来自 行业新闻 2019-11-22 14:57 的文章

Hitachi Vantara:用数据决胜未来

近年来,伴随着云计算、大数据、物联网、人工智能等信息技术的快速发展和传统产业数字化的转型,数据量呈现几何级增长,据IDC预测,全球数据总量预计2020年达到44个ZB,我国数据量将达到8060个EB,占全球数据总量的18%。

虽然数据作为企业现在及将来的核心战略资产已经是老生常谈,但企业面临数字化转型时,依然表现出迟滞不前的状态。其中,很重要的一点是对于数据的全生命周期管理。由于数据并不等于价值,对于许多企业而言,如何高效地收集、管理与挖掘数据,从数据中发现洞察,从而优化业务决策是企业制胜的关键。

在这种趋势下,日前Hitachi Vantara于北京成功举办“赋能创新·数领未来”2019中国论坛(China Forum),来自Hitachi Vantara和国内各行业的领袖齐聚一堂,从“数据推动变革”的角度出发,着重探讨了数据驱动和业务增长相关的多个前沿话题。会后,Hitachi Vantara高层接受记者的采访,就企业面临的数据管理挑战、如何通过数据实现智能创新进行了沟通分享,为企业通过数据赋能、更轻松地实现业务突破带来了新的思考。

无

图 Hitachi Vantara 2019中国论坛(China Forum)

面对数据,是什么让企业止步不前

在Hitachi Vantara售前全球副总裁兼亚太区首席技术官Pratyush Khare看来,我们已处在海量数据的时代。随着智能终端和互联网的深化应用,数据早已无处不在,而且价值大幅提升。无论是工作还是生活,哪怕只是跑步、刷视频或是堵在车流中听着音乐缓缓前行,几乎所有的活动都会留下数字足迹——从而贡献更多的原始数据以供分析。此外,据Gartner预测,到2020年将有超过260亿个物联网设备连接到互联网。随着手表和汽车等更多设备接入互联网,数据量只会有增无减。而在企业层面,如何从这些数据中提取出重要价值,并将其转变为切实可行的业务战略,已成为被数据淹没的客户所面临的一个艰巨挑战。

除了数据量巨大之外,Pratyush Khare表示目前企业数据还存在数据孤岛与行业差异化的特点。一方面,在过去的整个IT系统中,不同的信息系统和存储方式之间,呈现出烟囱式的割据,使得企业业务也被隔离开来,对于数据的整合和价值的获取也是弊病重重。另一方面,不同行业数据之间也是有着各自鲜明的特点,Pratyush Khare介绍Hitachi Vantara在亚太地区有一家矿业客户(Bengalla Mining Company),由于其较强的行业属性,Hitachi Vantara为其量身定制了个性化的数据管理方案,帮助他们更好地进行设备的管理与维护。

“这也是为什么我们针对制造业发布了Lumada Manufacturing Insights解决方案的原因。”Hitachi Vantara全球高级副总裁兼亚太区总经理庄国光表示基于领先的工业物联网平台,Hitachi Vantara可帮助制造企业在多种云环境中运行,灵活满足客户需求,在半导体质量预测、海运业务和石化业务的预测性维护以及智能制造等诸多领域获得最佳实践,满足更多用户在数字化转型中的多元化诉求。“Lumada Manufacturing Insights的发布只是我们今天宣布的第一步。” Pratyush Khare表示因为Hitachi的体量非常大,涉及到的行业的门类也非常多,未来会针对不同的行业推出更多定制化的解决方案,从集团总部逐渐辐射到其他国家市场,包括中国。

持续创新,通过DataOps赋能客户价值跃迁

“如今世界各地的企业组织都在不断审视自己的业务,试图找到一个最佳的方法来实现业务转型,如何挖掘数据价值显然是这一过程中的关键。”庄国光认为数据之所以重要,全在于其价值性。对于企业而言,就算有了可利用的数据,也必须能够转化为有用的信息。这种信息的转化,需要能够按照信息分析的频度和行业know-how重新进行自适应的、动态的转换,进而达成数据到信息的智能筛选、存储、融合、关联、调用,才是有效的数据提取过程。在这方面,Hitachi Vantara推出的DataOps解决方案可以帮助企业更好、更快地去收集和准备数据,让企业能够把更多的精力花在数据分析上。

Hitachi Vantara首席业务官Hans-Peter Klaey解释DataOps是人工智能时代的企业数据管理模式,企业借此可将数据消费者和数据创造者无缝对接,从而快速发现和使用整个组织架构中的全部数据所蕴藏的全部价值。Hans-Peter Klaey介绍DataOps并非一种产品、服务或解决方案,而是一种方法论,并将推动技术和文化的变革。这里他将DataOps的作用分为三个层面:

1. 数据的存储和管理;

2. 数据的准备和充实;

3. 数据的分析。