数据收集正在猛增。从现在到 2025年，全球创建、使用和存储的数据量将增加 50% 以上。企业明白，更有效地评估他们的数据可以提供竞争优势，而这将是人工智能，而不是商业智能释放这种潜力——但人工智能投资的规模与所提供的有形回报之间存在巨大差距。

财富 500 强公司平均在人工智能人才上花费 7500 万美元。但只有 26% 的 AI 计划被组织广泛投入生产。决策智能 (DI) 现在正在帮助公司弥合理论 AI 和商业 AI 之间的差距，Gartner 预测，超过三分之一的大型组织将在未来两年内使用 DI。

虽然人工智能可能是一个有点模糊的概念，但决策智能更为具体。那是因为 DI 以结果为中心。构建 DI 解决方案是为了实现业务目标。因此，它可以帮助 CTO 和技术团队运行数据项目，为他们的业务提供可量化的结果。

如今，商业人工智能策略受到许多限制其有效性的问题的困扰。其中，数据科学家接受了“自下而上”思考的培训——了解他们拥有哪些可用数据，并从那里设计解决方案。通常情况下，这会导致解决数据问题而不是商业需求的冗长技术项目。

通过颠覆这种方法并在构建时考虑到结果，决策智能解决了许多阻碍企业量化人工智能投资价值的痛点。从一个目标开始，技术团队可以构建所需的解决方案并更快地从人工智能中释放价值。通过将这些解决方案植根于推动组织各个方面的决策流程，DI 可以为整个企业带来商业利益。

受过营销数据训练并旨在优化营销漏斗的智能只会做到这一点。在组织数据集上训练并旨在从整体上优化业务运营的智能并没有那么有限。

我们设计数据架构的方式是最大化投资回报率的关键。决策智能的核心原则可以帮助技术团队构建架构，以便为业务提供可操作的解决方案和结果。在构建格式和组织数据时，技术团队和 CTO 应该考虑三个关键事项：

敏捷性：问问自己，您的工作是否足够流畅以适应不断变化的业务需求?固定的规则和固定的造型是不行的。解决方案需要能够随着业务的变化而变化。

集成：您需要确保已设置好在可用时集成更多数据。也许你现在不是多渠道的，但你可能在未来。从小处着手，同时确保在必要时可以向架构中添加更多数据。

目标：始终关注业务成果。考虑以最终用户为重点进行为期两周的冲刺。问问自己——“我怎样才能在接下来的两周内让最终用户的生活变得更好?” 当然，并非总是可以在这个时间范围内完成所有事情，但这会迫使您思考如何快速取得成果。