ZD至顶网CIO与应用频道 04月25日 评论分析(文/王聪彬):数字化转型意义在哪里?这是每一个企业都要寻找的问题答案,最通用的回答是对业务流程的重塑。这个过程可能是痛苦的,但是通过数字化带来的效果确是卓有成效的。
数据分析作为数字化转型的重要技术,可以让企业赢得更加卓越的业务效果。之前企业往往需要在遇到失败后,才能有针对的调整策略,而现在通过数据分析企业可以快速获得洞察,指导业务发展,提升竞争力。
从数据分析获得洞察
现如今数字化已经影响着企业各个层面,所以数字化转型也是企业最迫切的一件事。Gartner预计2017年企业IT预算将增加约10%,其中企业用于“数字化”方面的IT预算将会大增。中国用在数字化方面的预算将占整体IT预算的28%,预计2-3年后该数字将会达到约40%。
当然数字化转型对于企业的挑战是巨大的,因为其可能会重新定义企业,不仅仅是IT,还包括流程、商业模式、员工等一切。这也就需要企业管理者明确技术与业务目标的一致,让技术成为业务的推动者。
在数字化转型的过程中数据分析的应用对于企业有着重要的意义,企业已经从之前简单的存数据变为用数据分析获得价值,通过数据分析企业可以获得业务的洞察,指导决策和发展。
在具体应用上,数据分析可以优化客户体验、更好地扩展业务、改变管理和发展方式等诸多功能。Gartner近期调查显示,商业智能和分析(BI/Analytics)已经成为CIO关注IT投资的首位,之后则是云计算和基础设施。
但数据分析在企业中的应用也存在很多问题,Teradata通过与各行业客户交流发现企业在数据应用的过程中会遇到三大挑战:一、业务层面,在业务场景中分析改进;二、人才层面,人才资源压力是每一个企业都面临的问题;三、架构层面,需要考虑架构的高性能、敏捷性、可扩展性以及成本等因素。
在Teradata看来大数据应用分为三重境界:“数据、分析、成果”,利用分析数据更好地让业务获得洞察,帮助企业实现全面的数字化转型。
从业务场景发现价值
企业在数字化转型上最希望看到的还是数据分析可以在业务场景中产生价值,甚至创造出新型商业模式。
Teradata在欧洲的客户Enedis是一家集发、输、配电为一体的法国电力公司,负责管理法国95%的配电网络的维护,开发和运营的中性配电系统运营商(DSO),其在核电、火电、水电和新能源发电领域都有所涉猎。
Enedis有两大主营业务,第一、管理电线1.3M公里的连续性和质量服务;第二、提供分发网络的非歧视性访问。作为电力公司Enedis还需要保证电力无中断这一首要任务,公司不仅运营、维护和发展网络,还投资数字化、现代化进行保障。
做到这一切的Enedis完全是依靠数据分析的结果,其智能仪表和传感器在网络上生成大量消费和环境数据,这些数据反馈到分析系统中用于执行内部和外部的业务。一个例子是Enedis结合过去10年的历史数据和多种数据源,如温度,以了解变压器故障的原因。对设备进行预测性维护,提高可靠性的同时最终提高客户满意度。
这种洞察的能力还被输出到供应商端,可以实时了解用户的使用情况以及电网的资产情况,让供应商可以确定电网的连接,定价,甚至减少非技术性的损失。
通过数据分析Enedis还给予最终消费者更多的选择,不仅可以节省能源和资金,而且提高客户满意度。未来Enedis希望能给客户提供更好的能源管控和消费模式,包括连接风力发电、电动汽车、智慧城市。
好文章,需要你的鼓励
国际能源署发布的2025年世界能源展望报告显示,全球AI竞赛推动创纪录的石油、天然气、煤炭和核能消耗,加剧地缘政治紧张局势和气候危机。数据中心用电量预计到2035年将增长三倍,全球数据中心投资预计2025年达5800亿美元,超过全球石油供应投资的5400亿美元。报告呼吁采取新方法实现2050年净零排放目标。
阿布扎比科技创新研究院团队首次发现大语言模型生成的JavaScript代码具有独特"指纹"特征,开发出能够准确识别代码AI来源的系统。研究创建了包含25万代码样本的大规模数据集,涵盖20个不同AI模型,识别准确率在5类任务中达到95.8%,即使代码经过混淆处理仍保持85%以上准确率,为网络安全、教育评估和软件取证提供重要技术支持。
AMD首席执行官苏姿丰在纽约金融分析师日活动中表示,公司已准备好迎接AI浪潮并获得传统企业计算市场更多份额。AMD预计未来3-5年数据中心AI收入复合年增长率将超过80%,服务器CPU收入份额超过50%。公司2025年预期收入约340亿美元,其中数据中心业务160亿美元。MI400系列GPU采用2纳米工艺,Helios机架系统将提供强劲算力支持。
斯坦福大学研究团队首次系统比较了人类与AI在文本理解任务中的表现。通过HUME评估框架测试16个任务发现:人类平均77.6%,最佳AI为80.1%,排名第4。人类在非英语文化理解任务中显著优于AI,而AI在信息处理任务中更出色。研究揭示了当前AI评估体系的缺陷,指出AI的高分往往出现在任务标准模糊的情况下。