面对 AI 时代，许多传统行业正经历深刻的变革，尤其是在数据领域。

是的，数据领域也需要变革，甚至说早该变革了！

这几年曾经火爆的大数据平台逐渐冷却，许多企业也开始反思：为什么投入了巨额资金搭建数据平台，却并未带来预期的效果，甚至还增加了运营的负担？

其实，问题的核心在于企业建设数据平台时常常迷失初心。

许多企业起初热衷于数据收集、存储和简单管理，认为只要拥有庞大的数据平台，就能轻松实现数字化转型。

但事实却是，数据平台如果不能直接推动业务的发展，便很难体现真正的价值。许多企业建成平台后，发现数据管理变得复杂，成本也随之攀升，却仍然无法有效支撑业务决策，反而加重了企业的负担。

这是近些年，数据中台及大数据平台，逐渐失去“人心”的核心。

而这个结果，是所有数据从业者共同努力的“成果”。

是我们把大数据平台及数据中台“过度美化”了。

让很多急需做数字化转型的老板们，误以为上了大数据平台/数据中台，自己的企业距离完成数字化转型就不远了。

起初，类似当前的 AI 一样，很多老板是被大数据概念和潮流所吸引，而后数据中台的火热，让热门概念有了可落地的承载平台，大数据平台成为企业数字化转型的“必备神器”。

即使很难度量出大数据平台建设对企业发展的贡献度，不过，只要企业依然在增长、有利润，这些都没有问题。

然而，随着新冠疫情的突然来袭，加上国际贸易摩擦的不断升级，几乎无差别的给了所有企业当头一棒。

企业也由“求增长”，直接转换为“求生存”。

这需要完全不同的两种经营策略，前者要求业务创新和数字化升级，而后者要求节流增效。

而大数据、数据中台这些全都是求增长、求发展，再上一个新台阶时的发展战略所需。

针对节流增效而言，他们的贡献弱了很多，甚至很多盲目上数据中台的企业，会认为他们是累赘，于是，把整个大数据团队给砍掉了。

现在，则是大数据平台“失信于人”。

进入 AI 时代，企业的数据需求正在发生重要转变：不再停留于单纯的数据存储和治理，而更加关注数据如何创造实际业务价值。

毕竟回到企业经营的角度来说，一切工具和团队搭建，都是为了经营利润增长的目标服务。

企业开始探索用AI技术更好的挖掘和使用数据，降门槛提人效，以前可能需要搭建一个数据分析团队，而现在可能更倾向于留 1~2 个人，借助 AI 来更好的为企业经营发展提供数据支持。

这种变化要求数据从业者不仅掌握传统的数据管理技能，更需要精通数据的高级分析与应用，尤其是 AI 相关技术的融合。

面对这些新变化，数据从业者如何调整自己，以更好地适应未来的发展趋势？

首先，从技能角度来看，数据从业者需要逐渐摆脱单一的数据开发或治理角色，向数据应用与数据智能方向转型。

这意味着除了传统的大数据技术之外，还需掌握机器学习、深度学习、自然语言处理等AI前沿技术，这样才能更有效地挖掘数据价值，提供真正有竞争力的解决方案。

其次，数据从业者需要增强自身的业务理解能力。

过去数据从业者多以技术专家身份出现，往往缺乏对企业具体业务场景的深入了解。

如今，数据项目与业务场景结合日益紧密，因此从业者应积极融入业务部门，与业务人员深入沟通，明确数据分析的目标和预期效果，确保数据方案真正能解决业务痛点。

此外，跨界沟通与协作能力的提升同样重要。

数据项目越来越需要跨部门合作，数据团队与业务部门、产品团队甚至AI团队密切协作才能更好地推动项目落地。

因此，数据从业者必须培养良好的跨界沟通技巧，不仅能够准确理解业务需求，还能推动各部门高效合作，确保数据项目真正实现业务价值。

发现没？

这些点都很虚，并不属于确定性的落地建议，更偏向于一个方向指引。

是的。

除了虚之外，他们还有另外一个特点，那就是这些点都不在 AI 的迭代路径上，也就是说，这些点 AI 不擅长处理，中长期也不会。

而人在这些方向承担着核心角色和地位。

现在，很多人宣称 AI 会取代人，让人类失去工作。我更愿意相信 AI 会解放人，让人类获得自由。

前几年，网上充斥了“如何转行做大数据”的经验贴。

而现在，则换成了：“如何转型做 AI”经验贴了。

真可谓是“三十年河东，三十年河西”，风水轮流转。

不过，AI 依然和数据保持着紧密的关系，放眼未来，数据行业将呈现几大清晰的发展趋势：

第一，数据治理与AI应用将逐步走向融合。

过去数据治理强调数据安全、质量和标准化，而未来数据治理将更多关注如何有效支持AI应用，比如通过智能化数据治理工具实现数据的高效清洗、标注与分类，以优化AI模型训练效果，提升数据使用效率。

二，行业性、场景化的数据智能平台将逐渐取代传统通用型数据平台。

企业将更加倾向于选择针对特定行业定制化的数据平台，诸如金融智能风控平台、医疗健康大数据平台、制造业智能分析平台等，这类平台能更精准地满足各行业的数据分析需求，更有效地发挥数据价值。

第三，企业数据平台将趋于轻量化和敏捷化。

面对快速变化的市场需求，企业不再倾向于一次性投入大量资源建设庞大而复杂的数据平台，而更青睐快速迭代、灵活部署的轻量级数据应用方案。

这也对数据从业者提出了更高的要求，要求他们能够快速响应企业需求变化，快速提供解决方案并不断优化。

针对上述趋势，企业必然会更加谨慎的对待“大项目”，避免高举高打，而是会从具体业务痛点出发，先在小规模内快速试验效果，效果验证明确后再逐步扩大规模，以避免盲目大规模投入带来的资源浪费。

于此同时，数据团队也会逐步培养或引进既懂数据技术又掌握AI技能的复合型人才，致力于打造数据与AI结合的跨界团队，提升团队整体的业务落地能力和创新能力。

因此，对数据从业者个人而言，应积极关注AI技术在具体行业场景的实践案例，主动参与实际业务项目，积累实际应用经验，增强自身的综合竞争力，持续提升自身的业务敏感性和数据应用能力。

尽管当下的数据行业面临一定的困难与挑战，但只要从业者和企业准确理解行业变化、清晰自身定位，积极调整策略，踏实地将数据与业务场景紧密结合，数据领域在AI时代依旧前景广阔。