报表工具tableau，有没有做过IOC智能运营中心项目的？
有的，可以参考图扑软件Hightopo 搭建的智慧城市大数据运营中心 IOC 可视化案例。
IOC（Intelligent Operations Center）——智慧城市智能运营中心就是智慧城市的大脑，是建立在各个智慧应用系统之上的系统。通过对政府各职能部门的业务信息共享与整合，聚焦城市运行监测、分析决策、可视化指挥、应急管理等环节，对人口统计、民生服务、信访举报、产业经济、突发事件等一系列综合指标进行有效监控，并围绕网格化管理、综合执法、环境卫生、园林绿化等重点领域，提升城市运行管理水平和突发事件的处置效率。打造智慧市政、智慧城管、智慧社区等智慧型城市。
HT for Web GIS 产品的定位在于运用产品强大的可视化技术，将地理信息系统（Geographic Information System，GIS）的数据进行丰富的可视化展示。以城市为基础，对城市各类基础设施数据以更加多样化形式进行可视化展示；将 GIS 数据和云计算、大数据、物联网等技术相结合，构建真正的数字经济，数字城市，数字中国；以时空为基础，通过可视化分析技术，对城市的规划、布局、分析和决策提供技术支撑，推进城市数字化转换和建设。
图扑软件（Hightopo）总部正位于美丽的鹭岛厦门，厦门是一个集文化、生态、旅游、高新技术于一身的美丽城市，并被誉为“国家生态园林城市”、“中国人的海上花园”。
智慧城市智能运营中心（IOC）案例以厦门为基点，使用 Hightopo 的 2D、 3D 和 GIS 可视化技术进行搭建。市面上的 GIS 系统常见的是基于 ArcGIS API for JavaScript、百度地图API、高德地图 API 、Cesium、Mapbox、Leaflet、Openlayers 等技术进行实现。HT for Web GIS 产品支持对不同地图瓦片服务或数据、航拍倾斜摄影实景的 3DTiles 格式数据以及城市建筑群等不同的 GIS 数据的加载，同时，结合 HT 矢量、BIM 数据轻量化、三维视频融合以及2D 和 3D 的无缝融合等技术优势，在 GIS 系统中对海量的 POI 数据、交通流量数据、规划数据，现状数据等进行多样化的可视化展示。HT for Web GIS 产品颠覆传统的 GIS 系统的开发，让 2D GIS 系统和 3D GIS 系统的开发变得更加便捷，数据更加直观，展现更加多样化。
有兴趣可至图扑软件官网查看详情~
如何用excel制作数据分析？
对于高级的数据分析而言，不一定非得求助于SPSS,SAS这类专业的分析工具，有时候Excel的数据分析功能也能实现从低级到高级层次的跳跃～
so，这里给你介绍几种Excel在数据分析里的实际应用～
1、数据透视表数据透视表是一种交互式的表，可以对数据的不同项目进行快速地统计，并且动态地改变数据的版面布置，让分析以不同的角度来分析数据。
Excel的数据透视表是一个强大的工具，它可以将海量数据做成各种报表，并实现报表数据的快速切换。
还可以对数据进行统计、排序、筛选。使用交互工具，如切片器、日程表，可以从项目名称和时间的角度动态地查看数据。
举个栗子：
货物销售数据量十分大，每天都会产生大量的销量数据，如下图所示，仅仅只是销售数据的冰山一角。面对这样的如何，如何快速分析，不同日期下，不同商品的销量？不同地区的销量？不同商品的售价波动情况？不同地区的退货量？不同销售员的总销量大小？不同销售员的退货总量大小？
答案是将海量数据建立成数据透视表，可以通过选择字段的方式，快速切换数据版面，从不同的角度汇总商品数据。
不同日期下不同商品的销量【切片器】功能可以通过交互动态的查看数据，如下图所示，选择需要查看的条件（王强销售员的相关数据），就能快速显示符合条件的数据。
2、图表数据分析少不了图表分析，图表不仅是后期制作数据报告时，数据展现的重要形式，还能在数据分析过程，以直观的方式带给分析者“灵感”，发现数据中隐藏的信息量。
在Excel中，选中数据后，打开【插入图表】对话框，可以看到所提供的图表类型，一共15种图表类型，每一种图表类型下，又细分为多种形式的图表。
Excel图表的种类如此丰富，基本能覆盖90%的数据分析需求。
两个注意点：可以将图表的格式设置好后，添加到【模板】中，方便下次快速调用；图表的呈现形式是多种多样的，通过调整布局元素的格式，可以制作出效果丰富、惊人的图表。重在不要固化思维，多思考与数据切合的呈现形式。
3、条件格式条件格式适用于表格数据的分析，通过更改表格数据的格式，让分析者快速掌握表格数据的概况。
1、快速找出符合要求的数据：使用【突出显示单元格规则】菜单中的选项，可以快速找出符合一定数值范围的单元格数据，并为这些数据单元格填充底色突出显示；
2、找出数值排名靠前、靠后的数据：利用【最前/最后规则】选项可以突出显示数值排名靠前多少位、靠后多少位的单元格数据；
3、根据单元格数据大小添加长短不一的数据条，通过数据条的长度来快速判断单元格数据大小的分布，方法是使用【数据条】选项功能；
4、根据单元格数据大小添加颜色深浅不一的数据条，通过数据条的颜色深浅来快速判断单元格数据大小的分布，方法是使用【色阶】功能；
5、为单元格中不同类型的数据添加图标，以示区分，方法是使用【图标集】选项功能；通过函数实现更复杂的数据突出显示功能。
6、通过【新建规则】选项，可以编写函数同，实现更复杂的单元格数据显示。
4、分类汇总分类汇总提供了将数据以不同形式汇总的功能。比如如果需要统计不同数据项目的总和，以便对数据的总数值有一个了解，同时对比各项目的总和大小等等场景。
举个例子：
原始表格中，包含多个项目，有产品名称、型号、销售部门、销量、日期、单价、销售额项目，使用分类汇总功能：
可以汇总不同日期下的商品销量、销售额；汇总不同销售部门的商品销量、销售；汇总不同商品的销量、销售额；汇总不同商品型号的销量、销售额。针对一份数据的不同汇总要求，均能快捷简便地实现。如下图所示，是汇总不同日期下销售额总值的效果。
5、回归分析这个算是Excel在数据分析里比较高级的功能了，在详细进行回归分析之前，首先要理解什么叫回归？
实际上，回归这种现象最早由英国生物统计学家高尔顿在研究父母亲和子女的遗传特性时所发现的 一种有趣的现象：身高这种遗传特性表现出”高个子父母，其后代身高也高于平均身高；但不见得比其父母更高，到一定程度后会往平均身高方向发生’回归’”。 这种效应被称为”趋中回归”。
现在的回归分析则多半指源于高尔顿工作的那样一整套建立变量间的数量关系模型的方法和程序。 这里的自变量是父母的身高，因变量是子女的身高。
这里举个电商的例子：电子商务的转换率是一定的，网站访问数一般正比对应于销售收入，现在要建立不同访问数情况下对应销售的标准曲线，用来预测搞活动时的销售收入，如下所示：
在使用之前，首先得安装Excel的数据分析功能，默认情况下，Excel是没有安装这个扩展功能的，安装如下所示：
1）鼠标悬浮在Office按钮上，然后点击【Excel选项】：
2）找到【加载项】，在管理板块选择【Excel加载项】,然后点击【转到】：
3）选择【分析工具库】，点击【确定】：
4）安装完后，就可以【数据】板块看到【数据分析】功能，如下所示：
接下来，我们看下它的实操应用。
1. 首先，利用散点图描绘图形：
2. 添加趋势线，并且显示回归分析的公式和R平方值：
从图得知，R平方值=0.9995，趋势线趋同于一条直线，公式是：y=0.01028x-27.424
R 平方值是介于 0 和 1 之间的数字，当趋势线的 R 平方值为 1 或者接近 1 时，趋势线最可靠。因为R2 >0.99，所以这是一个线性特征非常明显的数值，说明拟合直线能够以大于99.99%地解释、涵盖了实际数据，具有很好的一般性, 能够起到很好的预测作用。
3. 使用Excel的数据分析功能
1）点击【数据分析】，在弹出的选择框中选择【回归】，然后点击【确定】：
2）【X值输入区域】选择访问数的单元格，【Y值输入区域】选择销售额的单元格，同时勾选如下所示的选项，包括残差、标准残差、残差图、线性拟合图和正态概率图。
3）以下内容是残差和标准残差：
4）以下是残差图：
残差图是有关于实际值与预测值之间差距的图表，如果残差图中的散点在中轴上下两侧分布，那么拟合直线就是合理的，说明预测有时多些，有时少些，总体来说是符合趋势的，但如果都在上侧或者下侧就不行了，这样有倾向性，需要重新处理。
5）以下是线性拟合图：
在线性拟合图中可以看到，除了实际的数据点，还有经过拟和处理的预测数据点，这些参数在以上的表格中也有显示。
6）以下是正态概率图
正态概率图一般用于检查一组数据是否服从正态分布，是实际数值和正态分布数据之间的函数关系散点图，如果这组数值服从正态分布，正态概率图将是一条直线。回归分析不一定得符合正态分布，这里只是仅仅把它描绘出来而已。
以上数据表格和图表都说明公式y=0.01028x-27.424是一个值得信赖的预测曲线，假设搞活动时流量有50万访问数的话，那么预测销售将是51373，如下图所示：
洋洋洒洒写了这么多，也不知道您能消化多少～不过实话实说啊，用excel做数据分析报表或多或少还是有一定的使用门槛的，需要有持久的定力外加百分之200%的专注度和探索精神。so, 加油祝您早日学成～
如果学习起来真的灰常吃力，那也千万不要捉急～因为我还给您准备了第二种解决方案。
第二个智囊盒就是！！！！
👉 直接导入数据源（Excel），然后用伙伴云仪表盘实现数据分析！
下面就是伙伴云仪表盘所实现的数据分析样式展示 ↓↓↓
是不是比excel的图表展示样式更为丰富、更美观？其实吧，它还可以进一步升级制作成炫酷大屏～
配置方法也可以说是非常简单，这里就不展开演示了，有兴趣的小伙伴可以免费体验哦~
欢迎用过 or 在用伙伴云的童鞋在线交流说下您的使用感受，期待各位的留言评论～
DGS怎么查找生产数据？
对于DGS来说，要查找生产数据，可以按照以下步骤进行：
1. 确定数据源：首先需要确定生产数据的来源，可能是仓库、工厂设备、生产线上的传感器等。根据具体情况，确定需要查找的数据源。
2. 确认数据格式：生产数据可能以不同的格式存储，例如数据库、电子表格、日志文件等。了解数据的存储格式，以便后续的数据查询和分析。
3. 使用查询工具：根据数据源和格式，选择合适的查询工具。常见的工具包括SQL查询语言、数据分析软件（如Excel、Tableau）等。根据需要的数据维度和指标，编写查询语句或者使用工具提供的界面进行查询。
4. 设定查询条件：根据需要查找的具体数据，设定查询条件。例如，要查找某个时间段内的生产数据，可以设定起始时间和结束时间；要查找某个产品的生产数量，可以设定产品名称等条件。
5. 执行查询：将设定好的查询条件应用到查询工具中，执行查询操作。查询工具会根据条件筛选出符合要求的生产数据。
6. 分析和解释结果：获取查询结果后，对数据进行分析和解释。可以使用统计方法、可视化工具等对数据进行分析，从中提取有价值的信息和结论。
总结：要查找生产数据，需要明确数据源和格式，选择合适的查询工具，设定查询条件，执行查询操作，最后对结果进行分析和解释。这样就可以获得所需的生产数据。
怎样从小白开始系统的学习数据可视化？
现在的数据可视化都挺简单的吧，只需要借助可视化报表统计就可以轻松搞定了，在这我推荐雀书无代码平台数据可视化也可以用可视化报表引擎来实现。
报表引擎起源于流行的工作流引擎的原理、报表格式的定义、报表内容的各种算法，产生报表引擎的思想。它主要是引用工作流引擎的流程运转原理，在原始数据的基础上，定义报表的格式、报表的算法，根据定义的算法自动执行计算，并输出计算后的结果，再根据定义的报表格式显示报表的内容。
在市面上有很多的报表数据分析大屏，今天小编就主要介绍雀书无代码开发平台的，请往下看：
组件：
柱状图，折线图，饼状图，漏斗图，仪表盘，双轴图，排名表，雷达图，指标卡，表格，透视图，地图。查询按钮，日历一个14个组件。
展示：
按钮，应用，待办流程，轮播图，日程，公告，帖子，7种展示。
选择数据集：
根据想呈现内容进行配置数据，可表队标进行关联，分组，函数公式的计数，最大值，最小值，求和，平均值，还可对数据进行筛选，给字段排序，限制数据量。
配置报表：
先选择报表组件，然后配置数据。
报表统计：
企业相关人员可以通过大数据报表可视化形成的图形，进行数据方面的分析，可以将一些企业运营中存在的问题或者产品出现的数据问题，进行合理的避免。大数据形成的图形，可以很直观、很清晰地显示数据，并且可以节约工作人员的时间，从而可以间接的节约时间。
数据大屏：
结语：雀书平台的报表搭建操作简单，业务人员可在线完成报表设计、修改等、缩减开发时间、成本、测试等环节、有效地提高了企业的办公效率，可以去试试，，溜了。赶紧去试试吧。
商业智能相关知识？
“商业智能”这个词，多数人普遍认为是Gartner机构在1996年第一次提出来的，但事实上IBM的研究员Hans Peter Luhn早在1958年就用到了这一概念。
本文由齿轮易创原创，未经许可禁止一切形式的修改、转载。转载请私信联系齿轮易创。1865年，理查德·米勒·德文斯（Richard Millar Devens）在《商业趣闻百科全书》（Cyclopædiaof Commercial and Business Anecdotes）中提出了“商业智能”（BI）一词。他用这个词来描述银行家亨利·福尼斯（HenryFurnese）通过收集信息并根据这些信息，先于竞争对手采取行动，从而获利。
1958年，IBM计算机科学家汉斯·彼得·卢恩（Hans PeterLuhn）撰文讨论了利用技术来收集商业智能的潜力。按照今天的理解，商业智能就是利用技术来收集和分析数据，将之转换成有用的信息，并根据这些信息，“先于竞争对手”采取行动。从本质上说，现代版的商业智能利用技术，在正确的时间，依据正确的信息，迅速且有效地作出决策。
1968年时，只有那些具备专业技能的人，才能把数据转换成可用的信息。那时，来自多个来源的数据通常储存在筒仓中，研究报告呈碎片化，彼此脱节，可以作出多种不同的解读。埃德加·科德（Edgar Codd）认识到，这是个严重的问题。
1970年，他发表文章，改变了人们思考数据库的方式。他关于建立“关联式数据库模型”的提议获得了巨大关注，被全世界所采纳。决策支持系统（DSS）是第一个数据库管理系统，现代版的商业智能是从DSS数据库演化而来。
上世纪80年代，商业人士发现了商业智能的价值，于是BI供应商的数量大增。那期间，各种各样的工具纷纷面世，目标是以更简单的方式访问和组织数据。联机分析处理（OLAP）、主管信息系统（EIS）和数据仓库应运而生，与DSS协同工作。
什么是商业智能？BI（BusinessIntelligence）即商务智能，它是一套完整的解决方案，用来将企业中现有的数据进行有效的整合，快速准确的提供报表并提出决策依据，帮助企业做出明智的业务经营决策。
用一句话就是”使用基于事实的决策支持系统，来改善业务决策的一套理论与方法。”
商业智能通常被理解为将企业中现有的数据转化为知识，帮助企业做出明智的业务经营决策的工具。这里所谈的数据包括来自企业业务系统的订单、库存、交易账目、客户和供应商等来自企业所处行业和竞争对手的数据以及来自企业所处的其他外部环境中的各种数据。而商业智能能够辅助的业务经营决策，既可以是操作层的，也可以是战术层和战略层的决策。为了将数据转化为知识，需要利用数据仓库、联机分析处理（OLAP）工具和数据挖掘等技术。
因此，从技术层面上讲，商业智能不是什么新技术，它只是数据仓库、OLAP和数据挖掘等技术的综合运用。可以认为，商业智能是对商业信息的搜集、管理和分析过程，目的是使企业的各级决策者获得知识或洞察力（insight），促使他们做出对企业更有利的决策。
商业智能一般由数据仓库、联机分析处理、数据挖掘、数据备份和恢复等部分组成。商业智能的实现涉及到软件、硬件、咨询服务及应用，其基本体系结构包括数据仓库、联机分析处理和数据挖掘三个部分。
因此，把商业智能看成是一种解决方案应该比较恰当。
商业智能的关键是从许多来自不同的企业运作系统的数据中提取出有用的数据并进行清理，以保证数据的正确性，然后经过抽取（Extraction）、转换（Transformation）和装载（Load），即ETL过程，合并到一个企业级的数据仓库里，从而得到企业数据的一个全局视图，在此基础上利用合适的查询和分析工具、数据挖掘工具（大数据魔镜）、OLAP工具等对其进行分析和处理（这时信息变为辅助决策的知识），最后将知识呈现给管理者，为管理者的决策过程提供支持。
提供商业智能解决方案的著名IT厂商包括微软、IBM、Oracle、SAP、Informatica、Microstrategy、SAS、Royalsoft等。
理解、推理、学习
本文由齿轮易创原创，未经许可禁止一切形式的修改、转载。转载请私信联系齿轮易创。商业智能的三个特征利用互联网和算法的优势，低成本实时服务海量用户；满足每一个用户的个性需求；快速迭代，自我更新，自我提升。智能商业双螺旋——网络协同和数据智能。两者是阴阳和合的，网络协同推动数据智能的发展，数据智能驱动网络协同的扩张。
网络协同，就是大规模、多角色的实时互动来解决一个特定的问题。
两个例子，第一个是维基百科，人类历史上第一次出现了一个没有中央政府协调的、大规模的、自发协同完成的在线知识库。第二个是淘宝，今天的淘宝卖家已经可以在线，同时和几百个服务商合作，只需要一个API的链接，就能调动相关数据和相关服务。
网络协同是企业迈向智能商业最重要的第一步。
数据智能，本质是机器取代人直接做决策。需要几个重要前提：云计算，大数据、算法、迭代。
以Google搜索为例，它有三个核心的组成部分，一个是算法，是机器学习的引擎；一个是数据，非常重要的一点是它要循环，形成一个反馈；一个是用户，两个极简的产品界面——搜索框和结果页，只需三个步骤——输入关键词，出结果页，点击——就能完成一次搜索。
一个非常重要的推论：未来任何一个企业，都是服务企业，因为客户真正要的是服务，不是产品。大体量的公司能够继续保持多年的高速增长，背后的原因是智能商业的黑洞效应。
黑洞意味着它有巨大的能量场，它的四个构成：
网络协同具备网络效应，具有指数级增长的天然优势;数据智能有学习效应，机器的算法不断通过对数据的处理，提高自己的智能水平;网络天然会产生数据压强，推动数据智能的发展；数据智能具有网络张力，数据和信息的使用过程，就是一个价值创造的过程。商业智能、云计算、大数据之间的区别？大数据VS云计算
云计算就是硬件资源的虚拟化；大数据就是海量数据的高效处理。
云计算作为计算资源的底层，支撑着上层的大数据处理，而大数据的发展趋势是，实时交互式的查询效率和分析能力。
大数据的本质就是利用计算机集群来处理大批量的数据，大数据的技术关注点在于如何将数据分发给不同的计算机进行存储和处理。云计算的本质就是将计算能力作为一种较小颗粒度的服务提供给用户，按需使用和付费，体现了：
经济性，不需要购买整个服务器快捷性，即刻使用，不需要长时间的购买和安装部署弹性，随着业务增长可以购买更多的计算资源，可以需要时购买几十台服务器的1个小时时间，运算完成就释放自动化，不需要通过人来完成资源的分配和部署，通过API可以自动创建云主机等服务。云计算的技术关注点在于如何在一套软硬件环境中，为不同的用户提供服务，使得不同的用户彼此不可见，并进行资源隔离，保障每个用户的服务质量。在大数据和云计算的关系上，两者都关注对资源的调度。
大数据处理可以基于云计算平台（如IaaS，容器）。大数据处理也可以作为一种云计算的服务，如AWS的EMR（Amazon Elastic MapReduce ）阿里云的ODPS（Open Data ProcessingService）。商业智能VS大数据
目前，商业智能和数据分析常常被混用。这两个术语都描述了在商业决策过程中使用数据的普遍实践。
商业智能代表了为决策者提供辅助的一系列技术，而数据分析则代表了处理数据的一系列工具，并且作为一个统称，涵盖了数据仓库、企业信息管理、商业智能、企业绩效管理和企业治理。
本文由齿轮易创原创，未经许可禁止一切形式的修改、转载。转载请私信联系齿轮易创。大数据与商业智能的对比可以通过下面的表格来归纳总结：
从概念的角度区分BI（Business Intelligence）即商务智能，它是一套完整的解决方案，用来将企业中现有的数据进行有效的整合，快速准确地提供报表并提出决策依据，帮助企业做出明智的业务经营决策。商业智能BI在数据架构中处于前端分析的位置，其核心作用是对获取数据的多维度分析、数据的切片、数据的上钻和下钻、cube等。通过ETL数据抽取、转化形成一个完整的数据仓库、然后对数据仓库的数据进行抽取，而后是商业智能的前端分析和展示。大数据（big data）是一种信息资产，它是无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力。简单而言，大数据更偏重于发现、预测并印证的过程。
从数据来源的角度区分大数据的数据来源包括内部数据和外部数据，有很大一部分数据是包括音频、视频、图像在内的非结构化数据，或是半结构化数据。这类数据通过大数据管理的方式进行整合，然后用BI的方法进行分析挖掘处理。而BI的数据很多是来自数据库的结构化数据分析。在企业内部实施BI应用就是为了可以更好的对数据进行分享和使用。
从技术的角度区分从技术方面来看，传统BI的ETL、数据仓库、OLAP、可视化报表技术，都处于淘汰的边缘，因为解决不了海量数据（包括结构化与非结构化）的处理问题，BI的很多功能都可以被对应的大数据组件所替代。大多数企业即使没有大数据业务的驱动，大数据技术的优势依然不容小觑。
从应用的角度区分BI涉及的应用科学包括：终端用户查询和报告工具、数据挖掘软件、数据仓库产品。主流的传统商业智能工具包括BO、COGNOS。一些新型的BI工具如Tableau、Qlikview、帆软FineBI在目前市场也被广泛应用。而大数据的应用几乎涉及到社会生活的方方面面，如医疗行业、金融行业、体育行业、安全执法、城市改善等等。当然，大数据所涵盖的领域不止这些，未来还会有许多新的行业和领域利用大数据的应用进行规划和发展。
从决策者的角度区分BI更倾向于决策，对事实描述更多是基于群体共性，帮助决策者掌握宏观统计趋势，适合经营运营指标支撑类问题；大数据则内涵更广，倾向于刻画个体，更多的在于个性化的决策。
从人员技能角度区分大数据的数据处理，涉及很多新的技术，不同的应用场景需要不同的大数据处理方法，需要有人专门进行研究和探索，可见大数据对于BI人员的技能要求有所提高。
从发展趋势的角度区分随着企业CRM、ERP、SCM等应用系统的引入，企业不仅仅关注事务处理过程，而更加注重有效利用企业的数据为准确和快速的决策提供支持。由此带动的对商业智能的需求将是巨大的。BI的发展趋势可以归纳为以下几点：从单独的商业智能向嵌入式商业智能发展，从传统功能向增强型功能转变，从传统型BI向敏捷型BI转变。
商业智能的未来趋势的猜测在线化，就是IOT（物联网），将极大的扩张智能商业的边界，我们最终会实现万物互联。
全新的交互方式发展，IOT将会出现里程碑式的产品。以语音为代表的家庭智能中心，以视觉为代表的应用级AR设备以及以感知为代表的无人驾驶。IOT的集大成的产品，很可能就是无人驾驶汽车。
智能化，AI（人工智能）技术将极大增强黑洞效应。
首先，算法会成为基础设施。对于大部分企业来说，不需要算法工程师，只需要人工智能训练师。其次，深度学习，包括增强学习会在每一个行业越来越多的被运用。
网络化，协同网络将急剧扩张。
网络协同扩张与重构，广告、零售、物流、到创意、营销的全链路重构。几乎在每一个行业都会经历一个从传统的封闭的线性供应链，走向开放的价值协同网，这中间有巨大的商机。
并且我们能看到的两个重要趋势：
第一，新星涌现，现有生态继续大爆炸，多元物种蓬勃生长。教育、健康、交通，本身都是几十万亿的大产业，在转向智能商业的过程中，会出现平台级、生态级的领先企业。第二、颠覆式技术形成新黑洞，区块链、AI、AR/VR（增强现实和虚拟现实）。我们如此强调智能商业，一个重要原因就是源头技术还在不断的进步。
要想在智能商业时代取得成功，战略的基本思路都要被改写。
除了传统的定位之外，新战略中间一个最重要的概念，我把它叫做点线面体。就是未来的竞争中，一个企业战略决策的第一核心，是要考虑在一个怎样的网络去竞争，是作为一个面，作为一个网络平台，去引领一个生态的发展，还是在一个特定的网络里面，去做一个点或者去做一条线。企业升级的指南：
能不能尽可能的网络化；能不能尽可能地引入机器学习；能不能够在网络扩张的过程中间，尽可能的用机器决策取代人工决策；能不能够让我的数据跟更多的不同类型的数据产生交换。结论：数据是这个时代最重要的生产要素，未来的智能时代，是人脑与机器智能的连接。
本文由齿轮易创原创，未经许可禁止一切形式的修改、转载。转载请私信联系齿轮易创。
还没有评论，来说两句吧...