智能数据白皮书：当AI赋能企业创新，如何利用大数据创造商业价值

智能终端以及移动互联网的普及与飞速发展，产生了规模庞大的数据。根据国际数据公司 IDC 发布的研究报告预测，2020 年全球数据信息量将达到 44ZB（万亿 G）。

随着数据的开放以及机器学习、人工智能等技术的成熟，数据的应用开始走向智能化和精细化。相比规模庞大的「大数据」，那些真正能够应用于解决实际问题的大数据子集——智能数据，对于企业来说显然有着更大的价值。

在智能数据的运用上，企业面临的最大难题包括：数据收集、整合与分析以及实现数据应用的闭环。在国外，亚马逊、可口可乐、荷兰皇家航空等公司其实已经在对内决策、对外的数据驱动营销以及客户体验的提升和优化上有了较为领先的智能数据实践。

《智能数据白皮书》综述了智能数据的发展、概念和特征，重点梳理了智能数据的应用场景、解决方案，并且介绍了领先品牌的案例实践，希望能让更多企业认识到智能数据的价值与意义、为企业实施智能数据战略提供借鉴及参考。

机器的出现带来了工业生产的黄金时代；在信息时代，计算机的出现又带来的新的商业模式。2007 年，iPhone 的发布，正式宣告我们进入了智能硬件的时代。此后，随着产业链的成熟，处理器、芯片、传感器、通信技术的有效应用，智能硬件进入高速发展阶段，各种产品开始出现，包括无人机、智能手环、智能音箱、VR 眼镜等。众多智能终端的应用，产生大量的用户数据，为数据的商业应用提供了重要的基础。根据市场调研机构 IDC 预测，未来全球数据总量的年增长率将保持在 50% 左右，无论你是在网上购物、还是在跑步，几乎每项活动都会产生数据。

《经济学人》2017 年 5 月的文章指出：如今，数据已经取代石油成为世界上最宝贵的资源。为了适应快速变化的市场环境，各大企业都在积极做出战略调整，数据的有效应用成为企业提升运营效率，推动业务变革和转型的关键要素之一。

然而，企业以往对数据的痴迷常常聚焦在数量上，只关注数据的规模而忽视了数据的真实性和价值。 数据并不是越大越好，因为越大的数据包含越多的「噪音」。

我们究竟该如何正确看待数据？

从本质上说，包含所有数据的大数据，主要包括企业级应用中积累的第一方数据、第二方和第三方数据、实时数据及非实时数据，但「大」其实是毫无意义的，而为了实现其价值，需要从大数据中提取相关数据，应用到相关业务流中，实现自动化的业务交易。而这些被提取的数据，就是智能数据。

智能数据是指那些真正能够应用于解决实际问题的大数据子集，通过对结构化和非结构化的数据的整合、分析和激活，帮助企业做出正确的决策，提升营销效果和实现商业目标。

智能数据的出现让企业主可将数据转化为智能数据，全程跟踪用户行为、评估消费者意愿、链接企业销售端直至最终实现成单。随着数据与技术驱动营销的效用凸显，让企业主和代理公司头疼的不再仅仅是某个营销环节，他们需要一站式的解决方案，从数据收集、数据分析到数据利用都能够统一管理，随着数据技术在商业领域的广泛应用，大数据不仅应用于广告投放和营销推广中，更可以应用于企业客户的商业决策乃至其他企业级数据需求。

目前，智能数据技术供应商覆盖的领域包括金融、营销 / 销售 / 客户体验、互联网广告、网络安全、金融、物联网、生命科学等。

随着我们进入大数据时代，互联网技术在不断改变，数字营销也在进化。从上个世纪 90 年代中后期至今，数字营销经历了粗放式的手工作坊阶段、网络广告阶段、程序化阶段和如今的营销自动化阶段。而在这个以数据与技术驱动的数字营销时代，营销人员对数据的需求越来越迫切。借助技术和数据驱动的营销，成为数字营销区别于传统营销的核心立足点。

那么，作为最新趋势的重点，智能数据应用技术在当下处于怎样的发展水平呢？

根据知名 IT 咨询公司 Gartner 2017 年 7 月发布的 2017 年新兴技术成熟度曲线，推出三方面趋势：

1）无处不在的人工智能（AI）；

2）透明化身临其境的体验；

3）数字化平台。

专注于技术创新的企业将继续寻找可以帮助他们创造竞争优势和价值、降低经营成本、使业务模型转型的新技术。其中，智能数据挖掘（Smart Data Discovery）进入期望膨胀期阶段，2 到 5 年的将成为主流应用新兴技术。

根据 Gartner 发布的《2017 十大技术营销趋势报告》，以大数据为依托的数字技术平台已经成为企业发展数字业务的基石，亦是数字化转型的必经之路。在欧洲，智能数据已是德国政府新的高科技战略和数字议程的一部分。德国联邦经济与能源部创建了「智能数据 - 数据创新」技术计划，以推动 13 个正在开发创新服务的旗舰项目。

在智能数据的应用方面，不仅是企业，咨询公司、投资机构也纷纷涌入智能数据的风口之上。阿里巴巴马云曾说，未来的互联网是用人工智能在云端处理大数据。当下 BAT 也在通过战略布局 ABC 领域（即 AI 人工智能、Big data 大数据、Cloud 云计算）。

而对于实体企业而言，分散信息的收集和整合以及海量数据的智能分析也同样蕴含着巨大潜力。举例而言，工业企业已经在利用大数据技术来寻找节能空间。如德国西门子公司，由于其产品和解决方案每天都会产生大量的数据，因此公司的全球研究机构西门子中央研究院的专家们开发出了一种利用智能数据分析的方法，开拓业务新商机。

此外，对实体资源有充分把控能力的企业正在借助互联网的力量创新商业模式，以 B2B、企业服务等创业项目已成为风险投资竞相追逐的热点。

全球知名市场调研机构尼尔森在 2013 年推出技术孵化平台 Nielsen Innovate，专注于投资于小型和初期的初创企业，鼓励推动企业发展的数字创新。国内著名投资人熊晓鸽此前也曾表示，IDG 持续关注人工智能和大数据，并偏爱技术公司。

据科技媒体 36kr 报道：大数据智能公司在行业内业已成为资本热捧的项目，擅长大数据技术的科技公司在资本领域也将具有得天独厚的优势。过去一年，科技巨头围绕这些产业，开展了大量的收购，标的包括人工智能初创企业 (算法)、大数据公司 (算法或数据) 和芯片研发公司 (计算能力)。据蛋壳研究院数据显示，截至至 2016 年 7 月底，谷歌在其中的收购次数最多达到了 13 次。

智能数据不仅带动资本的涌入，也催生了巨大的人才需求。根据媒体数据显示，跟人工智能相关的数据服务行业，是今年公司薪资预算增长最快的领域，涨幅相比去年同期达到 41.9%。

就世界范围而言，每一分钟都会有 2.04 亿封电子邮件发出，用户在 Facebook 上分享 250 万条内容，27.7 万条推文从 Twitter 发出，21.6 万张照片在 Instagram 上发布。大数据的爆炸性毫不夸张。

而某种意义上，当这些大数据是非结构化的时候，这些数以亿计的数据点很难被利用，也不会产生任何见解或洞察。根据波兰金融科技公司 Creamfinance COO Patrick Koeck 的观点：大数据是一件好事，但却是一个没有精度的钝器。智能数据的出现更快地切入到数据的问题核心，使企业管理层能够快速剥离各种无关紧要或分散注意力的信息，直接了解到最重要的问题，并根据真实的、现实的、有价值的数据做出决策。

因此，为了将大数据的价值最大化，大数据需要变成可操作的智能数据，有着明确的目的，能够获取洞察和行动指导。不过当下，大数据走向智能是一个渐进的过程，首先要从积累数据和技术开始，然后通过不断的机器学习、深度学习，逐步走向智能。

通俗意义上讲，智能数据就是人工智能在大数据领域的应用。根据加州大学伯克利分校机器学习教授，Chinapex 创略首席科学顾问 Laurent EI Ghaoui  Chinapex 的观点： 机器学习和 AI 正在推动一种被称为「人机共生」的增长，机器智能做体力活，获取洞察，然后让人类策略性的思考。在某种程度上，它会增强人的决策。这是一个非常有效的专业互动，能使每一方（人或机器）去做他们最擅长的事。

而如何将大数据转化为智能数据，我们会在下文的智能数据的应用场景中具体阐述。这里，我们先要明确智能数据有何特征。

据了解，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」。

因此，智能数据可以被理解为被过滤「噪音」、聚焦真实性和价值的大数据子集，但智能数据的特征并不只有这些。

1. 真实有用性：智能数据的收集不再追求「大而全」，它将变得更加目的导向。相比大数据的 volume(数量) 和 velocity（速度），智能数据的特点在于其 veracity（真实性）和 value（价值）。通过技术解决方案供应商提供的工具，企业能够根据实际问题决定哪些数据需要被收集。

2. 可操作性：智能数据是将非结构化的大数据转化为可操作的结构化数据子集，通过为企业提供洞察分析，实时获取各种业务成果。无论是在工业应用程序，数据驱动型营销或流程优化中。

   严格意义上，智能数据既指实际的大数据中结构性的数据子集，同时也意味着一套将智能数据应用于实际问题的一套技术与方法，包括数据收集、数据整合、数据细分和分析，以及数据开放式应用的四个步骤。

   从商业角度看，大数据告诉我们消费者的行为是什么，而智能数据则是让我们寻找其中的规律及潜在的原因，并且基于这一发现做出判断和预测。

3. 跨平台多渠道搜集：当小型企业还处于应用自身的 CRM、EDM、SEO 的阶段时，营销活动的流程也相对简单，并没有营销流程管理的意愿。但对于年营销预算在千万元以上的中大型 B2C 类公司，其用户数据有跨平台、碎片化、多渠道的特点，因此对跨渠道营销效率和效果管理有强烈需求。

   具体到数据本身而言，我们可以将其分为两种类型——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。智能数据系统不仅能打通数据孤岛，实现多渠道、跨设备的多维度数据的统一管理，并基于机器学习算法，进行优化、分析、判断，形成完整的数据收集闭环。

当下，数据呈爆炸式增长，企业不仅有包括 CRM / 销售数据、内部系统、数据库等在内的非实时数据，还有来自 PC、移动端、移动 APP、互联网广告和物联网等触点中收集到的实时数据。

但数据驱动营销，仍然处于一个从粗放式流量采购到精细化高效管理的转型期。最大的障碍是许多企业仍然专注于「大数据」而不是「智能数据」，而没有意识到后者才是真正可以帮助到企业的有效信息。当每个企业在不同的消费者数字接触点上产生大量的用户数据和行为数据时，仍然面临许多数据营销痛点，主要表现在：

1. 数据孤岛，多方数据没有打通，营销数据不能匹配进行统一管理

2. 第一方实时数据没有被收集和运用，没有实时积累，包括企业 CRM、数据仓库、已经注册成为会员的客户信息以及客户实时的线上线下行为这些数据都没有统一起来

3. 数据如何支持内部营销决策

4. 数据如何被运用到营销推广

智能数据概念的出现，本质上是为了解决品牌的这些痛点。让企业能以数据为枢纽，整合各方数据，并优化相关决策，这就是智能数据的价值所在。渠道的碎片化和媒介费用的高昂，使得企业更追求营销效率，智能数据能够帮助企业在营销上实现个性化、实时化和自动化，从而达到最优的营销效果。具体而言，智能数据可以解决以下四个方面的问题：

1. 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。

2. 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。

3. 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。

4. 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。

此外，不仅是营销，数据还驱动了企业在很多层面上发生改变。比如一些金融客户在使用了数据驱动营销之后，也逐渐把数据管理应用到了风险控制上。

数据已经成为以消费者为中心的市场营销的基础。企业的用户和销售增长，取决于将精准的消费者洞察转化为有效行动的能力。了解每个客户的兴趣和偏好、识别他所处的场景和需求，也是企业后续能够选择合适的时机和方式与之接触，打造个性化品牌体验、提升客户忠诚度的前提。

为此，企业首先需要打通内部和外部的数据源，建立起 360 度客户全景画像。将 360 度客户洞察和分析转化为行动，更好地了解客户旅程，以及客户是在生命周期中的哪一阶段，能够优化客户体验。

对于企业来说，海量数据本身其实并无意义。海量的数据需要通过算法技术来输出有价值的结果，并能够直接和有目的地找到消费者。借助人工智能的能力，来获取预测性洞察，以及发现客户或营销数据的规律，并利用这些洞察来探索营销个性化。

营销环境正变得日益复杂，渠道的碎片化和媒介费用的高昂，使得企业更追求营销效率。如何高效地管理电子邮件、网站、移动 App、展示广告、呼叫中心等跨渠道的用户触点，已经成为营销人面临的难题。

基于数据的智能分析和洞察，并将其运用到营销活动中，能够根据特定事件、受众行为模式和内容建议自动触发信息的推送，从而降低营销活动中需要手动操作的人力成本和时间成本，实现真正的智能营销。

智能数据的能够帮助企业将实现精细化运营，通过对用户观察分析，可以让企业做精准运营的时候掌握好用户的生命周期，了解用户的行为路径，优化转化路径，提高转化，挖掘客户价值，做到在对的时间和地点将对的内容传播给对的人，真正做到精细化运营。

1. 按数据归属权划分

按来源的归属权划分，可将数据分为第一方数据、第二方数据和第三方数据这三种形式。

第一方数据 指的控制权和使用权完全归属于企业主的自有数据，包括 CRM 数据、电商交易数据以及 PC、移动端、线下门店、OTT、可穿戴设备、物联网等数字化触点中可收集到的客户数据。

对企业来说，第一方数据是最为安全可靠，也是最具价值的数据源。企业可以从中挖掘到与企业有过互动的潜在用户的行为特征和偏好，或者将其用于重定向广告的投放。

但是，它的缺点在于有时样本数量有限、缺乏可拓展性。比如，汽车企业和 B2B 企业官方网站的流量其实就非常有限。

第二方数据 指的是企业通过媒介购买、广告投放或者交换的方式获得的业务数据。这类数据为营销服务供应商所有，包括设备型号、地理位置、操作系统版本号等受众在浏览和点击广告时积累的数据。

这类数据可以帮助营销人将目标受众细分成各种不同的定向类别，对那些希望开拓新客群的企业是非常有益的。

第三方数据 指的是企业非直接合作方拥有的数据，包括运营商数据、监测数据和其他第三方数据供应商的数据。企业主可以通过购买的方式获得第三方数据。

第三方数据可为营销人提供大批量来源丰富的可用数据。企业主可根据自己的投放需求，针对人口特征、消费者行为进行定向，使大规模触达目标人群成为可能。

但值得注意的是，第三方数据并非独家供应。换言之，企业的竞争对手也可以通过购买获取相同的数据源。

2. 智能数据的来源：按数据时效性划分

按用户与品牌接触点互动的时效性划分，可将数据源分为实时数据和非实时数据两种。

实时数据 指的是用户与品牌官网、移动 App、电商平台（或投放的广告）交互过程中记录的实时行为数据。比如用户浏览 / 点击了什么产品、在页面上停留了多久等信息。

非实时数据 是用户与品牌触点实时交互行为以外的数据，包括 CRM/ 销售数据、数据仓库中的数据、内部系统和云端平台中的数据。

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。

从以上数据来源的分类中，我们可以看到，企业所需的数据分散在内部外部或者线上线下互不连通的数据孤岛之中。

理想的智能数据解决方案首先需要帮助品牌快速、高效地实现数据的收集。或者通过 API 接口对接的形式，或者通过文件上传的方式，将不同格式和来源的数据集成到统一的客户数据平台之中。

同时，该平台的界面应当设计得尽可能友好。即使非技术背景的用户也可以根据不同的目标，轻松划定数据收集的范围和类型。

在数据收集之后，接下来的步骤就是对于数据的整合。智能数据系统会基于购买记录、人口特征（性别和年龄）和实时行为等数据对用户进行细分、贴上标签，并创建相应的用户列表。

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。

值得注意的是，智能分析并非是一个无需人类参与即可获取结果的过程，而更应该是人机互动、帮助人类加快决策速度的过程。同时，智能系统也会在反馈信息的训练下变得更加强大。

随着机器学习和人工智能技术的成熟，智能数据系统还会加入更先进的功能和预测模型，例如客户旅程路径分析、客户价值分析和客户流失预测，帮助企业获得以前很难得到的「战略洞察」和「可实施洞察」。

数据可以被推送到企业的行动系统中去进一步使用，企业也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，想要提升销量的零售商可以通过人工智能技术，针对那些将商品移入了购物车、但最终没有购买的用户自动创建列表，作为后续投放重定向广告或者推送相关优惠信息的准备。

智能数据还可以与企业外部或内部的「操作系统」相连通，可以被实时应用到诸如新品开发、产品定价、广告投放、客户体验优化等不同的场景中。