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
OpenAI CEO描绘了AI温和变革人类生活的愿景,但现实可能更复杂。AI发展将带来真正收益,但也会造成社会错位。随着AI系统日益影响知识获取和信念形成,共同认知基础面临分裂风险。个性化算法加剧信息茧房,民主对话变得困难。我们需要学会在认知群岛化的新地形中智慧生存,建立基于共同责任而非意识形态纯洁性的社区。
杜克大学等机构研究团队通过三种互补方法分析了大语言模型推理过程,发现存在"思维锚点"现象——某些关键句子对整个推理过程具有决定性影响。研究表明,计划生成和错误检查等高层次句子比具体计算步骤更重要,推理模型还进化出专门的注意力机制来跟踪这些关键节点。该发现为AI可解释性和安全性研究提供了新工具和视角。
传统数据中心基础设施虽然对企业至关重要,但也是预算和房地产的重大负担。模块化数据中心正成为强有力的替代方案,解决企业面临的运营、财务和环境复杂性问题。这种模块化方法在印度日益流行,有助于解决环境问题、满足人工智能的电力需求、降低成本并支持新一代分布式应用。相比传统建设需要数年时间,工厂预制的模块化数据中心基础设施可在数周内部署完成。
法国索邦大学团队开发出智能医学文献管理系统Biomed-Enriched,通过AI自动从PubMed数据库中识别和提取高质量临床案例及教育内容。该系统采用两步注释策略,先用大型AI模型评估40万段落质量,再训练小型模型处理全库1.33亿段落。实验显示该方法仅用三分之一训练数据即可达到传统方法效果,为医学AI发展提供了高效可持续的解决方案。