top of page

讓企業捕捉數據價值

上周提到,內地在數據要素的支持可以說是史無前例。之前筆者從資本的角度去闡釋其特性,這周我想由企業的營運角度,介紹怎樣從數據的生命周期(從收集到產生價值)去捕捉它的價值: 1. 可收集性 若數據成為一個要素,首先必須能夠以有效率的方式收集數據。這通常涉及數據的生成和收集方式,可能是通過用戶生成的內容、企業活動、傳感器測量和互聯網交互等。 2. 可儲存性 收集到的數據須能儲存起來,以便在需要時檢索和使用。適當的儲存技術和基礎設施是必備條件,例如數據庫、雲端儲存解決方案等。 3. 可處理及分析 數據本身只在處理和分析後才能產生價值。這需適當的計算能力及演算法來轉換、滙總、分析數據,並從中提取有用訊息。為讓數據轉化為洞察力或驅動決策,這通常涉及到數據科學、統計學和機器學習等領域的技術和知識。 4. 可靠性 數據必須是準確和可信賴的。數據質量管理和數據治理的實踐,以確保數據的準確性、完整性和一致性。 5. 符合法律和保護私隱 數據的收集和使用必須符合相關法律法規,尤其是關於個人私隱和數據保護的規定。 6. 可訪問性 數據需要能夠被使用者或系統訪問,同時確保適當的權限管理和安全措施,防止未授權的訪問。 7. 可交換性和標準化 數據可以在不同的系統和組織之間互相交換,並且需要遵循一定的標準,以確保其兼容性和可用性。 8. 商業價值 數據需要有明確的商業價值,用戶可透過分析數據來提高效率、減少成本、增加收入,又或以其他方式創造價值。 9. 創新能力 數據應該能夠被用來推動創新,無論是通過改進現有產品和服務,還是透過創建全新的業務模式。 數據已成為現代經濟體系的一種關鍵資產,它的重要性與傳統的生產要素(例如土地、勞動力和資本)旗鼓相當。隨着數字經濟發展的步伐,數據的角色和價值只會愈來愈大。

Recent Posts

See All
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

 
 
智能代理編程戰 懂人機協作致勝

上周把兩個消息放在一起看,很有意思。 第一個,Anthropic宣布Claude Code推出Artifacts,讓軟件工程師在寫程式的過程中,業務主管能同時打開網頁儀表板,就能看到軟件即時更新及開發的狀態。 第二個,中國人民大學和微軟亞洲研究院聯合推出一個叫Arbor開源自主人工智能體的新框架,系統能自動提出假設、修改代碼,運行真實實驗並從結果中學習,自動優化解決問題。 過去一年大家比併的是模型

 
 
bottom of page