top of page

數據主宰未來企業成敗

Updated: Apr 28

什麼企業需要設定數位化藍圖?宏觀來說,藍圖是從頂層設計的角度去強化數據核心能力,並提高公司作科學決策的依據及精細化管理水準,同時利用數據驅動業務發展及改善用戶體驗。但不同公司各有市場定位,因此具備差異化元素的藍圖有着重要的戰略部署意義,也有利於尋找最佳切入點。

未來的企業競爭力取決於數據驅動能力,所以計算能力的準備、數據資源的滙聚、技術人才的吸納及培養政策,都會成為成敗關鍵。從全域角度出發,立足於長中短期需要,並着重可擴展性來作出規劃,再加上標準化、分級建設、分步實施,方可取得快速成功。根據過往經驗,我列出一些誤區供大家參考:

三分靠經驗 七分靠執行

(一)頂層設計不是一蹴而就的專案,而是逐步完善的。三分靠經驗,七分靠執行,應以具體場景為驅動,從實戰中不斷優化設計,而非一錘定音。以應用來孵化數據平台,然後再用數據平台去加速創新,是互聯網的常見方式。過早執着於大而全的數據平台建設,往往造成資源浪費,很多應用上線後才發現真實需求的重大偏差。

(二)大數據作為重要資源,企業往往對外部數據的儲備做得太少,鮮有在頂層設計時意識到外部數據對於業務的補充作用。這有賴於數據資產的盤點,盤點是為着了解應用與數據之間的關係,什麼是最頻繁使用的數據?什麼是關鍵數據?什麼數據最稀缺?大數據並非鐵板一塊,資源需要不斷更新及補充。

(三)在大數據場景中,數據的類型及數量一直在增加。如果沒有專門的系統和自動化操作,就很難保證數據的品質、實用性和安全性。同時,數據安全性原則也成為大數據應用必不可少的標準配備。大數據的成功落地,不只是技術之爭,更是管理的能力的考驗。如果你相信數字經濟是大趨勢,那些沒把數據戰略納入在管理層討論範圍的公司,早晚會遇到數據或數據能力稀缺的困境。

Recent Posts

See All
選擇胖模型還是胖鞍具?

打開任何人工智能(AI)方案,你會看到兩種完全不同的產品策略在較量:一種叫做胖模型(Fat Model),另一種叫做胖鞍具(Fat Harness)。 胖模型的信念很直白:以更大的大腦解決更多的問題。參數多、數據龐大、算力強,模型自然顯得聰明。這驅動了ChatGPT、Claude和Grok之間的競賽──每一代都宣稱新產品比上一代更強,而企業只要付費就能直接使用,代價是你的AI能力完全綁定在供應商的

 
 
慎防智能代理「無聲」脫軌

試想想,人工智能(AI)系統已在生產環境中完成部署,但究竟要如何防止AI「悄然失靈」?過去3個月,全球超大規模企業在AI基礎設施上的資本支出達到一個前所未有的量級。單憑這一數據,人們或許會得出結論:AI的生產化部署正在全力推進,市場充滿信心。 然而,7月份第一周,來自不同領域的幾個訊號同時浮現,揭示出一個更為複雜的真相。一邊是史無前例的基礎設施投資;另一邊是一群深諳「系統可靠性」的專家──那些專門

 
 
AI預算黑洞 根源在架構設計

過去兩年。美國眾企業不約而同墮入一個速成陷阱: 認為購買了一個模型、聘請幾位演算法工程師、便能成功實現人工智能 (AI) 落地。然而,即使模型選擇正確數據卻 難以整合;數據成功整合,系統卻無法運行;系統成功運行,但業務部門不會操作;即使學會操作,3個月後模型又變得過時。 問題根源其實不在模型,而在架構。猶如建造大樓,若設計圖存在缺陷,再昂貴的材料也難以支撐。許多企業投入巨資購買「鋼筋水泥」(模型和

 
 
bottom of page