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。
1.2 智能数据的发展：从数据管理平台到客户数据平台
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。
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。
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。
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：
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
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
数据如何支持内部营销决策
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：
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。
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。
综上所述，智能数据在数据驱动营销、客户体验提升以及 BI 领域都有着广阔的应用前景。
如果从功能的指向性上划分，我们可以将智能数据的应用场景归纳为对内决策和对外推广两种形式；从实体或数字化空间的角度划分，可以归纳为线上和线下两种形式。
作为全球最大的饮料商，可口可乐旗下拥有超过 500 个品牌，与 250 多家装瓶商合作，装瓶厂总数达 900 家。
为了掌握全球业务发展情况，提升营销效率，可口可乐需要从瓶装商，渠道商和各种媒体搜集数据，包括全球销售点数据，扫码数据和社会媒体数据等，这些数据有结构化的也有非结构化的。可口可乐的目标是将 250 家装瓶商的日常数据整合到一个数据系统，发挥数据价值并实现洞察共享，以贴近市场的需求，更好地服务消费者。
由于可口可乐采用的是特许经营模式，即总公司制作浓缩汁，出售给装瓶商，再经由其完成装瓶生产，经过销售渠道分发，最终销售到消费者手中。大部分装瓶商并不隶属于可口可乐，而「销售终端」大多为沃尔玛，乐购，麦当劳等线下实体，可口可乐要在第一时间获得第一手消费者数据非常困难。
可口可乐运用好数据的另一个难点在于，其主要流通场景以线下为主，数据的采集、整合和分析并不像互联网公司来得那么容易，要完全打通物流、销售和广告等已有的业务体系，涉及到合作伙伴的利益关系和内部管理者的职能转换。
但是，可口可乐还是从特定应用场景中找到了一个突破口——用装瓶商数据来构建智能数据解决方案，从而使更快速地实施和部署，提升数据利用的灵活性和效率成为现实同时，为了做好数据的整合，可口可乐设计出一套灵活的数据导入模式，制定数据转化的标准分类，以便抓取所需数据，制成统一形式。
1937 年，全球知名化妆品牌资生堂首次推出客户忠诚度计划。80 年来，这项计划已成为资生堂客户沟通及品牌策略的核心。
为顺应数字化浪潮，资生堂于 2012 年推出一项新的客户忠诚度计划—— Watashi Plus，旨在通过这个数字营销平台向消费者提供优质的服务、传递资生堂的品牌价值。同时，该平台也被资生堂看作是打通实体店和在线购物体验的重要之举。用户可通过 Watashi Plus 浏览及购买商品、查询店铺位置、接收精选商品推荐。
在资生堂看来，用户在 Watashi Plus 上的表达，只是掌握客户偏好的一小部分工作。资生堂直销部门的首席分析师吉野健雄（Kenji Yoshimoto）表示：「理解每位客户不断变化的偏好是有效营销的核心。通过分析历史数据，并将其与客户的当前行为相关联，我们就可以准确地评估每位客户的消费偏好。」
在对几十个客户触点进行研究后，吉野的团队意识到，资生堂内部存在着许多数据孤岛，不同的数据源之间互不连通，而数据仓库已经无法满足资生堂对于动态数据的需求。只有将所有相关的数据源整合到一起，并将其与资生堂的用户 ID 打通才能充分发挥数据资产的价值。
于是，资生堂决定采用客户数据平台（CDP）来丰富 Watashi Plus 的数据来源，并将客户行为数据、人口统计数据和离线数据都纳入到统一的客户视图中进行管理。
当所有的客户数据都彼此联通之后，从数据中汲取洞察就变得非常容易。在吉野的团队看来，「客户是谁、客户有多喜欢我们的品牌、客户可以通过哪些渠道购买我们的商品、客户对什么感兴趣？」这些长期以来困扰品牌的难题都可以得到很好的解答。
在美国市场，斯巴鲁是过去 10 年传统汽车品牌中唯一家实现了三倍增长的公司。斯巴鲁能拿实现销量和品牌价值的双提升，应用客户数据平台（CDP）是其中的关键。斯巴鲁为了能更好地获得并了解消费者的喜好，通过客户数据平台来持续提升个性化消费体验，赢得越来越多的年轻一代消费者的选择。
此前，斯巴鲁在营销活动和广告上都是品牌方“拍脑袋”决定的。为了提升营销预算的投资回报率（ROI），斯巴鲁认为需要更准确地了解客户的消费旅程以及基于用户行为和数据来做营销传播。斯巴鲁发现仅有第三方数据是远远不够的，为了提升个性化体验，还需要将第一方数据与第三方数据相结合，形成 360 度全景式的客户分析洞察，这些数据包括：斯巴鲁网站消费者数据、分销商数据、维修服务记录数据、数字广告投放数据、营销自动化数据、社交媒体数据等。
通过应用客户数据平台，斯巴鲁仅花费了几个星期的时间就高效地实现了第一方和第三方数据的整合，解决之前数据整合和激活应用的难题。在应用了客户数据平台后，斯巴鲁广告的 CTR 攀升了 350。更为关键的是，它帮助了斯巴鲁实现了以人为本的个性化的营销，在对的时间将对的内容传递给对的人。
作为全球移动跨境电商领域的一匹黑马，创立于 2011 年的 Wish 已成为欧美地区最受欢迎的移动购物 App 之一。甚至，其在美区 iOS 和安卓免费购物应用中的排名已经超过了亚马逊，屡屡位居榜首。目前，Wish 的估值超过 35 亿美元，在全球范围内拥有超过 2 亿的用户。
能在短短的时间内迅速成长为独角兽，Wish 对智能数据的应用功不可没。两位创始人也分别在 Google 和雅虎拥有深厚的机器学习相关技术经验。
在零售业已经开始从实体空间向电商转移，从 PC 端向移动端转移的大背景下，Wish 深知，如何向消费者提供个性化体验、为购物的过程带来惊喜和乐趣，对于一款移动购物 App 来说至关重要。
移动端购物者接触的屏幕更小、时间也更加碎片化，其在线购物的行为模式也呈现出与 PC 端非常不同的特征。与搜索相比，购物者更偏好滑动页面浏览商品的模式。
事实上，90% 的 Wish 用户也都是通过随机浏览而非主动搜索的方式下单的。因此，Wish 希望可以通过准确、个性化的 Feed 流产品建议，为用户的购买决策提供指导。它的目标是确保 95% 的产品推荐都与购物者过去的行为和浏览记录相关。
为此，Wish 需要的是实时可用的客户行为数据（比如用户浏览 / 购买过 / 不喜欢的商品），然后用 A/B 测试不断改进推荐算法。
通过智能数据对于产品、营销和客服流程的优化，Wish 为每位消费者创造了与其场景需求相关、更加有趣和个性化的购物体验，从而不断提升在线销售的转化率。
荷兰皇家航空公司（KLM）创立于 1919 年，是世界上拥有定期航班历史最悠久的航空公司，其航线覆盖五大洲 69 个国家的 135 个目的地。作为商业航空技术解决方案的先驱，KLM 一直以来都通过不断创新的文化，保持自己的领先地位。
在数字化时代，这家航空公司同样也没有停止创新的步伐。自 2012 年以来，KLM 通过一项名为 Meet＆Seat 的服务将社交元素融入航空预订流程中，与乘客建立起更深层次的互动与联系。
这项服务可以让乘客在值机前就能选择座位，还可以让他们与搭乘同一班航空的其他乘客有更多社交的机会。而智能数据则为 Meet＆Seat 这项服务提供技术支持。
当参与这项服务的乘客在线预订机票之后，只要登录自己的 Facebook、Google + 或者 LinkedIn 账号，并选择开放个人信息，就可以查看其他乘客的个人资料和座位信息。他们甚至还可以根据这些个人资料发现潜在的「志趣相投」者，并选择与这些人相邻而坐。
通过这种方式，KLM 不仅在客户群体中建立起了社群的归属感，提升了品牌高频用户的忠诚度，更重要的是从社交网络中收集到了更具价值的客户信息，并将其与 CRM 数据打通。
而在此之前，对乘客而言，搭乘飞机多少都是有些无聊和枯燥的体验，他们并不会期待在一次飞行当中认识新的朋友。而航空公司除了乘客的飞行记录、饮食禁忌和支付信息之外，也并不了解有关乘客的更多信息。
如今，零售商必须有效利用好零散在网站、App、客户购买记录和忠诚度计划中的数据资产才能获得竞争力。从这些数据矿藏中，零售商可以挖掘到可用于营销自动化和趋势分析的丰富洞察。
作为一家以独特美学而闻名的零售商，MUJI 在日本有 414 家门店，在全球其他国家和地区还拥有 344 家实体店。除此之外，它还有一个在线购物商城。
通过推出 MUJI Passport 客户忠诚度 App，MUJI 希望借此打通线上线下零散的客户触点，为消费者提供统一的购物体验。用户可以使用这款 APP 快速查找附近的店铺、检索和收藏商品。当用户在实体店购物时，他们可以通过买单扫码或签到的方式，积累 MUJI 里程并且获赠可用于兑换礼品的积分。
然而，每天超过 800 万次的网站和 App 访问信息也让 MUJI 在如何收集、处理和分析不同渠道的数据源上，面临着很大的挑战。
通过智能数据解决方案，MUJI 将来自网站和 App 的海量的动态数据与来自销售门店和其他渠道的数据整合到统一的视图中，为后续的个性化算法推荐、营销活动以及更准确的 ROI 分析奠定基础。
同时，智能数据也能帮助 MUJI 的营销人员和数据分析师充分掌握每位用户的消费习惯和门店的实时库存情况，使他们更专注于更擅长的创意和数据驱动的洞察。而这款 App 也会根据购买记录、浏览历史以及地理位置信息，实时向用户推荐相关的商品和个性化的优惠活动。
这些个性化的促销活动使得 MUJI 定向发放的优惠券使用率提高了一倍，也为实体门店带来了更多流量。同时，MUJI 在过去的两年间的营收也增长了 46%。
智慧门店充分将线上线下相结合，通过高效、便捷、直观的体验模式满足消费需求。在整个流程管理上，通过监测线下用户对于营销的反馈，实时进行客户交互数据分析，建立一套新的数据管理机制，辅助销售终端提升销售和用户友好度和忠诚度。而数据还可以再被回收利用。这构成了一整套完整的数据使用周期，贯穿消费者生命周期。
2015 年 11 月，以线上卖书起家的亚马逊在美国开了一家实体书店：相比传统的书店，书店售卖的书籍将依据多项数据来挑选，包括网上书店的顾客评价、预购与销售量、亚马逊旗下社交阅读网站 Goodreads 的热门指数。除了用「大数据」来选书，亚马逊也将线上读者对书籍的评价、分数汇集而成评价卡（Review Card），让读者可以参考其他人对此书的评价，再决定是否购买。
亚马逊书店副总裁 Jennifer Cast 表示：「Amazon Books」是「Amazon.com」的延伸，书店售卖的书籍，将依据多项数据来挑选，包括网上书店的顾客评价、预购与销售量、亚马逊旗下社交阅读网站 Goodreads 的热门指数，当然图书编辑的口味也很重要。
无独有偶，去年年底，Amazon 又在西雅图开了一家无需排队结账的线下便利店 Amazon Go。这家便利店主要售卖生鲜和即食食品。当消费者进入这个无收银台、无导购的商超时，只需用手机扫码进入闸门登录自己的 ID，而后自由选择商品，走出便利店即可。亚马逊还给这套系统取了一个通俗易懂的名字：拿了就走（Just Walk Out）。
这背后的原理是，货架后的摄像头可以利用「人脸识别」和「传感技术」识别出拿走商品的是谁，是确定拿走了还是拿起后又放了回去。在判定了消费者的真正意图后，将信息传输到云端，选购的商品自动加入消费者手机端的亚马逊 APP 购物车中。消费者离店后，传感器自动通知系统对所购商品进行结算。购物清单能在手机端自动生成、罗列物品，显示所花金额。
Amazon 对线下零售项目的布局，不止于此。它有至少 3 个线下实体超市概念，目前只宣布了这一家便利店的计划，另两个都是针对大型超市的。该公司的愿景是开设「超过 2000 家规模不等的超市和便利店」。
随着智能数据技术的成熟和数据生态的发展，智能数据对各种规模的企业来说，可创造的实际应用价值将会越来越多。而利基玩家和供应商的增加，也将提高市场中解决方案的性价比。
各类技术解决方案供应商也在开发更加便捷有效的工具，帮助非技术背景的决策者实时获取信息、掌握对解决特定问题有帮助的洞察。
在海量数据集的训练下，机器学习算法可以不断从中学习并做出改进。过去 10 年，我们也看到人工智能在无人驾驶、语音识别等领域获得了长足的进步。
随着时间的推移，智能数据系统在企业级各个细分领域的表现会更加出色，不仅能够预测到新问题的发生，还会在此基础上建模以帮助问题的解决。
数据生态还处于初级阶段，企业对于智能数据的理解还有待提高。国内虽然也有不同的数据源，但是缺乏对应的工具帮助企业将数据应用于实际，在营销上的应用场景也不如国外丰富。
对于智能数据，很多企业还没有明确的预算来源。因为预算可能来自 IT 部门、CRM 部门或者营销部门。企业内部的沟通与协调难题是智能数据面临的首要挑战。
其次，实现智能企业的目标不仅需要公司层面上对数据、流程、技能培训和技术上给予高度的重视，还需要高管、业务决策者和非技术人员在思维方式和工作模式上做好拥抱变化的准备。
同时，为了发挥智能数据的红利，企业还需要将数据使用和分析工具的权限在公司范围内开放。让 CMO 和 CIO 可以轻松同步信息，跨部门之间也可以充分地沟通和协作。
在快速打通企业内部与外部多个数据源的同时，实现对于用户信息安全与隐私的保障，将是企业智能数据使用过程中面临的另一大挑战。
相比欧美地区已经出台了相应的法律法规来明确数据领域「合法」与「非法」的界限。国内由于数据产业起步较晚，尚无完整规范的数据授权、使用与管理机制。每位用户很难通过简单的操作知晓个人数据的流向和使用情况，从数据开放中获益。
另一方面，企业也需要完善认证授权、安全传输、数据加密等安全措施，涉及到客户行为及隐私信息时也要进行脱敏处理。
新兴技术的发展和各类电子设备的普及，让智能数据无论在来源、获取、分析应用方式还是使用场景上都会更加丰富。
以智能手表、腕带、数字计步器等为代表的可穿戴设备，随着运动健身浪潮的兴起在消费者中间迅速流行。同时，消费者也愿意分享和公开部分运动健身数据。
通过数字传感器对于体征信息的记录。未来，这类数据甚至可以帮助营销人衡量消费者对广告、定价、产品和服务的真实反应。
值得注意的是，使用体征信息和健康数据需要得到用户明确的授权，同时确保私密性和安全性。因为任何对于此类数据的滥用都会触发严重的公关危机和安全隐患。
个人识别技术已经逐渐成熟，并且已经在金融、娱乐等领域得到了广泛的运用。Kinect 是由微软开发，适用于 Xbox 360 和 Xbox One 主机的周边设备。 当用户处于相机记录的范围内，它会对用户进行个人识别。玩家可以在无需外部控制器的情况下，直接用语音指令或手势控制系统界面。同时，传感器也会记录玩家的偏好和使用习惯，进行自动匹配和设置。在不久的将来，类似技术很有可能成为主流家庭娱乐系统的一部分，记录有关谁观看了什么节目 / 玩了什么游戏的精确数据。
基于这些数据，广告主可以根据人口统计信息（年龄和性别）进行筛选，将广告自定义投放到特定设备，以便让合适的广告击中目标人群。
过去几年，公共部门和企业已经将数字化传感器应用于监测天气、交通、能源等复杂系统。智能空间关于外部环境的量化数据，能为后续对物理环境的分析和预测奠定基础。
在衡量效果时，营销人可以使用这些数据剔除天气、交通等复杂变量的影响。例如，某实体零售店的销售情况不佳，可能是由于恶劣天气或交通状况导致的，与竞争对手和门店运营状况并无太大关系。
作为商业智能（BI）的终端显示平台，很多仪表盘（Dashboard）都是为满足「小数据」的关系数据库而生的。虽然 Hadoop 为大数据分析提供了强大的框架，但它对于非技术用户来说很难上手。
因此，大型软件供应商和智能数据领域的创业公司正在开发适用于各种规模数据源的可视化工具，将收集到的数据都集中在统一的视图中进行处理。
作为第一个市场化的认知计算系统，IBM 沃森超级计算机已经在医疗和金融领域率先落地，开启了人工智能在商业领域运用的崭新时代。
认知计算系统可通过对于人类思考过程的模拟，运用自然语言处理、数据挖掘和文本分析技术，对复杂的文本、图像和视频进行处理和分类，挖掘出非结构化数据的价值，使决策者从发现的洞察中获益。
正如医生用核磁共振技术扫描医学影像，工业设计师用 CAD 进行 3D 建模那样。AR 技术、3D 打印机、3D 显示器等可视化技术的成熟，为数据集以生动可感的方式与用户交互创造了机会。
更加精确和丰富的显示技术，也可以帮助营销人从客户数据和广告效果指标中获得更具体的细节，以做出更好的决策。
人口和流量的红利的消失，让企业更加追求商业效率尤其是营销及客户运营的效率。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代，因为数据的应用会变得更加垂直化与深度化，而数据的挖掘和应用程度也会随着人工智能和机器学习技术的发展上升到新的高度。
阅读全文：http://www.chinapex.com.cn/smartdata.pdf
本文系 Chinapex 创略原创文章，已经授权 InfoQ 公众号转发传播。
今日荐文
点击下方图片即可阅读
聊聊 Apache Arrow：列式内存分析的未来
StuQ《TensorFlow 实战——基础班＋Capstone 项目班》开班啦～！郑泽宇老师是前谷歌大牛 &《TensorFlow：实战 Google 深度学习框架》作者，这次还开创国内首个 Capstone 项目（Capstone 项目：风靡美国，指教育里最后、最颠峰的学习经验），良心价且只有 30 个名额。课程原价 5599 元，早鸟价仅需 3799 元～点击「 阅读原文 」立刻开抢！
