我要投稿

【OpenAI】如何用AI打造数据驱动型团队

发布日期：2024-08-27 17:24:58 浏览次数： 2168 作者：HR科技达人

在快速发展的数字化时代，有效利用数据的能力已不再是奢侈，而是必需品。全球各地的组织都在努力培养数据驱动型文化，在这种文化中，数据洞察不仅仅是可用的，更是可操作的。这种转型需要能够让每一位员工都熟练进行数据分析的工具，而这正是生成式AI可以发力的地方。

OpenAI 最近举办的一场网络研讨会中的内容，深入探讨了如何用AI (当然是ChatGPT啦?）彻底改变团队与数据互动的方式，展示AI如何帮助组织轻松应对复杂的数据分析挑战。

1）自主数据分析的需求

数据驱动型团队面临的主要挑战之一是对专业数据团队的依赖，以进行数据分析。这种瓶颈可能会减缓决策过程，使非数据团队在等待对其运营至关重要的洞察时处于被动状态。AI驱动的数据分析旨在民主化数据分析，使其在不同部门的员工中无论技术水平如何都能轻松使用。

而借助ChatGPT 这样的工具允许用户收集和准备数据、进行分析，甚至创建可视化，而无需深入的科学或分析培训。

AI加持的数据分析的真正价值在于它能够将复杂的数据处理过程转化为日常用户可以轻松管理的任务。在整个研讨会中，OpenAI分享了多个团队使用 ChatGPT 企业版简化工作流程的实际案例。

样本数据：Open演示用的一份通用的航班信息

ChatGPT对于数据的解读

关键点：ChatGPT不仅仅是把这些数据读进来，更是内部跑了IDE程序对每一列进行了自动的解读，判断是什么数据，比如：第7列延迟时间的单位是分钟(Minutes)，这部分在源数据里面其实是没有的。

还有一些很琐碎但是重要的内容，比如：异常数据检测，AI可以自行针对这份数据的特点来列出重点检测内容并执行，如果数据来源本身是手工输入的话这个就非常有意义了：

1. 检查是否存在重复行。

2. 检查所有列中是否有缺失值。

3. 检查“dep_delay”（起飞延误时间）和“arr_delay”（到达延误时间）是否有负值。

4. 检查“dep_time”（起飞时间）和“arr_time”（到达时间）是否在有效范围内（0-2400）。

5. 检查是否存在“arr_time”早于“dep_time”的航班记录。

6. 检查“dep_unix_timestamp”（起飞时间戳）和“arr_unix_timestamp”（到达时间戳）是否与对应的“dep_time”（起飞时间）和“arr_time”（到达时间）匹配。

7. 检查航班的飞行时间是否异常长或异常短。

8. 检查“sched_dep_time”（计划起飞时间）和“sched_arr_time”（计划到达时间）是否在有效范围内（0-2400）。

9. 检查“origin_coordinates”（出发地坐标）和“dest_coordinates”（目的地坐标）是否一致。

10. 检查“dep_delay”（起飞延误时间）和“arr_delay”（到达延误时间）中的异常值

对话框内就直接写python执行检测了

2）从数据收集到可视化

数据驱动型团队面临的主要挑战之二是传统数据分析工具本身通常很技术化，学习成本高。而AI加持的数据分析工具可以提供内嵌的分析工具，支持一些非常有意思的场景，比如头脑风暴：很多时候我们缺乏的是好问题，比如：

以下是可以针对该数据集提出的四个有趣的数据分析问题：

1. 不同航空公司的航班延误（包括起飞和到达）的分布情况如何？

2. 哪些机场的延误最多，这些机场的平均延误时间是多少？

3. 航班延误在一天中的不同时间段有何差异？

4. 纽约市的主要目的地有哪些？这些目的地的延误统计数据如何？

可视化是数据分析的另一关键环节，ChatGPT这一领域也表现出色。平台提供了一系列基于AI的新场景，比如：

用户手绘的仪表图

上传草稿后OpenAI对应生成仪表图

3）从数据到行动

任何数据作为孤岛存在是没有意义的，任何AI工具在中期内没有替代业务系统和数据仓库的可能，因此如何有效对接其他系统是最具挑战的步骤，目前OpenAI的设想是把ChatGPT作为调度者来指挥其他系统，比如GPT Actions。

通过GPT Actions，用户可以将分析结果直接与第三方应用（如Microsoft Outlook和JIRA）集成，进一步提高工作效率：

同一个样本数据，将发现的异常数据作为工单发给Jira(服务平台）

这一块的话语权是目前争夺得最激烈的地方，虽然OpenAI可以调用各种系统，但短期内我们更加可能见到的还是在数据分析系统里面调用AI的能力。详细分析可见往期文章：

AI in HR 还是 HR on AI? 未来HR系统还是HR系统吗？

打造数据驱动型文化

研讨会的主要主题之一是打造数据驱动型文化的重要性。OpenAI认为，要真正发挥数据的力量，组织不仅需要有合适的工具，更需要在整个公司范围内培养一种数据驱动的思维方式。所有级别的员工都需要感到有能力在决策过程中使用数据。培养这种文化需要教育和培训。虽然 ChatGPT 设计得直观易用，但要充分发挥其潜力，组织需要在培训员工方面进行投入。培训的目标并不是将每个员工都培养成数据科学家，而是赋予他们探索和利用数据的信心和技能。

数据驱动型文化的另一个关键方面是跨部门协作。AI加持的数据分析工具通过简化数据分享和协作的过程，促进了团队之间的合作。当数据成为跨部门的共同语言时，它可以打破组织内部的孤岛，促成更加整体的战略性解决方案。

未来的商业世界将是数据驱动的，而AI加持的数据分析工具正引领这一潮流。通过使数据分析变得易于获取、安全且具备协作性，AI加持的数据分析工具将帮助组织充分发挥数据的潜力，推动更好的决策，并促进持续改进的文化。

成为数据驱动型组织不仅仅是采用新工具，更在于改变我们与数据互动的方式。这意味着赋予每位员工将自己视为数据分析师的能力，使其能够为组织贡献有价值的洞察。这还意味着拥抱 AI 所带来的可能性，打造更敏捷、创新和成功的业务。