首页 > 新闻动态 > 知识科普
最热推荐
联系我们
微信公众号 添加微信客服
1扫一扫图上二维码
2咨询系统开发报价

构建企业发展新引擎 数据智能驱动企业数智化

2021-03-23    浏览量:

  数字化转型,就是企业利用数字化技术,通过商业模式、业务流程、组织结构等变革,为顾客创造新价值。近几年来,数字化转型已成为业界共识,企业已投入大量资源进行数字化转型,一些行业领先企业已成功地通过数字化获得良好的客户体验,并实现敏捷运营。

  不同于信息化企业,数字化企业的核心特征是数据驱动。信息技术阶段,企业主要进行业务系统等IT基础设施的建设,实现业务流程的标准化和在线化,以提高业务效率。但是在这个阶段,数据主要是过程的副产品,不具有实际的价值。

  数字阶段,企业的核心特征是数据驱动的业务,即能够在信息化的基础上生成和汇集更多的高价值数据,在数字世界中监测和洞察业务的真实状况,以及建立驱动业务运行的数据分析和决策模型。数字时代,数据分析和数据决策是企业各部门的共同需求,数据成为驱动企业发展的生产资料。

  近几年来,因特网、移动因特网、物联网等技术的应用使企业进入数据爆发阶段,而人工智能等技术的发展降低了数据应用的门槛,加速了企业数字化转型。

  就应用的深度而言,企业对数据的应用是一个逐步深化的过程,整体发展经历了收集、监控、洞察、决策四个阶段,数据的应用价值在不断提升,从业务的数据化逐渐走向业务的智能化。

  采集、监测和洞察阶段是业务数据化的过程,即通过数据描述来跟踪业务发展,其主要技术应用分别为大数据平台和数据服务、BI和可视化以及数据行业应用。决策与再造阶段是业务智能化过程,数据、算法可赋予业务功能,改变业务流程,提高业务效率,企业数据应用走向数据智能与人机协同。目前,数据应用已经进入了业务决策阶段,并正朝着业务重构的方向发展。

  1.2商业进入了数据智能时代。

  目前,企业数据应用已进入商业决策阶段,机器能够根据数据和算法自主做出决策,并能提供决策建议,从而产生更有效的商业反馈,提高商业价值。

  比如,在互联网领域,滴滴、美团的调度系统可以根据前端订单等业务数据,自动做出任务的最佳调度方案和路线,并将任务指令发送给司机和乘客,整个决策过程非常高效精确,但涉及到的业务人员很少。

  在数字化转型的过程中,这种数据驱动的商业决策的场景也在不断渗透到传统行业中。比如,某线下商超运用大数据和智能算法对销售进行预测,进而实现智能补货,大幅度降低门店缺货率,提高库存周转率。人工智能模式取代了采购专家的经验,通过数据和算法给出了销售预测的结果,大大提高了预测的准确性,提高了采购效率。

  1.2.1定义数据智能。

  数据智能是指基于中台系统,将大数据、人工智能、云计算、物联网等多种技术融合在一起,利用数据实现智能决策。

  企业要想实现数据驱动决策,就必须具备统一的数据管理能力,快速配置开发业务,从企业角度形成数据资产,进行数据能力输出,充分发挥数据的价值,才能逐步形成数据中台。

  DataBenchmarket使数据具有数据服务化的能力,同时,还需要优化数字资产的操作,使数据资产能够快速迭代地提升企业能力。这就要求支持与业务密切相关的技术平台。

  其中技术平台包括数据采集与预处理、数据存储、数据分析、数据可视化与BI等各个环节的工具和平台,包括大数据基础平台、NLP与知识图谱、数据科学平台、BI与可视化系统等。

  但是数据中台输出的是同质的数据服务,只有数据中台和技术中台不能赋予不同的业务场景,它们需要与业务系统相结合,才能真正使用数据。所以,数据智能是以数据中台和技术中台为基础,结合业务中台,来支持企业高层智能的决策和应用。

  中台汇集了企业的经营数据,通过自动化、智能化的数据采集和汇聚,实现了实时与离线数据的无缝连接,对数据进行了深度挖掘,开放数据服务于各个业务场景,具备数据集成、数据净化处理、数据服务可视化、数据价值变现等核心能力。

  企业可以在数据智能阶段,基于数据中台和业务中台,构建业务智能闭环。首先是业务数据化,即在业务运行过程中收集和沉淀数据;其次是数据资产化,即通过统一的数据中台集合和治理,将业务数据转化为可用数据资产;最后是资产场景化,即基于数据中台将数据资产处理和输出为可以应用到业务场景的数据服务,并通过其中台实现场景中的数据资产应用,最终实现业务场景的智能化。并且业务场景实现智能化后,还可以不断提供新的数据,优化整个系统,形成闭环的业务智能化。

  1.2.2数据智能化技术应用系统

  数据驱动的决策需要大量的结构化、半结构化和非结构化数据的汇聚和处理,基于复杂网络的推理和决策,单靠简单的数理统计方法已无法满足要求。所以,数据智能是一种将大数据、人工智能、云计算、物联网等多种技术融合在一起的技术应用系统,贯穿于数据采集和预处理、存储和计算、分析和挖掘、显示和交互等整个生命周期。

  数据的采集和预处理工作;

  由于因特网、移动因特网、物联网等技术的发展,企业面临着大量的数据,而且数据多存在于相互独立的系统和平台中,不同系统对数据的采集方式也有所不同。

  获取数据具有一定的数据生产属性,在线数据一般来源于数据库、PC网页、H5、App应用、应用与服务、智能可穿戴设备等资产层,获取方式主要有客户端SDK埋点、服务端埋点和网络爬虫;线下数据主要通过传感器、摄像机、Wi-Fi信号采集等硬件设备获取。

  收集完数据后,需要通过中间系统传输到目标存储库,进行数据汇聚。基于离线数据同步和实时数据同步的策略,多种数据源类型可以实现数据交换。

  但是企业数据大多是脏数据,不能直接用于计算或模型训练,需要在建模之前对数据进行预处理,即ELT模式(Extract-Load-Transformation,提取-装载-转换),以进行数据的清洗和处理。

  在数据处理过程中,人工智能技术也开始应用,AI可以反哺大数据的处理能力,通过机器学习技术识别出哪些数据有问题,如果数据特征得到确认,机器就能自动处理数据,提高大数据处理效率。

  二、数据储存和计算。

  在数据汇集之后,企业可以根据数据规模和应用方式等因素选择适合自己的数据策略和数据应用需求的存储组合。

  数据存储技术中最早使用数据库的企业,主要有操作型数据库和分析型数据库。在数据库大规模应用,数据量迅速增长的情况下,为了研究数据间的关系,挖掘数据的隐含价值,面向分析型数据处理的数据仓库成为广泛使用的数据存储技术,它将数据按所需的格式提取,再转换、清洗和装入数据,从而实现多种异质数据源的有效集成。

  在主要处理历史结构化数据的基础上,数据仓库技术的发展使得企业面临着越来越多的半结构化和非结构化数据,数据仓库应运而生。它能够处理各种类型的数据,并包含更多的相关数据信息,具有足够强的计算能力。

  随着数据规模的不断增长,数据计算能力与数据存储密切相关,除了存储能力需要升级外,数据计算框架还需要根据用户的需求场景进行细分,如批量计算和流计算。

  三是数据分析和挖掘。

  数据挖掘是数据智能最核心的环节,在数据分析和挖掘的基础上,企业能够从数据中提取、挖掘出更多有用的信息,从而为智能决策提供支持。

  资料分析是指利用适当的统计分析方法和工具,根据分析目的,对资料进行处理和分析,提取有价值的资料。常用的分析方法主要有对比分析、分组分析、交叉分析、回归分析等,多以结构化数据为主。


内容来源于本站原创或网络整理,涉及版权联系处理!

标签: 数字化转型   数据服务