作者

Image

哈里-莫法基斯

英国 Artefact 公司高级总监

还记得 Business Objects 吗？如果你还记得，也许就会明白我的意思了。我们正在进入这样一个时期：能够构建业务级软件的大型语言模型（LLM）将越来越商品化。当然，这是一项令人印象深刻的技术壮举，但同时也是一场潜在的恶性竞争。.

为什么？因为当大家都忙着炫耀自己最新的人工智能小把戏时，却忽略了真正的金矿：data 本身。.

让我们来分析一下：

  • 法学硕士的商品化:我们正在见证法律硕士领域的快速发展。昨天的尖端技术今天已成为标准技术。不久的将来，在基本功能方面，LLM 与其他 LLM 几乎没有什么区别。生成类人文本、回答问题、甚至编写复杂代码的能力将不再是区别的因素。这种商品化意味着，仅仅拥有 LLM 不会带来显著的竞争优势。.

  • 人工智能生成软件的崛起:LLM 和其他生成式人工智能工具按需创建软件的能力越来越强。需要一个用于库存管理的定制应用程序？人工智能可能很快就能在几分钟内为你完成。这是革命性的，但它也正在变得普及。.

  • SaaS 的持久动力:不过，不要指望Salesforce或SAP等公司会在一夜之间消失。就像红帽公司通过提供企业级支持和服务在开源时代蓬勃发展一样，大型 SaaS 提供商也可能会适应这种新格局。他们可能会将人工智能生成的解决方案整合到自己的产品中，或者专注于提供运行这些人工智能创建的应用程序所需的强大、可扩展的基础设施。.

  • 真正的竞争优势:重点来了--在这种新形势下，竞争优势的真正来源将是贵公司专有的 data。为什么？因为尽管 LLM 可以生成通用解决方案，但只有贵公司独有的 data 才能为人工智能模型提供动力，使其了解贵公司业务、客户和市场的细微差别。.

  • Data 准备差距:这就是许多公司的绊脚石。您可以使用地球上最先进的人工智能工具，但如果您的 data 没有做好适当的准备，您将无法有效利用这些技术。这就像试图用原油为法拉利跑车加油一样--你不应该这样做。.

考虑一下 CPG 领域的这种情况：A 公司和 B 公司都可以使用相同的高级 LLM 进行需求预测。A 公司拥有多年干净、统一的销售 data，其中包含有关促销、天气状况和社交媒体情绪的上下文信息。B 公司的 data 储存在不同的系统中，分散且不一致。您认为哪家公司能做出更准确的预测？

事实上，如果没有经过正确清理、协调和建模的 data，企业将无法充分利用人工智能革命。您可能拥有一个强大的人工智能，但如果您给它提供的是劣质的 data，那么您只能获得劣质的洞察力。.

这就是为什么真正的竞争不在于谁能最快地实现人工智能，而在于谁能把自己的 data 基础设施打理得井井有条。这就是要创建一个强大的 data 基础设施，为这些强大的新人工智能工具提供动力。因为归根结底，人工智能只是引擎，而您的 data 才是让引擎运转的燃料。.

在消费类电子产品领域，这可能意味着以下两者之间的差别：

  • 准确预测并满足季节性需求高峰

  • 优化供应链，减少浪费，提高效率

  • 实时了解和应对不断变化的消费者偏好

  • 个性化营销，大幅提高转化率

因此，当您的竞争对手在追逐最新的聊天机器人或人工智能写作工具时，请记住：真正的价值在于您的 data。问题是，你准备好开启它了吗？

通往 Data：新领域的旅程

我们都听说过 “cloud之旅”。在长达十年的时间里，这是一个热门词汇。但现在呢？我们开始了更重要的征程：通往 data 的旅程。.

这不仅仅是另一种技术趋势。它从根本上改变了企业的运营、创新和竞争方式。如果你不参与其中，你可能会发现自己已经落伍了。.

这个过程在实践中是怎样的？就是将分散、孤立的 data 数据源转变为统一、可访问的 data 生态系统。将原始的 data 转化为可操作的洞察力。创建一个单一的真实信息源，为从运营决策到高级人工智能应用的所有工作提供支持。.

对于一家消费类商品公司来说，这可能意味着将销售点 data 与社交媒体情感分析、供应链信息和客户反馈整合在一起。这就是创建一个业务的整体视图，让您能够比以往更快地发现趋势、预测需求和创新产品。.

真正的价值主张：愚蠢的 Data

问题是：人工智能的好坏取决于它所训练的 data。你可以拥有地球上最复杂的 LLM，但如果它不是根据你的特定业务 data 训练出来的，那么它对企业的价值充其量也是有限的。.

真正的竞争优势在于释放专有 data 的价值。这就是要创建一个强大的 data platform，它可以

  • 汇总来自组织内不同来源的 data 数据

  • 对 data 进行清洁和标准化处理，以便在分析和人工智能应用中使用

  • 让正确的人在正确的时间获得 data

  • 确保 data 的质量、安全性和合规性

这就是 "橡胶 "与 "道路 "的结合点。让我告诉你，这并不容易。.

让我们来分析一下：

汇总:在一家典型的 CPG 公司中，data 可能分散在 ERP 系统、客户关系管理平台、供应链管理工具和数不清的 Excel 电子表格中。将所有这些信息整合在一起是一项艰巨的任务，但对于全面了解企业情况至关重要。.

清洁和标准化:data 原始数据很乱。不同的系统可能使用不同的格式或命名约定。清理 data 并使其标准化，对于任何有意义的分析或人工智能应用都至关重要。.

无障碍环境:Data 只有掌握在能够使用它的人手中才有价值。这意味着要创建界面和工具，让企业用户无需计算机科学博士也能访问和分析 data。.

质量、安全和合规性:data 责任重大。确保您的 data 的准确性、保护其不被泄露以及遵守 GDPR 等法规是不容忽视的。.

挑战：不仅仅是技术

这就是许多企业的绊脚石。他们认为这纯粹是一项技术挑战。但事实并非如此。这是一个组织问题。.

data 网格概念应运而生。正如 data 网状概念的提出者 Zhamak Dehghani 所说：“Data网格是一种去中心化的社会技术方法，旨在消除分析data和商业运作的二分法”[^1]。

换句话说，就是要打破各自为政的局面，培养 data-driven 文化，让领域专家成为 data 的生产者和消费者。.

这需要整个企业的认同。这需要提高员工的技能。当然，这还需要大量的技术投资。.

但实际情况又是怎样的呢？想象一下，在一家消费类电子产品公司里

  • 营销团队可以访问实时销售 data，以便即时调整营销活动

  • 产品开发团队可即时分析客户反馈，为新产品功能提供依据

  • 供应链团队可以在中断发生之前进行预测和预防

  • 首席执行官只需点击一下按钮，就能实时、全面地了解整个业务情况

这就是实施良好的 data 网格的前景。但要实现这一目标，需要的不仅仅是新技术。它要求我们从根本上转变对 data 的思考和组织方式。.

前进之路：平台工程与模型构建

那么，我们该何去何从？在接下来的几年里，我们需要把重点放在 data platform 的工程设计和模型制作上。.

这意味着

  • 投资建设强大的 data 基础设施

  • 开发 data governance 框架

  • 在专有的 data 上建立和训练模型

  • 在企业内部培养 data 扫盲文化

让我们逐一详细探讨：

投资 data 基础设施:这不仅仅是购买最新的技术。而是要创建一个可扩展、灵活的架构，与企业共同成长。对于 CPG 公司来说，这可能意味着在供应链中实施物联网传感器，建立来自零售商的实时 data 管道，或为所有历史 data 创建一个中央 data 湖。.

开发 data governance:data 责任重大。您需要明确的 data 使用政策、质量标准和安全协议。这一点在消费类电子产品领域尤为重要，因为您需要处理敏感的客户 data 和潜在的宝贵商业机密。.

建立和培训模型:这就是神奇之处。通过在您独特的业务 data 上训练人工智能模型，您可以创建预测工具，为您带来真正的优势。试想一下，人工智能可以在产品趋势发生之前预测其趋势，或根据多种因素实时优化您的定价策略。.

培养 data 扫盲:这可能是最具挑战性但也最有价值的方面。这就是要创建一种文化，让从首席执行官到一线员工，每个人都了解 data 的价值，并知道如何在日常工作中使用它。.

这是一项艰巨的任务，但在这个世界上，data 是新的石油，而人工智能则是在其上运行的引擎。.

底线

人工智能革命并没有到来，而是已经到来。谁拥有最炫目的人工智能演示并不能决定胜负。真正的赢家将是那些能够有效利用其 data 推动真正商业价值的企业。.

在消费类电子产品领域，这可能意味着产品发布失败与风靡市场之间的差别。它可能是优化供应链，抵御下一次全球混乱的关键。它可以让您以竞争对手梦寐以求的方式实现个性化的客户体验。.

那么，请扪心自问：你准备好踏上 data 的旅程了吗？不管你准备好没有，它已经开始了。平台正在搭建，模型正在训练，比赛正在进行。您是要领跑，还是要迎头赶上？