80％的大數據項目都沒用在優化業務上，怎麼做才能成為那20％？

大數據時代蘊含著數據驅動轉型的巨大機遇，將激發企業迸發出新的驅動力，引領不同行業加速進入不可限量的新未來。

隨著數據分析成為數字化時代業務優化、變革和重塑的強有力引擎，越來越多的企業意識到數據分析對企業的重要性，正在探索和提升數據分析能力的建設，在業務流程中植入數據分析，通過獲取數據、分析數據、理解洞察、應用分析成果，獲得降低運營成本、增加效率和營收、實現數據驅動的精準營銷、帶來前所未有的創新和突破等成果。

今年夏天，Teradata在上海舉辦了主題為「數據分析卓越業務」的2017大數據峰會上，Teradata天睿公司國際集團執行副總裁Peter Mikkelsen、Teradata天睿公司大中華區首席執行官辛兒倫（Aaron Hsin）以及Teradata天睿公司首席技術官寶立明（Stephen Brobst）接受了《哈佛商業評論》中文版等媒體採訪，分享了他們對於大數據行業的洞見以及對最新趨勢的預測。

Peter Mikkelsen

Teradata天睿公司國際集團執行副總裁

寶立明

Teradata天睿公司首席技術官

辛兒倫

Teradata天睿公司大中華區首席執行官

HBRC：去年Teradata大數據峰會的主題是「開源融合」，而今年著重於「數據分析卓越業務」，這是否意味著數據分析的技術已經越來越成熟，企業的側重點應該放在提升具體業務層面？

Peter：現在對於我們來說，已經變得越來越明確，客戶在尋求的並不只是技術解決方案本身，他們需要考慮一些業務性的方案。數據的分析是很困難的，但只有通過它才能夠獲取商業價值。因此我們也在不同行業領域進行招聘，以便為客戶提供一些總體的諮詢服務，與客戶一起探討如何讓數據在企業中發揮更高的價值。

辛兒倫：隨著數據成為企業的重要資產，對形成競爭優勢和良好的客戶體驗至關重要，數據和分析將成為各個行業實現卓越業務的驅動力。我們以客戶需求為中心，通過更加創新的技術、全面的產品選項和卓越的諮詢與服務，幫助客戶通過數據分析獲得洞察和潛能，快速適應不斷變化的業務需求。

HBRC：今年大數據領域重點的技術趨勢有哪些？

Peter：主要是兩個關鍵領域，一個我們繼續擁抱開源，向客戶輸出開源兼商業的產品方案。按照用戶的實際需求，給予用戶更多更靈活的選擇。

另一個是擁抱雲，雲時代客戶面臨著選擇部署環境的問題，到底要上雲，還是要部署在本地，還是兩者兼而有之？目前，Teradata推出後給了客戶更多選擇，通過新發布的Teradata IntelliCloud，Teradata可以覆蓋多種混合雲平台環境，包括亞馬遜AWS以及微軟的Azure等。

通過Teradata Everywhere，能夠使得Teradata資料庫覆蓋所有不同的平台，而且允許在多個環境之間實現遷移，使得Teradata資料庫的許可在私有雲、公有雲、託管雲以及本地環境之間實現自由的移植，這等於簡化了許可方案。

還有分析預測IoT物聯網將會是一個萬億級別的市場，在未來的發展中，我們也會關注IoT物聯網、感測器的數據，這些數據無論是對銀行、電信公司還是製造業都很重要，所以也將是Teradata重點關注的領域。

HBRC：各行各業都在應用大數據來推動業務進步，但是其中很多投資巨大的項目都失敗了。您認為使用大數據的阻力主要是什麼？

Peter：數據驅動最重要的是分析文化。如果你要舉出一些業務的案例和場景會很容易，但是真正難的是什麼呢？就是實施。我們看到很多基於大數據的項目，背後的直接推動力都來自IT部門，最後只是演變為一個IT部門的實驗場。他們做出一些非常酷炫的工具，但是並沒有反映其在業務上的價值。

所以真正發揮價值的大數據項目必須要和具體的業務需求相結合。我們的角色就是IT與實際業務部門之間的橋樑，把方方面面串連起來，提供他們所需要的真實的東西。

HBRC：如何將這種阻力和挑戰轉化為機遇，企業需要做哪些準備？

辛兒倫：我歸納了4點很重要的因素，是企業的大數據項目做前期做規劃時強烈建議他們去考慮。

第一，大數據的建設是一個企業或者單位戰略層面的事。每一家公司或單位有自己本身的核心業務，大數據的建設最終是要為了提升核心業務而服務。所以業務提升為驅動，來規劃你的大數據建設，這是有一個順序和邏輯的。如果沒有核心業務驅動，就找不到大數據建設的具體目標。

第二，處理多元數據的技術能力。每個企業自建立以來留存處理數據的方式幾經更新換代、不同軟體、系統、結構化和非結構化的數據現在都堆積在一起，在建設大數據系統前，企業須對自己過去的數據進行審核、考慮如何將過去遺留的系統和新建設的系統良好地集成在一起。

第三，提升駕馭數據的整體能力。大數據建設並不只是考慮到IT能力建設，最終使用這一能力的是市場、計劃以及其他業務部門。因此，企業內部各個部門全體員工都要提升駕馭數據的能力，能夠充分利用好IT部門建設的大數據系統，提升業務表現。

第四，優化流程。要想做到前面三大變動，就需要流程方面的優化，跨組織、跨團隊的溝通流程、安全體系的建立等都要進行優化。

只有從戰略、全體執行人員、流程等等方面通盤考慮，才能將數據信息變成企業真正的資產，從而實現文化方面的提升。

HBRC：人工智慧和機器學習也是數據分析的重點領域，Teradata在這方面有什麼部署？

寶立明：人工智慧在北美地區的熱度呈指數級上升，每個公司都在強調要使用人工智慧做決策，比如用作反欺詐來優化收益率，比如在醫療保健等許多行業都在強調人工智慧。但也要注意，並不是所有的領域都適用。

由於人工智慧的演算法可以找出一些需要關注的部分，找出有意義的數據，抽象出一些變數，能夠來找出我們使用哪個變數來做一些預測，完成流程的自動化，幫助客戶做出決策。機器學習並不是新的預測，而更多地是提出一種概念，把那些可確認的變數自動化，能夠把這樣的學習能力自動化。

Teradata正在通過Teradata實驗室和深度學習社區，並同全球科研院所和行業專家合作來開發AI，開發ThinkDeep的深度學習能力。Teradata Think Deep是一個框架，可以將多種人工智慧機器學習框架集成進去並且沒有任何鎖定。Teradata本身不開發深度學習演算法，而是根據客戶需求幫客戶選擇演算法。我們關注的還是企業級的分析能力，提供擅長的數據處理能力。

HBRC：你提到人工智慧和深度學習並不是對所有的問題是最佳解決方案，哪些問題是深度學習比較擅長解決的？

寶立明：深度學習在使用的時候需要有大量多樣化的數據，只有少量的數據對機器學習是比較有效的。我們需要知道有哪些變數在影響著決策。比如說你想做出決策，關於環境、關於徵信、醫療保健、醫生等等。機器學習是更好地了解輸入和輸出的關係。

而深度學習就像一個黑盒子，你無法知道決策是如何生成的，並且不用擔心這種輸入和輸出的關係，你只是要應對那些非常不完整的、複雜的數據，包括一些欺詐的檢測，來了解比較複雜的製造流程的質量、客戶的行為，還有那些非線性的客戶體驗歷程，這都是深度學習比較擅長的。而簡單的一些財務狀況的預測的話，還是用機器學習比較好一些。

齊菁｜文

齊菁是《哈佛商業評論》中文版新媒體編輯。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！

本站內容充實豐富，博大精深，小編精選每日熱門資訊，隨時更新，點擊「搶先收到最新資訊」瀏覽吧！

請您繼續閱讀更多來自 哈佛商業評論 的精彩文章: