数据科学导论 课件 第14章 从DIKW视角看产业未来

第14章从DIKW视角看产业未来14.1数字化转型与数据驱动数字化转型与数据驱动数字化原本是指“模拟信息转换成数字形式（二进制的数据）”，在大数据时代，则强调的是“数字化带来的整体和社会效应”，数字化技术使数字化的过程得以实现，从而为改变和改造现有的商业模式、消费模式，乃至社会经济结构、法律和政策措施、组织模式、文化形式带来了更多的机会。所以，数字化转型强调的是带来的效果，是区别于传统的组织形式、沟通形式、技术手段所产生的变化本身。数据驱动是通过移动互联网或者其他的相关软件为手段，采集海量的数据，将数据进行组织形成信息，之后对相关的信息进行整合和提炼，最终形成自动化的决策模型。当新的情况发生，新数据输入的时候，系统可以用前面建立的模型以人工智能的方式直接进行决策。

数字化转型与数据驱动从“流程驱动”的转型，进入到“以数据为核心”的转型，再到“数据驱动”的转型是一条进化的旅程。数据驱动是企业数字化的主线，且数据驱动是一个闭环过程。

想一想14.1：数据驱动你体会到了吗？

滴滴打车就是一个很好的例子。我们首先打开手机移动应用APP，APP页面会有优惠码提示：转发优惠码或下线使用该优惠码，你将获得优惠；在用车时，APP会根据坐车时间段和车辆紧张程度，提醒溢价的倍数，你如果不接受，则订单取消；打车结束后，APP自动选择优惠券进行结算，无需手动选择。整个过程全部由系统自动完成，无需人工决策。包括转发优惠码的部分，也是由系统自动提醒，刺激用户点击完成的。这才是真正的“数据驱动”，对比一下前述的各种“驱动”，它们是真的达到“数据驱动”了吗？数据驱动的特征真正的数据驱动企业应该具备以下特征：（1）海量的数据；（2）自动化的业务；（3）强大的模型支持自动化决策。

这三个条件缺一不可，并形成一个循环，不断地进行数据收集，完成建模，自动决策。不同行业的数据驱动层次当前各个行业数据驱动的程度差异很大，可以看到有些行业发展领先，行业内数据价值以被充分挖掘并达到了真正数据驱动（零售行业），而医疗健康及金融服务行业也已经积累大量高质量的数据，蓄势待发；而环境、教育等领域还处在积累数据阶段，行业未来发展潜力巨大。第14章从DIKW视角看产业未来14.2大数据产业的趋势政府大数据从管理走向服务随着数字政府和新型智慧城市建设的持续推进，与社会治理、民生服务、政务应用密切相关的政府大数据应用成为热点。如中国政府掌握着80%的高价值公共数据，如何盘活这些海量数据资源，是未来政府大数据发展的关键。中国政府大数据的发展历经三个阶段：2010年以前的重点是信息化建设；2011-2016年步入大数据平台建设和数据整合；2017年至今，数据资产管理和应用成为新主题。从趋势上看，未来政府的大数据应用将逐步向”大监管大服务”方向迈进，用以实现更精准高效的监管和更便捷深入的服务。未来，通过结合5G、人工智能、大数据、云计算和物联网等诸种信息技术，顺应数字经济和数字政府建设浪潮，落地城市大脑、平安城市、社会信用、交通感知与管理、社会舆情管理等应用，切实提升政府服务能力，将成为政府大数据发展的机会点所在。应用案例14.1：数字孪生与数字城市“数字孪生”（Digitaltwin）作为一种仿真技术，在理论上不仅要求与物理实体的几何结构保持一致，而且能够在信息系统中镜像复原物理实体的状态和行为，技术上即利用大量的传感器监测物理实体的运行状态，通过数据建模仿真来验证对物理实体的控制效果，最终可以控制物理实体的运行。数字孪生技术和创新的价值，可以抽象为“过去、现在与未来”三大维度：对于过去，数字孪生可以沉淀数据，辅助分析提升；对于现在，数字孪生场景可以实现全局感知、智能运控和实时调度；对于未来，数字孪生场景则起到了模拟推演、仿真预测和辅助决策的关键作用。近几年启动的北京雄安新区项目，在设立之初就提出“地上一座城、地下一座城、云上一座城”的理念。“云上之城”指的就是数字孪生城市，这在我国城市建设史上，雄安新区首次全域实现了数字城市与现实城市同步建设。可以预见，未来的雄安新区可进行跨部门、跨领域、跨区域的实时数据处理和数据融合应用创新。电信大数据从小圈子走向大生态电信行业的信息化和数字化水平走在行业前列源于大量高质量的相关行业数据，因此电信大数据率先进入细分产业，正在从“小圈子”走向“大生态”。

“小圈子”的焦点是运营商自身业务能力和效率的持续提升，例如顺应业务集中化的趋势，运用大数据技术提升企业运营能力，实现集团-地方两级大数据架构的融合优化，加速布局5G和AI的等新应用场景。

“大生态”意指运营商既有能力的外部拓展和迁移，通过对外提供领先的网络服务能力，深厚的数据平台架构和数据融合应用能力，高效可靠的云计算基础设施和云服务能力，打造新的、以运营商为核心的数字生态体系，加速非电信业务的变现能力。想一想14.2：免费WiFi谁会受益？

假如一位顾客走进了一座大型购物广场，该顾客先在化妆品区溜达了二十几分钟，拐弯去金饰区，十分钟后乘电梯上楼；他（她）对男装区视而不见，却在成熟女装区足足逛了一个半小时；接着路过少女服装区、运动区、电子产品区，然而也仅仅是路过而已；然后抵达顶层，在用餐区停留两小时，最终又去儿童玩具区徘徊了一小时……要是这位顾客在进行以上活动时连接了WiFi，那么上述“溜达”、“徘徊”和“停留”以及进行这些活动的时间都可以转换成数据。通常商场内会分布着若干个WiFi点，他们探测顾客的移动设备收集信息，移动设备的信号强弱可以近视为距离，而如果将收集信息的采样频率设为每30秒一次，就可以得到顾客在区域的停留时间……

那么如果探测的不仅仅是一位顾客会怎样？如果获得了几个月的探测数据，构建起成千上万个“顾客时空模型”又会怎样呢……健康医疗大数据从大走向精准健康医疗大数据将从当前简单的“大”走向“精准”，通过获取更高质量、更精准的数据，助力健康医疗服务的提升。当前，健康医疗大数据行业面临四方面挑战包括：（1）求数无源，需采集的数据标的不明确，采集工具的标准化和规范化有待提升；（2）有量无质，所采集数据无法满足既定用途所需的数量和质量；（3）有病无数，临床救治与数据应用需求脱轨，大数据和AI等技术的临床应用不足，临床一线数据的收集和汇聚不足；（4）有数无据，在数据深加工方面的工作不足，尚未形成数据驱动的临床科研、医药研发、器械生产、分级诊疗、健康养老、医养结合等产品和服务。未来，健康医疗大数据破局的关键在于汇集整合更精准的数据，为临床决策和药品器械研发提供数据分析支撑。想一想14.3：你的智能手环真的“智能”吗？现今的智能手环可谓遍地开花、百家争鸣。它一般可包括以下功能：（1）计步功能。（2）心率监测。（3）体温检测。（4）能量消耗、睡眠监测。

那么，你认为智能手环真的“智能”吗？它真的具备将数据转化知识及智慧的能力吗？还是仅仅是数据采集及信息呈现设备呢？目前的智能穿戴设备，对于用户和厂商来讲基本是噱头大于实用。你同意这个说法吗？当然，智能设备所产生的数据的确是价值连城，但如果要具备“智能”，关键环节及技术应该包括哪些？从DIKW模型的角度来进行一次多维度的深度思考，也许你会发现新的创新机遇。工业大数据围绕小场景从项目走向产品工业大数据立足工业企业的降本增效，当前主流应用场景以电网和离散型制造业为主，设备故障预测、综合能耗管理、智能排产、库存管理和供应链协同成为应用热点。然而，工业大数据解决方案的高成本、工业企业的数据意识不强，以及工业互联网盈利模式的模糊，制约了工业大数据应用的快速拓展。未来，工业大数据将围绕“小场景”从“项目”走向“产品”。小场景由于投入相对少，需求更精准，有助于在短期内取得成效，培育企业的数字化认知，也便于供应商积累行业数据和经验，降低实施成本，推动从项目到标准产品的转变。通过以龙头企业和行业特色企业为引领，加速布局一批小场景，持续推进工业设备数据化和应用产品化，工业大数据有望加速落地。应用案例14.2：自动驾驶迎来这样一个新阶段

为期十年的数据闭环是如何发生的？行业里优秀的答案是特斯拉的Autopilot和完全自动驾驶FSD（FullSelf-Drive），具体体现在以下三个方面：首先是Autopilot软硬件系统的快速迭代，确保了特斯拉车型实现规模量产的同时，其车端无线访问节点AP（accesspoint）系统的数据积累能够保持同样的高速增长。而且从Autopilot2.0起，其感知系统就标配了8颗摄像头，确保了采集数据的一致性，为后面数据处理的成本打下基础。其次是特斯拉车端高端算力芯片的预埋和超算中心的建设。特斯拉不仅自研了FSD车端大算力芯片，而且实现了车端的预装，并通过软件售卖的模式来实现商业化。这一举措无形中确保车辆具备了实现高阶辅助驾驶的能力。同时，特斯拉在近两年加快了超算中心的建设，来进一步处理数十亿公里的辅助驾驶的行驶里程数据。这奠定了特斯拉自动驾驶技术的基础设施。第三是特斯拉对以Transformer大模型为代表的最新AI技术在自动驾驶上的探索和应用。从连续两年的“特斯拉AI日”看出，特斯拉找到了让视觉感知能力快速提升的方法，尤其是基于Transformer实现的BEV（Bird’s-eye-view,鸟瞰图）感知空间，如今已成为当前自动驾驶感知的主流。简单理解BEV的优势，就是基于BEV空间下的感知结果与决策规划所需的坐标系统是统一的，感知和下游的联系得到进一步增强。营销大数据从流量营销走向精细运营未来，营销大数据将从”流量营销”走向”精细运营”。在流量营销阶段，广告主通过采买高流量平台的流量即可实现业绩和投入的同步提升，这一时期的营销大数据被用于提升展示广告、搜索广告、社交网络广告和电商广告的运行效率，更好地实现广告主与目标用户的对接，丰富广告投放的场景和渠道。而在精细运营阶段，更精准的用户触达、更明智的预算分配成为广告主的关注核心。

营销大数据在这里被用于整合多维多源数据，提供能力支撑。在更精准的用户触达方面，线下场景需要更为精准（如机场航站楼、4S店等）。通过整合线下和线上数据，定向推送广告，有助于提升营销效率；此外，基于”小数据”的因果关系洞察，配合大数据分析挖掘能力，同样可以实现更精准的投放，提升营销效率。应用案例14.3：广告投放从“千人一面”到“一人千面”

广告业对受众的了解经历了从“千人一面”到“千人千面”再到“一人千面”的演变，通过对精准画像的精准定位，跟踪到一个人在不同媒体场景下的需求，达到定制化推送的效果。

最先进的算法应该是根据不同的场景和偏好，把一个人分成很多个不同的“需求”，然后用不同的广告来触发这些需求，即广告形态进入了“一人千面”的时代。从“千人一面”，到“千人千面”，再到“一人千面”，广告行业的变化，让广告本身从艺术品变成了快消品。以后的广告行业，可能拼得不再是创意，而是模块化生产、成本控制和渠道管理能力。金融大数据从强管控走向创新服务金融大数据是隶属于金融科技的关键技术，它服务于金融机构的核心业务环节，解答诸如贷不贷款、贷款多少、风险如何等关键问题。随着金融监管日趋严格，基于数据规范行业秩序，降低金融风险，成为金融大数据的主流应用场景。未来，随着技术的成熟，金融大数据将逐步由“强管控”走向“创新服务”，通过汇集多源多维的数据，提供创新服务支撑。例如，与社会信用体系建设相融合，提供基于金融数据的个人信用报告、企业财务信用报告、授信评估、贷中预警、中小微企业信用评估等新服务，以及与此间接相关的、高效便捷的清算支付和出行服务。与此同时，积极创新金融反欺诈、供应链金融等新兴金融服务，切实助力实体经济的资金融通，确保资金安全高效使用。应用案例14.4：你的芝麻信用评分是多少？

芝麻信用评分(简称芝麻分)是在用户授权的情况下，依据用户各维度数据（涵盖金融借贷、转账支付、投资、购物、出行、住宿、生活、公益等场景），运用云计算及机器学习等技术，通过算法，对各维度数据进行综合处理和评估，在用户信用历史、行为偏好、履约能力、身份特质、人脉关系五个维度客观呈现个人信用状况的综合评分。目前芝麻信用分一共划分为5个等级，最高等级和最低等级差600分。1、最高等级：700-950分，信用极好，这部分人群是最优质的支付宝用户了，除了自身条件优质外，还得是支付宝的活跃用户方有可能。2、第二等级：650-700分，信用优秀，活跃度高，很守信用;3、第三等级：600-650分，信用良好，较活跃，履约行为较好;4、第四等级：550-600分，信用中等，一般有过几次不良行为;5、最低等级：350-550分，信用较差，基本属于”老赖”了。第14章从DIKW视角看产业未来14.3智能时代从弱AI到强AI严格来说人工智能与数据科学的区别在于目标不同，数据科学的核心是“发现”，而人工智能则关注“实现”，人工智能强调是“行动”，这里通常需要经过五步才能够模拟人类的智能。

从弱AI到强AI从DIKW的角度来思考，可以看出从L1到L3基本属于从数据到知识的过程，而L4则人工智能强调“行动”必须解决的主要问题，也是真正人工智能研究领域及内容，具体包括：搜索与求解、知识与推理、学习与发现、理解与交流、记忆与联想、竞争与协作、感知与响应等几方面，这些构成了人工智能学科的总体框架。