企业启动大数据最重要的挑战是数据的碎片化。在很多企业中尤其是大型的企业，数据常常散落在不同部门，而且这些数据存在不同的数据仓库中，不同部门的数据技术也有可能不通，导致企业内部数据无法打通。若不打通，大数据的价值则难以挖掘。大数据需要不同数据的关联和整合才能更好的发挥理解客户和理解业务的优势。将不同部门的数据打通，并且实现技术和工具共享，才能更好的发挥企业大数据的价值。

刚刚过去的2016年，无论是企业还是政府机构，都在不同程度的展开了大数据的工作，并意识到了内部数据打通，解决内部数据孤岛是启动大数据战略的重要基础。但是，大部分企业和机构内部数据打通的工作做的并不到位。2017年，我们有理由相信，更多企业会有更大的决心去推动内部数据打通，并在此基础上，构建与外部数据打通的基础，实现内外部数据打通，更好的发挥大数据关联和整合的业务价值。

很多企业业务部门不了解大数据，也不了解大数据的应用场景和价值，因此难以提出大数据的准确需求。由于业务部门需求不清晰，大数据部门又为非盈利部门，导致很多企业在搭建大数据部门时犹豫不决，或者处于观望尝试的态度，从根本上影响了企业在大数据方向的发展，也阻碍了企业积累和挖掘数据资产。

甚至由于数据没有应用场景，企业删除了很多有价值的历史数据，导致企业数据资产流失。因此，这方面需要大数据从业者和专家一起，推动和分享大数据应用场景，让更多的业务人员了解大数据的价值。

一种新的技术往往在少数行业应用取得了好的效果，对其他行业就有强烈的示范效应。2016年，大数据在互联网、电信、金融、零售等行业取得了较好的效果。在2017年的经济大环境下，更多的企业和机构会更注重精细化经营，大数据作为一种从数据中创造新价值的工具，将会在许多行业的企业得到应用，驱动业绩增长。大数据将在帮助企业更好的理解和满足客户需求和潜在需求，更好的应用在业务运营智能监控、精细化企业运营、客户生命周期管理、精细化营销、经营分析和战略分析等方面。

在移动互联网和大数据时代，每一个企业日常运营中所产生的大数据都将成为企业最为重要的无形资产。随着2017年大数据应用的发展，大数据价值得以充分的体现，大数据在企业和社会层面成为重要的战略资源，数据成为新的战略制高点，是大家抢夺的新焦点。如何有效的管理企业每日所产生的数据，从海量的数据中挖掘并沉淀有价值的数据，并把这些有价值的数据作为驱动业务增长的重要引擎，均为数据作为无形资产管理的重要任务。

Google、亚马逊、腾讯、百度、阿里巴巴和360、今日头条等互联网企业通过不断的挖掘和沉淀大数据，利用大数据驱动业务的增长；金融和电信企业也在运用大数据来提升自己的竞争力。这些企业均有一个共同的特点，即成立了大数据部门对企业大数据做重点管理和应用，真正的把大数据作为无形资产管理和应用起来。

我们有理由相信，在2017年越来越多的企业和机构将大数据定位为企业的无形资产，并对大数据无形资产做系统化的管理和应用。大数据作为无形资产将成为提升机构和企业竞争力的有力武器。

大数据能力在企业应用时，需要以非常简单易用的方式来呈现，才能让更多的数据用户使用。企业数据用户（往往是业务、产品、营销负责人等非大数据专业人士）在实际运用大数据的时候，更关注的是大数据的产品在哪些方面可以直接帮助提升绩效，不需要关注大数据产品背后的分析模型等“黑洞”。因此大数据在业务具体的场景运用时，关键是把大数据分析能力产品化，构建简单易用的数据产品。

另外，随着大数据专家的成本上升，越来越多的企业也会寻求简单易用成本相对较低的第三方数据产品。国际知名咨询机构IDC预测，可视化数据发现工具的增长速度将比商业智能（BI）市场的其余工具快2.5倍。到2018年，投入于支持最终用户自助服务的这种工具将成为所有企业的要求。诸多大数据厂商已经发布了拥有“自助服务”功能的大数据分析工具。

知名IT研究与顾问咨询公司Gartner认为，机器学习是2017年的十大战略技术趋势之一。在2017年，随着大数据分析能力不断增强，越来越多的企业开始投入于机器学习，并从中获益。企业可以通过机器学习算法识别潜在客户，或识别即将流失的客户，或识别营销推广中作弊的渠道，或及时发现关键KPI下跌的原因等。总之，机器学习可以驱动企业运营更加智能化。

我们认为，随着机器学习的大规模应用和发展，越来越多的企业将使用深度学习算法，使用深度学习算法将会使得预测更为准确。深度学习是机器学习领域中一系列试图使用多重非线性变换对数据进行多层抽象的算法，互相关联的多层级为深度学习提供了“深度”，相较于传统的机器学习算法来说，是一个巨大的进步，尤其是卷积神经网络等深度学习算法，将会越来越受欢迎。

AlphaGo是2016年最令人深刻的人工智能研究成果，AlphaGo引起了大家对人工智能的高度关注。但是，人工智能的发展还停留在弱人工智能阶段，目前很难超越人类认知能力，甚至也达不到与人类匹配的认知能力。但我们不可否认人工智能在实践中的进步，比如语音识别和图像理解方面的进步。企业可以在合适的场景中运用这些逐渐成熟的语音和图像识别的技术。

未来人工智能的发展，取决于两个方面：一方面是深度学习算法技术的成熟和计算效率的提升；另一方面取决于海量数据或大数据的发展。这是因为，深度学习算法要发挥作用必须先接受训练。比如，机器要学会识别图片中的狗，必须先被输入一个包含数量上万或者数十万的标记为狗的“训练集”，这个训练集数量越大，狗的种类越全，机器学习的效果越好。