【www.d9bd.com--企业工作总结】

　　大数据时代蕴含着数据驱动转型的巨大机遇，将激发企业迸发出新的驱动力，引领不同行业加速进入不可限量的新未来。

　　随着数据分析成为数字化时代业务优化、变革和重塑的强有力引擎，越来越多的企业意识到数据分析对企业的重要性，正在探索和提升数据分析能力的建设，在业务流程中植入数据分析，通过获取数据、分析数据、理解洞察、应用分析成果，获得降低运营成本、增加效率和营收、实现数据驱动的精准营销、带来前所未有的创新和突破等成果。

　　今年夏天，Teradata在上海举办了主题为“数据分析卓越业务”的2017大数据峰会上，Teradata天睿公司国际集团执行副总裁Peter Mikkelsen、Teradata天睿公司大中华区首席执行官辛儿伦（Aaron Hsin）以及Teradata天睿公司首席技术官宝立明（Stephen Brobst）接受了《哈佛商业评论》中文版等媒体采访，分享了他们对于大数据行业的洞见以及对最新趋势的预测。

　　Peter Mikkelsen

　　Teradata天睿公司国际集团执行副总裁

　　宝立明

　　Teradata天睿公司首席技术官

　　辛儿伦

　　Teradata天睿公司大中华区首席执行官

　　HBRC：去年Teradata大数据峰会的主题是“开源融合”，而今年着重于“数据分析卓越业务”，这是否意味着数据分析的技术已经越来越成熟，企业的侧重点应该放在提升具体业务层面？

　　Peter：现在对于我们来说，已经变得越来越明确，客户在寻求的并不只是技术解决方案本身，他们需要考虑一些业务性的方案。数据的分析是很困难的，但只有通过它才能够获取商业价值。因此我们也在不同行业领域进行招聘，以便为客户提供一些总体的咨询服务，与客户一起探讨如何让数据在企业中发挥更高的价值。

　　辛儿伦：随着数据成为企业的重要资产，对形成竞争优势和良好的客户体验至关重要，数据和分析将成为各个行业实现卓越业务的驱动力。我们以客户需求为中心，通过更加创新的技术、全面的产品选项和卓越的咨询与服务，帮助客户通过数据分析获得洞察和潜能，快速适应不断变化的业务需求。

　　HBRC：今年大数据领域重点的技术趋势有哪些？

　　Peter：主要是两个关键领域，一个我们继续拥抱开源，向客户输出开源兼商业的产品方案。按照用户的实际需求，给予用户更多更灵活的选择。

　　另一个是拥抱云，云时代客户面临着选择部署环境的问题，到底要上云，还是要部署在本地，还是两者兼而有之？目前，Teradata推出后给了客户更多选择，通过新发布的Teradata IntelliCloud，Teradata可以覆盖多种混合云平台环境，包括亚马逊AWS以及微软的Azure等。

　　通过Teradata Everywhere，能够使得Teradata数据库覆盖所有不同的平台，而且允许在多个环境之间实现迁移，使得Teradata数据库的许可在私有云、公有云、托管云以及本地环境之间实现自由的移植，这等于简化了许可方案。

　　还有分析预测IoT物联网将会是一个万亿级别的市场，在未来的发展中，我们也会关注IoT物联网、传感器的数据，这些数据无论是对银行、电信公司还是制造业都很重要，所以也将是Teradata重点关注的领域。

　　HBRC：各行各业都在应用大数据来推动业务进步，但是其中很多投资巨大的项目都失败了。您认为使用大数据的阻力主要是什么？

　　Peter：数据驱动最重要的是分析文化。如果你要举出一些业务的案例和场景会很容易，但是真正难的是什么呢？就是实施。我们看到很多基于大数据的项目，背后的直接推动力都来自IT部门，最后只是演变为一个IT部门的实验场。他们做出一些非常酷炫的工具，但是并没有反映其在业务上的价值。

　　所以真正发挥价值的大数据项目必须要和具体的业务需求相结合。我们的角色就是IT与实际业务部门之间的桥梁，把方方面面串连起来，提供他们所需要的真实的东西。

　　HBRC：如何将这种阻力和挑战转化为机遇，企业需要做哪些准备？

　　辛儿伦：我归纳了4点很重要的因素，是企业的大数据项目做前期做规划时强烈建议他们去考虑。

　　第一，大数据的建设是一个企业或者单位战略层面的事。每一家公司或单位有自己本身的核心业务，大数据的建设最终是要为了提升核心业务而服务。所以业务提升为驱动，来规划你的大数据建设，这是有一个顺序和逻辑的。如果没有核心业务驱动，就找不到大数据建设的具体目标。

　　第二，处理多元数据的技术能力。每个企业自建立以来留存处理数据的方式几经更新换代、不同软件、系统、结构化和非结构化的数据现在都堆积在一起，在建设大数据系统前，企业须对自己过去的数据进行审核、考虑如何将过去遗留的系统和新建设的系统良好地集成在一起。

　　第三，提升驾驭数据的整体能力。大数据建设并不只是考虑到IT能力建设，最终使用这一能力的是市场、计划以及其他业务部门。因此，企业内部各个部门全体员工都要提升驾驭数据的能力，能够充分利用好IT部门建设的大数据系统，提升业务表现。

　　第四，优化流程。要想做到前面三大变动，就需要流程方面的优化，跨组织、跨团队的沟通流程、安全体系的建立等都要进行优化。

　　只有从战略、全体执行人员、流程等等方面通盘考虑，才能将数据信息变成企业真正的资产，从而实现文化方面的提升。

　　HBRC：人工智能和机器学习也是数据分析的重点领域，Teradata在这方面有什么部署？

　　宝立明：人工智能在北美地区的热度呈指数级上升，每个公司都在强调要使用人工智能做决策，比如用作反欺诈来优化收益率，比如在医疗保健等许多行业都在强调人工智能。但也要注意，并不是所有的领域都适用。

　　由于人工智能的算法可以找出一些需要关注的部分，找出有意义的数据，抽象出一些变量，能够来找出我们使用哪个变量来做一些预测，完成流程的自动化，帮助客户做出决策。机器学习并不是新的预测，而更多地是提出一种概念，把那些可确认的变量自动化，能够把这样的学习能力自动化。

　　Teradata正在通过Teradata实验室和深度学习社区，并同全球科研院所和行业专家合作来开发AI，开发ThinkDeep的深度学习能力。Teradata Think Deep是一个框架，可以将多种人工智能机器学习框架集成进去并且没有任何锁定。Teradata本身不开发深度学习算法，而是根据客户需求帮客户选择算法。我们关注的还是企业级的分析能力，提供擅长的数据处理能力。

　　HBRC：你提到人工智能和深度学习并不是对所有的问题是最佳解决方案，哪些问题是深度学习比较擅长解决的？

　　宝立明：深度学习在使用的时候需要有大量多样化的数据，只有少量的数据对机器学习是比较有效的。我们需要知道有哪些变量在影响着决策。比如说你想做出决策，关于环境、关于征信、医疗保健、医生等等。机器学习是更好地了解输入和输出的关系。

　　而深度学习就像一个黑盒子，你无法知道决策是如何生成的，并且不用担心这种输入和输出的关系，你只是要应对那些非常不完整的、复杂的数据，包括一些欺诈的检测，来了解比较复杂的制造流程的质量、客户的行为，还有那些非线性的客户体验历程，这都是深度学习比较擅长的。而简单的一些财务状况的预测的话，还是用机器学习比较好一些。

本文来源：http://www.d9bd.com/qiyewenhua/54667/