TalkingData-2018数据智能生态报告-2018.10-25页-2mb

2018数据智能生态报告总结

核心内容

数据智能是指基于大数据引擎，利用大规模机器学习和深度学习等技术对海量数据进行处理、分析和挖掘，从而提取有价值的信息和知识，并用于决策和预测。数据智能平台是实现数据智能的核心载体，它集成了数据、模型、工具和计算资源，能够支持数据的处理、分析、建模以及最终的商业应用。

数据智能的价值在于其“可行动性”和“可衡量性”，即能够将数据转化为可执行的决策，并通过其产生的结果衡量价值。数据智能平台的价值来源于其对数据价值链的整合和优化，能够提升资源配置效率，降低成本，并通过平台能力实现数据的高效转化和价值释放。

主要观点

• 数据智能的本质：数据智能是决策导向的，它通过预测和自动化决策来提升企业的效率和竞争力。
• 数据智能的价值公式：数据智能价值 = (数据 + 人的智慧) × 数据智能平台，未来可能发展为指数效应。
• 数据智能平台的六大能力：连接、共享、安全、管理、科学与工程，这些能力共同构成了数据智能平台的核心竞争力。
• 数据智能的经济学意义：数据智能能够降低交易成本、打破有限理性、替代重复决策，从而提高整体价值创造能力。
• 数据智能的行业应用：数据智能正在快速渗透到营销、金融、零售、智慧城市、医疗、工业、农业等多个领域，推动行业数字化转型。

关键信息

数据智能平台 / 数据中台的定位与特点

• 数据智能平台是企业实现数据智能的必要基础设施。
• 平台需在数据加工程度和软件工具之间、客制化和标准化之间找到平衡。
• 平台具有开放、共享的特性，支持不同商业情境的数据处理和建模。

数据智能平台的分类与速赢策略

数据智能市场的发展趋势

• 生态化：数据智能平台将打通数据供给与需求两端，形成完整的生态闭环。
• 开源化：开源技术将推动数据智能的普及，提高行业整体的技术水平和应用能力。

数据智能平台的使命

• 看现在：实现对企业现有数据的治理与整合。
• 看未来：通过数据挖掘与建模实现对未来趋势的预测，从而指导企业决策。

数据智能市场现状与痛点

当前大多数企业仍处于数字化转型的中期阶段，未能完全实现数据智能的场景化应用。主要痛点包括：

1. 企业缺乏构建数据业务的能力。
2. 缺乏专业数据人才。
3. 数据与商业场景脱节，难以形成闭环。
4. 数据闭环过小或封闭，无法发挥数据价值。
5. 法律法规不完善，数据流通受限。
6. 数据资源分散，缺乏统一治理。

行业应用发展趋势

• 营销行业：数据智能应用成熟，已形成智能营销云、程序化广告投放等产品。
• 金融行业：数据智能在消费金融、征信、风控等领域有所应用，但尚未完全替代人工决策。
• 新零售领域：数据智能应用增长迅速，涵盖门店预测、自动推荐、选址等。
• 智慧城市：政府开始采用数据智能解决人口、经济、公共安全等问题。
• 医疗行业：数据智能主要用于辅助医疗、临床实验，尚未实现核心决策。
• 工业领域：随着企业数字化转型，工业数据智能将逐步发展。
• 农业领域：数据采集是主要问题，应用方向尚待市场验证。

客户企业应对策略

• 大型企业应构建数据智能平台，以支持内部决策和外部产品。
• 中小型企业应借助外部平台，避免重复建设，实现资源优化配置。
• 企业需在数字化转型的不同阶段选择合适的时机和方式引入数据智能平台。

利益相关者应对策略

• 硬件与软件服务商：提升计算能力和硬件集成性，推出专用设备。
• 科研机构：输出先进的数据智能技术，提升对非结构化数据的处理能力。
• 行业监管部门与自治联盟：完善法律法规，推动数据合规与安全，构建信任机制，制定培养标准，促进跨界合作。

作者与参与人员

• 杨慧：现任TalkingData CEO助理，中关村大数据产业联盟首席研究专家，关注数据智能生态与行业应用。
• 车品觉：红杉中国专家合伙人，推动数据智能在跨境与区域试点中的发展。
• 崔晓波：TalkingData创始人，聚焦数据驱动转型与数据智能生态构建。
• 赵国栋：最早提出“数据资产”概念，推动大数据行业的发展与标准制定。

结论

数据智能正在成为数字经济时代的重要推动力，其发展依赖于平台的构建、生态的形成、技术的迭代和人才的培养。数据智能平台不仅能够提升企业的决策效率，还能推动整个行业向更高效、更智能的方向发展。