智能數據，驅動智慧企業的未來

的數據領域已經取得了長足的發展。但我確信，已有不少人和企業開始對大數據這個詞及概念被到處濫用而感到厭煩。在很多情況下，它被使用在沒有太大意義的語境中，通常為了推廣某個產品或服務，或吸引蜂擁而至的眼球。

即使有時目標確實是為了創造洞察和價值，我們有時也會忽略明確的目標，及可通過大數據分析來衡量的結果，只是為了「大數據「而」大數據」。但或許在現階段，這再正常不過——因為市場、生態和技術的成熟度，與技術被理解、接受到怎樣的程度，這兩者是齊頭並進的。在大環境中，隨著企業將越來越多的戰略舉措和資源投入到數據資產中，最終將驅動數據生態的供應商針對具體問題來設計出靈活及高性價比的解決方案，來替代那些落後而繁瑣的通用型企業數據系統。

在理想的狀態下，我們可以想象，數據技術和平台應該是容易獲取，有價值，且大眾化到甚至可適用於中小型企業的。換句話說，從市場的角度來看，在這一情形下，數據應用的技術及採用率已達到了成熟和普及的階段。 （如果用研究公司Gartner的技術成熟度曲線中的階段來表述的話，這一階段即被稱為「啟蒙的斜坡」【Slope ofEnlightenment】）不過很明顯，我們目前離這個階段還很遠。 這就拋出了一個問題 —— 我們應當如何才能到達這個狀態？目前的市場上正在取得什麼樣的進展？

從大數據到智能數據，日益增長的轉變

數據的企業應用通常處理的是所謂的五個V的問題：volume(數量), velocity（速度），variety（多樣性），veracity（真實性）和value（價值）。 當仔細觀察這些特徵時，會發現其中的兩種形態。數量、速度和多樣性方面有關於數據產生的過程，以及如何獲取和存儲數據，而真實性和價值這兩方面則關注於數據的質量和有用性。如果企業只是重視數量和速度的層面，這是可以被定義為一個「大」數據的問題。 然而實際上，很多這樣的數據包含了未經過濾的「噪音」。

智能數據的定義，便是真正能夠應用於解決實際問題的數據子集——通過消除噪音並聚焦到問題及其參數和精微細節上，可以一種智能的方式被運用到解決方案中去。

智能數據帶來以下的好處：

• 智能數據方法論和解決方案可通過專註於具體業務相關問題，並圍繞該問題及其相關數據範圍來打造相應的數據技術，從而極大地提高解決問題的效率。

• 圍繞特定應用場景及範圍構建的智能數據解決方案通常更加輕量級和靈活，從而能有更快的實施、部署及價值實現速度。

• 提升的效率及靈活度自然而然地等同於對於，在同等價值交付的情況下，更低的成本。

• 專註於特定的業務問題和數據範圍，也提供了更加深入、快速，以及相關度更高的洞察。這也在企業和解決方案提供商之間創建了一個不間斷的反饋閉環，始終專註於針對複雜的問題來提供更加智能及尖端的解決方案。隨著機器學習和人工智慧的發展，通過針對某一專業領域（例如行業、業務職能等）持續地訓練機器智能，它能夠進一步地創造一種類型的規模經濟效應。

智能數據解決方案的關鍵組成部分

智能數據收集及獲取

第一個關鍵步驟是以最適合於手頭業務應用的方式將相關數據導入系統。我們可以將數據分為兩種類型——實時數據和非實時數據。它們往往存在於多個潛在的數據源中，包括在線和離線的，通常位於完全的數據孤島中。

企業需要技術解決方案提供商給予一套數據收集和集成工具，來快速、高效和可靠地獲取實時及非實時數據。並且，這一流程應該被設計得儘可能的簡單，使非技術背景的企業用戶也能夠以自運營的形式上手操作。

用戶應該能夠輕鬆地指定，哪些數據維度需要被收集。數據收集觸點和數據源對接的範圍應完全取決於最終的目標—— 如果目標是為了通過分析物聯網感測器數據來做預見性維護，那對於數據獲取這個步驟而言，就需要把MQTT和其他消息服務相結合，並進而將來自資料庫或數據倉庫的離線客戶數據與實時感測器數據相匹配。

如果您需要的應用場景是來分析客戶流失，那麼您需要將通過容器和SDK採集的實時客戶觸點行為數據（例如網站、APP等）與CRM和呼叫中心裡可匹配個人身份信息（PII）的數據相結合。數據處理，以及是進行清理和統一還是將其中一部分以原始形式保留，或者是否對數據進行鏈接或合併等等，都是與應用場景和業務息息相關的問題。

智能分析

智能分析是指，能夠幫助用戶在其正著手的業務應用框架內提出正確的問題，不將分析邏輯設死，而是確保它可以按照適合企業自身的業務邏輯和獨有特性來適配。

隨著機器學習的發展，人工智慧和預測分析成為數據量大的應用中的關鍵組成部分，企業用戶能夠輕鬆獲得以前很難得到的深入洞察——但在這個過程中，如果分析過程對於用戶而言變成一個黑盒，當用戶無法控制或了解從A是如何達到B的，亦會有許多問題和錯誤的產生。

智能分析並非是讓終端用戶在很少或者零輸入的狀態下就能獲取分析結果，而更應該是一個互動的過程。在這一過程中，用戶可被引導輸入相關的數據參數，並以直觀和透明的方式來發現洞察。就機器學習和人工智慧而言，數據科學的作用應該是增強和加速人類的決策和判斷，而不因是取代它。如果智能數據獲取和收集這第一步走得強而有力，亦有助於提升智能分析的效率和準確度。

智能數據應用

我們可以想象數據價值鏈就如同一個生產流水線一樣—— 最後一站需要關注的是如何使用數據。如果數據洞察無法輕易地轉換為行動，它的價值就幾乎無法體現。

洞察分兩種 —— 戰略洞察與可實施洞察。其中，可實施洞察對於不同的數據驅動應用場景而言，其交付的格式和方式也應不同，使用或激活它們的方法也可根據其數據及洞察的類別而有所不同。下一代的智能數據平台應是可與外部或內部的「行動系統」完全連通的，使數據可以實時或接近實時地被投入使用。

數據可以被推送到這些行動系統中去進一步使用，或者用戶能夠設置某些基於規則的觸發條件，當分析維度的某個範圍或數據狀態等於某個值或區間時，相應的行為將被觸發。

例如，當預測分析結果達到一定的閾值區間時，一個預見性維護工業物聯網數據平台可觸發發送某些警報到警報隊列里，或者一個客戶數據平台將某些客戶群激活到通過API對接的電郵營銷平台中去。

了解了智能數據技術的好處，那麼大環境將如何驅動智能企業？

首先，我們從全球整體的角度來看一下，從過去到現在，企業級相關的技術和應用是如何進化和發展的。

當我們研究信息技術創新的浪潮時，您將看到這樣一種演進的規律，首先從建立基礎設施和計算機架構的准系統基礎，到使用上一個時期的企業級軟體將重複和線性的任務及工作流程自動化，再到可聯通的網路，以及消費者驅動的互聯網。不管您是否相信，即便是企業級軟體的新浪潮，包括被認為是基於雲端的SaaS（軟體即服務），雖然改進了商業模式、連通性以及用戶體驗，但仍然只能幫助企業完成機械性和線性的工作流程。

下一波具有顛覆性，並能夠創造重要價值的企業級技術浪潮，是能夠助力於非線性工作流和洞察的智能數據技術公司。

它們幫助企業內的分析型業務端用戶以非線性和預定的方式來創造和發現價值。

智能數據技術旨在助力於這些業務端用戶，基於大量相關數據集，通過其提供的工具中的分析功能，可以讓他們提出更為複雜、更深層次的抽象問題，並獲得答案。

當然，問題的提出與洞察獲取的抽象程度，與生產力潛能最大化密切相關。一些經過多年發展而形成了巨大規模的大型經濟板塊，或許現在已進入瓶頸階段，可能還沒有充分地利用現有的計算基礎設施和技術來發揮更大的潛力。

事實上，隨著尖端數據驅動技術的快速發展，以及分散式計算基礎設施越來越便宜和容易獲取，現實和可能達到的潛在狀態之間的差距變得前所未有之大。如果將機器智能、數據和信息管理，以及技術驅動的協作有機結合在一起，將使企業的生產力提高到一個新的水平。

對於那些想要利用智能數據技術來突破業務瓶頸的企業來說，這是一個激動人心的時刻。這也為那些希望通過構建創新型智能數據技術，來解決具體業務問題的創業者，提供了無限的契機和可能。

這對於企業來說意味著什麼？

• 數據管理技術更加大眾化

  隨著智能數據技術以及整個數據生態的發展，對於各種規模的企業來說，可創造的實際應用價值將越來越多。利基玩家和解決具體問題的供應商的增加，也將提高市場上解決方案的性價比。

• 更易獲取的機器學習及人工智慧功能

  智能數據技術將持續針對解決特定問題的機器學習和AI功能產品化，從而對於非技術背景的業務用戶而言，也變得更加容易獲取、使用性更強。在細分領域的專註度更利於打造規模經濟效益，並將不斷增強的機器學習能力所能產生的價值跨應用場景地分享到不同的企業級用戶中去。

• 先發優勢

  信息意識和對稱性是企業的一種競爭優勢。 簡單地講，會利用實時信息對稱和數據驅動預測性洞察的企業，比那些不會利用的將具備更大的優勢。

這對現有的技術公司來說，這意味著什麼？

• 是的，會帶來顛覆性的影響

  大型企業級技術公司通常擁有一套龐大而全面的傳統產品線。現有的企業技術、數據應用和BI產品通常具有固定的商業模式。一旦出現更為靈活、性價比更高、更輕量級、並且專註於解決一些細分問題的智能數據技術，那麼傳統模式是會容易被輕易顛覆的。

• 創新者的困境

  B2B技術是一個相對而言，可預測性更強的領域。 您可以結合矽谷的趨勢和特色的市場特點來規劃技術趨勢，並根據需求、垂直領域和規模來細分客戶群。靈活的智能數據技術公司將從一個不是現有大型企業理想目標的細分市場開始切入（通常是老牌公司忽視的更小型的客戶們），並且在取得一定增速后，開始向價值鏈上游延伸至老牌公司的理想客戶基礎。現有技術公司將很難和那些專註於某些客戶群的智能數據初創公司競爭，因為這可能與其核心業務存在定位衝突或影響其主要的現金流，除非通過併購。這被稱為創新者的困境。

的數據產業將在未來的幾年將會變得非常有趣。