数字化转型背景下：关于企业数据分析的趋势与预判

数字化转型源自云计算、大数据、物联网和人工智能等新技术的交叉应用，深刻影响着当今社会各行业的发展，重塑了企业的组织关系、生产方式、商业模式、决策逻辑等。数据作为新时代企业发展的战略性资源，将基于新兴技术的融合实现应用价值的不断提升，并进一步赋能企业从研发到生产制造再到营销运营的全流程数智能化升级。

6 月 9 日，全球计算科学和人工智能领域企业Altair在上海举办了以“数据科学，解码智能未来”为主题的全新数据分析与人工智能平台Altair RapidMiner启动仪式，正式推出了全新数据分析与人工智能台 Altair RapidMiner，旨在更好地助力中国企业用户推进高效数字化转型，实现数据分析与人工智能应用的降本增效。

RapidMiner 创始人、Altair RapidMiner 产品开发高级副总裁Ingo Mierswa博士，Altair 大中华区总经理刘源博士，上海市数据科学重点实验室主任、复旦大学教授、教育部重点专项专家组成员肖仰华，普华永道数字化总监黄旭等数字化领域专家分享并探讨了关于数据科学与人工智能的趋势和判断。

RapidMiner 创始人、Altair RapidMiner 产品开发高级副总裁 Ingo Mierswa 博士就全球数据科学和机器学习发展的三个重要趋势进行了分享。

趋势一，边缘人工智能市场将出现爆发式增长。企业数字化转型实践加速和万物互联背景下，边缘设备及其产生的数据量激增，将大量边缘侧数据转移至某个中央的公共设备进行处理并不现实，因此更多企业选择直接在靠近数据产生的边缘侧进行分析，通过本地分析大大降低了能源消耗，并消除了与将数据卸载到远程计算机系统相关的隐私问题。未来，边缘设备将变得更智能。

趋势二，数据分析驱动业务价值实现，让决策更精准。正如 Gartner 所判断：以决策为中心的数据和分析逐渐替代以数据分析为驱动的决策。以决策为中心的数据和分析，需要深入业务决策场景进行数据体系的建立。这要求数据分析的 IT 人员应当走进业务，更重要的是让业务人员具备数据分析能力和思维，这样在工作中使决策和数据合二为一。

趋势三，使用自适应 AI 系统应对内外因变化。随着实时数据处理、流式传输和共享需求的增加，推动企业向数据分析驱动型企业转变。企业需要部署自适应 AI 系统来频繁采集大量数据，并迅速适应变化和差异。要实现完全自动化的决策并不容易，未来影响企业决策的因素将越来越复杂，这些因素将对决策智能模型产生干扰，影响最终决策的正确性，因此需要一个更灵活、更强大的增强型 AI 系统来处理这些复杂的因素，从而帮助自动化决策智能的实现。

上海市数据科学重点实验室主任、复旦大学教授、教育部重点专项专家组成员肖仰华分享了《数据智能助力数字化转型发展》的主题演讲。

肖仰华认为，数据智能是以数据作为分析内容，以知识的发现和应用为核心内容的智能形式，以期让机器具备人类的高阶认知能力，包括理解、推理、决策、解释、规划等。数据驱动（领域预训练大模型）与知识驱动（动态知识图谱）双系统的连续交互是实现数据智能的关键；低代码、插件化、能协同、可解释、高性能、全流程覆盖是数据智能的功能性要求；复杂决策是数据智能的目标。

随着技术的演进和需求的变化，数据智能应用场景由智慧出行、智能搜索等大规模简单应用场景逐渐向智慧医疗、智能工业等小规模复杂应用场景转变，从以“人”为中心逐步发展到“人机物”并重。要真正发挥数据智能对企业的赋能作用，数据与领域知识的深度融合是必要条件，以制造业企业为例，需要将仿真、高性能计算、AI 等技术进行融合，才能更好助力其数字化转型发展。

普华永道数字化总监黄旭重点就《数据智能的实践》进行了主题分享。

与传统企业以产品为中心不同，数字化企业更多是以客户为中心的企业，同时具备多元化能力、智慧大脑与敏捷能力，在人工智能技术的加持下，数字化企业的发展将更加智能，并基于云+5G 不断延伸运营空间，发展不再受限于地理区域，成为真正的数据驱动型 IT 组织。

基于深耕数字化转型多年的经验和积累，普华永道创新提出了“企业数字化成熟度评估框架“，通过数字化战略、数字化业务应用、数字技术能力、数据能力、数字组织能力、变革管理 6 大维度对企业的数字化成熟度进行评估，帮助企业快速判断自身所处的数字化转型阶段，进而更好设计实现转型目标的举措或发现转型不达标的原因加以改进。

Altair 大中华区总经理刘源博士针对数据智能带来的行业变化以及仿真与 AI 技术的融合趋势带来了精彩分享。

一个确定性的趋势是，数据智能正引发各行业巨变。近年来，我们看到数字化给汽车业、重工业、零售业、风电行业、金融业及机器人产业等各行各业带来变量。以汽车业为例，新能源、自动驾驶、辅助驾驶、车联网、5G、数据智能等新技术、新产品层出不穷，这直接改变和重塑了汽车产业的格局——越来越多的汽车制造商开始转向移动出行服务商。

此外，仿真技术快速发展过程中，展现出及其蓬勃的生命力。数字化、智能化的背后，其实是计算科学的加速发展。而仿真又在整个计算科学领域占据重要位置。仿真是指利用模型复现实际系统中发生的本质过程。计算机仿真技术在实际应用中，替代了大量的物理实验。仿真驱动设计、仿真驱动研发理念的提出，正是因为仿真技术从缩短研发周期、提升实验效率、拔高研发品质、加速产品面世等方面作用价值显著。

另一方面，仿真的价值及内在需求表现在：快速验证与快速设计；降本增效；最优体验的产品设计；建立完整的知识体系和科学的对标方法。这些价值实现，正是仿真技术在市场上有如此强生命力的体现。

仿真与 AI 双向融合、互相驱动。从 AI 助力仿真角度看：使用人工智能，可以加速、优化和增强仿真能力，赋能 CAE 建模范式持续优化，并进一步降低计算成本。从仿真助力 AI 角度看：利用仿真生成数据，可以作为人工智能模型的训练和测试，通过训练神经网络得到更准确的预测模型。

数据科学驱动仿真技术迈向新台阶。数据不论在设计端口，还是产品验证端口都发挥着举足轻重的作用。以产品全生命周期为例，从概念设计、产品设计、制造、运行支持、产品处置等阶段来看，数据科学广泛应用于概念创造、CAE 建模、设计优化、性能验证、产品质量分析、预测性维护、降低成本、客户满意度调查分析等流程和模块中。

高性能计算/云计算成为底层基础设施。为什么产业需要高频计算？主要体现在四方面：1、现实环境中，复杂的物理问题解算到仿真系统里，越逼近真实情况，需要的计算量、消耗的计算资源越高；2、从用户层面分析，各种专业的、特殊的硬件都需要高性能计算来解析；3、计算规模可扩展；4、提升资源利用率。

6 月 6 日，Altair 发布了一项关于 Frictionless AI 的全球独立调查报告。该调查吸引了 10 个国家/地区、来自多个行业的 2000 多名专业人员参与。调查结果显示，如果企业内部部门之间存在摩擦，那么 AI 和数据分析项目会因此半途夭折，失败率居高不下（介于 36% 至 56%）。

从与会嘉宾分析洞察与趋势预判中能够看到，政府、企业、协会、高校等多方对数据科学和人工智能领域的发展充满信心。作为全球增长最快的经济体之一，中国市场势必成为数据科学和人工智能服务商战略布局的重中之重。