在这些时期，每项业务都需要的敏捷性和弹性，当今的全球经济动荡突显了企业敏捷和弹性的迫切需求。在大多数行业中，变化是不变的且是巨大的。对于缺乏快速，准确地做出决策所需的灵活的基础架构和工具的组织，这也可能使他们大跌眼镜。随着全球企业采用新的上市模式，更高的供应链期望以及灵活的员工政策，还应检查和更新其企业数据架构。

在整个零售行业中，由于COVID-19导致全球实体店关闭，品牌在过去三个月中的电子商务能力受到了考验。对于某些企业来说，这是一个打击。对于其他人来说，这是一个艰难的考验，但是却引发了关于全渠道平衡的一些学习，由于该公司面临的问题，该零售商在2019年中断了那里的一个链接，并着手开展了自己的品牌商店开业计划。尽管大流行对经济的长期影响尚不清楚，但这种做法现在仍处于搁置状态，但这确实意味着，与大多数竞争对手相比。

所有的预测模型都是错误的-但有些预测是非常错误的。在需要的时候，我们如何陷入有缺陷的机器学习模型的困境？两种著名且经常重复的格言是：所有模型都不对，有些有用。

人工智能的可解释性仍然是一个重要的课题，AI的可解释性和评估的可解释性有了显着发展。我们取得了多少进展？为了使AI发挥其潜能并在许多领域（尤其是影响人们的领域）中广泛部署，它需要克服黑匣子问题。如今，一个热门研究领域被称为可扩展AI，以通过可解释性，公平性和透明性增强AI学习模型。

自2020年初以来，业务本身的性质在短短几个月内迅速发展，如今我们迫切需要及时的数据和创新技术，以帮助我们充分理解所有信息并管理不确定性，尽可能向前看并为未来做好准备的需求从未如此重要，与我交谈过的许多人在今年的头几个月中进行了更多的方案规划和预算重新规划，这比他们多年来所做的更多。

金融危机是有关高度相互联系和相互依存的系统的隐晦，未被充分认识的风险的一个值得教育的时刻。在世界金融体系几乎完全冻结之前，债券交易员和金融投机者在稀缺的环境中很少听说过贷款，一旦房价开始下跌，它们便推翻了对冲基金，这些对冲基金在蓬勃发展的抵押贷款支持证券市场上押注了赌注。