数据智能技术是指将企业中现有的数据转化为商业洞察和业务知识，帮助企业做出更高质量经营决策的各类技术，主要指Business Intelligence（BI） 和 Artificial Intelligence (AI) 两个流派的技术。企业日常经营管理和交易产生了大量的历史数据，预计2025年当年产生的数据量级约等于2010年全年数据的90.5倍。数据智能技术应用的空间被极大拓宽，在2022年将呈现出以下发展趋势：

趋势一：数据可视化/数据发现的重要性与日俱增

数据发现或可视化（Data Visualization/Discovery）就是从内外部数据源获取数据，整合，并进行高级的分析和可视化，得出数据洞察的过程。其主要影响就是能够让企业经营管理的各层级人员都能够较好的参与到该进程并被数据赋能，进而更好的提高各参与人员的数据素养，同时得出数据和商业洞察，以及基于数据洞察的行动方案。数据发现中的对于趋势异常，运营异常的监测能力非常受管理者重视。在我们为国内农牧行业和家电制造行业的两个头部客户进行数智运营咨询和智能运营中心（IOC）设计的时候，客户对于异常发现和预警的需求非常明确，认为对于异常的判断规则实际是一种管理视角和经验的体现。

随着近年来数据应用的发展，数据发现或可视化的重要性与日俱增，在德国商业应用研究中心（Business Application Research Center）的一份2021年的调研中，数据发现被列为2022年BI领域趋势之首。

趋势二：对实时数据及分析需求更加迫切

对于数据实时、分析实时（Data and Analytics in real-time）的需求在2010年互联网经济发展期就已经获得了爆发式增长。今天，数据实时的重要性有增无减。尤其在2019年COVID-19病毒爆发之后，政府和企业管理组织已经见识到实时数据和分析是如何能够帮助他们迅速掌握状况、调度资源，做出合理应对策略的。因此，企业经营分析等管理活动对于时效性要求与日俱增，传统的静态报表和报告已经无法承载其诉求。实时的数据，动态的数据卡片组合而成的敏捷报告，灵活可调整的报告看板等已经成为了当下企业管理者的主要诉求。要应对时下变化节奏快、转瞬即逝的社会和商业环境，实时数据和灵活动态的看板能够更快，更高效地获取重要信息。元年科技在为其众多客户实施数据中台产品的过程中，绝大部分客户对于数据实时性都有极高的要求，期望通过数据中台实现数据的实时处理和调用，来应对疫情之后没有常态的“新常态”。

趋势三：协同商业智能让决策流程更加透明

协同商业智能（Collaborate Business Intelligence）其实是几种数据智能技术的合集，包括BI、AI、社交媒体、云计算、数据中台技术等，通过线上会议、线上合作，快速协同处理问题的场景将以上几类技术有机整合，能够提升企业内部信息流共享效果，实现科学的、基于数据分析的业务决策，并高效生成自动化报告。例如，协同商业智能的表现形式可以是一份可交互的线上报告（使用者可以自由选择组织、时间、维度等一些自定义选项），报告中的数据（或者数据卡片）在企业的大中小屏（监控大屏、经营主题中屏、移动小屏等）均保持一致口径；它不仅能够让更多的人参与到信息链条中，吸收他们的洞察，还可以帮助企业解决远程办公、居家办公等场景下公司内部协作的效率问题。

随着市场和社会的数字化，无论主动还是被动，企业高管、中层、基层员工都会从不同角度，用不同方式参与到企业内部的数字化建设中来。协同商业智能能够为企业带来更有效率的决策流程（多角色充分参与），同时让整个决策流程透明化。

趋势四：商业智能与RPA自动化结合提升企业数据驱动能力

在2021年，Tibco 收购Blue Prism, 以及后续的Alteryx 和 Qlik 、UiPath 建立战略合作伙伴关系，都直观展现了商业智能领域的公司与RPA（流程自动化机器人)公司合作的战略趋势。其背后体现的技术趋势是RPA的自动化技术与AI和BI分析平台深度融合，能够极大地增强数据分析和洞察能力和对企业行为的影响力，让数据分析从描述性分析往预测性分析和诊断性分析转变。

“AI+BI”的数据分析平台发现问题、定位影响问题的主要因素和动因，并做出后续行为的推荐和流程的触发，自动匹配对应的解决方案和任务，推送到责任人的邮箱或者OA系统中，这就是“AI+BI+RPA”的诊断性分析能力。这种能力能够实现以数据洞察指导物理世界的实际行为，达到真正意义上的数据驱动行为、数据驱动企业治理的目的。打造数据驱动型企业就必须建立在数据分析达到了诊断性分析这个能力级别的前提上。可喜的是，我们离这个目标已经越来越近。

协同商业智能（Collaborate Business Intelligence）其实是几种数据智能技术的合集，包括BI、 AI、社交媒体、云计算、数据中台技术等，能够为企业带来更有效率等决策流程（多角色充分参与），同时让整个决策流程透明化。

趋势五：自然语言处理技术将在数据分析领域得到更广泛应用

与RPA自动化类似，自然语言处理（NLP）技术也能够打通从数据到行动的通道，但是通过一种间接的方式实现。从Tableau的 Ask data, 到元年智答，再到阿里的智能小Q，主流的数据分析产品平台都已经或者计划往自己的平台上添加NLP算法和语言交互功能，让自然语言交互能力成为了新一代数据分析软件的标配能力。其目的在于大幅降低数据分析系统和软件的学习门槛，让大量非数据分析背景的人员能够容易地参与到应用数据分析软件的过程，不需要进行专门的培训和训练。

虽然当前企业整体对于NLP采用率不高，但是已经有部分企业开始利用NLP这类AI技术来提升数据的质量，辅助数据发现等。业界普遍看好NLP技术在企业数据分析领域中的采用率将会越来越高。

趋势六：AI工程化推动人工智能技术的普及应用

AI和大数据的结合将更加紧密，将有力推动企业甚至行业的数字化、智能化转型进程，提升生产效率。

AI工程化的定义是不涉及AI、算法、前沿技术分支的深入研究和探索，而是基于目前已经相对成熟的算法和技术（例如一些成熟的开源算法），将其与行业和企业的需求相结合，形成可落地，可实施的工程方案。从上世纪50年代人工智能技术诞生以来，AI一直象征着“前卫”和“理想王国”。经过了几十年的发展， AI技术与商业模式的结合已经在各行各业产生了颠覆性的影响，累积了大量AI技术落地的真实案例。而AI工程化则是人工智能技术大量落地所产生的必然趋势，能够加速AI应用的落地过程。

AI工程化是实现AI模型运营化的学科，它意味着AI技术的成熟和更良好的使用体验，对于希望借助AI来实现智能化运营的企业而言，AI工程化能够显著降低技术迁移成本，减少人才队伍组建难度。AI和大数据的结合将更加紧密，将有力推动企业甚至行业的数字化、智能化转型进程，提升生产效率。

扫码回复： 电子刊，领取资料包