深度 | 智能数据，驱动智慧企业的未来

中国的数据领域已经取得了长足的发展。但我确信，已有不少人和企业开始对大数据这个词及概念被到处滥用而感到厌烦。 在很多情况下，它被使用在没有太大意义的语境中，通常为了推广某个产品或服务，或吸引蜂拥而至的眼球。

即使有时目标确实是为了创造洞察和价值，我们有时也会忽略明确的目标，及可通过大数据分析来衡量的结果，只是为了“大数据“而”大数据”。但或许在现阶段，这再正常不过——因为市场、生态和技术的成熟度，与技术被理解、接受到怎样的程度，这两者是齐头并进的。在大环境中，随着企业将越来越多的战略举措和资源投入到数据资产中，最终将驱动数据生态的供应商针对具体问题来设计出灵活及高性价比的解决方案，来替代那些落后而繁琐的通用型企业数据系统。

在理想的状态下，我们可以想象，数据技术和平台应该是容易获取，有价值，且大众化到甚至可适用于中小型企业的。 换句话说，从市场的角度来看，在这一情形下，数据应用的技术及采用率已达到了成熟和普及的阶段。 （如果用研究公司Gartner的技术成熟度曲线中的阶段来表述的话，这一阶段即被称为 “启蒙的斜坡” 【Slope of Enlightenment】）不过很明显，我们目前离这个阶段还很远。

这就抛出了一个问题 —— 我们应当如何才能到达这个状态？目前的市场上正在取得什么样的进展？

数据的企业应用通常处理的是所谓的五个V的问题： volume(数量), velocity（速度），variety（多样性），veracity（真实性）和value（价值） 。 当仔细观察这些特征时，会发现其中的两种形态。数量、速度和多样性方面有关于数据产生的过程，以及如何获取和存储数据，而真实性和价值这两方面则关注于数据的质量和有用性。 如果企业只是重视数量和速度的层面，这是可以被定义为一个“大”数据的问题。 然而实际上，很多这样的数据包含了未经过滤的“噪音”。

智能数据的定义，便是真正能够应用于解决实际问题的数据子集 ——通过消除噪音并聚焦到问题及其参数和精微细节上，可以一种智能的方式被运用到解决方案中去。

◆ 智能数据方法论和解决方案可通过专注于具体业务相关问题，并围绕该问题及其相关数据范围来打造相应的数据技术，从而 极大地提高解决问题的效率。

◆ 围绕特定应用场景及范围构建的智能数据解决方案通常更加 轻量级和灵活 ，从而能有更快的实施、部署及价值实现速度。

◆ 提升的效率及灵活度自然而然地等同于对于，在同等价值交付的情况下， 更低的成本 。

◆ 专注于特定的业务问题和数据范围，也提供了 更加深入、快速，以及相关度更高的洞察 。这也在企业和解决方案提供商之间创建了一个不间断的反馈闭环，始终专注于针对复杂的问题来提供更加智能及尖端的解决方案。 随着机器学习和人工智能 的发展，通过针对某一专业领域（例如行业、业务职能等）持续地训练机器智能，它能够进一步地创造一种类型的规模经济效应。

◆ 智能数据收集及获取

第一个关键步骤是以最适合于手头业务应用的方式将相关数据导入系统。我们可以将数据分为两种类型——实时数据和非实时数据。它们往往存在于多个潜在的数据源中，包括在线和离线的，通常位于完全的数据孤岛中。

企业需要技术解决方案提供商给予一套数据收集和集成工具，来快速、高效和可靠地获取实时及非实时数据。并且，这一流程应该被设计得尽可能的简单，使非技术背景的企业用户也能够以自运营的形式上手操作。

用户应该能够轻松地指定，哪些数据维度需要被收集。数据收集触点和数据源对接的范围应完全取决于最终的目标 —— 如果目标是为了通过分析物联网传感器数据来做预见性维护，那对于数据获取这个步骤而言，就需要把MQTT和其他消息服务相结合， 并进而将来自数据库或数据仓库的离线客户数据与实时传感器数据相匹配。

如果您需要的应用场景是来分析客户流失，那么您需要将通过容器和SDK采集的实时客户触点行为数据（例如网站、APP等）与CRM和呼叫中心里可匹配个人身份信息（PII）的数据相结合。数据处理，以及是进行清理和统一还是将其中一部分以原始形式保留，或者是否对数据进行链接或合并等等，都是与应用场景和业务息息相关的问题。

◆ 智能分析

智能分析是指，能够帮助用户在其正着手的业务应用框架内提出正确的问题，不将分析逻辑设死，而是确保它可以按照适合企业自身的业务逻辑和独有特性来适配。

随着机器，人工智能和预测分析的发展成为数据驱动应用中的关键组成部分，企业用户能够轻松获得以前很难得到的深入洞察——但在这个过程中，如果分析过程对于用户而言变成一个黑盒，当用户无法控制或了解从A是如何达到B的，亦会有许多问题和错误的产生。

智能分析并非是让终端用户在很少或者零输入的状态下就能获取分析结果 ，而更应该是一个互动的过程。 在这一过程中，用户可被引导输入相关的数据参数，并以直观和透明的方式来发现洞察。就机器学习和人工智能而言，数据科学的作用应该是增强和加速人类的决策和判断，而不因是取代它。如果智能数据获取和收集这第一步走得强而有力，亦有助于提升智能分析的效率和准确度。

◆ 智能数据应用

我们可以想象数据价值链就如同一个流水线一样 —— 最后一站需要关注的是如何使用数据。如果数据洞察无法轻易地转换为行动，它的价值就几乎无法体现。

洞察分两种 —— 战略洞察与可实施洞察 。其中，可实施洞察对于不同的数据驱动应用场景而言，其交付的格式和方式也应不同，使用或激活它们的方法也可根据其数据及洞察的类别而有所不同。下一代的智能数据平台应是可与外部或内部的“行动系统”完全连通的，使数据可以实时或接近实时地被投入使用。

数据可以被推送到这些行动系统中去进一步使用，或者用户能够设置某些基于规则的触发条件，当分析维度的某个范围或数据状态等于某个值或区间时，相应的行为将被触发。

例如，当预测分析结果达到一定的阈值区间时，一个预见性维护工业物联网数据平台可触发发送某些警报到警报队列里，或者一个客户数据平台将某些客户群激活到通过API对接的电邮营销平台中去。

首先，我们从全球整体的角度来看一下，从过去到现在，企业级相关的技术和应用是如何进化和发展的。

当我们研究信息技术创新的浪潮时，您将看到这样一种演进的规律，首先从建立基础设施和计算机架构的准系统基础，到使用上一个时期的企业级软件将重复和线性的任务及工作流程自动化，再到可联通的网络，以及消费者驱动的互联网。即便是企业级软件的新浪潮，包括被认为是基于云端的SaaS软件即服务，虽然改进了商业模式、连通性以及用户体验，但仍然只能帮助企业完成机械性和线性的工作流程。

下一波具有颠覆性，并能够创造重要价值的企业级技术浪潮，是能够助力于非线性工作流和洞察的智能数据技术公司。

它们帮助企业内的分析型业务端用户以非线性和预定的方式来创造和发现价值。

智能数据技术旨在助力于这些业务端用户，基于大量相关数据集，通过其提供的工具中的分析功能，可以让他们提出更为复杂、更深层次的抽象问题，并获得答案。

当然，问题的提出与洞察获取的抽象程度，与生产力潜能最大化密切相关。一些经过多年发展而形成了巨大规模的大型经济板块，或许现在已进入瓶颈阶段，可能还没有充分地利用现有的计算基础设施和技术来发挥更大的潜力。

事实上，随着尖端数据驱动技术的快速发展，以及分布式计算基础设施越来越便宜和容易获取，现实和可能达到的潜在状态之间的差距变得前所未有之大。如果将机器智能、数据和信息管理，以及技术驱动的协作有机结合在一起，将使企业的效率提高到一个新的水平。

对于那些想要利用智能数据技术来突破业务瓶颈的企业来说，这是一个激动人心的时刻。这也为那些希望通过构建创新型智能数据技术，来解决具体业务问题的创业者，提供了无限的契机和可能。对于那些想要利用智能数据技术来突破业务瓶颈的企业来说，这是一个激动人心的时刻。这也为那些希望通过构建创新型智能数据技术，来解决具体业务问题的创业者，提供了无限的契机和可能。

◆ 数据管理技术更加大众化

随着智能数据技术以及整个数据生态的发展，对于各种规模的企业来说，可创造的实际应用价值将越来越多。利基玩家和解决具体问题的供应商的增加，也将提高市场上解决方案的性价比。

◆ 更易获取的机器学习及人工智能功能

智能数据技术将持续针对解决特定问题的机器学习和AI功能产品化，从而对于非技术背景的业务用户而言，也变得更加容易获取、使用性更强。在细分领域的专注度更利于打造规模经济效益，并将不断增强的机器学习能力所能产生的价值跨应用场景地分享到不同的企业级用户中去。

◆ 先发优势