大数据数据应用的&#8203

而随着企业业务数据的不断丰富，加上大数据和人工智能技术的成熟和应用，企业管理者们在迈进DT时代后又开始了新一轮的探索：在应对海量原始业务数据无法直接被业务使用的问题时，业务部门根据需求自建大数据团队以及相应的数据处理能力，通过汇聚、清洗、建模、挖掘等工作，同时借力于IT行业近几年来在计算能力和人工智能领域的飞速发展，提升数据处理结果的实时性和智能化程度，将从数据中挖掘的价值服务于业务，从而让数据驱动业务变得更精准、更有效。

最为典型的应用场景就是面向个体用户进行千人前面的推广展示和精准营销：企业首先根据需求，收集千人前面所需要的数据，打通所有相关之后，通过算法的能力，实现对用户偏好的挖掘，从而实现不同客户所得到的服务是专门量身定制的。就像一些新闻app一样，当它发现你喜欢某一类新闻时，就不断地推送这类信息，吸引你不停地看，从而提升APP的使用时长。

总体来看，该阶段主要是企业在大数据背景下，开始基于海量数据积累，利用大数据、机器学习和深度学习等技术，进行数据的深度挖掘和分析，通过对多源、异构的全域数据的汇聚、打通，跨界考虑数据价值的应用，通过数据驱动业务发展，为业务应用提供数据服务，实现业务与数据的深度融合。

数据驱动阶段具有以下5个特征：

(1)企业战略方面

企业开始将数据作为企业的重要资产和生产资料。通过大数据技术对企业相关数据进行汇聚、打通和分析挖掘，为业务应用提供数据服务，通过数据驱动业务发展。

(2)数据形态方面

业务数据积累具备一定规模，对结构化数据、非结构化数据进行处理与应用。数据在组织形式上开始对业务涉及的相关数据进行汇聚、打通，开始根据需求进行数据清洗加工和标准化处理。

(3)数据场景方面

该阶段的数据应用场景主要以满足业务需求为主，主要是用数据提升现有业务能力，进行智能化升级。与上一个阶段数据主要服务于管理层不同，从该阶段开始，数据开始从管理层逐步转向具体的业务，业务开始认知到数据的价值，开始业务和数据的融合。

(4)数据应用工具方面

在该阶段，企业开始通过以Hadoop/spark生态体系为代表的批计算、流计算、即席计算等大数据处理技术及机器学习、深度学习算法进行数据汇聚和开发，并最终为现有的业务场景赋能，以驱动业务升级。

(5)组织架构方面

在该阶段，企业最开始设立业务部门的数据团队，为业务场景的需求提供数据能力的支撑。一般会设置大数据工程师、算法工程师等职位，尝试通过数据、人工智能等技术进行业务创新。

对于“大数据”（Big data）研究机构Gartner给出了这样的定义。“大数据”是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力来适应海量、高增长率和多样化的信息资产。