數據資產化可大致劃分為兩個階段，分別是數據資產形成階段和數據資產管理與變現階段。數據資產形成階段則分為兩個環節，分別是數據基礎能力和業務數據化兩個環節，主要是以源數據建設、數據采集、數據分析與應用等為主，數據資產管理與變現階段，則包括數據資產化和數據資產變現兩個環節，包括數據全流程治理、數據分析、可視化、數據決策應用和數據營銷變現等。

01 數據分析是數據資產變現的戰略環節要將數據變現為企業的資產，必須要對數據進行加工處理，加工成對事物的分析，形成對事物的認知，甚至形成獨有的知識，數據就有了更高的含金量，成為有價值的數據資產。數據資產是可以變現成利潤的數據，只是停留在企業服務器中的數據不是真正的數據資產。

數據的標簽化能讓我們快速理解一個用戶，一個商品，乃至一個視頻內容的特征，從而方便我們去理解和使用數據。以電商平臺為例，對每個客戶進行標簽化處理，每個人都有上千個標簽標記個人的特征，而這些特征又與商業化的推薦服務進行關聯，并且對這些關聯后的效果進行了數據驗證，把某一個特征的產品推薦給擁有某類標簽的用戶之后，對轉化后的數據進行不斷跟蹤、不斷優化，客戶標簽和產品標簽之間的匹配越來越好，轉化效果不斷提升。

原始數據記錄本身只是業務活動的記錄，是過去發生的事情留存的證據。這些證據需要通過一些統計匯總的算法形成數據報表，這些統計報表可以使人們更清楚地知道發生了什么，是如何發生的，結果是什么。客戶購買企業的產品和服務，該企業需要每天統計賣了多少，成交了多少客戶，有多少新客戶，這樣就形成了每日銷售報表，這個報表通過一些指標化的處理就形成了對當日經營活動的標識，如成交率、客單價、新增客戶數、新增客戶數量占比、新增客戶成交占比、新增獲客成本、新客戶客單價、新客戶中大客戶占比等，這些形成了對企業每日運營質量和運營效率的表征指標。這些二次加工的數據能夠對企業的經營管理活動進行評價，能夠對業務管理起到反饋作用，這些指標開發出來之后，本身就是數據應用，也是數據資產。企業還需要通過可視化的方式提升數據的易用性，但僅有圖表，沒有解讀，就無法產生真正的數據價值。隨著人們對數據和數據分析的關注，以及管理者整體數據解讀能力的提升，越來越多的企業開始重新啟用數據可視化功能，通過可視化的數據圖表為管理者提供數據服務。

通過建立數學模型，將原始數據進行加工，為管理決策提供支撐。數據分析模型非常多，在不同的場景下有不同的模型。常規來說，除基本的對比分析方法外，還有很多算法模型可以使用，包括最多使用的分類算法、關系算法和預測分析方法。

分類算法是最常使用的算法，根據事物的相似性提煉加工，找到事物的基本特征，然后就能夠推此及彼，更深刻地認知事物，并以此進行識別。關系算法則是尋求事物間的關聯性，從而通過控制一種事物得到另外一種事物想要的結果。預測分析方法的常用方法有四種，包括經驗法、類比法、慣性法和關系法，但未來的多變性、影響因素的復雜性會使預測的準確度下降。

02 數據挖掘分析處理是數據資產變現的核心技術 

Gartner 2020指出，這些數據分析技術趨勢將有助于在未來三到五年內加速更新、推動創新和重建社會。

作為數據分析的高級增強階段，增強分析能為分析計劃帶來更多自動化動能以及創新洞察力。因為在正式進入數據分析之前，都需要對數據進行抽取、清洗、融合等準備工作，以提高數據分析的效率和準確性，更利于決策。而增強分析則能夠幫助普通用戶在沒有數據科學專家或IT人員協助的情況下，訪問有效數據，并對理論和假設情況展開測試與驗證。

增強型數據分析側重于增強智能的特定領域，利用機器學習（machine learning）轉變分析內容的開發、使用與共享方式。

Gartner表示到2020年，增強分析將成為分析和BI解決方案的主要賣點。

機器學習和人工智能、增強型分析將為數據和分析市場帶來顛覆，因為它將徹底改變開發、消費和共享分析內容的方式，可使數據準備、洞察力獲取和洞察力可視化這個過程實現自動化，在許多情況下無需專業的數據科學家。

AI已經越來越多地用于數據管理，但AI解決方案如何解釋為什么他們得出某些結論？這是可解釋的人工智能的用武之地。數據科學和機器學習平臺中的可解釋AI是關于在自然語言中準確性，屬性，模型統計和特征方面生成數據模型的解釋。作為數據分析的高級增強階段，增強分析能為分析計劃帶來更多自動化動能以及創新洞察力。因為在正式進入數據分析之前，都需要對數據進行抽取、清洗、融合等準備工作，以提高數據分析的效率和準確性，更利于決策。而增強分析則能夠幫助普通用戶在沒有數據科學專家或IT人員協助的情況下，訪問有效數據，并對理論和假設情況展開測試與驗證。增強型數據分析側重于增強智能的特定領域，利用機器學習（machine learning）轉變分析內容的開發、使用與共享方式。Gartner表示到2020年，增強分析將成為分析和BI解決方案的主要賣點。機器學習和人工智能、增強型分析將為數據和分析市場帶來顛覆，因為它將徹底改變開發、消費和共享分析內容的方式，可使數據準備、洞察力獲取和洞察力可視化這個過程實現自動化，在許多情況下無需專業的數據科學家。

到2020年，50％的分析查詢將通過搜索，自然語言處理（NLP）或語音生成，或者將自動生成。分析復雜的數據組合并使組織中的每個人都可以訪問分析的需求將推動更廣泛的采用，使分析工具像搜索界面或與虛擬助手的對話一樣簡單。根據另一項單獨研究，NLP 用例非常龐大，預計到 2020 年 NLP 市場價值將達到 134 億美元。

到2023年，圖像技術將在全球30%的組織中促進快速情景化決策。圖像分析是一組分析技術，它允許探索相關實體(如組織、人員和事務)之間的關系，幫助數據和分析領導者發現數據中未知的關系，并審查傳統分析中難以分析的數據。例如,在世界應對當前和未來疫情時，圖像技術可以從人們手機上的地理空間數據到人臉識別系統，對照片進行分析，以確定誰可能接觸過被確診冠狀病毒檢測呈陽性的個體。如果說數據是“石油”，數據分析技術則是“煉油廠”。數據分析通過各種技術獲得數據背后價值，將原始數據加工為信息和知識，進而轉化為決策或行動，已成為推動數字化轉型不可或缺的關鍵技術。 

03 顛覆BI的也許是“CharGPT”

增強分析似乎很強大，但概念提出這么多年，有強大的產品出現嗎？沒有，為什么？

雖然早期的人工智能（AI）技術在數據分析和其他領域取得了一定的成就，正如增強分析中提到的那些能力，但它們在理解復雜的自然語言和生成有意義的文本方面的能力仍然有限，也就是說，人們使用增強分析的門檻其實挺高的。

老板要分析數據，還得直接找數據分析師提出問題，數據分析師再把老板的問題轉化成對BI增強分析的要求，這個轉化過程是漫長的，數據分析從端到端的全業務流程的角度來看，整個流程是割裂的，一會兒在線上，比如利用BI在線分析問題，一會兒在線下，比如提出問題，接收問題，輸出答案，數據分析這個業務的數字化轉型并不徹底，因此，AI對數據分析師的替代作用并不是很大。

然而，隨著GPT系列等自然語言處理（NLP）技術的不斷發展，ChatGPT這類先進的AI模型已經能夠在很大程度上理解自然語言，并生成連貫、準確的文本。

1、老板可以直接在線用自然語言向ChatGPT提出問題，ChatGPT可以很好地理解老板的要求，把問題轉化成需求和目標。

2、數據分析師在接到需求和目標后，可以充分利用ChatGPT的自動分析能力，提供有針對性的數據探索和分析建議，從而減輕自己的工作負擔。

3、ChatGPT可以根據數據分析結果生成詳細的分析報告，解釋關鍵發現、趨勢和預測，并且可以提供自然語言的方式，在線解答老板各種問題，完成數據分析的最后一公里，這種體驗是以前沒法想象的。