整個行業市場就是巨頭引導的IaaS/PaaS/DaaS/TaaS/AaaS/MaaS各服務層加上各中小企業在應用層不斷向其他行業滲透的過程。市場在不斷的被瓜分和細化。大數據/雲計算/人工智慧互相交織，趨於一體。一根針捅破天的機會越來越少，AI產品落地、垂直領域的創新、AI組織變革，將是接下來的熱點。
AI（數據智能）技術的普及
技術的發展有自己的規律，在不同階段表現出不同的狀態，發展的關鍵問題也不同。
技術的興起階段，技術本身的進步是發展的關鍵。此時往往是科研機構、高校或大型企業內部研究院開始進行前沿技術的研究。比如中國科學院大數據實驗室、阿里人工智慧實驗室、上海大數據聯盟等。
當技術發生了重大的突破，如AI的關鍵性技術突破，加上大數據和雲計算技術提供了充足的數據和計算能力，使得AI迅速獲得人們的關注。15年Alpha Go驚艷地表現像一個火種，整個行業市場開始有了燎原之勢，風投、科技媒體開始逐漸關注。
隨著而來的是大量的技術社區、技術佈道者（技術培訓等）和AI創業公司。好像當時的淘金熱，創業公司是淘金者，技術佈道者是渡船人。這一階段，AI技術人員最為搶手。這時AI領域的垂直培訓公司，如七月在線也風生水起，數據科學競賽的平台kaggle、阿里天池大數據、datacastle也吸引力眾多的技術人才。
當技術普及到達一定程度，技術能否真正的落地，去解決實際的問題則成為關鍵。這時候我們需要一批有著敏銳的市場需求並可以將技術落地的AI產品經理，技術開始滲透到各行各業，垂直細分領域的應用開始快速發展。各個領域應用的如電商銷售、廣告推薦系統、智能醫療等產生了大量的初創AI公司，而其背後，投資人關鍵的重點開始從技術本身變為能否解決實際的行業痛點。
然後，當技術發展趨於成熟，技術會導致生產生活關係、團隊組織的變化。此時，一個團隊能夠適應性的改進自身，成為關鍵。比如回過頭去看互聯網發展的過程，從關注技術本身，到互聯網應用，到企業互聯網轉型。AI技術也一樣，技術本身會給團隊的管理帶來新的挑戰。
當前AI（數據&智能）技術正處於技術普及的中後期，重點是技術的應用。在團隊組織方面，我們試圖尋找到一種新的合適的形式，來應對變化。
AI 組織變革
此處我們給出了一種組織架構，來應對這種變化。
數據採集團隊：
內部數據對企業來說更為關鍵，是實現數據驅動的基礎。外部數據一種是對互聯網和線下數據的採集，一種是通過數據交易市場來獲取。內部數據的獲取依賴企業內部的信息化，數據交易市場目前在國內已經趨於成熟，如數據堂、聚合數據、發源地等。企業可以根據自己需求決定團隊的規模，團隊技能包括網路爬蟲、協議解析、數據清洗、數據對接等。
數據治理團隊：
數據治理包括數據質量控制、元數據管理等。數據治理保證了數據可用、可控、可信。數據治理從本質上來講是服務的角色，讓數據加工過程透明化，讓各個環節的數據使用者能夠清楚的知道數據從何而來，經過了怎樣的處理過程。比如一個人的消費明細是原始數據，處理夠得到消費天統計表、月統計表，消費者行為愛好分析表。數據治理要做的就是掌握他們之間的來龍去脈，並展現給其他團隊使用。
服務團隊：
雲計算的核心思想是「一切皆服務」，解放生產力，讓企業可以專註在其最核心的領域內。AI賦能是核心部分。
- DaaS 數據即服務: 以數據的採集與提供，為主要業務內容。相關技術包括ETL、流式數據處理、實時計算、異構數據解析、數據治理等。
- TaaS 工具即服務: 將數據處理工具以服務的形式提供。相關服務包括清洗服務、轉換服務、解析服務等。
- AaaS 分析即服務: 以數據報告、可視化報表的形式提供服務。相關技術包括統計學、可視化技術等。
- MaaS 挖掘即服務: 提供數據挖掘的核心能力服務。相關技術包括機器學習、深度學習、認知計算、模式識別等。
DAAS層的公司專註數據的交換，比如上文提到數據交易平台。一種是直接交換數據（數據堂），一種是以API的形式提供（聚合數據）。
TaaS專註於工具的服務，比如百度的預處理服務，將預處理的清洗、規約等過程封裝成服務。該類服務類似給淘金者提供鎚子、釘子等公司，讓淘金者可以更方便的去挖金。
AaaS則專註於分析統計。比如阿里雲數加提供的快速BI服務。傳統情況下搭建一個銷售數據分析系統，可能要一個月。而使用AaaS，只要一天。用戶只要上傳數據，數據處理邏輯基本是圖像化操作，拖放控制項，大大提高了效率。
MaaS指的是數據挖掘的核心能力，如阿里雲提供的機器學習api、深度學習模型等，在這種情況下，如果要開發一個圖片識別系統，只要了解其提供的介面即可，無需關心內部實現，存儲和計算能力可以按需購買。這降低了技術門檻，使得AI更快的應用到其他行業。
應用團隊：
從對數據的加工層次，包括檢索查詢、統計分析、業務模型、數據展現，需要深度結合領域知識。這裡是更多中小創業者的機會所在。對初創企業來講，數據的獲取、數據的加工都可以使用雲服務。而應用層，沒有任何一家企業可以通吃。應用層是創新最頻繁的地方，當然，也是競爭和死亡率最高的地方。
接下來，我們反觀數據源、數據加工、數據治理、數據應用幾個層面，來看下它們之間的發展邏輯。
數據智能的發展邏輯
數據源的三個層次：
- 緯度較少、數據量小
- 緯度豐富、數據量巨大（大數據）。
- 數據正確、及時、具有代表性 樣本數據=總體數據（全數據）。
對業務目標而言，數據是否「全」才是關鍵。
全數據：足以能夠全面反映事物形態的數據集合。
全數據下，樣本數據=總體數據，數據足夠正確、足夠新、足夠代表性。
當期，雖然大數據量很大、緯度很多、處理速度極快、能夠全量處理，但是大數據並沒有解決「全」的問題。
例如，「小而全的數據」：對於一個餐飲店的菜品銷售分析。其店內產生的數據（客戶訂單、菜品評價），數據量每天的新增量僅在每天2千條左右，而且只有訂單和評價數據，存儲資料庫也是傳統關係式資料庫。對「店內菜品分析而言」
擁有這些數據已經夠「全」，解決其業務問題。而更「大」的其他數據，對其沒有貢獻。
再如，「大而不全的數據」：對於信貸問題，要發現不可信人員。往往的思路是，試圖通過對用戶的線上行為、消費情況、以往銀行記錄進行識別判斷。而現實情況卻是，該類人群會刻意的迴避「線上行為」，如盜用他人銀行卡、民間高利貸等「線下行為」，這些隱蔽行為無法獲取到。
數據處理技術的三個層次：
- 檢索、查詢
- 統計、分類技術、異常數據分析、關聯性分析
- 趨勢預測
數據管理的三個層次：
- 保證數據可用
- 保證數據可控
- 保證數據可信
首要問題是有數據可用，這在數據匱乏的「小數據」時代最為重要。
「大數據」時代則要防止數據迅速膨脹帶來的數據失控問題，避免成為一堆大而亂的數據垃圾。
「全數據」強調的是：不盲目追求「大」，而是從業務應用的角度，保證數據的正確、及時。
數據價值的三個層次：
- 展示事物發展過程
- 描述事物發展本質
- 預測事物發展趨勢
對事物的發展過程加以數字化的展現，使用分類、關聯等技術發現事物發展過程中的規律、模式。
對事物的發展趨勢加以預測。
數據源層次越高、處理技術層次越高、數據管理層次越高，帶來的數據價值越大。
最後
綜上，整個行業市場就是巨頭引導的IaaS/PaaS/DaaS/TaaS/AaaS/MaaS各服務層加上各中小企業在應用層不斷向其他行業滲透的過程。市場在不斷的被瓜分和細化。大數據/雲計算/人工智慧互相交織，趨於一體。
一根針捅破天的機會越來越少，AI產品落地、垂直領域的創新、AI組織變革，將是接下來的熱點。
作者：小東，微信號: xzwz123456