企业大数据面临的挑战及对策

良好的人工智能依赖于数据，数据是企业的核心资产。许多企业拥有大量的数据，其中互联网本土企业做得很好。他们拥有数据，阿里、腾讯等具有分析能力的企业拥有大量数据，可以持续分析，相对成熟。还有一类属于第三方的公司。尽管他们不拥有数据，但他们将与许多数据提供商或企业合作，以提供数据产品为生。然而，最常见的企业类型是所谓的传统企业或实体经济企业。他们有数据，但他们的主要业务与数据无关，如银行和制造业。这些企业正面临着如何从业务驱动的数据流程转变为数据驱动的业务流程，现在每个人都在朝着这个方向前进。

数据数字化的过程实际上是数据价值释放的过程。像腾讯和阿里这样的企业拥有大量的数据，但要反映这些数据的真正价值实际上是一个非常庞大和复杂的过程。数字转换开始后，每个人都开始集中数据，建立一个大数据平台，把数据放在一起。然而，现在还不够。发布数据的下一步是进入治理阶段，提供数据的标准化和资本化，以便数据能够发挥更大的作用并推动业务。

有四个挑战:

一个是数据应用的困难。我有很多数据，很难真正使用它，很难与我的场景相结合；

第二，数据质量低。很多数据，也不知道这些数据是否可靠，同一个客户有很多名字，不同的地址，如何使用这些数据；

三是数据人才短缺。真正的大数据人才集中在一些非常专业的公司，很少有人真正进入企业。

第四，数据很难集成。如何将分散的数据很好地集成在一起并持续使用，集成不是一次完成的，也不可能一次完成。

我认为真正发挥数据价值的核心是进行数据治理。数据治理是让数据的价值得到反映，并真正发挥数据的作用。如果不解决数据治理问题，企业很难走得更远。

那你是怎么做到的？回到最基本的事情，我们必须首先有一个战略。根据公司的经营战略，我们必须制定一个数据战略。数据策略的核心仍然是团队。我们必须有一个专门研究数据的团队。在一个大公司里，我们必须是一个跨部门的团队。有了这个团队，我们就可以制定公司的数据战略，根据公司的业务战略制定目标和计划。然后，在这个数据策略的基础上，制定您的项目治理和数据治理策略。最后，将数据治理视为一个公司级项目，有真实的预算和专人来做。我认为这确实是一个实现的挑战，所以我稍后会给你一些方法和想法。

根据实践，我们认为更现实的方法是建立一个基于场景拉动的数据治理系统。事实上，它从前端开始，由您的场景驱动，例如销售。从客户流失分析开始，根据需要整理数据，然后在整理数据源后开始建立相关的数据治理结构。然后根据这个场景来报警数据，最后叠加在不同的场景上。这是我们认为更现实、更经济、更有效的方法。当然，我们也有一些工具可以帮助。

大数据网(Big Data Netting)，实际上是基于数据治理实现数据使用和治理的数据虚拟化，最终集成了一套连贯的系统，使您能够快速使用这些分散的数据，并在此过程中逐步完善数据管理系统和治理系统。这是一个相对较新的解决方案，解决了企业数据难以使用数据的问题。

基于这一新概念，我们制定了一个解决方案，它也基于数据虚拟化。数据治理的不同元素被引入数据平台。从前端需求到不同类型的数据源，事实上，通过虚拟化技术处理，缓存被用来存储一些常用的数据场景，可以从不同的链接快速获取数据，同时直接从后端现有的结构化数据库或非结构化数据库获取数据，这个速度可以非常快。

在这之后，最后一件事是智能操作，数据实现，最后大数据的实现是在人工智能上。事实上，人工智能现在发展得很好，但是我认为后面的整个数据的管理、管理和应用都跟不上它。我希望这些数据制作者能够重视这一点，找到更好的解决方案，并最终真正实现所有数据。