在过去的几年中，重点一直放在仪表板和数据可视化上，数据科学家和分析师创造了许多关于世界的观点以及获取见解的方法，但是组织一直在努力管理和分析所有可用数据，借助来自内部和外部客户，消费者，合作伙伴和供应商的大量资源，组织发现很难对真相创建单一视图，人工智能有潜力支持更强大的数据管理计划，并解决人类有限的能力，无法准确地分析和发现现在流经现代企业的海量数据趋势。

以确保所有实施的项目成功-不仅仅是那些旨在改善内部数据计划的实施，企业希望建立AI模型，但并不总是将这些目标与强大的数据管理或创建强大AI输出所需的复杂性保持一致，他们需要了解数据中的潜在偏差，以及是否有足够的数据来提供有效和可靠的结果，要充分利用AI和ML，需要了解数据，其驻留位置，需要哪些相关数据以及终存在哪些初始业务问题。

到目前为止，大多数组织都面临一个或多个数据质量问题，但是现在流入企业的数据量使问题更加严重，并增加了您对解决方案的需求，因为随着更多流程的自动化，不准确的数据将成倍增加破坏性，企业必须首先确定过去管理数据，今天所处的位置，需要去的地方以及如何到达那里，其中包括开发一个强大的数据质量框架，该框架可以随着需求的增长保持连续的数据质量。

直到整个组织统一为止，其他人则从一开始就涉及关键的利益相关者-确定业务和流程挑战，确定他们接触的组，如何利用数据和需要利用数据以及数据如何在组织中流动，从小处着手方法可能适用于某些组织，但随着公司扩展其数据管理方法，它也面临着许多挑战。

从而可能影响每个部门共享，管理和存储其信息的方式，由于组可能具有独特的方式来保存和标识数据，因此有些人可能会发现简单的方法是将数据放在规则有限的中央位置，终使其他团队更难以确定数据之间的相互关系以及价值所在，这就是为什么从一开始就让关键的利益相关者参与进来，以洞悉数据如何相互关联以及如何在整个企业中使用数据的洞察力就变得异常重要。

具有企业头衔的个人可能不会在数据收集和分析的棘手问题上不为所动，但至关重要的是让他们参与流程，因此产生的见解可提供组织价值和不同输出要求所需的灵活性，新兴技术将数据放在首位和居中，迫使组织优先考虑数据管理。过去，AI大多是大肆宣传，而不是大多数组织环境的一部分。现在，许多人开始看到其价值。每个组织都需要意识到，尽管可能要应用预测模型或利用物联网分析，但必须首先满足许多技术和业务要求。有时，对新趋势的大肆宣传会产生一种观念，即实际采用是对当前用法的自动扩展。但是，许多组织的现实情况是，利用这些新兴技术需要一定程度的商业智能成熟度和正确的基础架构。

2、AI可以学习的数据量。有效的结果（没有潜在的偏差）需要支持系统教学的数据量。

选择正确的模型需要传统分析中无法提供的AI智能，随着AI，ML和预测分析对于提高效率和保持竞争力越来越重要，它们将继续处于前沿和中心位置。致力于建立坚实基础的组织将在未来几年中从其投资中获得更多价值。首先要整理数据抽屉。