企业数字化转型：从数据驱动走向知识驱动！

数据驱动的决策制定是数据驱动企业的核心，这意味着公司收集、分析和使用数据来为关键决策提供信息。从本质上说，这就是从事实中获得指导而不是“跟着你的直觉走”。这听起来显而易见，在现实中每个人都试图这样做，但它比看起来更难。

数据驱动是一个不断变化的追求。在过去的几十年里，我们可以访问的数据量以及分析这些数据的工具一直在扩大和改进，这既是福也是祸。企业现在有大量的数据，今天先进的人工智能和机器学习使得分析它比以往任何时候都更容易。但数据是分散的、竖井式的，而且大多数数据都是非结构化的，这增加了复杂性。

比如在营销领域，Gartner最近研究发现，只有一半的营销决策受到数据分析的影响，原因有很多——从糟糕的数据质量到不明确的建议。撇开原因不谈，我们得出的结论是：成为一个数据驱动型组织真的不容易。

但挑战是值得的，根据德勤2019年的一项调查，在拥有最强数据分析文化的受访者中，48%的人在过去12个月显著超过了业务目标。这就是为什么尽管困难很多，大多数组织还是专注于构建数据驱动的战略。

麦肯锡称，那些鼓励员工持续为数据驱动决策提供资料的公司“在过去三年里，营收增长至少10%的可能性要高出近1.5倍”。

我们事先获得的可操作知识越多，我们能够做出最佳决策的可能性就越高，可以看到：知识>数据。

• • 访问它们的所有数据和内容——包括结构化和非结构化的，跨应用程序、环境、文件类型等。

  • 将数据和内容形成知识图谱——将数据和内容融合成为更具语义的知识图谱，这是从数据驱动走向知识驱动的关键一环。

  • 给用户一个简单、直观的360度界面——一个用户可以访问所有相关信息和见解的地方，用户需要360度的全景视野，避免片面的观点。

  • 体验友好、功能强大的智能搜索——提供语义增强搜索、知识可视化展示、员工画像推荐、知识语义关联分析等新一代智能搜索能力。

  • 能够解析相关内容段落的含义——通过自然语言处理、概念提取、文本标注等实现相关文本内容的自动解读、实体、关系抽取等。

  • 使用机器学习进行语义自动化——通过机器学习算法训练模型，提供智能标签、自动分类、主题聚类、热点趋势分析等能力。

企业可以根据自身管理和信息化基础及现状定位合适的阶段，建设匹配的知识数字化转型应用。