就大数据、分析和人工智能而言，价值不是来自收集数据(甚至也不是来自于从中获取的一些洞察)，价值来只有一个来源：行动。
我在90年代中期开办了***家公司，那时我做了大多数***创业的企业家都做过的事——订购名片。
实际上，我首先得选址并订购一部手机。毕竟，没有手机，我无法订购名片。然后要建立一个会计系统、做法律文书工作、建一个网站。当然，还写了一个很长的商业计划。
我把该做的事情都做了，唯独漏了一件事：讲述我的故事并销售我的解决方案。
但和往常一样，我太过沉溺于机制而忽略了目的。我花了一段时间才站稳了脚跟。
最近由O'Reilly和Cloudera联合举办的Strata Data Conference会议让我想起了这种强有力的学习经历。
有如此多的大数据和分析空间(还有，人工智能市场正日益与之发生相撞)仍然专注于机制。
诚然，机制很重要。但机制并非所有这些学科存在的原因。就大数据、分析和人工智能而言，价值不是来自收集数据(甚至也不是来自于从中获取的一些洞察)，价值来只有一个来源：行动。
大数据：***步就走错了?
我可能从一开始就过度关注机制。我可以很好地总结大数据背后的精神：收集一切，稍后再进行整理。
重点是建立海量数据湖，这些数据胡收集一切可以想象的数据，这些数据在某种程度上是有用的。但这种方法难以维持。
认知决策平台diwo的***技术官Satyendra Rana认为：“(这种方法)是错误的。你无法赢得这场战斗。数据不断地增长，你会沉入湖底，无法在表面遨游。”
很多组织都得出了同样的结论。此外，IT和业务***发现，他们必须改变自己的思维方式，专注于运营和变革方面的成果，以揭示大数据和人工智能计划的真正价值。
SAP Leonardo的副总裁David Judge解释说：“心态转变至关重要。我们的客户有两条路可走。***条路是优化——自动化并削减人工活动。然后，有些人(专注于)创建新的业务模式(与数据)，这些模式更具变革性。做得***的公司往往两者兼顾。”
这传递出来的信息很明确。当你真正的目标是从所有这些数据中创造价值时，只关注机制是不够的。因为这陷入了丐词逻辑的毛病：你如何从数据中获得价值?
通过行动实现价值
diwo的Rana解释说：“数据毫无价值。只有当人们在语境中使用数据时，数据才会创造价值。当数据投入使用时，这就是价值产生的源头。因此，责任不在数据创建者身上，而是在价值创造者身上，后者要决定如何利用数据。”
从表面上看，当很多权威人士将数据称为新的石油或货币时，Rana的说法似乎背道而驰，这种新的石油或货币似乎具有固有的价值。但当组织进一步从事大数据、分析和人工智能时，人们发现Rana的说法是有道理的。
通用电气的数据副总裁兼***数据官Diwakar Goel解释说：“当我们开始使用大数据时，我们只是想做一些快速而简单的分析并获得一些见解。最初的价值在于揭示这些洞察。但后来我们意识到，这些洞察并没有改善业务。因此，我们需要使这些洞察可操作化，同时将这些洞察转化为行动，你希望将这些洞察提供给能够实际采取行动的人。”
事实上，就传统的对大数据采取数据优先的方法而言，正是这种缺乏以行动为导向的业务重点成了老大难，
连续数据平台Iguazio的创始人兼***执行官Asaf Somekh解释说：“数据湖是以IT为导向的。数据湖正在实现一个章程，以建立一个存储组织所有的数据的平台。数据湖无关乎改善业务成果，也不是商业计划。”
在寻找价值时，请不要揪着技术背景不放
因此，在设法实现价值运作时，人们要从业务角度而不是技术角度来看待事物，这非常重要。
这可能比想象得更难。
我去了今年的Strata会议，那时我是带着自己对人工智能的偏见与会的。我确信，人工智能将迫使行业重新以商业价值为中心——我觉得这些东西早已不复存在。
然而，我对人工智能的关注也不过是另一种技术背景而已。我也没有看到业务的视角，只关注更闪亮的新技术。
对于我们这些已经在科技行业工作一段时间的人来说，这是一个很难打破的习惯。
事实上，组织可以从很多形式的大数据、分析和人工智能投资中获得很多商业价值。诀窍就是专注于如何更好地使那些行动密切相关的人采取行动。
流分析和时序数据的应用就是很好的例子，这些例子表明组织如何在远未完全实现人工智能之前就能实现这一价值。
Striim的联合创始人兼***技术官Steve Wilkes解释说：“流处理和流分析是使机器学习可操作化的重要组成部分。如果你可以使数据科学家处在上游并使他们可以使用流处理......那么他们就可以构建模型，然后将该模型注入数据流......并进行实时预测和分析。”
随着企业沿着人工智能的道路发展，它们不能错过途中任何能够采取行动的宝贵机会，这同样很重要。
时序数据库公司Timescale的联合创始人兼***执行官Ajay Kulkami解释说：“(还在发展中的)第三个步骤是人工智能和机器学习的领域，在这个领域里，你可以预测将要发生的一切。***个步骤是收集数据，但是在这两个步骤之间还有一个中间步骤，那就是使用数据来监控正在发生的事情......然后从监控转向可观察性。这就是我们首先要实现的地方，以便你能够实时地查看业务发生了什么。”
使你的数据有意义
然而，从大数据的历史的，回顾性分析方面的价值主张到以行动为中心的价值主张的所面临的挑战在于这增加了赌注。而且，这些行动越接近实时，风险和回报就越大。
在这个数据促进行动的世界里，数据的准确性，以及理解如何使用这种准确性来做出决策或采取行动成了一项战略要务。
diwo的Rana解释说：“决策制定涉及到做决策的人以及用于做出这些决策的数据，因此，认知系统需要对两者都进行建模——而不仅仅是数据。”
随着赌注的增加，人们必须理解数据本身，这成了实现价值的关键能力和途径。
通用电气的Goel分享道：“当你摄取大量数据时，你会创建大量的‘暗数据’，即你所不了解的数据。这就是Io-Tahoe这样的公司发挥作用的地方。这些公司提供数据洞察。在根据数据分析获得洞察之前，你必须了解数据本身。”
然而，更重要的是，理解数据的需求已经超出了数据沿袭和数据治理的范畴。在情境中理解你的数据以及其与其它数据的关系(当你根据这些数据采取行动时，尤其是这样)，这变得十分重要。
Goel阐述道：“数据摄取基本上是破坏性的。当你将数据放进数据湖时，你将失去数据集之间的关系。数据集的价值与其说在于数据，不如说在于关系。这是(工具)可以提供帮助的地方。这些工具可以帮你重建以前就存在的关系，并帮你发现不同数据集中的数据之间的关系。”
数据和人工智能的未来
我从Strata大会得到的一大启发是，数据行业正在走向成熟。虽然该领域的一些技术公司仍然坚持传统的大数据精神，并且仍然专注于机制和技术方面的细枝末节，但更多的技术公司认识到，结果以及对重要数据采取行动的能力才是重要的。
人工智能的不断发展无疑将在这种成熟过程中发挥重要作用——并且由于人工智能在未来几年内将牢牢扎根，它可能会使行业再次发生变化。
作为会议报道的开始，由SiliconANGLE Media举办的企业技术实况访谈节目CUBE举办了一场名为人工智能的未来(The Future of AI)的活动。在此期间，SiliconANGLE的研究主管Peter Burris这样总结了人工智能的未来：“人工智能的目标是为了让更多数据发挥作用。”
他接着解释说，这样做涉及到这样的做法——更高效地捕获数据并将其转化为价值——然后再使用数据。他解释说，随着我们日益转向人工智能，使用我们新获得的宝贵数据，我们将需要努力应对人工智能所带来的各种后果。
Burris解释说：“由于有了这样的行动概念，我们不得不考虑一种新的系统。这种新的系统将被称为代理系统(Systems of Agency)。”
系统采用数据并以组织代理的身份对其发挥作用，这种想法现在才刚刚变成现实。然而，毫无疑问，所有的道路都指向了这样的目的地。
因此，随着企业***渐渐走上这条道路，他们必须始终如一地专注于数据的价值，这表现在他们采取行动的能力上。
Diwo的Rana给出了很好的总结，告诉我，当我们结束谈话时，“这是一个数据会议。但这应该是一次商业价值会议。”
我完全赞同。
