下载掌阅APP，畅读海量书库
立即打开
现今，数据触及业务价值链的方方面面。例如，在保险行业中，数据能影响投保人、代理人、理赔员、评估师、精算师等，提供个性化保险政策，减少管理风险，优化承保决策支持以及更快进行索赔处理和结算等。在石油和天然气行业中，企业使用大量数据来满足监管要求并更好地利用资产，做出更明智的勘探和生产决策，理解工厂的运营数据，改进供应链等。电子商务和零售企业利用数据优化客户服务，并提供增强的购物体验和渠道体验，从而提高客户满意度和留存率。总之，只有在数据质量良好的情况下，企业才能了解客户需求、预测客户行为模式、改进产品与服务质量、降低支出和成本、减少风险、开发新产品和服务，以及增强员工参与度等。
无论你处于哪个行业，企业的成功和业绩的增长可归结为三个基本问题：
· 谁是有价值或有利可图的客户？
· 如何维系（并从中增加）这些有价值的客户？
· 如何找到更多这样的客户？
这些基本问题的答案，关键在于高质量数据。一家典型企业需要管理四种类型的数据。
1.零方数据
零方数据是指企业直接通过调查活动、社交媒体投票等方式分享的关于顾客偏好、兴趣和意向的数据。此类数据可以帮助企业提供教育性内容，为客户和潜在客户创造更好的体验，提高营销活动的效果。在销售和营销领域，零方数据主要涉及潜在客户或销售线索。而在采购领域，零方数据则与请求提案（RFP）、请求报价（RFQ）或请求信息（RFI）有关。
2.第一方数据
第一方数据是组织直接在经营业务中收集的数据，包括合同、订单、发票、购买历史记录、支付数据、邮件活动、通过Cookie的网络行为、CRM（客户关系管理）数据、索赔数据等。财务报告和遵守GAAP（普遍公认的会计原则）及IFRS（国际财务报告准则）等会计标准都基于第一方数据。第一方数据不仅价值非常高且具有成本效益。此外，围绕第一方数据的数据隐私问题相对较小，因为数据的来源是确定的，并且完全由组织拥有。
3.第二方数据
第二方数据是由合作伙伴公司通过特定协议或合作收集、拥有和管理的信息。它是可用于业务活动的公司合作伙伴（如代理商、分销商、经销商等）的第一方数据。例如，保险代理人是负责为保险计划识别销售机会并监督客户组合的外部实体。如果Allstate和Liberty Mutual等保险公司使用由代理人创建和拥有的数据，则该数据可视为第二方数据。同样，在石油和天然气行业中，EPC（工程、采购和建设）公司如WorleyParsons和Fluor通常负责Shell或Chevron等石油公司的勘探与生产项目。EPC公司创建的图纸和规格成为石油公司的第二方数据。在零售行业中，分销商和经销商（如英迈和百思买）的产品营销及客户资料则成为原始设备制造商（OEM）（如Microsoft、Dell和Samsung）的第二方数据来源。
4.第三方数据
第三方数据通常从多个来源的数据汇总而来，包括从各种平台、移动应用程序、网站和数据产品中收集的联系人、人口统计、位置、天气、心理等数据。虽然其他三种数据类型（即零方数据、第一方数据和第二方数据）可能更准确且包含上下文语境，但这些数据类型无法与第三方数据的数量和多样性相媲美。例如，在评估抵押贷款申请时，抵押贷款公司会大量依赖来自信用局的客户信用历史记录等第三方数据。
大多数第三方数据是通过第三方Cookie收集的。但近年来，监管机构一直在打击使用第三方数据的行为，因为这会涉及消费者隐私问题，并且浏览器正在停止使用第三方Cookie。其中，Safari和Firefox已经限制它们的使用，谷歌也计划通过其Chrome浏览器在2023年之前淘汰第三方Cookie和相关数据。
理想情况下，企业将会使用以上这四种类型的业务数据。每种类型都有其自身的优缺点。表2.1对这四种业务数据类型的优缺点进行了比较。
表2.1 四种业务数据类型的优缺点
四种业务数据类型与数据量的关联及其业务影响如图2.1所示。
总之，零方数据和第一方数据是业务中最可靠的数据来源，因为它们是为满足内部特定需求而产生和采集的；第二方数据来自合作伙伴，通常不太可靠；第三方数据则是从相对未知的来源获取的数据，其可靠性和信任度最低。此外，作为数据产品提供的第三方数据存在风险，必须确保所使用的第三方数据按照隐私政策和其他监管要求进行处理，以避免潜在的风险。
图2.1 四种业务数据类型与数据量的关联及其业务影响
前面讨论的四种类型的业务数据，主要是从手动创建的离散数据角度进行讨论。但现如今，数十亿个物联网设备在全球范围内部署，自动生成用于各种业务的大量数据。这些物联网设备可以是无线传感器、执行器、智能手机、相机、警报、车辆、家用电器等，它们可以定期获取数据。这些物联网设备生成的时间序列数据可以用于观察和监测这些设备的性能，这些数据被称为遥测数据（Telemetry Data）。使用物联网或遥测数据的公司可以从许多方面获益，包括实现运营效率、提升客户体验、节约成本、通过主动设备维护减少事故等。根据Statista的数据分析，到2025年，全球数据总量预计将达到181ZB（计算机存储容量单位），其中仅物联网设备就有73.1ZB（Statista，2022）。这表示，遥测数据将约占据企业数据总量的40%。
遥测数据采用无线机制采集，如无线电波、超声波或红外系统，这些采集方式有助于企业访问具有位置和规模限制的数据。在物联网领域，几乎任何物理对象都可以转换为IoT设备，只要它能够连接到互联网。在企业中，有四种类型的遥测或物联网数据需要管理，包括指标（Metric）、事件（Event）、日志（Log）和追踪（Trace），简称MELT。针对这些数据类型，Datadog和Splunk等公司提供了完整的解决方案用于监控和分析各种IoT设备生成的数据。
（1）指标数据代表设备性能的度量，通常对一段时间内的数据进行计算或聚合。
（2）事件数据与在特定时间发生的离散动作相关。事件数据具有很高的价值，可以通过数据时间戳属性来确认特定动作或事件是否在特定时间点发生。事件数据还可以包括位置数据，即物联网设备的地理位置。尽管事件是细粒度数据，但指标数据则是汇总数据。
（3）日志数据是基于事件的异常记录，以非结构化格式记录，并且本质上由文本行组成。日志始终与事件相关联，一个事件可能有多行日志。日志记录了关于特定时间所发生事件的详细信息，提供了非常有价值的信息。
（4）追踪数据可以在任何给定时间点深入了解整个物联网系统的运行情况。追踪数据是整个物联网生态系统中不同组件之间事件因果链的样本，在整个物联网生态系统中发挥着重要作用。
总体而言，前面讨论过的不同类型的数据，在业务应用中有三个主要用途：运营、合规和决策（Southekal，2017）。
1.运营
运营是企业每天从事的一系列活动或业务流程，旨在增加企业价值并获得利润。这些流程可以是业务流程，如产品开发、制造、销售和市场营销，也可以是职能流程，如行政、人力资源和财务。通过整体运营优化活动，企业可以产生足够的收益来支付成本并获得利润。
2.合规
合规旨在确保公司遵守相关法规、标准、法律和内部政策。法规对于企业正常运转至关重要，因为它们支撑着市场、维护着公民权利和安全，并保障着公共产品和服务的提供。具体而言，合规主要指监管合规，包括：
（1）数据隐私法规，如CCPA（加利福尼亚州消费者隐私法），GDPR（通用数据保护条例）等。
（2）金融监管标准和市场行为，如NAIC（美国保险委员会协会）、PCI DSS（支付卡行业数据安全标准）等。
（3）投资者保护法规，如偿付能力标准（美国Solvency、欧盟Solvency Ⅱ等）、FINRA（金融业监管机构）、SEC（证券交易委员会）等。
3.决策
数据在业务应用中的第三个用途是依靠从数据和数据分析中得出的洞察力进行决策。这些洞察力可以基于描述性、预测性和指导性的分析活动（Southekal，2020）。
（1）描述性分析使用探索式分析、关联分析和推断统计学（假设检验）等技术回顾历史表现。描述性分析回答“发生了什么？”这个问题。
（2）预测性分析根据回归、趋势分析以及其他数据驱动的机器学习技术等方法，预测未来最可能发生的事情。预测性分析旨在回答“未来会发生什么？”这个问题。
（3）指导性（或建议性）分析推荐人们可采取哪些行动来影响结果。指导性（或建议性）分析旨在回答“我们需要做什么才能实现这个目标？”这个问题。
洞察
在业务中，一旦采集的数据量达到一定的规模，就会进行数据分析。因此，数据分析是数据的副产品。
通常情况下，为运营和合规采集的数据达到一定规模，就有机会利用决策分析来获取见解和数据中蕴含的模式。例如，保险公司创建家庭保险单，主要是为了满足运营和合规要求。一旦保险公司出售的家庭保险单达到一定规模，就可以根据相关的业务问题得出模式、推断、相关性、预测、异常值等见解。
用于运营、合规和决策的数据，可以从存储、集成、合规、分析四个视角进行查看。
每个业务都是结构化和非结构化数据的组合，其中一些数据是结构化的，但大多数数据是非结构化的。
1.结构化数据
结构化数据存储在关系数据库和电子表格中，形式上被高度组织并格式化，因此更方便进行检索。在技术上，一个关系数据库被称为关系数据库管理系统（RDBMS），它是具有预定义关系的一组数据项的集合。这些数据项被组织成带有列和行的表，而表存储是与数据库对象相关联的数据。结构化数据的主要优势是可以被高效地查询。结构化数据的示例包括客户名称、保单日期、年龄、客户地址、信用卡号码、社会安全号码（SSN）、车辆识别号（VIN）等。
2.非结构化数据
非结构化数据包括文本、图像、音频文件和视频文件。这些数据没有预定义的格式或组织形成，因此它们更难被收集、存储、处理和分析。管理非结构化数据通常需要一种称为分类法的层次结构。最近的预测表明，非结构化数据占企业所有数据的80%以上。由于非结构化数据缺乏预定义的数据模型，因此最好使用非关系型数据库（NoSQL）进行管理。
几乎每家公司的数据都以多种类型和格式存在，并且分布在不同系统中。必须将这些数据集成到一起才能应用于运营、合规或是决策。从集成视角看主要有四种数据类型：参考数据、主数据、交易数据和元数据。
1.参考数据
参考数据是一组对业务数据进行分类的允许值，例如，业务类别中的产品类型、账户类型、性别、货币种类、设备类型等。从技术上讲，参考数据由下拉值、状态或分类模式组成，并具有两个关键特征：
（1）参考数据的第一个关键特征是它依赖于内部和外部的数据标准。例如，ISO 3166定义了国家代码，ISO 2022定义了计量单位代码。其他类型的参考数据，如采购组织、销售办事处和员工职位，则属于公司内部，要遵循该组织的内部标准。
（2）参考数据的第二个关键特征是它对业务流程的影响。例如，当引入新的产品类别时，新类别的一些特征将不可避免地导致相关产品管理流程发生改变。
2.主数据
主数据是企业中跨多个系统、业务线（LoB）、业务功能和业务流程使用的业务实体数据。主数据被认为是企业的支柱，通常被称为“黄金记录”或“事实的单一版本”。根据Gartner的定义，主数据是描述企业核心实体的一致和统一的标识符及扩展属性集，并在多个业务流程中使用（Gartner，2021）。主数据是业务数据的单一和权威来源，它主要分为三种类型：
· 人员，包括客户、代理商、雇员和供应商等。
· 物品，包括产品、保单、设备和物理资产等。
· 概念，包括合同、保修、总账科目、利润中心、索赔和许可证等。
3.交易数据
主数据是关于业务实体的数据（通常是名词），但交易数据则涉及业务事件或活动（通常是动词）。交易数据是从业务活动或交易中捕获的信息。换句话说，交易数据是各种应用程序在运行或支持购买、贸易和销售等日常业务活动时产生的数据。交易数据具有五个主要特征：
· 它涉及业务资源。
· 它记录了财务价值。
· 它是交易双方之间的合规文件。
· 它对会计有双重影响。
· 它促进绩效管理和决策制定。
基本上，交易数据与外部环境相关，因为它是一份合规性或法律记录。交易数据通常使用参考数据和主数据来创建，以记录特定的业务事件或交易。顺便说一下，在企业中管理的大多数数据都属于交易数据。例如，发给客户的保险单就属于交易数据；销售订单、采购订单和供应商发票也都属于交易数据；通过社交媒体平台进行的客户互动的行为数据，因与时间相关，也属于交易数据。
洞察
纵向数据分析是在不同的时间点上分析相同的测量实体。横向数据分析是在特定时间点上分析不同的测量实体。
在这种背景下，与交易数据密切相关的是纵向数据分析和横向数据分析。纵向数据或面板数据是通过在给定时间范围内对同一主体（如客户、产品或合同）进行一系列重复观察而收集的数据。纵向数据分析实际上是跟踪相同实体随着时间的变化，横向数据分析则与之完全不同，它分析的是在特定时间点不同的主题（无论是客户、公司还是地区）。横向数据分析在单个时间点完成而在非时间段内。每次进行分析时，横向数据分析都会获取新的数据，而纵向数据分析则会在多个时间段内跟踪同一样本。横向数据分析可用于从多角度分析业务，如收入、成本、库存等，而纵向数据分析则可用于分析诸如公司2019财年、2020财年和2021财年的收入。基本上，纵向数据分析是在不同的时间点重复收集同一实体的数据，而横向数据分析则是在特定的时间点收集不同的数据。
4.元数据
元数据是“关于数据的数据”。换句话说，元数据用于描述另一个数据元素的内容。ISO 15489将元数据定义为描述记录的上下文、内容和结构及其随时间管理的数据。从技术上讲，元数据被称为数据字典，主要用于标记、描述或表征其他三种类型的数据——参考数据、主数据和交易数据。与其他三种类型的数据不同，元数据没有真正的业务实用性，并且总是与其他三种类型数据（参考数据、主数据和交易数据）中的一种或多种数据相结合。
基本上，元数据是“关于数据的数据”，而不是数据本身。元数据管理的两个基本目标如下：
（1）定位和检索业务数据。搜索是数据质量的严峻考验。通过优化查询作者、时间戳、主题、数据类型等元数据属性，有助于更好地搜索和检索业务数据。
（2）使业务数据可用和重复使用。要使业务数据可用并可重复使用，就需要了解数据的结构、定义、起源和获取方式。元数据提供有关业务数据如何结构化、定义、组织等详细信息，以便于实现数据安全性和互操作性，特别是利于数据交换。此外，可以利用元数据标记安全设置、验证访问权限并控制业务数据的分发。
在这方面，ISO/IEC 11179是管理企业元数据的重要标准。当遵循该标准记录数据时，从不同数据库中查找和检索数据，以及通过电子通信发送和接收数据会变得更加容易。ISO/IEC 11179的目的就是通过解决数据语义、数据表示和数据注册等问题，使数据易于理解和共享。
元数据可分为三种类型：
（1）技术元数据，用于描述数据的结构，例如：字段长度、类型、大小等。
（2）业务元数据，用于描述数据的非技术方面及其使用，例如：报告名称、文档名称、类别、XML文档类型等。
（3）操作元数据，描述有关如何以及由谁创建、更新或删除数据对象的详细信息。例如：创建日期和更改日期等相关时间戳属性。
四种数据类型之间的关系如图2.2所示。
图2.2 参考数据、主数据、交易数据和元数据之间的关系
表2.2展示了参考数据、主数据和交易数据的关键特征。
表2.2 参考数据、主数据和交易数据的关键特征
查看业务数据的第三种方式是从合规角度出发。从合规角度来看，可以根据数据的敏感程度对数据进行分类，以便为保护数据建立适当的控制措施。基于合规性的数据可分为四类。
1.开放数据
未经授权披露、更改或破坏开放数据，不会对公司及其伙伴造成任何风险。开放数据的示例包括新闻稿、产品手册和规格说明、财务报表、位置地址等。许多组织以符合标准、易于获取和重复使用的方式，在线提供他们收集和创建的信息。
2.个人数据
个人数据或可识别个人身份信息（PII）是指任何直接或间接与个人相关联的数据，如果泄露可能导致潜在危害。
3.机密数据
当数据的泄露、更改或破坏可能损害公司及其关联方竞争优势时，则该数据就属于机密或隐私。访问此类数据一般基于用户的业务角色，技术上称为基于角色的访问控制（RBAC）。机密数据的示例包括佣金、利润率、员工薪资等。
4.受限数据
受限数据或敏感数据如果被泄露可能会对公司造成潜在危害。由于存在保密承诺或专有信息，数据也可能存在限制使用的情况。敏感数据的示例包括隐私数据、支付数据、商业机密、设计细节等。
数据应用的关键目标之一是利用数据分析衡量和监控业务绩效。从分析角度来看，数据分为四种类型：名义型（Nominal）数据、序数型（Ordinal）数据、区间型（Interval）数据和比率型（Ratio）数据。
1.名义型数据
名义型数据是一种分类数据，它代表事物的性质或规定的类别，此类数据不涉及数字值，不具有内在的顺序或排名。由于缺乏具体的数值含义，名义型数据的特点是不能进行数学统计运算，如加法、减法、乘法和除法。名义型数据的例子包括性别、产品描述、客户地址等。
2.序数型数据
序数型数据表示值的顺序，但值与值之间的差异并未明示。这里常见的例子是根据市值、供应商付款条件、客户满意度得分、交付优先级等对公司进行排名。
3.区间型数据
区间型数据是指没有零值的有限数值。这意味着如果存在零值，则实体将不存在。例如，公司的员工人数就是区间型数据。如果公司的员工人数为零，则表示该实体（即公司）实际上不存在。
4.比率型数据
比率型数据具有区间型数据的所有性质，而且区间值有一个有意义的零值。例如，公司利润为零意味着公司没有赚到任何钱，但即使利润为零，公司仍然可以存在。
通常来说，区间型和比率型数据表示数值或定量值，适用于统计分析，并且这两种类型可以细分为连续型数据或离散型数据。
正如前面所讨论的，任何类型的数据都是对真实世界中的某个类别、实体或事件的记录，或者说是以有意义的格式记录下来以便进一步处理。然而，要充分挖掘业务数据价值，必须确保其具有较高的质量。在探讨数据质量之前，我们先了解一下业务数据的关键特征。
1.业务数据总是存在延迟
业务数据是对过去事件和情况的记录。这种滞后或延迟可能为几秒钟、几分钟，甚至数天或数月。很少有关于企业未来状态的数据被记录下来。
2.业务数据的收集是有目的的
业务数据是有意收集的，以满足当前的业务需求，并用于记录与运营、合规和决策有关的业务类别、实体或事件。
3.数据存储在某种介质中
一旦数据被捕获，它就会被存储在介质或存储设备（如硬盘）中，这些介质或存储设备在技术上被称为二级存储器。现在通常将其存储在IT系统中，可以是云平台，也可以是公司数据中心的IT系统。
4.数据经常被重复使用
一旦将数据采集到IT系统中，就可以将其用于相同或不同的目的。例如，一旦采集了客户数据，该数据记录就可以被重复用于市场营销和销售其他保险产品，如家庭、汽车、人寿、旅行等。
5.业务数据以特定格式编码
以数字形式记录的数据是以特定格式进行编码的。例如，客户姓名通常采用文本格式，出生日期采用DD-MM-YYYY格式等。
数据是原始的，需要“处理”才能产生价值。在保险行业中，数据通常以非结构化格式（如文档、音频、视频和图像）采集，没有遵守预定义的数据模型。从分析角度来看，数据本身对企业并不是很有价值，而洞察力才是有价值的，例如，关系、模式、分类、推断、异常和预测等都可以从数据中得出。因此，需要使用正确的数据结构或类型（名义、序数或连续）来处理数据，以便统计工具可以使用这些数据并产生见解。
6.业务数据具有法律意义
业务数据具有法律意义，因为业务本身就是一个受司法管辖区法律和规定约束的合法实体。例如，在收集欧洲客户的数据时应遵守GDPR的规定。
7.业务数据可互操作
业务数据经常由多个利益相关者共享和使用。这种互操作性促进了企业间的无缝数据交换，并最终减少了与数据管理和数据治理相关的风险和成本。例如，客户数据对销售和市场团队来说非常重要，可用于销售保险产品，但同样的客户数据对财务团队也很重要，特别是对于信贷和应收账款团队。虽然数据相同，但各团队的观点和利用方式并不相同。
洞察
关键数据元素使“数据最小化”成为可能。这意味着企业应该将数据收集限制在直接相关和必要的范围内，来完成预定目标。关键数据元素还涉及数据保留，只有在需要满足特定业务目标时才保留它们。
并非企业中的所有数据都具有相同的价值。某些数据元素非常关键，如果这些数据元素没有得到妥善管理，甚至可能危及公司的生存。识别“哪些数据最为关键”对组织的成功至关重要。这些数据被称为“关键数据元素”（Critical Data Element，CDE）。CDE被定义为在特定业务领域（业务线、共享服务或职能团队）中“对成功至关重要”的数据。CDE可以是参考数据、主数据或交易数据。CDE因行业和业务需求的不同而异，但识别和管理CDE可以使公司能够快速且经济高效地提供高价值、高影响力和高可见度的数据。常见的CDE示例包括客户数据、员工数据、产品利润数据、PII（个人可识别信息）数据、PCI DSS（支付卡行业数据安全标准）数据等。
创建CDE列表并非法规本身的要求，但创建CDE过程可以从法规要求开始。通过降低管理数据的复杂性和工作量，CDE可以提供许多好处。使用适当的数据治理措施来管理少量核心数据，可以更轻松地确保数据质量并满足目标用途。通常识别CDE的指导原则如下：
（1）与法规遵从性的关系。例如，管理数据元素和与隐私、支付及其他法规相关的数据属性通常符合CDE。
（2）内部和外部多个利益相关者共享的数据。例如，汽车行业广泛依赖JIT（准时制）流程，该流程使用供应商发布的预先发货通知（ASN）数据。ASN数据通知客户有关装运细节，所以客户能够在正确时间和地点接受交付。ASN数据可以成为CDE。
（3）主数据和参考数据被用于创建交易数据，并有助于业务运营。如果主数据和参考数据的质量较差，则大量交易数据的质量也将受到影响。因此，主数据和参考数据可以成为CDE。
（4）关键绩效指标（KPI）用于衡量业务绩效。例如，如果净利润率（NPM）是用于衡量业务绩效的KPI，并且用于计算NPM的销售订单数据质量较差时，则销售订单数据就是CDE。
（5）CDE处理具有重大财务影响风险的数据元素，例如，增加的责任、成本、收入机会或利润。产品可能会构成风险，包括对健康、安全、财产或环境的风险，这些也将是CDE。
（6）长时间中断关键业务流程的数据元素可以成为CDE。例如，银行信贷部门依赖评级机构提供的信用评分，如果该信用数据缺失或损坏，将导致不能及时批准抵押贷款申请，因此该信用数据就是CDE。
以下是本章的主要内容：
（1）典型企业中有四种类型的数据：零方数据、第一方数据、第二方数据和第三方数据。零方数据和第一方数据在业务中最可靠，因为它们是由组织内部产生和采集的。而来自合作伙伴的第二方数据通常相比于第一方数据不太可靠。另一方面，第三方提供的数据则来自相对未知的来源，所以可靠性最低。此外，第三方提供的数据存在风险，必须确保其按照隐私政策和其他监管规定进行处理。
（2）企业中使用数据主要有三个目的：运营、合规和决策。事实上，最初在产生和采集这些数据时，往往是为了满足运营和合规要求，而不仅仅为了分析。通常是对在运营和合规中采集的数据进行分析。
（3）可以从四个主要视角对数据进行分类，即存储视角（结构化数据和非结构化数据）、集成视角（参考数据、主数据、交易数据和元数据）、合规视角以及分析视角。
（4）非结构化数据（文本、音频、视频和图像）没有预定义的数据模型，约占企业数据的80%。因为不遵循预先定义好的数据模型，非结构化数据处理难度很大。但是它们易于捕获，如果管理得当，它们也可以提供其潜在的巨大商业价值。
交易数据对企业很重要，因为：
· 它涉及业务资源。
· 它记录了财务价值。
· 它是交易双方之间的合规文件。
· 它对会计有双重影响。
· 它促进绩效管理和决策制定。
虽然元数据不是真正的业务数据，但它具有两个基本目的：
（1）定位和检索业务数据。
（2）使业务数据可用和重复利用。
· 关键数据元素（CDE）被定义为在特定业务领域（业务线、共享服务或职能团队）中“对成功至关重要”的数据。简单来说，CDE是完成工作所必需的数据。
· 参考数据和主数据通常是CDE。
我们生活的时代，无论所处哪种行业，数据已经成为任何组织成功的关键驱动因素。在当今以数据为中心、消费者驱动的经济中，商业格局正在经历巨大的变革。不同类型的数据被捕获和处理的速度，对组织的业务表现起着至关重要的作用。不同类型的数据在利用其业务价值方面带来了不同的视角和策略。然而，利用这些业务价值不仅涉及捕获正确类型的数据，还需要根据企业需求有效地管理它们，以便将其有效地用于运营、合规和决策。
