为所在的企业机构提供价值。首席数据和分析官(CDAO)必须重视形象、坚持与绩效,才能在本职工作中取得成功并取得可衡量的业务成果。
Gartner高级研究总监Donna Medeiros表示:“D&A是一项提高利益相关者价值的业务。取得巨大成功的首席数据和分析官(CDAO)超越同行之处在于,他们通过展示他们的执行力和建立一个灵活和战略性的D&A职能,塑造数据驱动的业务绩效和卓越的运营。”
此次调查于2022年9月至11月,针对全球566名数据和分析领导人在线上进行。
成功的首席数据和分析官投射的执行者形象
调查发现,在17种不同的行政领导特征中,将自己评为“有效”或“非常有效”的D&A领导者与组织和团队绩效高的领导者重合。例如,43%的高绩效D&A领导者表示,他们在投入时间进行自己的专业发展方面是“有效”的,而只有19%的低绩效领导人这样做。
Gartner杰出研究副总裁Alan Duncan表示:“成功的首席数据和分析官必然是领导精英。高绩效的首席数据和分析官会投资于自己的成功,培养在变幻莫测的环境中快速成长、讲述令人信服的价值故事以及确定能够提高业务影响力的数据和分析产品与服务的技能。”
首席数据和分析官必须坚持不懈地满足新的需求
调查发现,首席数据和分析官承担着大量职责,包括定义和实施数据和分析战略(60%)、监督数据和分析战略(59%)、创建和实施数据和分析治理(55%)以及管理数据驱动的文化变革(54%)。
此外,许多数据和分析职能正在获得更多的投入,包括数据管理(65%)、数据治理(63%)和高级分析(60%)等。受访者所报告的平均数据和分析预算为541万美元,且44%的数据和分析团队在去年扩大了规模。
Medeiros表示:“数据和分析方面的需求和投入都在增加,反映了企业机构越来越信任首席数据和分析官的能力,并认识到数据部门是一个不可或缺的业务职能部门。但随着D&A团队取得切实业务成果的压力越来越大,他们的工作量正在日益增加。”
鉴于对D&A团队需求的范围与复杂性,39%的受访者表示缺乏可用的人才已迅速成为阻碍D&A团队取得成功的首要障碍。调查中报告的D&A的六大障碍都是与人有关的挑战(见图一)。
图1:阻碍数据和分析行动取得成功的六大障碍(按照将障碍排在前3位的受访者比例确定排名)
来源:Gartner(2023年3月)
为了建立一支有效的D&A团队,除了雇用现成的人才之外,首席数据和分析官还必须制定强有力的人才管理战略。该战略应该包括在核心D&A团队以及整个商业和技术社区内进行数据驱动文化和数据扫盲的教育、培训和辅导。
数据和分析绩效必须与业务战略挂钩
调查发现,78%的受访者将企业或组织战略和愿景列为数据和分析战略的三大投入之一。另外,68%的受访者正在根据与战略目标的一致性来确定数据和分析行动的优先次序。
Duncan表示:“最成功的首席数据和分析官会把战略置于策略之前。由于首席数据和分析官需要为整个企业中的众多利益相关者服务,因此他们必须与企业机构的战略重点保持一致,并重视说服首席执行官、首席信息官和首席财务官等关键人物接受数据和分析愿景。”
Gartner客户可以在“2023年首席数据和分析官议程:形象、坚持与绩效”中了解更多信息。
数据和分析领导人可以进一步了解如何使用Gartner首席数据和分析官效能诊断评估自己的效能。该独家工具可以让首席数据和分析官了解自己的领导效能,发现自己的优势和有待改进的地方。
好文章,需要你的鼓励
随着AI策略成熟,CIO开始重新考虑对公有云的依赖,私有云和本地环境重新受到关注。调查显示,67%的企业领导计划在未来12个月内将部分AI数据迁移至非云环境。主要原因包括成本可预测性、数据隐私保护、安全问题和云集成挑战。对于持续的AI工作负载,购买自有GPU比租用公有云更经济。私有云支出增长更快,预计2025年将有54%的组织在私有云上投入超过1000万美元。
沙特TachyHealth团队开发的32亿参数医疗AI模型Gazal-R1,通过创新的双阶段训练方法在医疗推理任务上超越了12倍大的模型,在MedQA等测试中取得87.1%的优异成绩,展现了精巧训练策略胜过规模扩张的重要启示,为资源有限的医疗AI研究提供了新路径。
本文深入分析了从传统AI发展到AGI过程中可能出现的智能爆发现象。基于AI专家共识的2040年AGI实现预期,文章探讨了七种主要发展路径,重点关注突破性的"登月路径"。智能爆发理论认为,智能可以像原子链式反应一样相互促进,快速产生大量新智能。文章预测2038-2039年可能发生智能爆发,随后在2040年实现AGI,但也指出了关于智能爆发的启动、控制和潜在风险等争议问题。
奥地利维也纳医科大学研究团队开发了RetFiner技术,通过让眼科AI模型同时学习OCT图像和医疗文字描述,显著提升了诊断准确率。该方法采用四种训练任务让AI模型建立图像与文字的深层联系,在三个主流眼科AI模型上实现了2-6个百分点的性能提升,为医学AI发展开辟了新方向。