到2022年高达50%！这个令人震惊的百分比是到2022年将完全自动化的业务流程的预计数量，而今天流程的平均自动化率为30%。通过人工智能（AI）或人工智能驱动的机器人过程自动化（RPA）的任务增强，自助建站源码，实现了数字化转型中的大多数优势。

预测分析在过去几年中不断发展，从基于规则到先进的数据科学，最近增加了分析数据的AI（机器学习）模型，使假设，学习和提供预测的规模和深度的细节是不可能的个人分析员。

在自动化过程中使用如此大量的数据已经对商业和社会产生了巨大的影响。许多分析师预测，到2020年，一家公司使用的数据中约有70%将来自物联网设备和外部数据流——换句话说，是外部的、非事务性的数据源。

这种不断上升的影响既是一种幸事，大数据有什么用，也是一种强烈的担忧。例如，当人工智能和预测分析使用大数据来监测生长状况，物联网技术及应用，帮助印度、非洲或中国的农民个人做出日常决策，从而确定他是否能够养活家人时，这是一件幸事。然而，当有偏见的信息被应用，结果通过社交媒体以极快的速度被抛弃时，这也是一个真正值得关注的问题。

这提出了一个问题：

公司需要问的一个核心问题与他们的数据货币化能力有关：数据是我货币化的核心资产吗？或者数据是连接使我的产品或服务成功的过程的粘合剂？（关于这方面的更多细节，请参阅我以前的一篇博客。）

随着公司开始使用第三方数据源来培训他们的算法数据，而他们对这些数据的了解相对较少，大数据处理平台，这一点尤为迫切。公司需要问一些关键问题，比如：

我们用来训练和输入算法（包括内部和外部数据）的数据质量如何？我们的数据可以训练成什么样的未知和意外的偏差？如果我们不分享算法是如何得到答案的，机器怎么知道它们是在什么样的偏差下运行的呢？这种自动化将对我们的业务、人员和社会产生什么影响？我们如何检测并快速缓解意外影响？

在责任和所有权方面，它回避了在"黑盒子"中创建算法的问题；人工智能是如何做出决定和提出建议的？在我们的组织中，谁负责这个过程（当事情失控产生意外结果时，谁负责？）。

已经有22%的美国公司将部分利润归因于人工智能和先进的（人工智能注入的）预测分析案例。根据SAP与经济学人智库联合进行的一项最新研究，在机器学习方面做得最多的组织比那些根本不使用AI和ML或不善于使用AI的组织平均增长了43%。

他们的秘密之一：他们将数据视为一种资产。组织对待库存、车队和制造业资产的方式相同。他们从清晰的数据治理开始，可视化数据大屏，管理层拥有所有权并承担责任。因为，无论算法多么强大，糟糕的训练数据都会限制人工智能和预测分析的有效性？我们需要应用和拥有治理原则，这些原则侧重于提供人工智能和预测分析如何实现其答案的透明度。透明性、数据质量、所有权和治理为这一成功带来了所有不同！

在结束发言时，我将提出一个问题，在思考如何将数据视为组织中的一项资产时，思考一下，以推动预测分析和人工智能的成功：如果我们不清楚（并拥有）我们自己的价值，机器如何知道我们的价值？1

了解更多

了解SAP如何支持模型管理和数据智能想了解更多关于将数据视为资产的信息吗？请收听TechTalk UK播客

1从约翰·C·哈文斯（John C Havens）借来的"心灵智慧"（Heartific Intelligence）对马克·蒂林（Marc Teerlink）的采访