[[389401]]

十多年來，大數(shù)據(jù)一直在穩(wěn)步增長。新興的數(shù)據(jù)驅(qū)動公司已經(jīng)崛起，并成為價值數(shù)十億美元的巨頭，而成熟的市場領(lǐng)導者則早日意識到了數(shù)據(jù)的力量，并進行了相應的投資。但是就像許多事情一樣，2020年是對數(shù)據(jù)戰(zhàn)略的一次警鐘，尤其是許多沒有立即產(chǎn)生價值的戰(zhàn)略。

我認為現(xiàn)在是時候接受大數(shù)據(jù)的局限性并接受對智能數(shù)據(jù)的需求了。向智能數(shù)據(jù)的轉(zhuǎn)變已經(jīng)持續(xù)了至少十年。我自己的公司背后的核心思想是為企業(yè)提供他們需要的智能數(shù)據(jù)，以改善需求預測。

盡管準確的外部數(shù)據(jù)是可以為您的計劃帶來確定性的少數(shù)因素之一，但許多數(shù)據(jù)科學家報告稱，他們卻花費了大約80%的時間來清理、驗證和準備數(shù)據(jù)。

在智能數(shù)據(jù)的新時代，已被清理、驗證、特征化并且能夠插入模型并開始快速交付價值的數(shù)據(jù)，可能性很大。通過配置智能數(shù)據(jù)，模型可以更快地查找和使用最有影響力的數(shù)據(jù)，從而了解世界的運作方式并做出更好的決策。充分利用智能數(shù)據(jù)的企業(yè)可能是那些擺脫了大數(shù)據(jù)思維方式的公司。

我們?nèi)绾蜗萑氪髷?shù)據(jù)淹沒?

數(shù)十年來，企業(yè)一直在向數(shù)據(jù)源投入資金，并將更多的信息注入其數(shù)據(jù)湖。但是，新數(shù)據(jù)并不總是等同于新的智能(對于機器學習模型，尤其是對核心業(yè)務戰(zhàn)略)，慢慢地，所有這些數(shù)據(jù)的權(quán)重就逐漸建立起來。

由于大多數(shù)數(shù)據(jù)源都需要清理和標準化，因此聘請一個擁有多個研究生學位的昂貴員工，其通常也會在一周的大部分時間里花時間整理基礎(chǔ)數(shù)據(jù)。當將近90%的數(shù)據(jù)科學項目從未投入生產(chǎn)時，再加上產(chǎn)生有用的機器學習模型的復雜性，就意味著大量的數(shù)據(jù)科學投資并沒有取得重大收益。

2020年進入大流行時代。當財務團隊對所有事務運行精細化管理時，必須做好任何準備。正確的數(shù)據(jù)項目決定成功與否，但是任何不能用于改善核心功能的東西(例如需求預測、定價或提高競爭優(yōu)勢)都是沒有道理的。數(shù)據(jù)更好的時代已經(jīng)過去，現(xiàn)在是進入智能數(shù)據(jù)新時代的時候了。

大規(guī)模聚合和使用數(shù)據(jù)僅僅是開始

最重要的部分是獲取價值。您現(xiàn)在如何讓數(shù)據(jù)達到目標?最近10年的分析癱瘓狀態(tài)已經(jīng)結(jié)束。

大數(shù)據(jù)策略一直試圖使數(shù)據(jù)海洋沸騰已久。這些極簡主義方法行不通，因為它們太難了。他們從來沒有做過，當您的團隊成員較少，利潤更緊且您的需求預測依賴于過去的數(shù)據(jù)時，他們肯定不會這樣做。從我所看到的情況來看，現(xiàn)在最好的企業(yè)正在將注意力集中在數(shù)據(jù)湖的深度和廣度上，而更多地從中獲得最大的價值。

現(xiàn)在是時候?qū)⑽覀兊臄?shù)據(jù)策略從癱瘓狀態(tài)轉(zhuǎn)變?yōu)閱⒂脿顟B(tài)了，以獲取資產(chǎn)并將其轉(zhuǎn)化為可以從中獲取價值的東西?，F(xiàn)在，讓您的數(shù)據(jù)科學家自由地完成他們夢寐以求的工作：不收集、匯總和清理數(shù)據(jù)，而是構(gòu)建模型以利用大數(shù)據(jù)來進行諸如勞動力優(yōu)化和價格預測之類的核心流程。

麥肯錫的首席數(shù)據(jù)官和該公司的一位合作伙伴在2月的一篇文章中很好地指出：“許多公司在收集和利用其自身活動中的數(shù)據(jù)方面取得了長足的進步。盡管如此，到目前為止，很少有人意識到鏈接的全部潛力內(nèi)部數(shù)據(jù)以及由第三方、供應商或公共數(shù)據(jù)源提供的數(shù)據(jù)。忽略此類外部數(shù)據(jù)是錯失的機會。... COVID-19危機提供了一個示例，說明在短短幾個月內(nèi)外部數(shù)據(jù)的相關(guān)性、消費者的購買習慣、活動和數(shù)字行為發(fā)生了巨大的變化，使先前存在的消費者研究，預測和預測模型過時了;此外，隨著組織爭先恐后地了解這些不斷變化的模式，他們發(fā)現(xiàn)內(nèi)部數(shù)據(jù)很少使用。外部數(shù)據(jù)可以而且仍然可以幫助組織進行細粒度的計劃和響應。”

展望未來，您可以使用數(shù)據(jù)為動態(tài)決策提供依據(jù)，并使模型更準確，從而在大流行混亂中提供確定性。您可以使用數(shù)據(jù)來做出關(guān)于效率和機會的明智決策，而這些決策卻可以立即發(fā)現(xiàn)，而無需五個人組成的五個月的研究團隊在三個月后進行。這就是智能數(shù)據(jù)的力量。

什么定義了智能數(shù)據(jù)?

隨著企業(yè)學會借力，自動化和機器學習變得至關(guān)重要。智能數(shù)據(jù)始于可靠且經(jīng)過驗證的數(shù)據(jù)，但不僅僅是真實的記錄。需要對其進行豐富、情景化和特性化，以使其不再僅僅是原始信息，而是高質(zhì)量的信息。這減少了將新數(shù)據(jù)輸入到機器學習模型中的摩擦和易于出錯的特性。

在評估每個新數(shù)據(jù)源時，您應該提出以下要求：

這些數(shù)據(jù)是否提供足夠的深度以為我正在構(gòu)建的模型要解決的問題提供足夠的背景信息?

• 數(shù)據(jù)的驗證度和準確性如何?
• 當我們進入期待已久但混亂的恢復階段時，更新和重新驗證的頻率是多少?
• 是否足夠豐富，我的模型將知道如何處理其輸入?
• 這將使我的機器學習模型更快更好地做出哪些核心業(yè)務決策?
• 我可以輕松地解釋此數(shù)據(jù)源顯示什么，以及它對我的預測和運營的影響嗎? 

去年，最終的黑天鵝事件使許多企業(yè)措手不及?，F(xiàn)在，許多人都在努力集成新數(shù)據(jù)并推出數(shù)據(jù)驅(qū)動的恢復計劃，以了解什么將推動他們的需求。不管是電視體育比賽還是節(jié)節(jié)高漲的需求，洪水或恐怖襲擊使需求下降，還是許多大型活動讓大多數(shù)企業(yè)無法預料的人員聚集規(guī)模，很多企業(yè)都參與其中。而且我認為每個企業(yè)都必須做到。