数据驱动背后的“陷阱”

从AI工程到超自动化，更多应用数据的有效方式出现，遍及所有商业领域，也被Gartner认为是“2021年十大战略性科技趋势”的重点。

想在后疫情时代获得发展，“以数据为中心”不再是可选项，而是必选项。

但同时，据《哈佛商业评论》2019年的报道，多达77%的高管们将应用大数据和AI看做是最大的挑战。更糟的是，这个数字在过去几年中呈指数级增长。

这一趋势是否会在未来十年持续下去？在向数据驱动体系转变的过程中，企业努力想要高效利用数据却又力不从心。大多数企业都不知该如何摆脱这个困境。

尤其是零售业，一些最有价值的商业智能就是从交易数据中获得的。这曾经是个简单的过程，我们用Excel甚至手工计算就可以算出市场需求和理想定价。但现在，传统的数据分析方法已经远远不能满足需求了。数据规模之大让我们连一知半解都无法做到，更别说从其中获得有用的洞察。

大数据已经改变了问题的性质。

难点不再是如何收集数据，而是如何高效利用数据。

当我们拥有了海量的交易数据，最让人感觉手足无措的就是“接下来怎么办”。

换句话讲，在商业场景中，大数据最重要的赋能，就是将数据转化为帮助企业提升ROI的决策。数据必须是要能指导行动的，带来的价值必须要高于分析的成本。相比之下，数据的质量比数量更重要。而价值则衡量了可用数据的最终质量。

企业是否能够做好这第五个V非常关键。就算我们遵循前四个V收集到了好的数据，也并不意味着就真的有用。不产生价值，数据就没有任何用处。

幸好，如果能实现数据引入（data ingestion）和分析的自动化，平衡并没有想象的那么难。

数据引入可能会特别复杂，但可以在一些工具的帮助下将这个过程自动化。如EvoFlow、AirFlow等工具可以编排数据流并执行一系列的检查，来保证我们所使用的数据井然有序。通过对流程的自动化和二次检查，这些工具确保数据符合前四个V的要求，让我们能够把注意力放在价值上。

同时，自主化系统可以让价值最大化，而价值也是每一家企业最需要关注的方面。分析，是将海量交易数据和其他业务数据最终转化为洞察的一步，这也是大数据能帮助企业完成KPI和成功占领市场的地方。没有自动化的分析，就无法优化价值。