为了利用新技术的潜力，今天的数据驱动业务领导者也必须是政治家和沟通者。
随着大数据和人工智能（AI）转型业务，几乎可以肯定，每位高管都会迟早需要利用这些技术来推进其组织 - 以及他们的职业生涯。然而，这样做是对大多数领导者的重大恐吓因素，这往往是通过与数据，分析或AI相关的技能列表相关的领导角色的职位描述而加剧。这些描述的许多描述从根本上误解了使用数据和AI推动成功的业务结果所需的内容。
虽然分析思想肯定是重要的，但在首次进行AI /大数据时，许多传统的领导技能同样重要。舒适性与模棱两可建立舒适，促进不同的球员之间共识的能力也是至关重要的，以及理解价值杠杆并相应地优先考虑的能力。一些最有影响力的领导者是那些在申请数据和AI中的专业知识的同时思考的人。而且，今天的数据驱动的业务领导者需要成为政治家和沟通者，以利用数据和AI驾驶收入的潜力，效率提高和创新，发挥影响力，解释他们创造的价值。
当然，成功还需要了解现有和新兴数据和AI技术 - 尽管不一定是先进的技术专业知识。您需要足够的技术知识来掌握与实施，跟踪相关趋势和激发数据科学和工程团队相关的可能价值，成本和风险。但是，既不是必要也不能够知道这一切，所以不要指望。
虽然为自己和您的组织提供了很多工作要做，但我们概述了三个关键步骤来申请，以便成功成为大数据和领导者。我们的建议来自我们的工作和我们最近的建议[电子邮件受保护]网络研讨会- 我们邀请您查看更多细节。
知道你的'为什么'
在开始之前，重要的是衡量首席执行官和执行委员会对数据和AI的愿景。他们的承诺是关键，但为什么他们想要构建数据功能吗？因为他们在报纸上读了它？错误的答案。因为顾问告诉他们？又错了。因为他们的竞争对手正在这样做？仍然不对。
能够回答大的为什么问题至关重要，因为它达到了公司的愿景和框架的核心，框架在数据和AI中投资以及提供该愿景的解决方案，而不是独立的能力。At Vodafone, for example, Dr Walsh, as the group’s first global Chief Data & AI Officer, sought to crisply articulate the vision, starting with a simple question: Why is it that people cannot live for two minutes without their phone, yet easily switch providers – quitting the very same company that made that phone come to life? The ability to arrive at that clear为什么允许她的团队和他们的合作伙伴缩小他们对那些允许这些数据的可能性的焦点，使他们能够使公司成为其顾客的生活中不可或缺的。
衡量组织数据的质量也很重要。提出问题，如：我们是否拥有回答与我们愿景相关的问题所需的数据？我们的数据是消耗和组织的吗？如果此类问题未提前解决，则最终可能会在任务的前三年进行数据清理工作，而不能够在那段时间内提供大量或任何价值。如果没有单一的准确和高质量信息，您根本无法创建值。
建立你的团队
当组织尝试将自己变成数据和AI Ready Enterprise时，他们经常专注于雇用最聪明的技术思想。当然，技术人才是非常有价值的，但数据有效性可能受利益相关者和合作伙伴参与的动力和能力的限制。它也很重要 - 并且有时可以更有效，更不用说成本效益 - 投资于整个组织的人们。例如，您可以识别和培训人们在如何识别如何识别机会和提出通过数据和AI解决业务问题的问题的销售，营销和运营中的人员，并让他们对这些技术的力量感到兴奋。这建立了内部支持，可以比雇用从未参与的合作伙伴雇用的最高技术人才的雇用军团更成功，将努力创造业务价值。
在每个组织中，增加企业的数据识字程度至关重要。公司开始意识到这一点，并在员工上造成巨大投资。此外，最佳驱动价值的数据和AI团队包含不同的配置文件，其超出分析和工程，从定量博士到哲学毕业生，律师或自学专家没有大学学位。然而，它们应该共同的质量是恢复力。变更管理可能是艰巨的工作，从挫折中反弹的能力就是携带团队前进的东西。
定义您的路线图
一旦你对你的数据和AI努力的“为什么”和“谁”，是时候定义了“如何” - 和时间总是有限的。在组织的使命较大的雨伞内仍有太多问题来解决这些问题。
数据是一个双面硬币：伟大的事情是，你可以用它做这么多;坏事是，你可以用它来做这么多。提供业务成果需要纪律和焦点。有一个明确的愿景和一个总体“为什么”从顶部是至关重要的，但也需要成为一个系统的方法，可以成为一个分析师，数据科学家和工程师团队可以帮助实现的具体目标的系统。例如，如果整体目标是提高客户满意度，您仍然需要定义最有效的移动方法。您应该专注于增加用户体验的质量吗？改善客户服务？如果是这样，可以更有效地开发Chatbots，更好的产品建议，或更好的有针对性的促销活动吗？
在组织中有很多问题可以诱人直接进入解决方案模式。虽然你必须快速掌握并开始尽早提供价值，但重要的是不断提高你对问题的理解并与相关利益攸关方和合作伙伴社交。这确保了正确的解决方案承担了正确的情况。
关于最关键的业务问题的清晰度可以保护您免受追求数据和AI技术的风险，而不是他们将提供的价值。
有明确识别，定义的和良好的问题，支持您的“为什么”，您应该追究哪些订单？显而易见的答案是根据他们将提供的可能价值和成功的可行性进行排名，选择最有可能提供最大回报的价值。根据必要数据的可用性和质量，评估技术可行性，只是等式的一部分。可行性将批判性地依赖于与清晰的利益攸关方和合作伙伴合作，他们正在寻求的东西，并且谁从事并开放到尝试新事物。它还有助于他们是诚实的，并导向值，因为数据可以揭示不舒服的真理。
另一个关键维度也可能需要多长时间来提供预期的价值。人们失去耐心，因此优先考虑建立势头并快速提供价值的数据和AI应用程序很重要。在许多组织中，它通常是构建最势头的简单应用程序，并帮助转换怀疑论者。Micmillan，Morgan Stanley的首席数据和分析官员首先集中了解利益相关者更好地访问基本信息 - 例如销售数据 - 而不是使用AI和机器学习（ML）追逐最诱人的机会。通过向下培训初级人员在数据可视化和数据仓库访问中，McMillan提供的巨大信任，购买和支持，然后使用更先进的AI和ML技术追求雄心勃勃的项目。在一天结束时，您不会获得比它需要更难的信誉，您可以获得增值。
Caroline Zimmerman是一个INSEAD研究助理。
Katia Walsh博士是Levi-Strauss的首席战略和AI官员。
杰夫麦克米兰是摩根士丹利的首席分析和数据官。
Theodoros Evgeniou.是Insead的决策科学和技术管理教授。他一直致力于机器学习和AI近25年。
亚博平台靠谱吗INSEAD知识现在正在进行中linkedin。今天加入对话。
