企业的战略性决策无疑应当基于事实与数据而制定,不能仅凭个人直觉。但很多时候实际情况却事与愿违,企业决策很容易出现“由位高权重者定夺”或“按老规矩办”的情况。
尽管基于数据的数字化系统已经渗透到人们生活的方方面面,数据的重要性还是常常被忽略。Qlik在调研中发现,全球员工有一半以上表示做决策时很难不考虑领导意见而只参考数据。
基于事实做决策的重要性在疫情期间尤为凸显。不论在国家还是企业层面,遵循基于数据所得出科学建议的领导者,往往能更快速、更高效地应对疫情。
从业务角度来看,与数据建立一个动态的关系有助于促进组织内员工充分利用实时洞察,助力企业获得当今数字经济中必不可少的敏捷性,没有数据支撑则容易导致决策偏差。如果企业未能利用洞察来推动敏捷响应并制定面向未来的战略,那么可能会被竞争对手抢占先机。
企业领导者对端到端分析数据管道的需求日益增长,也就是我们所说的主动智能——其理念是将云技术和分析相结合,从旨在触发立即行动的实时最新信息中获得持续的商业智能。他们希望通过及时了解业务情况以及基于数据制定决策而受益,但常会遇到同样的障碍。那么,企业领导者如何才能在组织中培育主动智能文化?
自上而下重视数据
尽管近九成(89%)的高层管理人员希望团队成员能够向其说明数据在决策过程中发挥的作用,但其中近半数的领导者(45%)仍然凭直觉而不是基于数据的洞察来制定决策。这显然互相矛盾,任何此类“领导说了算”的做法都是在组织内倡导基于数据做决策的绊脚石。
虽然不排除有领导放不下面子和架子的原因,但问题的根源应该是信任。领导者们不愿基于数据做决策的部分原因是,有42%的领导者对可用数据的实时性和准确性心存怀疑。不充足、不可靠或已过时的信息,会让基于这些信息做出的决策,像凭直觉做决策一样存在风险。
虽然获取令人信服的数据至关重要,但也不能因此而盲目相信。应该学会质疑数据的可解释性、有效性和数据来源,以确保所依赖的数据与目的相符。
创建值得信赖的端到端分析数据管道需要高质量的商业智能输入。这个机制建立后就需要自上而下重视这些高质量数据,以确保整个组织都能够执行以事实为导向的做法。
这就形成了数据导向型领导力的另一个关键特征:接受新想法的能力。
乐于发现令人不愉快的真相
曾经有位名人说过,宁要令人不愉快的真相也不要美丽的谎言。我们用数据不只是为了印证自己的观点,更希望它能够揭露真相。领导者需要对数据持开放态度,在数据结果与个人立场相悖时敢于接受事实。
领导者不应将数据视为潜在“对手”,而应正面看待与个人立场相悖的数据,以此为契机打破现状,实现创新。这样才能减少确认偏差。数据洞察有助于企业领导者深入了解市场和消费者驱动因素,及时改进产品并提升体验,通过创新来顺应市场需求,从而保持竞争优势。简而言之,乐于接受个与人立场相悖的数据是促使企业获得成功的关键。
决策授权
端到端分析数据管道不仅有助于领导者基于证据做决策,也便于企业员工依据可操作信息和洞察做出决策。
在这种情况下,主动智能成为合作型组织的关键,即企业给予员工足够的信任,让员工敢于根据可靠数据制定正确决策。通过授权,企业可以培养出更加爱岗敬业的员工,让他们能够依据正确的洞察,自信地处理所遇到的问题。
在制定决策的过程中,企业下放权力并积极提供数据支持,有助于团队平等地开展合作,依据确定好的规范去解决问题或实现个人无法单独完成的目标。重要的是,借助合适的技术,数据将不再被集中在一起,也能够更加民主化。当员工不论什么岗位或身处何处都能按需获取正确的数据时,数据的易用型和可用性就会大大提高。
连点成面
综上所述,一名积极的数据型领导者应该从自身做起,勇于推行全新的工作实践,帮助企业在数据经济中占据核心地位。从重视数据到实现数据民主化,企业管理层须遵循一定的原则才能确保主动智能扩展至整个组织。

< 作者:Qlik大中华区董事总经理刘智宏 (Frank Lau)>
好文章,需要你的鼓励
亚马逊云服务部门与OpenAI签署了一项价值380亿美元的七年协议,为ChatGPT制造商提供数十万块英伟达图形处理单元。这标志着OpenAI从研究实验室向AI行业巨头的转型,该公司已承诺投入1.4万亿美元用于基础设施建设。对于在AI时代竞争中处于劣势的亚马逊而言,这项协议证明了其构建和运营大规模数据中心网络的能力。
Meta FAIR团队发布的CWM是首个将"世界模型"概念引入代码生成的32亿参数开源模型。与传统只学习静态代码的AI不同,CWM通过学习Python执行轨迹和Docker环境交互,真正理解代码运行过程。在SWE-bench等重要测试中表现卓越,为AI编程助手的发展开辟了新方向。
当今最大的AI数据中心耗电量相当于一座小城市。美国数据中心已占全国总电力消费的4%,预计到2028年将升至12%。电力供应已成为数据中心发展的主要制约因素。核能以其清洁、全天候供电特性成为数据中心运营商的新选择。核能项目供应链复杂,需要创新的采购模式、标准化设计、早期参与和数字化工具来确保按时交付。
卡内基梅隆大学研究团队发现AI训练中的"繁荣-崩溃"现象,揭示陈旧数据蕴含丰富信息但被传统方法错误屏蔽。他们提出M2PO方法,通过改进数据筛选策略,使模型即使用256步前的陈旧数据也能达到最新数据的训练效果,准确率最高提升11.2%,为大规模异步AI训练开辟新途径。