数据准备就绪不再仅仅是技术上的目标，而是运营上的必要条件。然而，各行业的执行情况仍然滞后。数据基础架构并非为满足人工智能时代的需求而构建，尽管这些挑战在不同行业中表现各异，但其根本目的却是一致的：企业必须重新思考如何统一、管理和访问数据，从而将人工智能应用于其数据，无论数据存储在何处。
Cloudera 近期发布的数据就绪指数（Data Readiness Index）深入探讨了企业需要哪些要素来构建一个能够大规模驱动人工智能的坚实基础。调查结果显示，企业仍然受到结构、文化和治理障碍的制约；然而，这些挑战在不同行业中的表现形式各不相同。这些洞察可以帮助领导者预见战略变革，从而弥合愿景与执行之间的差距。
技术：人工智能规模化面临数据碎片化
长期以来，科技公司一直是人工智能领域最前沿的组织之一，但调查显示，即使在技术先进的环境中，规模化也暴露了结构性缺陷。超过半数（56%）的技术组织表示，尽管在云计算和现代数据平台方面投入了大量资金，但他们仍然无法完全访问自己的数据。
向生产规模的人工智能转变需要技术组织重新思考其基础设施。阻碍AI扩展的支离破碎且不可靠的数据系统，源于其在产品和团队间的运营化困难。这一点反映在 30% 的领导者认为数据质量是人工智能项目未能实现投资回报率的主要原因，39% 的领导者指出基础设施问题总是阻碍运营。
在科技领域，缩小数据准备差距意味着让人工智能能够在数据所在之处运行，而无需昂贵的数据迁移。这从在云、数据中心和边缘环境中建立统一且受治理的数据和人工智能基础开始，提供一致的体验，同时保持对分布式数据的完全控制。
制造业：传统系统与实时需求的碰撞
制造企业一直在努力简化产品生命周期中的运营流程，但数据分散阻碍了这些努力的全面优化。42% 的制造企业表示，数据孤岛阻碍了团队有效利用数据，超过半数 (52%) 的企业仍然无法完全访问其数据。显然，数据访问是实现数据就绪的关键障碍，而孤立且无法访问的数据加剧了运营的复杂性。弥合数据愿景与实际执行之间的差距，需要确保团队能够跨环境访问 100% 的数据，而不仅仅是孤立的子集。
对于制造商而言，生产正常运行时间、预测性维护和供应链连续性都依赖于及时可靠的数据。同样重要的是对数据集成和标准化层进行投资，以解决 20% 的制造商认为工作流程集成薄弱是数据计划未能实现投资回报率的主要原因这一问题。通过专注于可扩展的数据管道和跨设施运行的工业平台，可以将数据嵌入核心工作流程的统一实时基础设施变为现实。
能源与公用事业：治理成为规模的守门人
能源和公用事业行业的 IT 领导者所面临的高度监管环境需要在创新和控制之间取得谨慎的平衡。监管合规性和电网可靠性都至关重要，因为能源和公用事业组织必须确保数据不仅准确安全，而且在高度分布式的环境中得到一致的治理。能源和公用事业组织的治理成熟度相对较高，65% 的组织表示其所有或几乎所有数据都得到了治理。
另一方面，25% 的受访者认为成本超支是数据项目未能达到投资回报率的主要原因，这表明在高度监管和分布式环境下实现数据基础设施现代化面临着财务和运营方面的挑战。严格的监管要求需要对数据进行完全的可见性和控制，而实时电网运行则依赖于及时可靠的数据来平衡供需、防止停电并应对中断。任何访问上的漏洞都可能导致安全和合规性威胁。
能源和公用事业的运营环境决定了每一项决策都可能对监管、财务和公共安全产生影响。这意味着数据必须在其涉及的每个系统中都可访问、可审计且安全。
电信：规模化的复杂性
庞大的分布式电信环境会产生复杂的数据和高风险。保持性能是其中一项风险，需要实时监控和快速调整，这可能会影响客户体验。诸如掉线、数据传输速度慢和服务中断等问题会迅速导致客户不满和流失。电信环境会产生海量流数据，如果无法实时处理和利用这些数据，网络性能和客户体验都会受到影响。
电信机构在数据准备方面的多个领域处于领先地位，54% 的机构表示能够完全了解其数据，51% 的机构表示能够跨环境访问数据。他们也拥有最高水平的数据完全治理，三分之一 (33%) 的受访者表示其数据环境完全受治理。然而，尽管数据管理水平如此成熟，仍有 60% 的受访者表示基础设施性能持续阻碍运营——这一比例远高于其他受访行业。如今，规模和复杂性（而非访问权限）才是主要障碍，数据延迟已成为运营风险。
为了弥合数据准备与运营性能之间的差距，电信机构应投资建设面向速度、规模和持续处理的基础设施。当延迟直接影响服务质量时，解决方案是帮助电信运营商实现网络运营自动化，从而使专家能够提供一致、高质量的客户体验。
结论
在各个行业中，一个共同的主题浮现出来：企业需要有效地大规模部署数据。数据就绪使企业能够将人工智能应用于其所有数据，无论数据存储在何处，都能充分释放云端、数据中心和边缘环境中所有数据的价值。Cloudera 的数据就绪指数表明，企业现在就有机会投资数据就绪，确保自身能够引领人工智能驱动的未来。
您对自身的数据就绪有多大信心？阅读完整报告，深入了解全球企业如何构建支持大规模人工智能的数据基础。
