從COVID-19新冠疫情、動蕩的全球政局和加速的氣候變化，企業營商環境盡管不停遭受著意外事件的劇烈沖擊，但仍然有不少企業通過提升數字化能力助力業務和管理決策，直接為企業帶來商業價值，在顛簸動蕩的環境中脫穎而出、茁壯成長。

數據智能技術是指將企業中現有的數據轉化為商業洞察和業務知識，幫助企業做出更高質量經營決策的各類技術，主要指Business Intelligence（BI） 和 Artificial Intelligence (AI) 兩個流派的技術。企業日常經營管理和交易產生了大量的歷史數據，預計2025年當年產生的數據量級約等于2010年全年數據的90.5倍。數據智能技術應用的空間被極大拓寬，在2022年將呈現出以下發展趨勢：

趨勢1 數據可視化/數據發現的重要性與日俱增

數據發現或可視化（Data Visualization/Discovery）就是從內外部數據源獲取數據，整合，并進行高級的分析和可視化，得出數據洞察的過程。其主要影響就是能夠讓企業經營管理的各層級人員都能夠較好的參與到該進程并被數據賦能，進而更好的提高各參與人員的數據素養，同時得出數據和商業洞察，以及基于數據洞察的行動方案。數據發現中的對于趨勢異常，運營異常的監測能力非常受管理者重視。在我們為國內農牧行業和家電制造行業的兩個頭部客戶進行數智運營咨詢和智能運營中心（IOC）設計的時候，客戶對于異常發現和預警的需求非常明確，認為對于異常的判斷規則實際是一種管理視角和經驗的體現。

隨著近年來數據應用的發展，數據發現或可視化的重要性與日俱增，在德國商業應用研究中心（Business Application Research Center）的一份2021年的調研中，數據發現被列為2022年BI領域趨勢之首。

趨勢2 對實時數據及分析需求更加迫切

對于數據實時、分析實時（Data and Analytics in real-time）的需求在2010年互聯網經濟發展期就已經獲得了爆發式增長。今天，數據實時的重要性有增無減。尤其在2019年COVID-19病毒爆發之后，政府和企業管理組織已經見識到實時數據和分析是如何能夠幫助他們迅速掌握狀況、調度資源，做出合理應對策略的。因此，企業經營分析等管理活動對于時效性要求與日俱增，傳統的靜態報表和報告已經無法承載其訴求。實時的數據，動態的數據卡片組合而成的敏捷報告，靈活可調整的報告看板等已經成為了當下企業管理者的主要訴求。要應對時下變化節奏快、轉瞬即逝的社會和商業環境，實時數據和靈活動態的看板能夠更快，更高效地獲取重要信息。元年科技在為其眾多客戶實施數據中臺產品的過程中，絕大部分客戶對于數據實時性都有極高的要求，期望通過數據中臺實現數據的實時處理和調用，來應對疫情之后沒有常態的“新常態”。

趨勢3 協同商業智能讓決策流程更加透明

協同商業智能（Collaborate Business Intelligence）其實是幾種數據智能技術的合集，包括BI、AI、社交媒體、云計算、數據中臺技術等，通過線上會議、線上合作，快速協同處理問題的場景將以上幾類技術有機整合，能夠提升企業內部信息流共享效果，實現科學的、基于數據分析的業務決策，并高效生成自動化報告。例如，協同商業智能的表現形式可以是一份可交互的線上報告（使用者可以自由選擇組織、時間、維度等一些自定義選項），報告中的數據（或者數據卡片）在企業的大中小屏（監控大屏、經營主題中屏、移動小屏等）均保持一致口徑；它不僅能夠讓更多的人參與到信息鏈條中，吸收他們的洞察，還可以幫助企業解決遠程辦公、居家辦公等場景下公司內部協作的效率問題。

隨著市場和社會的數字化，無論主動還是被動，企業高管、中層、基層員工都會從不同角度，用不同方式參與到企業內部的數字化建設中來。協同商業智能能夠為企業帶來更有效率的決策流程（多角色充分參與），同時讓整個決策流程透明化。

趨勢4 商業智能與RPA自動化結合提升企業數據驅動能力

在2021年，Tibco 收購Blue Prism, 以及后續的Alteryx 和 Qlik 、UiPath 建立戰略合作伙伴關系，都直觀展現了商業智能領域的公司與RPA（流程自動化機器人)公司合作的戰略趨勢。其背后體現的技術趨勢是RPA的自動化技術與AI和BI分析平臺深度融合，能夠極大地增強數據分析和洞察能力和對企業行為的影響力，讓數據分析從描述性分析往預測性分析和診斷性分析轉變。

“AI+BI”的數據分析平臺發現問題、定位影響問題的主要因素和動因，并做出后續行為的推薦和流程的觸發，自動匹配對應的解決方案和任務，推送到責任人的郵箱或者OA系統中，這就是“AI+BI+RPA”的診斷性分析能力。這種能力能夠實現以數據洞察指導物理世界的實際行為，達到真正意義上的數據驅動行為、數據驅動企業治理的目的。打造數據驅動型企業就必須建立在數據分析達到了診斷性分析這個能力級別的前提上。可喜的是，我們離這個目標已經越來越近。

趨勢5 自然語言處理技術將在數據分析領域得到更廣泛應用

與RPA自動化類似，自然語言處理（NLP）技術也能夠打通從數據到行動的通道，但是通過一種間接的方式實現。從Tableau的 Ask data, 到元年智答，再到阿里的智能小Q，主流的數據分析產品平臺都已經或者計劃往自己的平臺上添加NLP算法和語言交互功能，讓自然語言交互能力成為了新一代數據分析軟件的標配能力。其目的在于大幅降低數據分析系統和軟件的學習門檻，讓大量非數據分析背景的人員能夠容易地參與到應用數據分析軟件的過程，不需要進行專門的培訓和訓練。

雖然當前企業整體對于NLP采用率不高，但是已經有部分企業開始利用NLP這類AI技術來提升數據的質量，輔助數據發現等。業界普遍看好NLP技術在企業數據分析領域中的采用率將會越來越高。

趨勢6 AI工程化推動人工智能技術的普及應用

AI工程化的定義是不涉及AI、算法、前沿技術分支的深入研究和探索，而是基于目前已經相對成熟的算法和技術（例如一些成熟的開源算法），將其與行業和企業的需求相結合，形成可落地，可實施的工程方案。從上世紀50年代人工智能技術誕生以來，AI一直象征著“前衛”和“理想王國”。經過了幾十年的發展， AI技術與商業模式的結合已經在各行各業產生了顛覆性的影響，累積了大量AI技術落地的真實案例。而AI工程化則是人工智能技術大量落地所產生的必然趨勢，能夠加速AI應用的落地過程。

AI工程化是實現AI模型運營化的學科，它意味著AI技術的成熟和更良好的使用體驗，對于希望借助AI來實現智能化運營的企業而言，AI工程化能夠顯著降低技術遷移成本，減少人才隊伍組建難度。AI和大數據的結合將更加緊密，將有力推動企業甚至行業的數字化、智能化轉型進程，提升生產效率。

免責聲明：市場有風險，選擇需謹慎！此文僅供參考，不作買賣依據。

關鍵詞： 智能技術