数据策略剖析：从运营智能到人工智能
来源：CPDA数据分析师网 / 作者：数据君 / 时间：2020-11-12
数据立方体突出显示了组织所经历的智能成熟阶段。过渡取决于以下因素：
1、业务影响：运营与战略
2、数据量（可用于支持决策）
3、实施成本（关系到业务影响并因此影响预算）
4、生产时间（决策系统的置信度）
每个希望建立其数据策略的组织都必须从角开始，然后再提高智能阶梯。提到的四个因素使您的企业可以将影响与投资进行比较，并确定从OI转向AI的正确时间。
运营情报成熟阶段
这是下层或中层管理层日常运营所需的战术级情报，报告的时间很短，过去也没有停留在获取情报上，这里的主要目的是了解原样情况，取决于所执行报告的类型，运营报告系统使用的大多数数据都来自ERP或CRM系统，数据量低；复杂程度也很低，因为重点是确保短期内满足业务KPI。
对业务的影响：中低
经营成本：中低
消费者：中下层管理
提出基于指标的问题，例如：
1、给定地区中的日，周和月至今的销售数字是什么？
2、目前按地区划分的生产与计划是什么？
3、供应链各个步骤中当前的库存水平是多少？
通常使用的技术包括通过Excel或ERP系统的本机报告平台提供的某种报告系统。客户还倾向于购买低成本且易于使用的报表解决方案，以生成供消费的报表，让我们更详细地细分每个类别。
商业智能成熟阶段
随着时间的流逝，OI将无法再满足运营报告的需求-它需要决策支持系统。产生了更多的数据，这为学习过去提供了巨大的机会。询问数据的问题种类开始改变。时间范围变得更长，并且生成的报告本质上也越来越具有战略意义。
对业务的影响：中到高
经营成本：中到高
消费者：中高层管理人员
在BI成熟阶段，企业倾向于比较结果或询问历史趋势。问题可能包括：
在过去的12个月中，供应方与需求方之间的差距是什么？
是在库存方面还是在生产方面？如果生产，哪些工厂导致了差距的扩大？这些工厂中哪些问题导致缺口增加？
BI成熟阶段需要创建一个跨多个功能集成的数据库
并对其进行优化以生成可分析较长时间段的汇总报告。通常，这需要创建一个数据仓库，数据仓库数据模型考虑了决策所需的重要业务元素，并以一种可以回答业务问题的方式聚合数据，而无需多个IT开发周期，从报告的角度来看，这些系统是内部平台，过去的报告工具。
机器智能成熟阶段
随着生成更多数据，BI开始为MI开门。尽管BI始终着眼于过去并且具有高度可比性，但是机器智能会查看过去的模式以预测未来趋势，从而改善了决策过程。机器智能带来的另一个方面是它能够查看跨多个业务参数的复杂关系并确定过去问题的可能根本原因而无需人工干预。潜在影响更高，更具战略意义。但是，机器智能成功的一个关键方面是进行准确估计所需的数据。
对业务的影响：高
营业成本：高
消费者：中高层至高层
分析师提出问题以征求预测或询问复杂关系中的数据，例如：
去年的销售下降可以归因于哪些内部和外部因素？
根据历史上的工业资产失灵，我们能否在未来进行预测，从而节省生产损失？
在众多的传感器参数中，我们可以正确确定故障的根本原因吗？
机器智能系统非常重视资源-人员和处理能力。他们需要熟练的数据科学家与大型服务器一起工作，这些大型服务器可以处理数百万条记录，并且只回报很少的钻石。大数据设置可以存储大数据量，并且可以大规模运行的机器学习方法对此提供了支持。但是，如果现有基础架构可以支持正在生成的数据量，则大数据设置不是强制性的。这加强了向云迁移的可能性，因此可以降低基础架构的复杂性和对处理能力的特殊要求。
人工智能成熟阶段
战略意义和数据需求的智能是人工智能。尽管机器智能专注于为人类提供更好的输入以供决策，但AI自行做出决策，因此得名。对AI的需求源于以下事实：可以将某些流程自动化，以至于它们需要少的人工干预或不需要人工干预。这提高了效率，降低了人员成本，并提高了生产率。影响是变革性的。但是，这需要时间和高度的信心才能投入生产。
对业务的影响：高
营业成本：高
消费者：单位负责人
制造中AI的示例流程包括：
质量控制（例如通过图像识别检查工厂中的故障零件）
机械臂自动使用CAD图构建零件
根据机器状况进行预测性维护
人工智能需要极其复杂的深度学习方法，以从过去的行为中学习并创建决策模型。运行深度学习算法所需的处理能力很高，甚至可能需要大规模执行GPU设置。这是一个反复的过程，因此生产时间很长，因为除非经过全面的测试，否则不能将整个过程搁置一旁。此外，由于开发和培训成本，大规模实施AI应用程序需要管理团队具有远见卓识的思维方式，并需要大量研发资金。
数据仅与使用方式一样好。成功的数据策略首先要解决业务问题，然后再考虑解决问题所需的技术。轻松消除酷技术带来的所有噪音，但是要充分利用它需要时间和成熟度。
1、业务影响：运营与战略
2、数据量（可用于支持决策）
3、实施成本（关系到业务影响并因此影响预算）
4、生产时间（决策系统的置信度）
每个希望建立其数据策略的组织都必须从角开始，然后再提高智能阶梯。提到的四个因素使您的企业可以将影响与投资进行比较，并确定从OI转向AI的正确时间。
运营情报成熟阶段
这是下层或中层管理层日常运营所需的战术级情报，报告的时间很短，过去也没有停留在获取情报上，这里的主要目的是了解原样情况，取决于所执行报告的类型，运营报告系统使用的大多数数据都来自ERP或CRM系统，数据量低；复杂程度也很低，因为重点是确保短期内满足业务KPI。
对业务的影响：中低
经营成本：中低
消费者：中下层管理
提出基于指标的问题，例如：
1、给定地区中的日，周和月至今的销售数字是什么？
2、目前按地区划分的生产与计划是什么？
3、供应链各个步骤中当前的库存水平是多少？
通常使用的技术包括通过Excel或ERP系统的本机报告平台提供的某种报告系统。客户还倾向于购买低成本且易于使用的报表解决方案，以生成供消费的报表，让我们更详细地细分每个类别。
商业智能成熟阶段
随着时间的流逝，OI将无法再满足运营报告的需求-它需要决策支持系统。产生了更多的数据，这为学习过去提供了巨大的机会。询问数据的问题种类开始改变。时间范围变得更长，并且生成的报告本质上也越来越具有战略意义。
对业务的影响：中到高
经营成本：中到高
消费者：中高层管理人员
在BI成熟阶段，企业倾向于比较结果或询问历史趋势。问题可能包括：
在过去的12个月中，供应方与需求方之间的差距是什么？
是在库存方面还是在生产方面？如果生产，哪些工厂导致了差距的扩大？这些工厂中哪些问题导致缺口增加？
BI成熟阶段需要创建一个跨多个功能集成的数据库
并对其进行优化以生成可分析较长时间段的汇总报告。通常，这需要创建一个数据仓库，数据仓库数据模型考虑了决策所需的重要业务元素，并以一种可以回答业务问题的方式聚合数据，而无需多个IT开发周期，从报告的角度来看，这些系统是内部平台，过去的报告工具。
机器智能成熟阶段
随着生成更多数据，BI开始为MI开门。尽管BI始终着眼于过去并且具有高度可比性，但是机器智能会查看过去的模式以预测未来趋势，从而改善了决策过程。机器智能带来的另一个方面是它能够查看跨多个业务参数的复杂关系并确定过去问题的可能根本原因而无需人工干预。潜在影响更高，更具战略意义。但是，机器智能成功的一个关键方面是进行准确估计所需的数据。
对业务的影响：高
营业成本：高
消费者：中高层至高层
分析师提出问题以征求预测或询问复杂关系中的数据，例如：
去年的销售下降可以归因于哪些内部和外部因素？
根据历史上的工业资产失灵，我们能否在未来进行预测，从而节省生产损失？
在众多的传感器参数中，我们可以正确确定故障的根本原因吗？
机器智能系统非常重视资源-人员和处理能力。他们需要熟练的数据科学家与大型服务器一起工作，这些大型服务器可以处理数百万条记录，并且只回报很少的钻石。大数据设置可以存储大数据量，并且可以大规模运行的机器学习方法对此提供了支持。但是，如果现有基础架构可以支持正在生成的数据量，则大数据设置不是强制性的。这加强了向云迁移的可能性，因此可以降低基础架构的复杂性和对处理能力的特殊要求。
人工智能成熟阶段
战略意义和数据需求的智能是人工智能。尽管机器智能专注于为人类提供更好的输入以供决策，但AI自行做出决策，因此得名。对AI的需求源于以下事实：可以将某些流程自动化，以至于它们需要少的人工干预或不需要人工干预。这提高了效率，降低了人员成本，并提高了生产率。影响是变革性的。但是，这需要时间和高度的信心才能投入生产。
对业务的影响：高
营业成本：高
消费者：单位负责人
制造中AI的示例流程包括：
质量控制（例如通过图像识别检查工厂中的故障零件）
机械臂自动使用CAD图构建零件
根据机器状况进行预测性维护
人工智能需要极其复杂的深度学习方法，以从过去的行为中学习并创建决策模型。运行深度学习算法所需的处理能力很高，甚至可能需要大规模执行GPU设置。这是一个反复的过程，因此生产时间很长，因为除非经过全面的测试，否则不能将整个过程搁置一旁。此外，由于开发和培训成本，大规模实施AI应用程序需要管理团队具有远见卓识的思维方式，并需要大量研发资金。
数据仅与使用方式一样好。成功的数据策略首先要解决业务问题，然后再考虑解决问题所需的技术。轻松消除酷技术带来的所有噪音，但是要充分利用它需要时间和成熟度。
京公网安备 11010502034401号
课程体系 
试听申请 
复听申请 
在线报名 
考试大纲 
考试报名 
准考证打印 
