- AI
- Edge Computing
数据变现:从数据中挖掘新价值的 5 条规则
通过数据变现(data monetization)——即数据的货币化,这是一个战略分析和实际实施的过程,使您能够将数据用作收入来源——企业可以像对待其他资产一样,将所收集的数据转化为可变现的价值。数据变现成为一项战略,使企业能够良性地收回在 IoT 和 IIoT 基础设施、系统和平台上的投资,加速其演进之路,并设计新的业务场景。

数据的价值越来越高,也越来越切实
只需看看最新市场研究的数据,就能明白“大数据(big data)”这一定义如今已经过时。数据对企业经济的贡献变得切实可感,并且在国家层面放大后,达到了可观的 GDP 数值。
- 数据量在不断增长,并将在未来几年内增长两倍,从目前的 64.2 ZB(1 ZB 约合 10 亿 TB)增至 2025 年预测的 181 ZB(来源:IDC 和 Statista)。
- 智能物体以及 IoT 和 IIoT 设备将呈指数级增长,渗透到我们周围的一切,从目前的 230 亿个,增至 2025 年预测的近 390 亿个,再到 2030 年的 500 亿个联网物体(来源:Strategy Analytics)。
- 数据、应用及其衍生品将在国家 GDP 中占据重要价值:到 2030 年,包括意大利在内的南欧地区的合计价值将达到 11.5%,北美为 14.5%,中国为 26.1%(来源:Bahrain FinTech Bay - PwC)。
数据变现:如何从数据中提取价值
要实施数据变现战略,企业首先要问自己的问题是:它需要什么数据来实现增长。延续数据仓库的做法,或者说在孤岛中进行无意义的“存储”,如今已经很不合理,尤其是考虑到这一做法产生的成本:除了数据采集所需的成本之外,还要加上将数据迁移到云端进行处理的成本,以及随后分发数据的成本。
因此,遵循明确的数据战略,提前确定哪些数据经过分析和处理的增值之后,会成为具有经济收益、有价值的信息,就变得有利。总结而言,可以为盈利性数据变现确定 5 个要点:
- 首先,必须确定哪些数据对公司真正有用。数据的异构性会创造价值,但并非所有数据都有价值。为优化数据变现,必须充分利用人工智能和机器学习等分析与自动化技术在得到妥善实施时所能带来的影响。
- 分析师的大部分时间都花在“清理”数据上。因此,有必要正确定义处理框架。评估参数(KPI)往往没有得到优化,从而降低甚至损害了数据质量,而数据质量是赋予资产价值不可或缺的特性。
- 建议通过边缘计算解决方案实现就近处理,减少数据向云端的迁移,这些方案借助对数据的实时检测和处理,可获得更高的数据质量,同时降低云端的传输和分析成本。
- 确定公司在分析和专业能力方面的成熟度水平。需要有能够不断改进分析流程以革新核心业务的人才。根据“米兰理工大学大数据与商业分析观察站(Big Data and Business Analytics Observers of Milan Polytechnic)”2020 年开展的研究,39% 的意大利企业表示没有特定的内部技能,也没有就 AI 主题进行过任何类型的试验。与合作伙伴建立顾问体系,可使您受益于更高水平的技能,缩短产品上市时间。
- 制定不仅限于内部、也面向外部的数据共享政策,让合作伙伴和供应商参与其中,可能是有利的。例如,共享的供应链可以创造数据变现:87% 的决策者希望依靠外部数据来拓展其业务场景(来源:The Insights Professional's Guide to External Data - Forrester 2020)。
能够将数据变现的企业,平均而言在中长期内拥有更高且可持续的业绩。然而,要做到这一点,企业必须向外开放,在合作伙伴生态系统内寻求技能交换,不仅限于材料(硬件/软件平台和解决方案)的供应,还包括技能,充分利用合作伙伴特有的资产。
订阅 SECO 新闻通讯。
在 seco.com 上用您的电子邮件地址订阅。



