随着大数据和人工智能（AI）改变了商业，几乎可以肯定的是，每个高管迟早都需要利用这些技术来推动他们的组织以及他们的职业生涯。然而，对大多数领导人来说，这样做有很大的恐惧因素，而与数据、分析或人工智能有关的领导职位的工作描述，往往会加剧这种恐惧，因为这些职位的技能清单太长了。许多这样的描述从根本上误解了利用数据和人工智能推动成功的商业成果所需要的东西。
虽然分析性思维当然很重要，但在第一次进行人工智能/大数据时，许多传统的领导技能也同样重要。同样关键的是，要对模糊性感到满意，要有能力在不同的参与者之间推动共识，要有能力理解价值杠杆并相应地确定优先次序。
一些最具影响力的领导者是那些在应用数据和人工智能专业知识的同时进行商业思考的人。此外，今天的数据驱动型企业领导人需要成为政治家和沟通者，以利用数据和人工智能的潜力来推动收入、效率提高和创新，施加影响并解释他们创造的价值。
当然，成功也需要对现有和新兴的数据和人工智能技术有所了解，尽管不一定要全面掌握复杂的技术专长。你确实需要足够的技术知识来掌握可能的价值、成本和与实施相关的风险，跟踪相关的趋势，并激励数据科学和工程团队。然而，既没有必要也不可能知道这一切，所以不要指望。
虽然有很多事情要做，以使自己和组织准备好利用这些技术，但我们概述了应用的三个关键步骤，以便作为大数据和人工智能领导者取得成功。
了解你的“为什么”
在开始之前，衡量CEO和执行委员会对数据和人工智能的愿景是很重要的。他们的承诺是关键，但他们为什么要建立一个数据能力？因为他们在报纸上看到了这个消息？答案是错的。因为顾问告诉他们这样做？又错了。因为他们的竞争对手在做这个？还是不对。
能够回答“为什么”这个大问题是至关重要的，因为它涉及到公司愿景的核心，并将数据和人工智能的投资作为实现这一愿景的解决方案，而不是作为独立的能力。
衡量你的组织的数据质量也很重要。如果没有准确和高质量信息的单一来源，你根本无法创造价值。
建立你的团队
当组织试图将自己变成一个为数据和人工智能做好准备的企业时，他们往往专注于雇用最聪明的技术人才。当然，技术人才是非常有价值的，但数据的有效性可能会受到利益相关者和合作伙伴的参与动机和能力的限制。同样重要的是，有时可能更有效，更不用说成本效益了，投资于整个组织的人员培训。这可以建立起内部支持，并且比雇佣大量的顶级技术人才更成功，因为如果没有参与的合作伙伴，他们将很难创造商业价值。
在每个组织中，都有一个关键点，那就是提高企业的数据素养。公司开始意识到这一点，并大力投资于员工的技能提升。此外，最能推动价值的数据和人工智能团队包含了不同的背景，从分析和工程到任何量化博士、哲学毕业生、律师或没有大学学位的自学专家。然而，他们都应该有一个共同的品质，那就是抗压能力。变革管理可能是一项艰巨的工作，而从挫折中反弹的能力是团队前进的动力。
确定你的路线图
一旦你对你的数据和人工智能努力的“为什么”和“谁”感到满意，现在是时候定义你的“如何”了，时间总是有限的。在一个组织的任务的大伞下，仍有太多的问题需要有效地解决它们。
数据是一个双面的硬币：好的方面是，你可以用它做很多事情；坏的方面是，你可以用它做很多事情。要实现业务成果，需要有纪律和专注。最高层有一个清晰的愿景和总体的“为什么”是至关重要的，但也需要有一个系统的方法，将这个愿景分解成具体的目标，让分析师、数据科学家和工程师团队帮助实现。
在组织中，有许多问题需要解决，因此，直接跳入解决方案模式是很诱人的。虽然你必须快速行动，并在早期就开始提供价值，但重要的是不断提高你对问题的理解，并与相关的利益相关者和合作伙伴进行交流。这可以确保在正确的情况下提供正确的解决方案。
明确最关键的业务问题可以使你避免因追求数据和人工智能技术而产生的风险，而不是它们将带来的价值。
有了明确的识别、定义和良好的范围，支持你的“为什么”的问题，你应该以什么顺序追求它们？明显的答案是，根据它们可能带来的价值和成功的可行性对机会进行排序，挑选那些最有可能带来最大回报的机会。根据必要数据的可用性和质量来评估技术可行性，这只是方程式的一部分。可行性在很大程度上取决于与利益相关者和合作伙伴的合作，这些利益相关者和合作伙伴清楚他们寻求的是什么，他们参与并愿意尝试新事物。如果他们是诚实的、以价值观为导向的，这也是有帮助的，因为数据可以揭示令人不舒服的真相。
另一个关键维度也是交付预期价值可能需要多长时间。人们会失去耐心，所以必须优先考虑那些建立势头并迅速提供价值的数据和人工智能应用。在许多组织中，往往是简单的应用建立了最多的势头，并有助于转换怀疑者。摩根士丹利的首席数据和分析官麦克米伦，首先集中精力让利益相关者更好地获取基本信息而不是利用人工智能和机器学习（ML）来追逐最诱人的机会。通过加倍培训初级人员的数据可视化和数据仓库访问，麦克米伦产生了巨大的信任、购买和支持，然后使用更先进的人工智能和ML技术追求雄心勃勃的项目。在一天结束时，你不会因为使它比需要的更难而得到赞誉，你会因为增加价值而得到赞誉。