打造数据驱动型企业.docxVIP

打造数据驱动型企业 孰麟居助化 Accenture Labs 埃森哲技术研究院 01起步阶段为数据和模型的开发、测试、部署和生产制定标准的方法、代码模 板和用例。02战略阶段随着更多数据和模型产品的开发，公司在架构组件、开发工具、文 档和质量保证方面制定并实施了正式标准，以确保数据发布和消耗流程 与业务愿景保持一致。03深化阶段落实数据产品的DevOps流程，该流程采用了数据和模型生命周期 管理框架、可配置的数据管道以及自动化测试和发布周期，通过持续监 测确保数据质量和模型健康状况良好，并利用治理和审计功能进行验证 和闭路 01 起步阶段 为数据和模型的开发、测试、部署和生产制定标准的方法、代码模 板和用例。 02 战略阶段 随着更多数据和模型产品的开发，公司在架构组件、开发工具、文 档和质量保证方面制定并实施了正式标准，以确保数据发布和消耗流程 与业务愿景保持一致。 03 深化阶段 落实数据产品的DevOps流程，该流程采用了数据和模型生命周期 管理框架、可配置的数据管道以及自动化测试和发布周期，通过持续监 测确保数据质量和模型健康状况良好，并利用治理和审计功能进行验证 和闭路反应。 04 产业阶段 利用配置和基于模型的自动化流程来创立、测试并部署个性化数据 产品，为企业中的“公民用户”提供支持。自动进行“冠军挑战者”分 析模型比拟，扩大培训和再培训实验规模，从而改进最终结果。 大规模模型开发管理，提升工厂运营 为了提高工厂运营效率，一家油气公司开发 了一系列复合实时模型，将来自众多传感器的数 据集成到预测模型，随后注入资产健康状况和性 能模型，最终汇总数据用于描述运营状态，以便 于决策。这些模型由跨组织的企业负责人、数据 科学家和领域专家负责创立、管理并维护。每种 复杂模型管道在工厂中均部署了数千条，随着时 间的推移，一些管道必然需要返工、再培训和特 征工程。该公司采用了针对特定模型的DevOps 流程，以实现开发部署监控周期的产业阶段该公 司从一开始就考虑到了模型失败的情况，要求数 据科学家确定数据质量标准以及准确度和精度评 估，从而自动监控运行的模型，如有必要，还会 重新训练模型或停止部署该模型。业务成果：工 厂采用了自动化系统以保证模型准确性，同时加 快模型开发及其规模化进程，确保按规定更新工 厂的运营流程。 10打造数据驱动型企业 监管和道德信任源于透明度 监管和道德领域的产业化方法能够确保数据使用的透明度，助力企业赢得良好的市场声誉，成为备 受信赖的数字化合作伙伴。制定合理的道德准那么，以尽可能消除风险、实现审计流程规范化并利用区块 链等新技术，确保所有数据利益相关者行为的合规性和透明度。 打造数据驱动型企业11 01起步阶段列出适用于数据服务的法律和监管规那么清单。02战略阶段创立相应机制，确保数据所有者和数据当事人均知情并同意。制定 行为准那么 01 起步阶段 列出适用于数据服务的法律和监管规那么清单。 02 战略阶段 创立相应机制，确保数据所有者和数据当事人均知情并同意。制定 行为准那么以及相关政策和程序，以确保数据服务始终值得信赖。 03 深化阶段 利用数据供应链中的通用元数据模型，维护数据的单一逻辑视图。 记录所有数据行为，确保数据管理员能够查看相关变更。确保AI模型的 透明度和可解释性。评估对数据进行的操作是否符合使用标准。开展定 期审计，以评估平安状况以及风险控制和监控情况。 04 产业阶段 根据程序设置，自动化监控会遵循监管和合规要求，同时主动识别 企业面临的道德风险并自动标记，便于进行人工审查。整个价值链各个 环节的数据使用情况均完全透明。 数据共享鉴别金融舞弊 参考如下，多家银行能够使用同一款协同反 洗钱应用程序，从而分担本钱，更好地检测可疑 活动。在开发该应用程序时，保证信任和数据透 明度是重中之重，必须确保每家银行都能够监控 并控制数据使用情况。除了其法律协议规定的情 况外，每家银行还可以编制程序，追踪数据及其 在整个数据供应链中的使用情况。银行还能够控 制自己采用的模型，无论是应用程序和其他银行 推荐的共享模型，还是自己的私有模型。最终， 各大银行将共同创立可信、透明的动态系统，能 够根据每家银行制定的规那么追踪数据访问情况并 进行相应操作。 12打造数据驱动型企业 用户支持自助服务，全面优化 用户支持领域的产业化方法依赖于产品思维。产品思维使得数据和模型变得简单易用。这一产业化 方法能够将自助服务能力拓展到整个企业，而不是仅限于数据专家）；这一自助服务十分简单易用，同 时还支持闭环优化。我们的愿景是：利用数据为业务分析师、领域专家或运营工程师等“首要”用户提 供深入洞察，为企业带来最大效益。 01起步阶段为用户设置静态门户，用于发现并访问企业数据，并与团队进行交 流。02战略阶段积极支