数据完成各种测试驱动后或从数据准备步骤中出现，才最终有资格进行分析和AI模型开发，但是在接连进行的调查中，组织继续报告访问，准备，清理和管理数据方面的问题，最终使可信赖的透明分析模型的开发陷入停滞，在数据高速公路上空转至空档，为什么组织会错过从AI获得变革性业务洞察力的出口，而坐在数据管理高速公路上的流量中呢？有以下三个关键原因：

　　分析团队花费太多时间准备数据

　　数据科学家将60％至80％的时间用于数据准备，而没有足够的时间与数据交互，运行高级分析，训练和评估模型以及将模型部署到生产中，问题在于，业务分析师，公民数据科学家和其他非IT角色没有直接的方法来移动和转换数据以进行分析，数据资产无法利用，因为业务用户缺乏不需要编码技能或广泛的数据集成知识的资源，从而影响了数据延迟并导致数据不适合分析。

　　业务部门需要及时访问数据

　　在竞争激烈的市场中，业务部门不再能够依靠传统的ETL方法来满足实时需求，业务分析师和数据科学家都在花费大量时间等待IT提供数据，最终阻碍了组织对不断变化的市场状况做出有效反应，数据驻留位置数量的增加使访问数据和找到正确的数据具有挑战性，庞大的数据环境可能会限制数据的透明度，很多情况下，业务用户甚至都不知道可用的数据资产，因为没有最新的文档或搜索界面可让他们找到该信息。另外，巨大的数据环境迫使公司数据使用变得零散。结果是决策是孤立的，报告中的信息冲突会破坏有效的决策。

　　将踏板放在数据金属上

　　考虑到这些障碍，公司可以采取哪些最佳方法来加速准备数据进行分析，并将其算法快速投入生产？

　　最佳实践1：自动化和扩充数据流程以加快数据准备

　　允许用户利用AI和机器学习来扫描数据并智能地提出转换建议，同时使用户只需单击一下按钮即可接受建议并完成转换。数据自动建议的一些示例包括性别识别，标准化，匹配和重复数据删除。

　　最佳实践2：使用自助数据准备工具，这些工具不需要高级编码技能或依赖IT

　　您不希望用户花时间执行高级或复杂的编码，因为这会延长获取分析和见解所需的时间。无论您是否使用AI加速自助数据准备工作，数据准备工具都应提供概要分析，浏览和过滤工具以及包括结构化，转换和格式化数据的数据准备功能。

　　最佳实践3：在自助服务环境中开发协作工作流以消除孤岛

　　提供在团队和个人之间共享计划，工作和见解的能力，以提高经过审查的数据管道的可重用性和共享性，并加快数据准备。

　　最佳实践4：使用云

　　企业需要将大量数据从本地数据存储安全地移动到云中，反之亦然。他们需要安全地将本地数据读写到云中，并将该信息用于分析和决策。

　　考虑到用于构建分析模型的数据越好

　　输出就越好，因此花时间进行数据准备非常重要，您的企业必须确保用户在其分析中使用的数据正确干净，丰富和格式化，数据准备可提供这种信任，您的数字转换策略无需停滞在数据准备永无止境的工作区域中，相反找到可以安全地导致AI部署的智能弯路，而不会限制您获得洞察力的速度。