企業如何轉型到以數據為中心？需要從哪里開始以及使用什么技術？這些是目前企業遇到的共同問題。這些問題很有挑戰性，但值得思考。

挑戰來自于數據所帶來的多重影響，讓企業感到“驚心動魄”，因為數據洪流讓企業很難在高速變換的環境中迅速且準確地做出決策——然而同時做好所有事情是不可能的，決策者需要安排好優先級。

企業現在面對的都是不斷演進的技術格局、數據源的爆炸和數據分析的價值日益增高。不斷演進的技術格局。數字技術蓬勃發展，無論是IT基礎設施還是到終端設備的創新都會引發出新的技術架構和商業模式。企業不僅要適應數據時代的高速運轉，還要從中敏銳地發現和抓住機會。

數據源的爆炸。在大數據時代，數據的來源無論是深度還是廣度都大幅增加，比如說，服裝業企業，分析成交單數、客單價，成交單數是進店人數乘以成交率，進店人數又是路過人數乘以進店率，那么路過人數、進店人數就屬于數據廣度，而詳細到每個訂單的時間、地點、價格、款式等就屬于數據源的深度。把所有數據全部收集起來并提升數據源的深度與廣度才可以提升數據分析的維度，讓數據發揮更大價值。

數據分析的價值日益增高。我們現在經常發現，有很多企業在競爭的過程中，最終不是被同行業競爭對手打敗，而是被很多跨行業的公司所打敗。很簡單的一個例子，大家都認為亞馬遜是做電商的，但這是錯的,它現在最主要的收入來自于云服務。也就是說企業需要找到自己的核心數據并充分發揮其價值，這個是最關鍵的。

那么在大數據時代，企業又該如何做出決策？

我們不妨用維恩圖做一個數據驅動型商業模式圖，這些集合分別是“企業有可能做什么”、“在實際中可以做什么”以及“希望實現什么”，這些元素是企業決策者在做決定時所需要考慮的，然而沒有任何企業可以滿足所有利益相關者的所有需求，這意味著需要根據這個維恩圖中間的交集設定優先任務。確定在哪里做什么，需要業務和技術團隊的合作——我們已經看到不同利益相關者群體之間進行討論，利用這個模型在這個領域取得決策成功。

當決策者由此梳理出優先任務時，接下來可以用POC即概念驗證來推動這個任務。

概念驗證（Proof of concept，簡稱POC）是對某些想法的一個不完整的實現，以證明其可行性，示范其原理，其目的是為了驗證一些概念或理論。

比如說在汽車行業，對于一個汽車企業來說數據源是十分廣泛的。細分到客戶服務這樣的數據，車企一般都會與經銷商一起管理和解讀。隨著汽車行業的數字化進程，車企從關注客戶數據到后來也開始關注共享汽車甚至自動駕駛等商業模式。隨著數據分析方式的智能化。主動的數據采集被實時感知儀器所取代，這些數據漸漸的需要與機器學習和人工智能等高級功能一起收集，自動執行簡單的決策（例如低風險授權），執行更大的任務。

在很多情況下，企業決策者是不可能一開始就知道數據如何演變，采集數據的方式又會有何進步。在以上對數據進行認知的過程中，車企是希望擁有更多有價值的數據，對數據進行分析來開展業務。實際中車企可以提早引入數據分析，加強數據管理，并在實踐中不斷進行驗證。

這種概念驗證是很有必要的，它幫你了解業務運轉是否在正確的軌道上; 它與現代企業希望遵循的敏捷開發模式相適應; 它確保你不浪費時間在價值較小的想法上; 它幫助促進業務和技術團隊之間的信任。

從英特爾的角度來講，當客戶希望投資基礎設施，用于大數據分析和挖掘的時候，這是值得鼓勵并且是值得的，因為客戶的確能夠從技術投資中獲取價值。在今天復雜的市場環境中，正確的做法是，先證明投資的價值，再采取行動。

這就是我們為什么提倡在全力以赴實施具體分析戰略之前進行概念驗證演練（Proof of concept，簡稱POC）。概念驗證不僅僅是測試想法，還把利益相關者更緊密地團結起來并產生信任。

是的，決定分析戰略就像走鋼絲并且有很多可能的路線。提前確定優先任務，并通過概念驗證進行測試，企業決策和數據分析戰略做好最充分的準備。