如何利用数据推动数字业务增长

MICHAEL KRIGSMAN: 今天我们对话 Shy Chalakudi。她是慧与 (HPE) 企业数据分析与数字技术的负责人。

慧与 (HPE) 是一家大型公司，今天我们将讨论数据的生命周期、数据在数字化转型和更广泛的组织转型中扮演的角色。嗨，Shy。你今天过得怎么样？

SHY CHALAKUDI: 很高兴，Michael，你怎么样？

MICHAEL KRIGSMAN: 我很好，Shy。在我们开始之前。最近一个季度怎么样？你最近的季度表现如何？

SHY CHALAKUDI: 哦，Michael，我们度过了一个非常棒的季度和非凡的 2021 年。我们在所有指标上都超出了预期。我们的其他业务收入环比增长 9%，同比增长 28%。

我们的净收入为 74 亿美元，环比增长 7%。如果我们谈论我们的资产服务 ARR，达到 7.96 亿美元，同比增长 36%。坦白说，这是走出疫情和适应我们都在进行中的重大变化后，非常棒的一年。我为慧与 (HPE) 在 2021 年取得的成绩感到非常自豪。

MICHAEL KRIGSMAN: Shy，祝贺取得如此出色的业绩。现在，你是企业数据分析与数字技术的负责人，这个职位意味着什么，又包含哪些职责？

SHY CHALAKUDI: 我真的很开心能担任这个企业级角色。Michael，基本上，你可以将它视为将我刚刚向你解释的商业模式内部化。

就是确保我能推动公司实现数据优先的现代化。我们要确保，Antonio 交给我的最重要任务就是让数据引领我们的数字化转型，这就是我和我的团队作为我的职责一部分所做的工作。

我最大的愿景是创建一个统一的数据源，不一定是物理数据源，而是一个虚拟化的统一数据源，我的每个利益相关者都可以访问。我的内部客户和外部客户都能从单一事实来源获取数据。

好吧，这个愿景说起来容易做起来难。如果你看看 Gartner 告诉我们什么，公司花费 80% 的时间在数据处理上，老实说，我们也不例外。

确保数据得到有效管理、从数据中有效获取元数据、数据沿袭、数据画像、数据质量所需的时间。关于管理数据所需的治理，我可以讲很多很多，这主要是我组织的使命。

我的团队成员竭尽全力确保我们创建一个复杂、自动化、简化的数据视图，供内部和外部客户共同使用。

这是我们数字化转型的一个关键点，因为数据将驱动洞察，以帮助业务推动数字化转型。

MICHAEL KRIGSMAN: Shy，你说了一件非常重要的事情，即利用数据支持数字化转型是一项由你们首席执行官推动的倡议。

SHY CHALAKUDI: 确实如此，Michael。如果你看看我们的商业模式，Antonio 一直非常清楚地表明我们要转向即服务订阅模式。

如今，我们可能都很习惯了，比如你看看你的手机使用或家里的用电，你都是按使用量付费，这正成为客户的需求。

所以这是 Antonio 正在推动的最大变革之一。但它的妙处在于，我们不仅仅是将计费模式从按月订阅或按年订阅改为按使用量付费，而且在这样做时，我们希望确保为客户提供解决其问题的方案。

不仅仅是像我们一直以来那样提供产品或服务。所以这是我们正在对商业模式进行的重大转型和改变之一。数据处于核心地位，因为你需要了解你的客户，你需要知道他们正在寻找什么解决方案，以便提供定制化、个性化的服务。

因此，我们的整个新商业模式是由数据优先思维或数据引领数字化转型驱动的。这使得由数据驱动转型的所有重要性变得更加令人兴奋。

MICHAEL KRIGSMAN: 所以数据是数字化转型的核心，这对于慧与 (HPE) 来说现在是基础性的。你能否举一些用例，说明你们如何密集地使用数据来支持你刚才描述的这些目标？

SHY CHALAKUDI: 当然。我或许可以举一个我们都能理解的更通用的用例。当然，身处科技行业，我们有一些特定的用例，如果时间允许我们可以讨论。但我们都能理解的最通用的用例是了解你的客户。

更常见的是，行业可能称之为客户 360 度视图，基本上就是理解客户的方方面面。如果你从慧与 (HPE) 的角度来看，正如我所说，我们提供服务器需求、企业存储需求、网络、软件、咨询等的解决方案，等等。 

因此，能够从这些不同的指标、每个客户角色和画像来理解客户，并了解他们的整个旅程。

我希望能够了解客户从最初的网站咨询、打来的销售电话或与我的支持人员进行的支援电话开始的每一次互动，将所有这些信息汇总到一个单一视图中，这为我们所有的业务部门，包括服务团队成员、营销团队成员、销售团队成员带来了巨大的价值。

我认为这是我们一直疯狂关注的重要倡议之一。这样它也符合我们的品牌价值。Michael，如果你想想慧与 (HPE) 的品牌，就是客户服务、客户互动、尊重客户权利。所以我觉得这对我们来说是自然而然的。但这是我们正在重点关注的、由数据驱动的最大倡议之一，旨在实现数字化转型。

MICHAEL KRIGSMAN: 那么当你谈到客户互动以及利用数据更好地理解和服务客户时，你指的是哪类数据？

SHY CHALAKUDI: 有趣。各种数据都是通用答案。但如果你剥开洋葱，那就是关于主数据和事务数据。

说实话，我们跟踪客户的整个生命周期旅程，甚至在他们可能成为我们的潜在客户之前。所以数据从售前阶段开始，一直到销售阶段，再到售后阶段。

正如我所说，我们的品牌也关注售后客户。我们与客户建立长期关系，所以数据从端到端贯穿始终，Michael。

其中大部分是数据的混合体，销售阶段可能是结构化数据。但到了售前阶段，我们会关注正在发生的行业趋势，收集社交数据。

这位客户当前的需求是什么？他们正在谈论他们最大的问题是什么？我们通过社交数据识别这些信息，这主要是非结构化数据，我们也要处理这些数据。

然后我们还会分析通过这些不同的监听渠道获得的客户情绪和客户分析，这些也可能是非结构化数据。

然后谈到销售部分，我认为可以简单地理解为从报价到收款 (code to cash)，即我们生成交易的能力——这正是我们数据的核心所在，是我们在此管理的一套高度安全和高度监管的数据，以便在销售过程中实现客户旅程。

然后到了售后阶段，我认为这里又是数据的混合体。因为涉及到服务渠道时，主要是语音数据。

所以我们正在研究将语音转换为结构化数据。或者当你看到图片时，因为我们跟踪在我们客户所在地部署的产品图片，这又是非结构化数据，我们将图片转换为非结构化数据。所以数据类型是混合的，但主要侧重于事务数据，这些数据可以帮助我们更好地服务客户。

MICHAEL KRIGSMAN: 那么这些事务数据基本上涵盖了整个客户旅程，也就是客户可能与慧与 (HPE) 发生的所有互动，我猜是这样。

SHY CHALAKUDI: 没错。而且我们是一家科技公司，很幸运能够使用自己的产品，所以我们非常非常乐于收集尽可能多的数据。

作为数据负责人，我坚信你需要选择你的数据，当然也要清洗数据，然后选择你需要服务客户的正确信息，但你永远不要限制自己收集尽可能多数据的能力。

老实说，在这方面我们有点贪婪。我们尽可能收集所有数据，然后只使用我们需要的部分，但我们从不吝啬收集客户角度所需的所有数据。

MICHAEL KRIGSMAN: 一个重要的问题是，你们如何将收集的这批数据与支持客户整个生命周期的业务决策联系起来？这似乎是许多组织面临难题的关键缺失环节。

SHY CHALAKUDI: 确实如此。再说一次，如果我准确地说，有一个误解是你可以使用 AI/ML，或者你可以创建个性化，或者你可以为客户提供更好的体验。

但你说得完全正确，Michael，如果你不能清晰地阐述和关联依赖关系，那正是数据治理发挥作用的地方，这也是我的团队一直疯狂关注的重点。我们在业务合作伙伴中设有数据专员，我们请他们协助我们将数据与业务语言联系起来。

但我认为工具和流程的自动化有助于我们实现数据画像、数据沿袭并将数据的关键方面贯穿整个旅程连接起来，这是我们花费大部分时间的地方。

这既需要工具也需要流程，两者必须协同工作。我通常会开玩笑说，这有点像一种特质，你必须有治理政策，必须有关于如何使用和连接数据的严格政策。而且没有例外。

我在这方面非常严格，如有必要，我毫不犹豫地使用我的“大棒”。但同时，你也要考虑到客户的使用情况。

所以我们有很多联邦数据源，我们允许业务部门自行去体验数据，发现数据的新元素，这让他们保持参与，并不断强化他们为何需要预先投入精力来定义数据治理政策的重要性。所以这是一种阴阳平衡，对我们来说协同运作。

MICHAEL KRIGSMAN: Shy，你一直在讨论姑且称之为业务数据、事务数据，这些数据帮助你更好地理解客户并更好地服务他们。那么从你们部署在客户那里的软件和技术中获取的遥测数据又如何呢？

SHY CHALAKUDI: 哦，天哪，你触及了我们工作的核心，Michael。是的，我们以客户为中心，客户数据对我们很重要，但遥测数据对我们来说太有趣了。

如果你仔细想想遥测 (telemetry) 这个词，它来自一个希腊词。Tele 和 mitron 非常简单，tele 意为“远程”，mitron 意为“测量”。这不是一个新科学或新领域，遥测已经存在很长时间了，机器也被用于生成数据。

但我认为，在这个时代，现在重要的事情是这些机器产生的数据量。机器变得越来越精密，尤其是我们部署在客户现场的机器，都是高度智能的机器。

它们不仅生成数据并向我们提供它们行为的指示和线索，而且还能自我修复。它们还能够理解并嵌入了 AI/ML，可以推测将会发生什么，并进行预测和应对。

所以对我们来说，理解这些机器的行为非常重要，我们收集了大量的遥测数据。我可以告诉你，如果你和任何人谈论遥测，他们会告诉你的第一个最大挑战就是存储，因为机器比我们生成更多数据，而且不断地从它们那里获取信息。

老实说，我的团队花了很多时间来有效地管理这些数据，切割数据，如何从数据中获取趋势，如何确保我们不会承担专门存储这些数据的负担。

但我们持续利用数据来理解并改进我们可以构建的东西。这绝对是我们关注的重点，也是一个有趣的地方，而且随着我们越来越多地发现遥测的使用方式，我们也在不断学习。

MICHAEL KRIGSMAN: 好，稍后我想谈谈你们用于收集和管理所有这些数据的基础设施。但首先，你能否举几个例子说明构成你们讨论的遥测数据有哪些类型？

SHY CHALAKUDI: 当然。或许我可以举一个可能更容易理解的例子。如果你想想我们的网络设备，比如你家里用的调制解调器 (modem)，希望它是我们提供的 Aruba 调制解调器。

但如果你看看这种调制解调器，它会持续为我们生成数据，我们通过我们的服务器监控这些数据，它会告诉我们设备的行为。

比方说，一个组织在其整个办公空间部署了大约 70、80 或 800 个这样的调制解调器，我们真正能用这些数据做的是理解该生态系统的行为模式。

我最近的一个例子是，我们有一个组织部署了大约 800 个这样的调制解调器。我们发现其中大约 30% 的设备很少使用，因为那些是人们几乎不去访问数据的偏远区域。

所以我们所做的是，为该组织制定了一个优化计划，以便在正确的配置下重新利用或部署这些调制解调器，从而最大化他们对我们的投资。

这是一个双赢局面，因为我们不仅能为客户提供更好的解决方案，客户也能在其基础设施上节省整体优化效率的成本。

这就是遥测带给我们的巨大优势。当你谈论 AI/ML 等等时，它帮助我们理解设备的自我修复模式，理解它如何控制其生态系统周围的温度。

这类数据完全用于理解我们的产品目录。我们如何改进产品取决于，例如，如果一个设备从客户角度看故障了四次，它可能自我修复且没有中断，但这对于我们来说意义重大。

所以这意味着我们会召回该产品，以便现在就能修复并防止这类故障。所以我可能会从两个方面来看待：我们首先使用遥测数据为外部客户提供服务和优化，但更重要的是，我们从这些设备中了解我们产品的能力，并在此基础上进行改进，以便为客户制造更好的产品。

MICHAEL KRIGSMAN: 太有趣了。所以你们正在收集大量遥测数据，通过你们的机器学习模型处理这些数据，然后生成我们所说的行动项，无论是反馈给产品设计，还是以某种不同的方式在某个特定客户那里部署这些产品。所有这些最终都非常有可操作性，正是因为有了这个数据源——遥测。

SHY CHALAKUDI: 没错。我认为，在我的数据中获得深度洞察和可操作洞察，这正是你提到的“让设想落地”的关键，Michael。我认为——别误会我，并非所有数据都成功了。

我们确实尝试了相当多的快速失败方法，但让我们兴奋的是能够处理这些行动项的可能性，更重要的是能让我们的客户受益。我认为正是这一点让我们重新聚焦于收集这些数据并更好地服务客户。

MICHAEL KRIGSMAN: 你提到这些数据也会向上游反馈到产品设计、产品开发中。你能否详细介绍一下？

SHY CHALAKUDI: 没错。我认为随着我们了解这些数据，我们在每个产品生命周期中都有研发团队。我们将这些数据提供给业务负责人，他们调查数据并从中识别出可操作洞察，这些洞察会被纳入投资生命周期中，并根据数据提示的需求进行相应使用。

所以这是一个持续的循环，理解数据，尝试从中找出有意义的信息。我的数据科学家帮助他们理解并将数据与功能集联系起来，然后尝试从中得出可操作的洞察，再反馈到产品生命周期中，用于未来的产品功能。

MICHAEL KRIGSMAN: 听起来随着时间的推移，这些遥测数据正成为你们改进销售产品和服务的越来越重要的信息来源。

SHY CHALAKUDI: 没错。没错，因为数据会说话。我们越是尝试解读和理解数据的语言，我认为情况就会越好。

正如我所说，我不想说我们已经完全精通了，我们仍在学习和发展。但我认为乐趣就在于此。在于能够理解、解读并从数据中找出意义。

MICHAEL KRIGSMAN: 现在，我们来谈谈你几分钟前简要提到的基础设施。首先，你们处理的是实时数据还是非实时数据？大部分时候你们处理哪类数据？

SHY CHALAKUDI: 这确实是一个混合体，我想说，Michael，更多的是由用例驱动的。从架构和基础设施角度来看，我可以告诉你，我们相当复杂，可以处理实时数据和非实时数据。

当我说是用例驱动时，我给你举个例子。例如，客户下单后，他们想立即知道订单在哪里？订单生命周期进展到哪一步了？预计发货日期是什么？他们想立即修改订单。

这些都应该实时处理。所以，就是这样，我们使用实时数据处理它们，将数据引入我们的基础设施，跟踪数据从源到目标的全过程。

当数据从源头流出时，我们可以将其视为一个流动的管道，我们能够即插即用，在需要的时候以所需的方式获取数据用于运营目的。

但当我们谈到遥测数据或客户数据时，我们会将这些数据收集到我们的数据湖中，然后对这些数据进行大量聚合，将不同类型的数据汇集起来，包括社交数据、遥测数据、客户数据，并聚合数据，创建一个通常不是实时的消费层。

因为你需要时间，你需要理解数据，你需要能够解读数据的含义，这需要大量的计算能力和大量的数据处理过程。

所以这通常在后端作为非实时数据进行处理，我们可以在上面进行 AI/ML 分析，但我们大部分的客户体验和客户需求是通过实时数据来实现的。

MICHAEL KRIGSMAN: 那么你们的基础设施是否足够灵活，能够处理所有这些不同类型的数据源，并将它们汇集在一起，以便进行任何适当的分析？

SHY CHALAKUDI: Michael，我不会说我们有一个支持所有业务场景的完善架构。作为一名技术专家和数据架构师，我不认为可以有一个架构能够支持所有业务场景。

正如我们向终端客户建议的那样，我要求我的团队遵循的一个关键原则是确保我们优化基础设施。但我可以向你保证，我们确实拥有一个快速数据架构和明确的数据原则，我们将这些原则融入并严格遵循。

当有一个业务用例提交给我们时，我们会研究该用例，理解其数据需求，理解其消费需求，并确保我们可以以更像即插即用的方式将其嵌入到我们现有的架构中。

MICHAEL KRIGSMAN: 所以你们从业务用例开始，然后基于该特定用例优化从始至终的路径？

SHY CHALAKUDI: 确实如此。我认为对于每个业务用例，我们都有一个非常严格的原则，就是要理解它将带来的价值主张。

因为正如我所说，尽管我们谈论存储非常便宜，特别是身在慧与 (HPE)，我们大部分基础设施都运行在 HOH 上，我们称之为 HP on HPE。但尽管如此，我认为根据原则，我们确保的是优化。

我有一个很大的优势，你也可以称之为责任，那就是成为我们产品的零号客户。可以称之为“自饮香槟”。

所以我经常与客户交流我的现有数据架构，我是如何优化的，以及如何重复利用各种组件，以此作为实际用例示例供他们在自己的基础设施中实施。

所以对我们来说非常重要的一点是，确保我们在慧与 (HPE) 内部构建的用于我们自己使用的任何东西，都能自信地推荐给我们的终端用户。因此，它根据我们支持的用例，进行了相当的优化，并且是原则驱动的。

MICHAEL KRIGSMAN: 那么在数据方面，你们是零号客户，也就是说你们是测试者。

SHY CHALAKUDI: 我就是测试者，我不想说“自食其犬粮”，我宁愿说“自饮香槟”。我是这么看的。我是我的产品团队的第一道防线。

我们现有数据结构中的大部分基础设施都运行在我们疯狂支持或鼓励客户使用的产品上，无论是 On 或 GreenLake 上。

我就是第一个测试平台，一个活的测试平台，为我的产品团队服务。所以我们会配合得很好，这是一段非常有趣的经历。通过使用它，我们能够与客户产生共鸣，能够从客户的角度看待问题，也能在接触客户之前发现真正的问题。所以作为我们产品的第一个客户对我们来说是巨大的胜利。

MICHAEL KRIGSMAN: 你们处理的数据量有多大？你们需要这些数据的速度有多快？能否给出一个大致概念，以便我们理解数据本身的背景？

SHY CHALAKUDI: 当然。当我们谈到遥测数据时，涉及大量数据，比如 ZB (zettabytes) 级别的数据，所以我对此非常谨慎。

所以在那方面，我认为我的方法将是，正如我所说的，在一段时间内收集数据，离线分析，然后识别趋势。如果你查看那些处理 ZB (zettabytes) 级别数据的用例，你关注的不是实时快速响应特性。

更多的是关于通过分析来理解数据，并根据数据告诉你的内容创建解决方案。但当你看看我们谈到的报价到收款 (quote to cash)，这是慧与 (HPE) 的核心业务、ERP 系统，那里你谈论的可能是 PB (petabytes) 级别的数据。

所以你仍然谈论的是大量数据，但不是像遥测数据那样巨大、庞大的数据量。所以对于数据，我认为我们的方法更多是关于受控架构，在我们自己的基础设施内管理，根据我们的需求管理存储，并有效利用数据来满足实时需求，这可能是我会关注的。

MICHAEL KRIGSMAN: 那么你们使用什么样的基础设施来收集、管理和分析所有这些数据？数据量非常大。

SHY CHALAKUDI：从基础设施的角度来看。我很幸运能在 HPE 工作，因为正如我所说，我是零号客户。我的大部分基础设施是 HOH、HPO 和 HPE，但当然我们也依赖在我们内部广泛使用的第三方产品和第三方开源。

再说一次，我的目标是创建一个与我的最终客户相匹配的基础设施指南或基础设施蓝图。这就是我方法的前提，显然我会在其中嵌入第三方。

如果您考虑任何常见的数据湖，您可能正在寻找 Hadoop 基础设施，它可以处理多个 map 或 map/reduce 作业、Spark、sport 流、Kafka 流，在我们企业内部，我们称之为 Delta Lake 基础设施。

这对我们的客户和对我来说都非常重要，它帮助我们将传统的 RDBMS 与最新最灵活的模式架构相结合，这非常是我基础设施的一部分。

然后，如果您看看微服务和 fast API，我们正在推动的最大事情之一是确保我们可以解耦所有这些知识块。

我们解耦得越多，情况就越好，因为我们可以更有效率地管理即插即用架构。所以 fast API 和微服务架构也非常嵌入我的基础设施。

MICHAEL KRIGSMAN：这些基础设施有多少是基于云的，有多少是本地的？

SHY CHALAKUDI：对我来说，我会说，再次，我们拥有私有云的优势，所以从身处私有云的角度来看，大部分是基于云的。

但我们确实有不少遗留基础设施，所以我们对拥有遗留基础设施和技术债务并不陌生，就像我们大多数客户一样。

所以我们的大部分数据也是本地的。所以我使用我们的 [听不清] 产品，它能够为我无缝地将所有这些数据组合到一个数据结构中，这让我能够无缝地从本地切换到云端，这是我在基础设施中有效利用的最大优势之一。

MICHAEL KRIGSMAN：您如何决定是将数据放在本地还是云端？

SHY CHALAKUDI：老实说，我认为自动化让这个问题更多是关于数据量，因为对我们来说，默认是基于云的，即私有云，这是我们开始大多数默认操作的指导原则。

但就像您之前提到的，这也取决于数据量。重要的是您的数据要非常接近您的业务流程。当您对数据有实时需求，想要非常快速地响应您的客户，想要有效管理并对其做出反应时，这类数据通常会留在我们的本地。

因为在那里您可以快速行动并做出您需要做的决定。但是像我们谈论的遥测数据或我们谈论的 Salesforce，通常驻留在云端。

因为在这种情况下，您确实拥有时间的奢侈，即存储。您先看存储，如果是存储优先，那就放在本地；如果是时间优先，那么您就有余地等待并通过它来到私有云环境。

MICHAEL KRIGSMAN：所以您是根据具体的用例来明确决定什么才合理，是吗？

SHY CHALAKUDI：没错。我想这回到了我之前说的。我们的大部分基础设施和我们的大部分架构决策都是由用例驱动的。

当然，我们确实有一个适用于大多数用例的架构框架，但这正中要害，Michael。我认为重要的是我们必须研究用例并为其设计，因为每个用例都是独一无二的，并且有我们需要满足的独特需求。

MICHAEL KRIGSMAN：Shy，您之前用了“数据文化”这个词，请告诉我们 HPE 的数据文化是什么样的，您想用数据文化做些什么？

SHY CHALAKUDI：随着行业越来越趋向于技术趋势，数据正在成为一种通用语言。我认为我们所有人都必须具备数据素养，才能在当今您所在的任何行业中生存。

所以对我们来说，一个最大的方面就是今天在 HPE 内部关注并嵌入这种文化。对我来说，好消息是，正如我们之前讨论的，我们的业务战略是围绕帮助企业有效管理数据而构建的。

因此，将那种商业语言转化为内部数据语言对我来说更容易一些，并且将这部分嵌入我们的文化中。所以我们已经建立了数据运营模型，我们称之为数据运营模型 2.0，以支持 Antonio 作为转型业务战略的精神。这使我们能够在所有业务伙伴中灌输所需的数据素养和对数据的关注。

MICHAEL KRIGSMAN：您的团队构成是怎样的？您是如何在组织内部实现这种数据素养的？

SHY CHALAKUDI：又是一个很好的问题。我看待这个问题的方式，可能也会建议大多数数据领导者如此看待：我认为当您谈论我的团队时，Michael，我将其视为一个扩展的组织。

因为每个数据消费者都必须具备数据素养才能成功。所以我们所做的，作为数据运营模型的一部分，我们强调的一个重大改变是，每个业务组织都有一位数据领导者。

数据领导者是组织中非常资深的领导者。如果引用我们的首席运营官的话，我们基本上认为数据领导者需要关注两个问题。

第一个是，我需要什么数据来运营我的业务？这是首要目标。他们会审视所有这些业务流程，然后说，我需要什么数据来运营我的业务，我是否拥有正确的数据？

但最重要的是，我认为我们要求他们扮演的角色是：我缺少什么数据，我没有但需要它来进一步推动我的业务？

所以我认为这个角色非常非常重要，并且得到了自上而下的支持，这使得我们能够将数据素养带入每个业务单元。

我们在整个企业中也有数据管理员和数据保管员。数据管理员通常在业务单元中，他们的工作是作为数据的守护者。他们拥有数据，必须确保围绕数据的策略和原则被清晰地建立起来。

而数据保管员是我的组织的一部分。他们的工作是作为数据管理员的伙伴，尽可能地自动化与数据相关的工作。因此，技术保管员与拥有并管理数据的业务负责人（即数据管理员）的结合，我认为这种组合有助于我们管理那些我们花费大量时间进行的数据整理工作。

然后，如果您从我团队的角度来看，我认为我们的团队非常小，因为我将整个费用视为我的扩展组织。通常，我的团队专注于数据分析师、数据工程师和机器学习工程师，他们专注于自动化并创建这些管道，以便最终用户可以从数据中提取价值。

MICHAEL KRIGSMAN：Shy，您描述了数据转型、数字化转型、组织转型，并且您多次说过这是由您的 CEO 驱动的。那么您能描述一下数据在 HPE 整个组织中的影响吗？

SHY CHALAKUDI：当然。如果您考虑我们的“即服务”业务模式，我强调的不是仅仅将我们的计费模式转变为基于使用量的计费，而是为我们的业务伙伴提供定制化的解决方案。

所以我们有一个重要的用例就是了解客户的需求。让我给您举个例子。当我们查看多个客户的遥测数据时，能够将数据与他们现有的订阅连接起来，并能够为他们未来的需求提供个性化的解决方案。

所以我们坐下来与客户交流，我们不仅仅看过去的数据历史，我们还看他们未来的业务需求是什么。我们从行业数据、从我们拥有的社交数据中获取未来的趋势，并能够为他们创建一个模式。

因此，数据不仅帮助我们从客户的角度理解他们，还帮助我们获取社交和周围的数据，从而向他们预测我们认为他们需要什么。

Michael，在大多数情况下，我们发现客户甚至可能没有想过，关于他们的需求，他们有什么。但我们根据经验与他们一起将这一点带到讨论中，这对我们业务的最终盈利产生了巨大影响。

我可以给您的另一个例子，正如我所说，是作为零号客户。当我们经历所有这些变化时，我们正在努力在个性化和标准化之间取得平衡。

当然，业内人士都知道，个性化程度越高，是的，您越能拉近与客户的距离，但您的运营成本也会随之增加。在这两者之间找到平衡非常重要。

因此，作为零号客户，能够从最终用户的角度理解问题，我们尽量将客户的需求尽可能地整合到标准化中。

我想这多少是公开信息了，最近我们提出的建议之一就是例如将 Presto 集成到这个模型中。

因此，作为零号客户，当我们了解客户需求时，我们也能够为我们的产品提供洞察，关于他们应该采用哪种最佳产品路线图，以便在我们为客户需求进行个性化的同时，更接近标准化。

MICHAEL KRIGSMAN：Shy，鉴于您刚才所描述的一切，我不得不问您对那些希望效仿您所描述的将数据嵌入组织 DNA 和结构中的商业领袖有什么建议？

SHY CHALAKUDI：一个很好的问题。Michael，很好的问题。我在我的职业生涯中做了近 15 年的数据领导者，我可以告诉您一个常见的误解是关于 AI/ML。

我们大多数人认为 AI/ML 是一个新潮词汇，大约八到十年前这个行业是关于大数据的。我们认为机器学习和人工智能将解决我们所有的问题。

相信我，我是一个 AI/ML 领域的博士生，也非常重视它，但我认为理解“垃圾输入，垃圾输出”的道理非常重要。

所以你需要专注于你的基础，你需要确保你花时间——说实话，这并不是工作的有趣部分，这是一项艰苦的工作，但要确保你能够有效地管理你的数据。

我认为这是我建议您重新聚焦的地方。在基础上，确保它非常牢固，拥有良好的数据治理政策，能够建立非常标准的数据运营模型，以及可重复的系统和流程。

接下来我可能会考虑的是一种平衡的方法，我称之为“阴阳”，或者在我的策略中，您会将其视为防御性和主动性策略。

防御更多的是关于我所说的，确保您遵守治理政策，确保您关注安全。您最不想看到的就是头条新闻，而我们已经一次又一次地看到与数据相关的网络威胁正在发生，那就是关于您的数据发生安全漏洞的头条新闻。

当您创建越来越多的数据时，您正在努力构建一个共同的数据结构，您必须考虑到您正在为公司创造一颗“皇冠上的宝石”。

所以您最不想做的就是将钥匙交给您不希望拥有钥匙的人。因此，专注于防御、专注于安全、专注于数据政策，成为您必须成为的那个强硬伙伴，这对于任何数据领导者来说都非常重要，尤其当他们担任企业级角色时，拥有标准政策同样重要。

然后在主动性策略方面，我通常遵循我称之为 n=1 策略。这意味着从小处着手，从一个用例开始，理解您的用例可以带来的商业价值，然后开始实施该用例，向您的客户展示商业价值。

我认为您越早开始展示价值，就越容易增强您的解决方案，而不是构建一片巨大的海洋或解决整个端到端策略。

我一直发现，能够进行防御并引入主动性策略，这是让我在我之前所有角色中都取得成功的方法，在这里也没有改变，我仍然会这样做。

最后我想说的是，我不会尝试独自完成。这是一个不断演进的巨大领域，数据技术在过去十年中经历了最多的变化，未来还会有更多变化。

寻求帮助，我寻找——如果可以插一句，Michael，我会说，HPE 是一家通过为企业提供数据解决方案而蓬勃发展的公司。所以，向外部客户、外部产品寻求帮助，并实现一个成功的端到端策略。

MICHAEL KRIGSMAN：非常实用的建议，重要的建议。Shy，这一切将走向何方？数据的未来是什么？

SHY CHALAKUDI：我认为数据将无处不在。如果您想想过去十年的时间里发生了什么，如果我没记错的话，2010 年全球产生的数据大约是两个泽字节。

Michael，想象一下今天，2020 年，十年后，我们正在产生大约 41 个泽字节的数据。我的意思是，看看这个增长量，而我们才刚刚开始旅程。

随着我们在日常运营中越来越多地引入机器，我们拥有越来越多的蓝牙设备，我们越来越接近边缘计算。这个数据量只会继续增加。

就像我之前说的，自动化对我们来说已经成为常态，甚至不再是奢侈品，机器人技术正在成为我们日常生活的一部分。数据运营和 DataOps 以及寻求更多自动化正成为我们需要持续关注的大事。

5G 正在成为新的无线标准。企业利用边缘分析并开始进行实时定位。我的意思是，我们能够进行太空旅行并在短时间内返回的日子不远了。

所以我认为，如果您从数据的角度来看，它将成为公司必须关注的最大资产。我知道现在行业里一直在讨论这个，但我坚信数据将成为一种资产，并成为所有公司资产负债表的一部分。

我认为数字原住民将在这一点上引领我们，向我们展示应该如何做，而数据将成为一种通用语言。我知道我们谈论成为一个扁平的宇宙，我认为数据将是让我们在一种通用语言中彼此以及与机器沟通的关键。所以我们都围绕数据具备素养非常重要。

MICHAEL KRIGSMAN：数据作为资产负债表的一部分。我喜欢这个说法，以前没听过。Shy Chalakudi，非常感谢您今天抽出时间与我们交流。

SHY CHALAKUDI：好的，Michael，谢谢您邀请我。我同样很享受这次对话。数据是我的巨大热情所在，感谢您给我一个平台向您的所有听众分享我的观点，谢谢。

MICHAEL KRIGSMAN：非常感谢 Redis 使这次播客成为可能。谢谢 Redis。