驾驭数据智能，领跑数据智能时代

现今无论是互联网企业还是传统行业的企业，都非常重视对于数据的收集、处理、算法的精炼以及最终对数据价值的应用。但是如何在这样一个以数据智能时代中，采取有效的措施和行动真正实现数据价值的提炼，利用数据智能去改变企业决策、改善人类生活？这是我们需要共同来探讨的。

一、数据智能的定义与本质

著名图灵奖得主Jim Gray提出的四大范式，可以很好地帮助我们梳理科学的演进。其中前三大范式，在人类文明发展的历史长河中帮助我们更好的记录、归纳和模拟现实世界；而进入数据智能时代，在机器学习、分布式计算等技术发展的基础上，数据逐渐呈现出高维度、高阶态、异构性的形势，能够对海量数据进行分析、处理和挖掘，并且通过建模、工程等方式来解决实际的预测和决策问题，最终实现决策的行动，则为“数据智能”。

数据智能也和数据科学、数据工程、数据分析等概念息息相关，但数据智能作为一个独立的概念，和其它几个名词最大的区别在于：

数据智能的目的是“预测”和“决策”，而非“分析”或者“展示”。

由于数据智能指向决策，所以用来判断数据智能的效率和价值就在于其决策的结果产生的可衡量的商业价值。

数据智能产出的过程中需要一个强有力的能够承载和调动一系列智能数据、核心模型以及面向不同情境的数据处理能力的数据智能平台。

最终呈现出有封装的、有交互界面的可以一定程度上替代人工决策的数据智能产品。

从商业和经济的本质上来说，数据智能平台指数级地加速了数据和人的智慧，其价值体现在两个方面：第一方面体现在聚合效应，即从数据源到数据加工、数据分析、数据应用最终形成数据产品过程中，实际上遵循价值“微笑曲线”；数据智能通过聚合各个环节的剩余价值，从而提升整条价值链的价值。

第二方面体现在加速效应。在数据的获取和应用的这些环节，数据的价值链已经从单一的线性结构逐渐演变成为模块与模块之间互相交叉融合的复杂架构。数据的每一个环节都都能够得到数据智能平台的加速，产生更多价值。综上，通过打通数据价值链，可以集中剩余价值、降低数据成本、提高资源配置，从而获得数据智能所带来的价值红利。

二、数据智能平台的使命与能力

数据智能平台/数据中台的使命有两件事：帮助企业更好的“看现在”——对现有数据的治理；帮助企业更好的“看未来”——对数据价值的挖掘对未来的预测；“看现在”的目的最终是为了更好的“看未来”，这是因为在数据智能时代，数据的量级和异构的程度都极其复杂，千里之行始于足下，因此这是企业实现数据智能的第一步，也是决定数据智能价值实现最为关键的基础。具体进一步来说，这两个能力拆开后又包括了以下这些能力要素：为了更好“看现在”连接、共享、安全；以及为了更好“看未来”的管理、科学与工程。

1、连接，提高数据维度及饱和度。连接不强调对数据的拥有，而强调能够触及和返回的数据的广度、丰富程度。将不同来源的数据汇聚和连接起来形成更丰富的数据维度，是数据智能平台的使命。

2、共享，通过OPAL实现数据价值流转。共享能力是评估一个数据智能平台是否合格的首要标准。共享不代表要完全的透明，而是通过像OPAL（Open Algorithms，开放算法库）这样的技术框架去构建一个合理的、区分权限的、能够保护数据同时让知识的价值流转的机制。

3、安全，推动数据安全合规标准的建立。安全合规是重中之重。一个数据智能平台是中立的、合法合规的，它中间涉及到的各项任务都应该是安全且合规的，具有安全管理、用户管理、平台接入与使用的审计、调优和保障高可用性和容灾的能力。

4、管理，实现企业的数据资产化、资源化。管理是数据智能平台实现价值的起步，让数据的排列有序、结构趋同，可以被进一步的分域、保存、备份、重新组合，形成更多的协同价值。

5、科学，提升决策的科学性与准确性。数据科学是探索数据价值的流程，也是数据价值被挖掘的核心过程。数据的价值不是一次成型的，数据价值的挖掘依赖与不断假设、分析、验证、校准的反复迭代过程，最终才能凝聚沉淀成模型和解决的方案。

6、工程，实现数据价值的快速转化。数据能够直接变成决策，中间需要工程来构建环境，实现汇聚、仿真和自动化。工程这个因素将数据和算法、工具和能力有机的结合起来，最终形成一个封装的、内部自成体系的数据智能产品。

有了以上六个能力因素，数据智能平台才得以成为一个独特的平台，也成为企业想要快速构成数据智能产品、实现客户价值的必需平台。

三、数据智能市场的发展与痛点

随着互联网技术、人工智能等科技的飞速进步，数据量级的增长、计算能力的提升、存储的便捷化等推动数据智能市场蓬勃发展。数据市场从以传统IT企业为代表的软件时代，到以互联网企业为代表的数据时代，再到以数据智能企业的生态时代，数据的支撑和驱动因素越发成熟。随着终端的智能化、数据异构化、商业问题复杂性的提高，数据智能市场也向着万亿级别的市场规模进发。

对企业客户来说，企业数字化转型的不同阶段面临着不同痛点问题，但是总结来说会有如下几类：

第一、业务管理者或高管不知道怎么构建数据业务 / 数据能力；

第二、缺人，缺人，还是缺人;不知道从哪里获取这类人才，或者人才掌握的是上一阶段发展所需的知识；

第三、客户没有透彻地理解数据能力和企业业务能力之间的关系:无法与客户商业决策所对应的商业指标绑定；

第四、相应数据虽形成闭环但是数据闭环本身太小或者太过封闭，能够解决的问题过少、过小。 

客户侧出现的问题，体现了整个数据行业目前面对的深层次问题。那么为什么要有数据智能平台呢？有数据智能平台的在位企业才能帮助客户解决上述问题。对于数据行业的从业者来说，数据获取已经不是问题，但是单一数据源的维度价值有限、数据需要共享才有价值；其次，数字业务推陈出新速度非常快，各数据源及应用厂商各自造轮子，很难形成规模优势，缺少行业的分工和合作；法律法规包括网络安全法、个人信息保护规范等还在不断完善，数据安全成为桎梏所有数据价值共享的主要鸿沟；数据与商业场景割裂，缺乏行业洞察，很难进行有效转化；最后，专业数据人才缺乏，大多数都集中在数据行业的从业企业中，留给传统企业进行数字化转型和提升的人才十分有限。目前高校等培养机构供给还处在缓慢加速的过程中，行业人才空缺加大。因而需要这样一个数据智能平台来通过能力的共创、复用、沉淀等，促进企业前端业务或者数据智能产品的效率、协同和创新。

为了解决以上的痛点问题，无论是对于客户企业还是对于数据行业的在位企业来说，都需要出现一家企业、一个团队来主导数据智能平台/数据中台的建设，这个新的数据智能平台/数据中台的存在，才能打破传统价值分工、重构数据行业的生态全景，全面提高行业的价值产生的能力。