近日，TalkingData创始人兼CEO 崔晓波出席由北京爱分析科技有限公司主办的“2018·爱分析中国大数据高峰论坛”，并在会上做了题为
《数据智能应用和商业模式发展》的演讲。本次大会吸引了200多位行业精英与投资人共同参与，会议围绕着数据服务、大数据垂直应用、数据分析平台等多个领域进行了深入的探讨。
TalkingData创始人兼CEO 崔晓波
TalkingData创始人兼CEO 崔晓波在演讲中提到：“数据智能”在未来5到10年内是一个非常关键的概念。智能与数据相辅相成，如何运用好数据去创造智能，是企业需要在未来不断探索的方向。
同时，他又从五个方面剖析了 TalkingData 在大数据，特别是数据服务领域里的探索和思考。
一、中美市场的差异与联系
1、技术与基础设施差异
崔晓波认为：数据是链接中美智能应用的桥梁。
近两年来，TalkingData团队与世界最大的数据科学社区——Kaggle共同举办了两场活动。
通过研究可以知道数据的用法非常丰富，但既依赖于场景，又依赖于领域知识，因此中国真正缺乏的是针对如金融、地产、零售、互联网、工业等各种领域的相关知识，在这些领域里仍需要去长时间的探索。
目前，TalkingData又与Kaggle共同发起了名为：
TalkingData 全球广告反欺诈算法大赛的活动。TalkingData此次提供中国在广告反欺诈中遇到的大量相关问题和数据，而这正是很多国外的数据科学家难以遇到的。可以看出，中国在应用领域已经迈入前沿，但仍缺乏技术和基础设施。
2、数据安全上的差异
此外，中美在数据安全方面也有差异，崔晓波提到：真正拥有数据的企业不愿共享数据，而是选择垄断，因为很多技术问题尚未解决——如何安全的共享数据、以及数据合规等问题。
数据安全与网络安全情况迥异，企业IT系统由云、IDC以及内部网络构成，因此网络外面需要有一层边界，不能让黑客进来，但若该层边界都有问题，或企业出现内鬼，又如何保障数据安全呢？像 Facebook，其在数据安全上投入巨大，也出现了非常新的技术，例如可以通过网关看到企业所有的数据流动，信息如何从一点到另一点，又如何被使用。在这方面中国没有积累，技术上的差距有5到10年。
TalkingData 致力于解决这些问题，推出一套体系，在数据不流动的情况下也可以共享的解决方案。
业务的问题要回归技术，最终仍要用技术本身去解决问题，这是中国企业所欠缺的。因此崔晓波认为，中国下一阶段的数据服务需要突破技术的限制。
二、从实体物质化到虚拟数字化
崔晓波提到：“我们看世界的角度将从实体物质化转向数字虚拟化”。这将是未来的发展趋势。
未来是机器学习、深度学习的时代，Google 在2014年、2015年就将大量资源投入到机器学习研究中，因此在2016年，AlphaGo出现了。
AlphaGo将物理世界数字虚拟化，之后就可以用不断增长的计算机算法去加速学习过程，达到破局的效果。
但是在绝大部分领域还做不到这一点，因为如果一个机器或者一个算法不能帮人做决定，那么对这个行业，第一没有颠覆，第二没有价值。
自动驾驶技术达到L5（完全自动驾驶）就会颠覆了原有行业，但在L3以下就是辅助驾驶。在医疗领域，如果机器给出的结果真的能作为诊断结果，那也是颠覆，但是如果这个结果只能辅助人类诊断，其价值就有限。
要达到产生颠覆的阶段，所需要的时间远比我们想像的要长。
崔晓波认为，大家现在对人工智能过于乐观，未来几年会有所回落，但技术本身是非常具有价值的。
TalkingData创始人兼CEO 崔晓波
三、大数据通过四个步骤改造一个行业
根据TalkingData的经验，不管何种行业都可以从四个步骤去进行改造。
业务数据化
应用场景化
流程自动化
决策智能化
首先是业务数据化
根据以往经验，很多传统行业的业务流程没有真正数据化，业务好或不好都没有一套数据体系、指标体系、方法论体系去进行评估管理，而“业务数据化”就是各种大数据、商业智能等技术搅合在一起的过程。
其次是应用场景化
这里特指数据应用的场景化——在完成数据化后，考虑用何种方法提升业务，用大数据、算法模型、机器学习的方法去做应用场景化。
但目前该过程还是更多基于人工，基于分析师对业务的了解或个人经验，中国90%以上的企业还处于这样的阶段，包括互联网企业。
第三是流程自动化
已经有一些头部企业走到了这一步，比如TalkingData正在合作的某餐饮企业，其拥有50人的数据团队，非常重视数据预测——卖多少汉堡、卖多少咖啡。在TalkingData的帮助下，其预测准确率已经达到95%以上，整个过程需要运用大量的数据，包括天气、路况、客流、历史交易等等。
该餐饮企业可以据此优化第二天的排班、供应链情况，计算下来一年节省上亿元的费用。
第四是决策智能化
TalkingData也为企业选址提供帮助，因为对于下线零售商来说，店铺位置也就决定了这家店是否能成功的百分之七八十。例如TalkingData为某客户提供的选址服务，通过客户提供的三年历史收入数据，经过建模和优化，不仅能够准确预测历史收入，还能够进一步预测新店未来三年的收入，并且实现了自动化预测。之前该企业有200人的选址团队，现在只需要20人，这是TalkingData帮助优化的结果。
以上几步完成后，还有一些头部企业进入到了效益数字化的阶段，当企业完成智能化后，已经有了很强的数据能力，这时企业开始考虑能否将该能力开放给其他企业，将其做成一些指标甚至是智能APP，提供给供应商和下游，甚至将业务切出来，再覆盖产业链中的中小企业。这也是TalkingData正在研究的一个模式。
四、数据智能演进的三个阶段
从TalkingData角度来看，数据智能的演进分为三个阶段：
1）Data到Analysis：拥有大量数据，帮助开发者做分析，但从数据到分析只是浅层次重复，无法形成闭环和带来效益提升。
2）Data到Action：走不通第一阶段，尝试下一步，看数据能做什么，比如是否能优化广告和营销。这在国外可行，但国内很难，因为中国拥有太多的不透明。诺大的网络有很多不透明的算法，将数据的算法逻辑都抵消掉了。
3）Data到Data Science：现在越来越多的企业走到第三个阶段，将数据变成数据模型，证明数据在什么地方对商业有价值。对于企业来说，模型比人工更具有优势，运用之后后以前能做50个产品现在能做500个，这就是提升。
通过Data到Data Science形成闭环，依赖模型持续提升效果，现在是大家的共识。
五、数据服务价值长期才能显现
数据回报定律是指在指数级世界里，数据对商业价值的回报都是加速的，TalkingData服务的所有企业都有这个趋势。
第一年看不到数据对商业有特别明显的回报，而在第二、第三年后就很明显。
TalkingData服务的很多客户都是例证，通过数据真的可以每年节省上亿费用或带来非常可观的回报。
但目前也有很多数据企业急于求成，对客户承诺三个月或半年即可产生帮助，但其实很难做到，结果一定是两三年以后才能显现。
閱讀更多 TalkingData 的文章
