2018T11主会场演讲认知未来_1536835210128_7页_10mb

数据智能时代总结

核心内容

在数据智能时代，随着数字业务的快速变化，数据技术的相似性高，使得数据的沉淀与积累具有显著的增殖效应。企业通过中心化沉淀数据，能够加速效率，提升整体运营能力。同时，数据的碎片化趋势不断加剧，对数据连接和共享提出了新的挑战，促使各企业探索适合自身的数据治理与共享机制。

主要观点

数据智能时代的特点

• 数据量级的快速增长：全球已存数据量呈现几何级增长，主要受到科研投入、理论研究、软硬件发展、移动互联网普及以及数据生态与人工智能技术的推动。
• 数据技术的相似性：不同企业之间的数据技术相似性较高，使得数据的共享与复用变得更加容易，降低了创新成本。
• 数据共享的复杂性：由于数据碎片化严重，数据连接和共享成为企业面临的重要挑战，各家都在摸索有效的解决方案。

数据时代的驱动力

• 科研与理论研究：推动了数据技术的发展，为数据智能时代奠定了基础。
• 软硬件基础设施：为数据的采集、处理和分析提供了技术支撑。
• 移动互联网发展：带来了大量用户行为数据，促进了数据的多样化与丰富性。
• 数据生态与人工智能：进一步推动了数据的价值挖掘与应用创新。

关键信息

数据来源与类型

• 数据来源于多种渠道，包括移动设备、音频、传感器、智能硬件等。
• 数据呈现多源异构的特征，给数据处理与分析带来了复杂性。

数据增长趋势

• 1960-2000年：主要由软硬件基础设施的发展推动数据量增长。
• 2000-2015年：移动互联网的兴起带来了数据量的迅速提升。
• 2015年至今：数据生态和人工智能技术的结合，使数据量和价值持续增长。

数据智能时代的数据价值链

• 传统数据价值链：包括数据源、数据加工聚集平台、数据分析和建模、数据生产化工程化、数据产品智能应用。
• 数据智能时代的数据价值链：更强调配置与监控，涵盖数据采集、数据校验、机器资源管理、服务基础架构、特征提取、过程管理工具等环节。

面临的挑战

• 数据资源化：企业需要将数据视为重要资源，进行有效管理和利用。
• 决策自动化：通过数据分析实现更高效的决策过程。
• 数据资产化：将数据转化为可交易的资产，提升企业价值。
• 场景智能化：在具体业务场景中实现数据的智能应用，提升用户体验与效率。

版权声明

• 本文档内容版权归属于TalkingData。
• 本文件仅供一般性参考，不得用于商业化出版或有偿提供。
• 第三方商标仅用于辅助说明，不构成商标性使用。

特别声明

• 本文件中提及的所有公司与技术均不构成任何商业建议或法律依据。
• 如需进一步了解或使用相关内容，请咨询TalkingData官方。