top of page

數據治理是資產化前提

Updated: Apr 28

資訊或數據的收集及處理古已有之,幾千年來變化不大,直到個人電腦普及才開始出現極其微妙的改變,首先是帶動了數據化的領先企業包括Google、Amazon、Facebook及中國的BAT,然後是移動應用和人工智能所引起的智能熱潮。再加上物聯網的加入,讓我們不知不覺間,每天都在生產着數據,甚至消費着數據。可以說,幾乎全民都在參與到大數據的生命周期之中。

大數據的組成亦跟幾年前有很大變化,因為需求的細分及終端的發達變得愈來愈零散。同時,數據安全的規管也改變了大家分享數據的形式及難度,彙聚數據的成本正在不斷提高。

但是我們都知道,大數據的核心價值來自分享,務求提升預判及還原現實的可能性;而大數據的分享涉及複雜的技術、機制以及巨大的成本,所以成本效應成為了企業及政府機構數據化的絆腳石。

中台是共用樞紐

如今,企業都意識到數據是重要資產,也意識到有效的數據治理是數據資產化的前提,近年我在內地為市政府和一些互聯網企業擔任顧問,都涉及到如何建立橫向的數據治理系統。這種經驗最早期來自阿里,數據量及類別之多已經成為企業的重大負擔,別說儲存及計算的高昂成本,就連數據安全保護及品質保障都是頭疼問題。在數據的「存管用」過程中,我們發現了3個現象:數位業務變化速度非常快、數據處理技術及方法都很類似、數據及演算法中間層能產生巨大效能。後來推出的對策,就引發了今天大家討論得比較多的數據中台及數據治理委員會。

雖然大家對這兩個新詞彙還未有共識,但基本目的都是通過共創、複用、沉澱,藉以促進效率、協同性和創新能力。個人認為,數據治理委員會的內容涉及到數據資產的確定、管理及使用機制、共用和開放的原則及機制、安全與隱私保護的政策等,但很多人會忽略了最核心的是人才培養及數字文化普及推動。

另一方面,很多人會把數據中台體會為一個軟體的合成,卻忽視了數據分享及共創才是支柱所在。最後還有一個很大的誤區,就是沒有把中台視為數據共用的樞紐。

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