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
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

 
 
集結舊手機算力 媲美當今伺服器

你可曾想過,你抽屜裏那部4年前的舊手機,可能很有價值? 這個星期,Google Research聯同加州大學聖地牙哥分校(UCSD)公布一項創新計劃:運用2000部退役的Pixel手機,構建一個真實可用的雲端計算平台。這不僅是概念驗證,更是一個供數百名學者與研究人員實際操作的生產級環境。處理方式十分直接,將舊手機的熒幕、電池、外殼全部移除,僅保留主機板,透過Kubernetes技術組成叢集,直接轉

 
 
bottom of page