思維聚焦 | 鄧白氏D&B

展望未來:結合大數據與AI人工智慧,相輔相成,互助發展

近幾年來,人工智慧技術在各行各業的應用已隨處可見。人工智慧為這個時代的經濟發展提供了一種新的能量。人工智慧的快速發展,其背後離不開大數據的支援。而在大數據的發展過程中,人工智慧的加入也使得更多類型、更大量的資料能夠得到迅速的處理與分析。

了解更多 >

全美最強資料科學家《40年大數據攻略》 今周刊報導

什麼樣的職業會連續三年列為美國最好的工作?答案是資料科學家(data scientist)。 二○一二年,《哈佛商業評論》就指出,資料科學家將是「二十一世紀最性感的工作」,就與一九九○年代,電腦工程師竄起成為就業市場當紅炸子雞一樣;職場社交網站LinkedIn去年底發布的一份報告也指出,資料科學家職缺,在美國比起五年前成長六.五倍,僅次機器學習工程師。

了解更多 >

實質受益人:以風險為基礎,執行客戶盡職調查之關鍵重點

距美國財政部金融犯罪執法網路(FinCEN)的客戶盡職調查(CDD)最終規定執行截止日期只剩不到兩個月,該規定適用的金融機構(CFI)需要確保其滿足實質受益人和反洗錢(AML)要求。實質受益人規定要求CFI利用自我認證表格收集實質受益人資訊(以25%為最低門檻),而AML規定要求它們採取以風險為基礎的原則,進行持續性的客戶盡職調查,建立具風險的客戶檔案。  

了解更多 >

鄧白氏榮獲《2018 Top25 主數據管理解決方案供應商》殊榮

為了説明企業選擇最佳的主數據解決方案供應商,CIO Applications雜誌近期特邀了CEO、CIO、風險投資家、分析師們一起對眾多主數據戰略解決方案供應商進行評分,在激烈的評選中,鄧白氏脫穎而出,榮獲《2018年TOP25 主數據管理解決方案供應商Top25 MDM Solution Providers 2018》。評選委員會表示:鄧白氏憑藉預處理的商業資訊,推動企業主數據解決方案的實施,為企業內部不同部門提供統一的數據結構,連接各自孤立的數據,説明他們駕馭爆炸式增長的企業資訊

了解更多 >

商業詐騙頻頻出現,看“5C”原則如何幫助企業規避陷阱

現今商業詐騙已不再是新鮮事,其形式也變得越多樣。大大小小的企業應該都已經意識到預防詐騙的重要性。由於犯罪份子在不斷地改變戰術,而且資料取得容易,企業因此比以往更容易被詐騙者竊取資料、企業身份或企業資訊。鄧白氏相關資料分析顯示:2017年,企業身份竊取事件同比增加46%。商業詐騙方式多種多樣——包括網路安全攻擊和員工偷竊——其中商業身份資訊竊取尤其受到企業主和信用風險經理等財務相關人士的關注。犯罪分子竊取企業身份,試圖取得新的信用額度,或利用企業現有信用額度訂購某些商品,然後逃之夭夭。

了解更多 >

聽2018年度美國最佳數據長講故事,如何在燃眉之急時做出最佳決策

在應對重大風險時,我們最容易忽略的是對風險不可預測性、不採取行動所帶來的機會成本的增加。如果沒有提前準備好相關工具和流程來檢測,便會被動地“採取行動”。而這往往會引發混亂、急於採用不理想的干預措施一一進行處理。現在,無法解決潛在問題所帶來的隱藏成本仍在增加。

了解更多 >

當世界盃遇上大數據,當企業遇上主數據(下)

全球關注的世足賽,據報導,俄羅斯世界盃已吸引了高盛、瑞銀、野村、荷蘭ING集團、德國商業銀行、丹麥銀行等多家投資銀行,動用量化分析師團隊運用金融模組來參與比賽預測。隨著俄羅斯世界盃小組賽最後一輪的比賽結果揭曉,16強的名單也熱騰騰出爐。賽前曾被多家投資銀行看好,預測將成為本屆世界盃冠軍的德國隊,爆冷以0:2輸了韓國隊,墊底出局。這也意味著押寶德國隊的高盛和德國商業銀行也在本次“世界盃大數據比賽猜測友誼賽”中出局。究竟誰將成為大數據分析的預測翹楚呢?

了解更多 >

當世界盃遇上大數據,當企業遇上主數據(上)

四年一次的世界盃,如火如荼。彭博社稱,高盛使用了20萬個統計模型,從單個球員的數據,到近期巴西隊的表現,再到100萬次的模擬比賽,從而得出巴西將贏得俄羅斯世界盃冠軍的結論。Business Insider報導,瑞銀早在一個月前,就發佈了2018年世界盃的首份預測,看好德國隊將成為冠軍。但首輪巴西被瑞士1:1逼平,德國0:1輸於墨西哥。篤信大數據分析結果的你是否感到了驚訝。數據分析在體育賽事中越來越普及,但數據這麼多,該從何入手?

了解更多 >

在鄧白氏,遇見2018年度最佳數據長

第六屆紐約CDO高峰會在美國哥倫比亞大學Roone Arledge禮堂舉行,CDO菁英俱樂部創始人David Mathison主持會議。鄧白氏首席數據科學家暨副總裁Anthony Scriffignano博士於會中發表了《數位革命:進步還是消亡,選擇權在我們手上(Digital Disruption: Evolve Or Fade, The Choice Is Ours)》的主題演講,並出席了會後所舉行的頒獎儀式。(圖中由左到右分別為:CDO菁英俱樂部創始人David Mathison先生、鄧白氏首席數據科學家暨資深副總裁Anthony J. Scriffignano博士、“2017年度美國數據長”得獎者IBM的 Inderpal Bhandari博士)Scriffignano博士是全球公認的資料專家。他率領著鄧白氏的數據科學團隊,為全球各大小規模的企業提供商業資料、分析和真知灼見。

了解更多 >

如何實踐主數據(Master Data)與大數據的協同效應?

在過去幾年,最大的發展趨勢非大數據莫屬,十年來,大數據已經從一個鮮為人知的概念變成了一個全球爭相追逐的領域。據IDC預測,截止至2020年,大數據將帶來2,030億美元市場,成為名副其實的“潛力股”。儘管大數據不再是單純的人為炒作的概念,鄧白氏集團主數據(Master Data)解決方案 資深架構師認為大部分公司尚未充分獲得大數據投資帶來的益處。根據高德納公司(Gartner)的報告,目前僅有13%的公司在生產過程中應用了大數據,而且應用的程度也各不相同。他認對對大多數企業很難從大數據中獲取洞察和投資回報的見解。對於大型的B2B企業而言,從大數據投資中獲取回報率的挑戰尤其嚴峻,因為許多企業仍無法解決大數據(Big Data)和主數據(Master Data)整合的難題。

了解更多 >

萬物復甦之際,數據專家暢談2018五大數位化決心

自動駕駛汽車變得越來越具有可行性,量子電腦不再虛無縹緲,物聯網設備也以從未預見的改進方式進入了我們的日常生活(比如:“智能”家居)。在如此眾多新奇技術接踵而來的同時,一些新的風險也開始出現。人工智慧和自動化的進步引發了有關我們正在將多少控制權讓與這些數位化助手的討論。量子電腦讓量子駭客成為可能,從而給網路安全、加密貨幣、區塊鏈及其他技術進步帶來潛在的嚴重威脅。看來我們在繞太陽一周的過程中,經歷了眾多技術的進步,同時也有大量的新事物需要我們細心思考。 所以,我們要時刻保持對技術進步的關注,同時避免武斷地認定“所有進步都是好的“,管理好各種新的可能性。萬物復甦之際並非終結或開端,就好比某個過程在持續進行一樣。

在過去的寶貴時間裡,我們透過自己的成就和錯誤、透過教與學、透過付出與給予,我們的數據世界帶來眾多可能性,在巨人肩膀上,始終滿懷希望地學習。 鄧白氏首席數據科學家本著這種反思精神,和大家分享自己的2018數位化決心:

了解更多 >

最強大腦看AI,當鄧白氏首席數據學家遇上IBM全球數據長

在歷史被數位化工具記錄下來之前,它曾被編成冗長而豐富的故事,人們在講述這些故事時極其慎重,所以歷史故事才得以傳承。到了似乎一切都能被記錄和保存下來的時代,這些互動又是如何變化的呢?我們拍攝數以千計的照片,但是能從中找到一張,像我們在多年前保存下來的老照片一樣觸動我們心靈的嗎?當越來越多的事物轉化成了數字,我們的世界又在發生怎樣的變化呢?

了解更多 >

[主數據]全球數位化商業的溫室效應來襲

資料無處不在,業務關係成倍增加,所有事物都呈現出程式化的方式和感覺,這些就是我們的未來。但我們的商業資料基礎設施準備好應對這些即將到來的變化了嗎?傳統模式的“冰山“將融化並抬高資料管理的水位,許多成熟企業將發現他們的戰略面臨著新的挑戰。

“真正的主資料解決方案遠超資料管理領域的傳統術語。”

無論我們喜歡與否,商業環境的本質正在迅速改變。隨著我們的環境從類比轉為數字,我們所接觸的一切都將轉化為資料。人工智慧(AI)、物聯網(IoT)和機器對機器(M2M)通信的迅速崛起,已凸顯出採用標準化方式進行跨系統資料連接的迫切需求。

 

了解更多>

[主數據]錯誤的商業決策可以規避嗎?

從迴紋針說起

迴紋針,相信大家並不會感到陌生。從19世紀迴紋針被發明以來,已被無數次的使用在各種場合。僅僅在美國,迴紋針每年的銷量就超過了100億。迴紋針被用來固定重要文件,也會被用來固定耶誕節裝飾品和清潔指甲等。在第二次世界大戰期間,挪威人更將其作為國家團結的標誌。只是近年來,由於釘書機和長尾夾等“顛覆性技術”的出現,迴紋針才開始顯得黯淡。

很難相信一枚普通的迴紋針,確切說來,一枚現今已不太常用的迴紋針能夠教我們如何更好地做出決策,以及不要為偶爾做出不妥的決策而感到緊張。

數十年來,迴紋針的製造工藝沒有發生過較大的改變,製造流程亦非常簡單:將鋼絲放入機器中進行切割和彎曲,然後製作成各種形狀的迴紋針。因為其製造流程簡單,而且生產技術成熟,人們會認為迴紋針應該是零瑕疵的。然而令人失望的是,迴紋針依然偶爾會出現變形或拉伸性能不良,容易斷裂等瑕疵。

了解更多 >

AI時代,工作?玩耍?

如何平衡工作與娛樂的見解有很多。有人認為工作是因為我們需要諸如食物、住所和衣物等基本需求,因此工作是為了生存而不得不做的事情。我們工作的目的要麼是為了獲取需要的物品,譬如農耕、狩獵等,要麼是為了獲取可用於置換所需物品的東西,譬如錢、黃金等。當然,我們知道事實並非如此簡單。許多人會說,他們是在做自己應做的事情,不是為錢,而是為了實現更崇高的使命,比如服務他人或滿足求知欲。無論何種理由,我們對工作似乎都有著從就業目的來看,很容易理解的定義。然而現今,對工作本質的探討似乎比以往任何時候都熱烈。在不久的將來我們的工作會是怎樣的?我們會為所謂的“機器人代理”效力嗎?當人類的工作不可避免地被可以幹更多活兒、更高效、無需休息、也沒有其它任何人性需求的自動化設備取代時,我們該怎麼辦?

了解更多 >

在充滿雜訊的資料海洋中,如何應對異常?

在資料科學中,“異常”一詞通常指與預期不一致的資料。但在當今世界存在著海量的資料,前所未有的全球性事件,以及顛覆性的技術應用,尋找“異常”絕非易事。

什麼是異常:定義資料中的異常

基於屬性的檢測是最基本的異常檢測方式。我們先定義所查找事物的屬性,再找出與該屬性相距甚遠的事物。譬如,在生產流程中,定義的檢測方式可通過找出超出容許值的產品來發現生產線上的不良品。這種定義檢測方式有效,但事實證明我們可以做得更好。 舉個例子,假設我們要製造一定長度的圓線,在理想製造環境中,如果該線太扁、太短或太長,並且與規格標準之間的偏差超過容許值,我們可利用異常來剔除該線。但這種檢測方式存在的問題是,我們是在成品後尋找不良品,此時干預已為時過晚。實踐證明,我們可以在生產過程中,在該線開始拉長或偏斜,但還未超出容許值前就發現它,並在第一時間進行干預以避免生產出不良品。

了解更多 >