麻省理工学院斯隆管理评 计划的技术推动者。然而，大多数遗留 和数据库系统并未配置为生成或提供测量或定义智能 所需的质量数据。 保乐力加 首席数字官 回忆道，这家烈酒巨头意识到需要三年的每周消费者销售数据才能实现有意义的人工智能干预。初步审查发现存在巨大差距。 刚开始时，我们几乎没有数据治理， 说。 我们需要的数据中几乎 不存在，因为主要是外部数据。我们的统计经验是，您需要每周的数据；如果您有每月。
数据，则不起作用，因此您需要手动获取信息。我们甚至将其称为 考古学 ，因为需要付出很大的努力，甚至要深入邮箱中的旧 和 文件。此外，您需要为该项目提供强有力的商业案例，因为如果没有明确的利益，人们就不会投入时间。 从本质上讲，如果没有技术上可靠和强大的治理将数据考古学转变为数据架构，就无法制定人工智能驱动的 的业务案例。 通用汽车首席数据和分析 电报号码数据 官乔恩 弗朗西斯（ ）曾负责星巴克的数字化转型，他也赞同卡洛克的观点。 由于潜在的数据挑战，创建 实际上非常困难， 他说。 通常， 糟糕的数据和元数据治理会削弱组织开。
发正确指标的能力。弗朗西斯指出，技术系据驱动，并意识到针对给定绩效指标的改进与增强成果之间的联系。 测量对我们来说非常核心， 补充道。 我们实际上试图让指标成为我们数字化转型中完整、不可或缺的一部分，而不是事后才想到的。 给定 的预期结果是什么？ 在某种程度上，这是一个本体论或统通常只是 假脱机未定义或未使用的数据 ，因此， 最终会出现这些数据倾倒场 。他坦率地观察到，对于大多数组织来说，从生产系统生成数据是事后才想到的有效的 治理仍。 |
