What Is Data Intelligence?

对不同的人来说，“数据智能”一词的含义各不相同。有些人将数据智能视为通过分析数据所获得的洞察，有些人则认为是对所使用数据的了解，包括数据的来源、存储方式、安全措施、共享方式以及报告方式。事实上，数据智能兼具这两种含义。企业如果想获得具有洞察力、值得信赖且广泛应用的数据分析和人工智能 (AI) 输出结果，首先必须广泛应用数据智能的原则和实践。

什么是数据智能？

数据智能是一种数据分析和 AI 方法，有助于确保企业采用值得信赖的新数据，并且易于业务人员访问和使用。数据智能还涵盖了使用这些数据来推动决策和行动所需的工具和技能。一个自称为“数据驱动型”企业，必然会在构成数据智能流程的人员和技术方面进行投资。

数据智能由一套工具和流程支持，这些工具和流程通常打包在一个云技术平台中，数据专家能够跨事务数据库、仓库、分析工具以及 AI 和机器学习 (ML) 资产收集、整理和管理数据。这为数据治理、数据质量管理和数据集成的集成系统提供了基础。其目标是确保在数据导入 AI 模型或数据分析和可视化工具之前，整个数据生命周期能够得到有效管理。

企业的数据智能流程需要依赖一系列的技术，包括用于存储、更新和移动数据的数据仓库、数据湖和 ETL 工具；用于跟踪和维护数据管理资源的观测工具；用于集成不同系统和数据源的 API 和集成工具；用于管理数据质量、安全性和合规性的数据治理工具；以及用于提供响应、报告和仪表盘的分析/商务智能 (BI) 工具、机器学习算法和 AI 平台。有些数据智能平台会封装整个流程，甚至是为企业提供即用型分析工具，包括针对特定业务领域的 AI 和机器学习模型。

归根结底，数据智能流程旨在帮助企业利用数据并从中获得有意义的洞察，然后广泛用于制定更明智的决策。

数据智能与数据分析

数据智能与数据分析紧密相连，但在企业内服务于不同的目的，作用范围也有所不同。

数据分析主要侧重于检查检视和结论推导。数据分析工具和技术用于执行统计分析、生成报告和创建模型，以帮助了解历史数据中包含的经验教训，甚至是预测未来结果。这些工具和技术可通过识别数据中的模式、趋势和关系，并将其结果以可视化的方式呈现，为决策提供信息。

数据智能则超越了分析数据范畴。它涵盖了整个数据生命周期中更广泛的工具和流程，包括数据治理、数据质量和集成，旨在帮助企业信赖这些分析结果，并将其整合到战略和运营流程中。

关键要点

• 数据智能旨在帮助业务人员和分析人员轻松地从可信来源收集数据，并将其与自己常用的分析工具和机器学习算法结合使用。
• 数据智能实践为组织如何收集、整理、集成和分析数据建立流程，然后广泛共享结果以支持决策制定。
• 数据智能平台有助于管理整个数据生命周期，并且可以包含数据库、数据湖、集成工具、用户身份验证流程、BI 工具和内容管理工具。

数据智能详解

数据智能是企业内部为确保数据分析和 AI 输出结果的可信度、信息完备性、准确性和可广泛共享而建立的一套系统性方法论。数据智能本质上是围绕内部数据专家及其用于获取、管理和共享数据的工具和技术构建而成的业务实践。它旨在通过整合业务数据、即用型分析以及预构建的 AI 和机器学习模型，消除 AI 驱动的数据分析中的不确定性。

数据智能的目标是为业务人员提供安全且可重复的流程，帮助他们做出自信且富有洞察力的决策。为此，数据智能程序不仅涉及使用分析工具，还涉及数据收集和管理的自动化。您可以在 Oracle、Databricks、Microsoft 等提供商提供的一系列云端或本地数据智能平台中看到这一现实应用。有些数据智能平台涵盖了从数据提取和建模到全公司范围的治理、数据分析，以及最终广泛共享研究结果以供战略决策制定的所有内容。对于生成式 AI，数据智能程序允许重要的 AI 功能（包括语义搜索和检索增强生成 (RAG)）与组织良好且新的信息协同工作，从而使 AI 模型能够理解、解释和生成高质量的内容和洞察。

数据智能的重要性

在数据分析领域，数据智能非常重要，因为它定义了一种获取广泛数据并进行管理的流程，以确保基于这些数据的报告和 AI 输出结果值得信赖且可广泛共享。

例如，数据智能程序是支撑 AI 和机器学习模型的核心，这些模型推动了智慧城市等项目的实施。在智慧城市中，海量数据被用于提升城市基础设施、管理交通、优化公共交通以及通过实时数据分析增强公共安全。数据智能流程为能源行业提供精准的需求预测和能源分配优化能力。在金融领域，数据智能有助于确保风险评估的准确性，并为个人客户提供值得信赖的金融产品。数据智能与机器学习让这些金融机构能够监控数百万笔交易并从中发现欺诈迹象，甚至还能够帮助预测贷款违约。

在不断发展的生成式 AI 领域，用于训练 AI 模型的数据质量将直接影响其产出的质量。对于大型企业或供应商的 AI 专家来说，数据智能流程必能够帮助实现更有效、更可靠的模型，同时支持他们解决道德和法律合规问题。

数据智能的工作原理

数据智能流程通过 IT 团队运行，旨在为业务用户提供自助界面，避免 IT 团队成为商务智能和分析工作的瓶颈。参与该流程的人员包括数据库专家、开发人员、数据科学家和业务分析师。

数据智能是一种全面的数据使用方法。企业数据智能平台通常包括一系列的存储库，比如部署在本地或云端的数据库或数据湖。数据智能流程提供访问控制，个人用户能够查看与其角色相关的数据。这意味着业务人员可以直观地探索可用的数据，了解数据来源及其在整个企业中的使用方式。该平台还为这些业务人员提供了一种方法来构建数据流，以便进行数据的分析、转换及合并，并丰富数据，包括通过应用机器学习来处理大型复杂数据集，从而发现以前未见过的模式，甚至是做出预测。

数据智能提供治理功能，在促进协作的同时，还能根据个人角色限制数据访问权限。这使得系统能够指定哪些人有权访问哪些数据，并显示哪些人正在使用哪些数据。为了提高决策者对分析的采用率，许多数据智能平台会主动监控和更新内容以提升其价值。

除了传统的数据分析之外，数据智能流程现在还需要向生成式 AI 模型提供各种来源的高质量数据，确保数据准确且及时更新。

数据智能的优势

数据智能能够带来许多优势，是任何希望成为数据驱动型企业的必备要素。现在，这应当成为所有企业的标配。无论您的企业来自哪个行业，都会有可以改善运营和决策的数据。

追求 AI 优势的企业必须制定数据智能计划。事实上，数据智能正是构建高价值 AI 系统的基石。高质量、多样化和具有代表性的数据对于训练 AI 模型至关重要，而数据智能有助于确保模型仅使用此类数据，从而提高模型做出准确预测的能力。数据智能还能够让 AI 系统根据新数据和反馈来不断学习和调整模型，随着时间的推移持续提高性能和准确性。

其他优势包括：

• 竞争优势：显然，那些重视数据管理并利用数据提升运营效率和市场洞察的企业，在竞争中也更具优势。企业必须在从长期战略规划到日常运营的各个环节中贯彻这种数据管理纪律。
• 节省成本：企业的数据智能流程可提高效率，从而减少浪费并降低成本。实现这一目标的途径包括启用预测性维护以尽可能减少机器故障，以及提高资源管理的可见性。
• 数据驱动文化：实施数据智能平台和流程可帮助企业更加自信地做出决策。毕竟，当您根据可量化的数据采取行动和制定策略时，您可以为统一行动提供了明确的焦点。
• 更加了解客户：当零售和服务企业通过多个接触点收集和分析客户数据时，他们可以更好地了解买家的行为、偏好和需求。
• 提高性能：合适的数据智能工具集可以提供监控和提高销售、生产力和产品质量等领域业务绩效所需的指标和 KPI。
• 提高效率：数据智能计划可自动收集和管理分析工具使用的数据。这种自动化有助于减少手动工作并提高数据质量。
• 明智的决策：无论您是棒球经理还是企业部门主管，数据智能都能帮助领导者在决策过程中，将基于事实的数据驱动信息与直觉或假设进行权衡，从而提升决策信心。
• 创新：数据智能流程可以帮助企业更清楚地了解市场空白或精准把握客户需求，从而开发并测试新产品、新服务及新商业模式。
• 更准确、更强大的 AI：数据智能可作为 AI 的预处理和管理层，提高数据质量、数量、多样性和上下文关联性。优质数据使 AI 模型能够提供更准确的响应，为企业发掘隐藏模式和趋势。
• 预测功能：先进的机器学习模型不仅可以追溯历史事件的成因，还可以预测趋势和行为模式，帮助企业预测市场需求和客户行为，或者在系统故障成为问题之前及时预警并采取应对措施。
• 风险管理：数据智能流程可帮助企业通过数据分析更清楚地了解潜在风险和漏洞，从而在风险演变为法律或产品问题之前就完成评估与应对。

数据智能的分类

所有企业都必须明确数据智能对他们而言意味着什么。有些数据智能流程专注于分析数据之前发生的事情、数据来源、集成和安全性，有些数据智能流程则更关注从数据中提取的智能类型。

下面是不同类型的数据智能及其所产生的洞察示例。

• 描述智能：这是一种侧重于总结和理解历史数据的商务智能。
  • 用途： 描述智能利用历史数据来帮助企业清楚地了解过去发生的事情，进而推测未来可能会出现的情况。
  • 工具： 其核心支撑是一个能够借助统计方法挖掘数据中隐藏信息的软件。该软件可计算平均值、百分比或其他统计指标，并利用数据可视化和报告工具呈现结果。
  • 示例： 企业使用描述智能来了解趋势，例如某项服务的用户数量增长情况，或按月份、季度或年份统计的收入增长变化。
• 诊断智能：此类智能超越了描述智能仅说明“发生了什么”的层面，能够深入探究事件的起因。
  • 用途： 提出“为什么”，然后通过分析数据来理解当前时间状态背后的原因。
  • 工具： 关键工具是机器学习算法，有助于提供根本原因分析、细分分析和比较分析。
  • 示例： 诊断智能可以分析某个方案为什么有效或无效，无需进行猜测。例如，哪些因素决定了产品促销或营销活动的成败？
• 预测智能：这类商务智能使用历史数据和统计模型来预测未来结果。该系统能够确定模式和趋势。
  • 用途： 这种复杂的数据分析形式使用机器学习技术，基于历史数据评估未来结果的发生概率。
  • 工具： 预测智能需要机器学习算法及相关专业知识，从而从大型数据集中识别模式。
  • 示例： 典型的使用场景是从销售数据中识别季节性模式，有助于预测未来的销量高峰期和低谷期。
• 规范智能：这类商务智能不仅可以简单地基于数据描述或预测结果，还可以推荐行动方案。
  • 用途： 规范智能不仅可以帮助企业识别已经发生或可能发生的事情，还可以进一步推荐行动方案以实现预期结果。
  • 工具： 主要依赖于机器学习模型和规则引擎，可将数据中的模式连接起来，以触发决策并提供推荐方案。
  • 示例： 规范智能可提供切实可行的洞察，帮助供应链管理和金融服务等领域的企业根据数据驱动的推荐方案快速做出决策，并制定计划以应对不断变化的情况。
• 运营智能：运营智能侧重于实时监控和运营管理，有助于深入了解企业的当前状态，从而改善决策和解决问题。
  • 用途： 提供实时业务分析，帮助员工在日常业务运营中快速做出决策。
  • 工具： 借助软件，运营智能可根据实时数据和分析洞察，指导企业立即采取行动。
  • 示例： 在制造业中，可用于检测指向产品质量问题或设备故障的轻微异常，以便企业可以立即采取行动。在金融业中，运营智能系统可以实时监控交易，以检测和防范欺诈行为。
• 战略智能：战略智能系统可以通过分析各种来源的信息，识别新趋势、潜在威胁和机遇，并提供洞察来支持高级决策。
  • 用途： 关注能够决定企业未来的更广泛、更长期的目标。
  • 工具： 关键在于利用软件收集和分析数据，并以高管易于理解的方式呈现结果，帮助他们制定指导组织整体发展方向的战略。AI 系统在这一领域发挥着越来越重要的作用。
  • 示例： 使用场景包括预测和场景计划、长期风险管理和竞争洞察。高管经常借助战略智能来分配资源和制定长期计划。
• 认知智能：这是一个广泛的术语，涵盖与思考、学习和解决问题相关的多种能力。它通常与人类智能相关联，但也可应用于高级软件。
  • 用途： 认知智能旨在模仿人类在分析、解释和理解复杂数据集的思维过程，特别是在处理大量数据方面。
  • 工具： 使用自然语言处理、机器学习和深度学习系统。
  • 示例： 认知智能可能包含了情感智能功能，以帮助解读和回应人类情感，这在面向客户的应用中十分实用。例如，聊天机器人能够识别来电者何时变得沮丧。

数据智能的使用场景

在数据智能实践中，不同的企业会通过不同的方式来收集、整理、分析和共享数据并报告结果。但在大多数情况下，数据智能是连接原始数据与智能决策之间的桥梁，有助于推动业务发展。

以下是数据智能分析所能够带来的部分结果示例。

1. 客户服务团队通过分析客户数据（例如过往购买记录、支持消息和退货情况），清楚地了解客户行为，例如人们为什么购买某款产品、他们如何使用该产品、他们喜欢该产品的哪些方面，以及可能导致不满的常见问题。这些宝贵的信息可用于发现趋势和机会、解决质量问题并改善客户支持流程。
2. 教育也有许多数据智能使用场景。各类院校及学区正在使用数据智能来帮助学生取得成功。例如，AI 算法通过分析课堂表现及其他学生数据，帮助识别学习差距、调整教学策略并提供有针对性的干预措施，让每个学生都可以不断进步。
3. 金融机构是数据智能的重度用户。例如，这些机构使用机器学习模型分析交易记录和消费模式，再将这些洞察与客户的财务目标、市场数据和经济指标相结合，以此推荐投资机会或识别潜在的风险（比如可能发生的贷款违约）。
4. 医疗卫生机构发现，数据智能（尤其是与 AI 结合使用时）有助于创建有关个人健康风险的预测模型，让医疗服务提供方能够更好地进行预防性干预。数据智能还可以赋能医学影像分析，相关系统可以读取并解读 X 光片、核磁共振 (MRI) 或乳房 X 光检查结果，帮助识别模式和检测疾病。凭借计算能力和机器学习算法的结合，再加上患者的既往病史、基因标记和近期健康数据，能够更加精准地预测某种药物对特定个体是否有效。
5. 人力资源团队与其他业务部门一样，经常会使用数据智能来改善决策并提高运营效率，例如使用 AI 分析来自员工的反馈和项目成果数据，帮助经理识别高绩效员工。或者，HR 部门可以分析员工流失率和员工满意度调查数据，从而确定可指导未来招聘和劳动力发展等战略决策的趋势。
6. 运营团队能够以多种方式从数据智能中受益。例如，实时数据智能可帮助企业即时做出有关运输物流和自动化客户支持的决策。长期数据分析可以帮助企业在运营工作中做出更好的预测和战略决策。
7. 零售业大量使用数据智能，并将其纳入许多决策中。以大型零售商为例，这类企业发现干净的数据和 AI 有助于分析竞争对手的价格、当地人口统计数据和促销成效，从而判断理想的产品定价。零售商还可以结合历史销售数据和客户需求模式，预测未来销售情况并管理库存水平。实时分析使用高级算法来分析交易数据、客户行为和模式，以识别潜在的欺诈活动。
8. 销售和营销团队使用数据智能系统更清楚地了解现有或潜在买家的兴趣和在线行为。通过这种洞察，他们能够为现有客户制定通信计划，找到合适的潜在客户并与他们取得联系。

利用数据智能加速决策

如果您想为您的企业提供值得信赖、广泛使用的分析和 AI 输出结果，就需要一个全面的数据智能平台。Oracle Analytics Platform 可支持整个分析流程（包括数据摄取和建模、数据准备和扩充以及可视化和协作等），同时确保安全性和治理不受影响。该平台内置机器学习和自然语言处理技术，通过使数据分析更加直观和易于访问，帮助更多企业员工提升工作效率。

对于 Oracle Fusion Applications 用户，所有这些云技术都内置在 Oracle Fusion Data Intelligence 中。该解决方案可将业务数据、现成可用的分析以及预构建的 AI 和机器学习模型结合在一起，帮助业务人员根据各种可信数据做出更明智的决策。

在生成式 AI 时代，数据智能比以往任何时候都更加重要。那些已经在数据智能分析流程上进行投资的企业将拥有显著的优势。而对于尚未行动的企业，生成式 AI 的强大潜力可能成为推动其全面建立数据智能体系的催化剂。作为一项方法论和技术实践，数据智能将在未来几年变得更加智能并得到更广泛的应用。

数据智能的常见问题解答

数据智能指的是哪类数据？

数据智能不是一种数据类型，比如 JSON、图形或向量数据。相反，它是一种数据管理方法，旨在确保所使用的任何数据都是新的、可信的，并且易于业务人员查找和使用。

数据智能有哪些主要组成部分？

数据智能的主要组成部分包括：

• 描述智能： 汇总历史数据，让企业了解过去发生的事情。
• 诊断智能： 深入了解历史数据，确定特定事件的起因。
• 规范智能： 根据历史数据推荐未来的行动方案，包括旨在识别模式和趋势的统计模型。
• 运营智能： 专注于运营数据，提供有关企业当前状态的洞察。
• 战略智能： 分析各种来源的信息，识别趋势、威胁和机遇。
• 认知智能： 侧重于人类思维过程和高级 AI，适用于面向客户的应用。

企业如何使用数据智能？

企业广泛使用数据智能来提高运营效率、分析销售趋势、评估库存水平、提供改善营销成效的方案、生成客户洞察等。数据智能可以帮助决策者更好地理解广泛收集的信息并改进业务流程。