O＇Reilly最新的調查數據顯示，大數據仍然只是1％，或者15％的企業游戲。大多數的企業（85％）依然沒有破解AI和機器學習的密碼。僅僅只有15％的“見多識廣”的企業在生產過程中運行一些數據模型超過了5年。更重要的是，這些企業更傾向于在一些重要的領域花費時間和精力，比如模型偏差和數據隱私。相對而言，那些還屬于初學者之列的企業仍然還在努力嘗試著尋找啟動按鈕。

不幸的是，對于那些希望通過自動快捷方式比如Google的AutoML或者通過聘請咨詢公司縮小數據科學差距的企業，我們給出的答案是：實現數據科學的確需要花費時間，而且沒有捷徑可循。

聰明的企業專注于深層次數據

首先，值得注意的是，O＇Reilly的調查數據來自于其自選的一群人：那些曾經參加過O＇Reilly活動的，或者參加過該公司在線研討會或通過其他途徑與之有接觸的人。這些人群對于數據科學都有前瞻性的興趣，即使（按照調查數據的顯示）他們中的大部分人并沒有從事太多的相關工作。對于那些沉浸在大數據體驗中的人來說，最好的客戶群體就是那些被稱為“見多識廣”的企業，它們在生產過程中使用的數據模型已經運行了5年以上。

從調查上可以發現一個有趣的現象，那就是這些企業是怎樣稱呼他們自己的數據專家的。具有豐富數據經驗的企業稱之為數據科學家。而那些思維尚停留在上世紀90年代“數據挖掘”模式的企業則更傾向于稱其為“數據分析師”。如下圖所示。

調查發現，無論企業選擇如何稱呼他們的數據專家，企業在AI和機器學習方面的經驗越豐富，他們就越有可能依靠內部數據科學團隊建立模型，如下圖所示。

幾乎沒人關注云機器學習服務（至少現在還沒有）。那些只有2年以下生產經驗的企業傾向于依賴外部的顧問來搭建機器學習模型。對于這樣的企業而言，這種感覺就像一種不用投入人力而享受數據科學收益的機會，但這是一個非常愚蠢的方法。

企業的數據越復雜，其數據科學團隊就越能建立模型，并評估項目成功的關鍵指標。縱觀所有的企業，產品經理對于項目成功的作用是36％，管理團隊的數據是29％，數據科學團隊的貢獻是21％。

對于那些經驗豐富的企業來說，產品經理的作用依然占到34％，數據科學團隊27％，幾乎與管理團隊（28％）相同。

對那些缺乏經驗的企業而言，管理團隊占到31％，數據科學團隊占比較少（16％）。這不是個問題，事實是這些數據科學團隊最適合計算出如何使用數據并衡量其成功。

太多時候，是外行指導外行

這種依賴管理層來推動數據科學的想法引起了人們的注意。調查顯示，不少高管自稱是數據驅動的，但卻無視了數據其實并不支持那些靠直覺驅使的決策（62％的人承認這么做）。

那些缺乏大數據悟性的企業似乎愿意口頭提供數據，但他們根本不明白有效數據科學的細微差別。他們缺乏必備的經驗來確?？梢垣@得有意義的、無偏見的數據洞察力。

關于如何理解機器學習模型，以及如何相信該模型所導致的結果，更多有成熟經驗的企業顯然掌握了Gartner博客網絡中的一位博主Andrew White的評估方法：

AI的創新之處就在于AI可以重新定義新的基線，換句話說就是那些我們認為太過復雜的東西和非常規的東西，目前都可以利用AI來實現。和之前的技術相比，AI應該可以處理更加復雜而且具有認知能力的工作。

這個新的現實只有在AI自動處理的結果是合理的時候才有意義。如果這個新奇的工具所得出的決策和結果讓人類無法理解，那人們就會放棄這個工具。因此在某種程度上，能否理解AI所做出的決策也非常重要。

然而，理解決策和理解算法如何工作是兩回事。人是可以掌握輸入、選擇、權重以及結果的原理的，而即便算法能夠在一定程度上將所有這些結合到一起，但我們依然無法證明這一進程。如果結果和輸入之間的差距太大，那么人對算法的信任就很有可能會喪失——這是人的天性。

想要達到這種理解水平是無法通過花錢雇傭咨詢顧問能實現的。云端也不是現成的。運用工具比如Google的AutoML可以“使得那些具有有限機器學習專長經驗的開發者能訓練針對其業務需求的高質量模型?！边@聽起來非常好，但是想要從數據科學中受益需要有數據科學的經驗。這不僅僅是調整模型的問題，更需要知道如何實現，這需要大量的試錯經驗。

另外，從事數據科學需要有人文的心態，再次強調，需要經驗。沒有捷徑可循。實際上，這意味著那些早期投資于數據科學的企業應該發現自己領先于那些沒有競爭優勢的同行——這種差異很可能會持續下去。

對于那些希望迎頭趕上的企業，Gartner分析師Svetlana Sicular最為經典的忠告仍然在耳邊回響：“企業應該在內部多看看。其實內部已經有人比那些神秘的數據科學家更了解自己的數據?！敝灰髽I明白要在企業完成好的數據科學需要花費時間，并且給予其人員學習和成長的空間，他們就不再需要尋找捷徑。