根据Gartner的一项新调查,不到一半的数据和分析(D&A)领导人(44%)表示其团队能够有效地为所在的企业机构提供价值。首席数据和分析官(CDAO)必须重视形象、坚持与绩效,才能在本职工作中取得成功并取得可衡量的业务成果。
Gartner高级研究总监Donna Medeiros表示:“D&A是一项提高利益相关者价值的业务。取得巨大成功的首席数据和分析官(CDAO)超越同行之处在于,他们通过展示他们的执行力和建立一个灵活和战略性的D&A职能,塑造数据驱动的业务绩效和卓越的运营。”
此次调查于2022年9月至11月,针对全球566名数据和分析领导人在线上进行。
成功的首席数据和分析官投射的执行者形象
调查发现,在17种不同的行政领导特征中,将自己评为“有效”或“非常有效”的D&A领导者与组织和团队绩效高的领导者重合。例如,43%的高绩效D&A领导者表示,他们在投入时间进行自己的专业发展方面是“有效”的,而只有19%的低绩效领导人这样做。
Gartner杰出研究副总裁Alan Duncan表示:“成功的首席数据和分析官必然是领导精英。高绩效的首席数据和分析官会投资于自己的成功,培养在变幻莫测的环境中快速成长、讲述令人信服的价值故事以及确定能够提高业务影响力的数据和分析产品与服务的技能。”
首席数据和分析官必须坚持不懈地满足新的需求
调查发现,首席数据和分析官承担着大量职责,包括定义和实施数据和分析战略(60%)、监督数据和分析战略(59%)、创建和实施数据和分析治理(55%)以及管理数据驱动的文化变革(54%)。
此外,许多数据和分析职能正在获得更多的投入,包括数据管理(65%)、数据治理(63%)和高级分析(60%)等。受访者所报告的平均数据和分析预算为541万美元,且44%的数据和分析团队在去年扩大了规模。
Medeiros表示:“数据和分析方面的需求和投入都在增加,反映了企业机构越来越信任首席数据和分析官的能力,并认识到数据部门是一个不可或缺的业务职能部门。但随着D&A团队取得切实业务成果的压力越来越大,他们的工作量正在日益增加。”
鉴于对D&A团队需求的范围与复杂性,39%的受访者表示缺乏可用的人才已迅速成为阻碍D&A团队取得成功的首要障碍。调查中报告的D&A的六大障碍都是与人有关的挑战(见图一)。
图1:阻碍数据和分析行动取得成功的六大障碍(按照将障碍排在前3位的受访者比例确定排名)
来源:Gartner(2023年3月)
为了建立一支有效的D&A团队,除了雇用现成的人才之外,首席数据和分析官还必须制定强有力的人才管理战略。该战略应该包括在核心D&A团队以及整个商业和技术社区内进行数据驱动文化和数据扫盲的教育、培训和辅导。
数据和分析绩效必须与业务战略挂钩
调查发现,78%的受访者将企业或组织战略和愿景列为数据和分析战略的三大投入之一。另外,68%的受访者正在根据与战略目标的一致性来确定数据和分析行动的优先次序。
Duncan表示:“最成功的首席数据和分析官会把战略置于策略之前。由于首席数据和分析官需要为整个企业中的众多利益相关者服务,因此他们必须与企业机构的战略重点保持一致,并重视说服首席执行官、首席信息官和首席财务官等关键人物接受数据和分析愿景。”
Gartner客户可以在“2023年首席数据和分析官议程:形象、坚持与绩效”中了解更多信息。
数据和分析领导人可以进一步了解如何使用Gartner首席数据和分析官效能诊断评估自己的效能。该独家工具可以让首席数据和分析官了解自己的领导效能,发现自己的优势和有待改进的地方。
好文章,需要你的鼓励
UniR(Universal Reasoner)是一种创新的推理增强方法,可为冻结的大语言模型提供即插即用的推理能力。由韩国科学技术院研究团队开发,该方法将推理能力分解为独立的轻量级模块,无需改变主模型结构。UniR的核心优势在于高效训练(仅更新小型推理模块)、出色的模型间迁移能力(小模型可指导大模型)以及模块组合能力(多个专用模块可通过logits相加组合使用)。在数学推理和翻译测试中,UniR显著超越现有微调方法,展示了轻量级模块如何有效增强大语言模型的推理能力。
Nebius团队开发了SWE-rebench,一个自动化管道用于从GitHub收集软件工程任务并进行去污染评估。该系统解决了两大挑战:高质量训练数据稀缺和评估基准容易被污染。通过四阶段处理(初步收集、自动安装配置、执行验证和质量评估),SWE-rebench构建了包含超过21,000个Python交互式任务的数据集,并提供持续更新的评估基准。研究发现部分语言模型在传统基准上的表现可能被污染效应夸大,而DeepSeek模型在开源模型中表现最为稳健。
这项研究提出了JQL(发音为"Jackal"),一种通过多语言方法提升大型语言模型预训练数据质量的创新系统。研究团队从拉马尔研究所等机构通过四阶段方法解决了多语言数据筛选的难题:先由人类评估内容教育价值创建基准数据,然后评估大型语言模型作为"评判者"的能力,接着将这些能力提炼到轻量级评估器中,最后应用于大规模数据筛选。实验表明,JQL在35种语言上显著优于现有方法,甚至能泛化到未见过的语言如阿拉伯语和中文,为多语言AI发展提供了高效可靠的数据筛选方案。
浙江大学和西湖大学研究团队开发的Styl3R实现了艺术风格化3D重建的重大突破,能在不到一秒内从少量未标定照片和任意风格图像创建具有多视角一致性的3D艺术场景。通过创新的双分支网络架构将结构建模与外观着色分离,系统不仅保持了原始场景结构,还准确捕捉了参考风格特征。与现有方法相比,Styl3R在处理速度和视觉质量上均显著领先,为创意内容制作开辟了全新可能。