在当今数据驱动的商业环境中，高达63%的企业领导者将自身组织定义为"数据驱动型"。然而，只有约一半的高管对于能否及时交付业务洞察抱有信心。

要充分发挥数据的价值，企业必须找到让信息真正可用、可访问的方法。越来越多的证据表明，新兴技术正是打开这扇大门的关键所在。

无论是整合平台、推进并购，还是跨地区运营，数据专业人员都需要应对复杂多样的数据来源。以下是几位行业专家关于如何借助AI与自动化化解这些难题的实战经验。

Thomson Reuters的AI驱动实践

全球内容与技术服务商汤森路透（Thomson Reuters，简称TR）的首席技术官Joel Hron表示，该公司正在利用AI解决软件工程中的数据与系统集成挑战。

"我们在各类现代化改造和系统迁移活动中获益良多，"他说，"我们大量使用AI工具，以确保符合无障碍标准等各项合规要求。"

这项探索性工作仍在持续推进。Hron透露，TR的企业发展团队目前正在构建一套内部AI系统，专门用于尽职调查，旨在提升交易评估、风险评估及潜在风险应对的一致性。

"这真的是一个非常强大的想法，"他说，"团队在过去一两个月里一直在构建这个系统，并与我们在市场上销售的法律运营产品HighQ进行了很好的融合。"

作为一家频繁并购的企业，TR在系统集成上投入了大量精力。Hron坦言，这套内部AI工具未来是否会对外商业化，目前仍是未知数。

"如果我们能为自己创造出真正有用的东西，为什么不推向市场呢？但目前，我们的重心是如何让这项技术服务于所有并购活动，不仅提升速度与效率，更要确保交易决策的一致性。"

Create Music Group：管理600余条数据管道

总部位于洛杉矶的音乐科技公司Create Music Group的首席数据工程师Miko Chen，利用数据与AI持续优化公司的运营流程，并鼓励其他从业者积极探索前沿工具。

该公司借助Astronomer的Airflow服务Astro所提供的AI编排能力，管理超过600条数据管道。通过Astro，Create整合了BigQuery、Google Cloud Storage等技术，以及Spotify、YouTube、Apple Music、Amazon Music等平台的API接口，构建起一个统一的数据管道管理层，支撑分析、财务预测等面向厂牌和艺人的运营活动。

"我们希望提供更好的数据，帮助客户做出有依据的决策，而不是凭感觉行事，"她说，"比如，如果艺人想要举办演唱会，他们可以通过我们的洞察来判断应该选择哪个城市，以及下一次适合去哪里。有了我们的数据，艺人和客户就能做出更有前瞻性的决策。"

与TR类似，Create也是一家并购驱动型企业。Chen表示，她的团队同样借助Astro来整合数据，实现跨组织、跨国家的数据流转。

Booking.com：将数据平台潜力发挥到极致

Booking.com数据与机器学习平台总监Huy Dao认为，专业人员必须深入了解自身现有数据栈中隐藏的技术能力。

Dao于2023年8月加入Booking.com时，公司已是Snowflake的客户。在他看来，这一平台远不止于数仓工具，其AI能力同样值得深度挖掘。

"我们现在使用它的范围远远超出了数仓层面，"他说，"所有敏感数据的访问都通过Snowflake进行，我们也在使用Cortex AI和Cortex Analyst等最新功能，同时还在探索Snowflake Semantic View，并对可与其他数据目录互联的Horizon Catalog颇感兴趣。"

Dao强调，Snowflake不仅是信息的汇聚点，更通过AI能力赋能业务用户，让他们有能力直接推动改变。

"这个平台降低了使用门槛。原来只有200个用户能访问和使用我们的数据，现在可以扩展到2000个，因为Snowflake把这件事变得简单了，"他说，"借助某些AI能力，你甚至不需要编写SQL语句就能查询数据，这让那些传统上不具备数据技能的人也能轻松上手。"

Segro：跨欧洲可持续发展数据的AI整合

英国房地产企业Segro的首席信息官Richard Corbridge向ZDNET介绍了AI与自动化在整合分散数据资产方面的关键作用，并以跨欧洲可持续发展数据的处理为例进行说明。

"依法我们需要监测碳排放和可持续发展指标。在波兰，他们以PDF格式发送电表读数；在德国，数据则是数字化的自动读取；在英国，可能发来的是公用电表的照片，"他说，"我们必须想办法将这些五花八门的能源使用报告格式汇聚到同一个地方，并最终生成Segro的碳足迹与能源使用报告。"

过去，这项繁琐的工作由专职人员手动在Excel表格中完成。如今，借助AI与流程自动化，Corbridge的团队已将人力从这类重复性工作中解放出来，实现了业务价值的提升。

"我们正在构建AI能力，用于自动采集数据、写入数据库、发现异常，并标记不合逻辑的情况，比如本月电表读数与上月完全相同，那一定有问题，"他说，"这是一个小而有影响力的领域里令人兴奋的成果。"

Nash Squared：AI将数据映射效率提升30%至40%

全球科技与人才解决方案提供商Nash Squared的首席信息官Ankur Anand认为，AI对数据管理最深远的影响在于数据映射与标准化。

"AI能将集成工作量减少约30%至40%，相较于传统的Excel处理方式，其结果也更加准确，"他说。

Anand的团队采用了科技公司Nextgenlytics旗下的AI数据管理平台BlueGecko，将耗时费力的数据映射流程自动化，尤其在并购后的数据整合阶段发挥了重要作用。

他向ZDNET介绍了该系统在ETL（提取、转换、加载）等关键环节中的表现："BlueGecko能够理解数据、映射数据，解释两个系统之间的交互逻辑及其内部数值，通过这种方式，大幅加速了ETL开发工作。"

在他看来，数据与系统集成的成功不仅是技术部署问题，更是文化变革的课题。

"要考虑那些长期使用其他工具的人，"他说，"你能引入哪些变革管理流程？成功不只是部署，落地推广同样至关重要。"

Q&A

Q1：Thomson Reuters是如何将AI应用于并购数据集成的？

A：Thomson Reuters的企业发展团队正在构建一套内部AI系统，专门用于并购尽职调查，目标是提升交易评估、风险评估和风险应对的一致性。该系统与公司现有法律运营产品HighQ相结合，有望进一步提高并购活动的速度与效率。未来是否会将该系统商业化对外开放，公司目前仍在评估中。

Q2：Booking.com是如何利用Snowflake平台扩大数据使用范围的？

A：Booking.com不再将Snowflake仅用于数据仓储，而是充分利用其AI能力，包括Cortex AI、Cortex Analyst以及Snowflake Semantic View等功能，实现对敏感数据的统一管理。平台大幅降低了使用门槛，使数据可访问用户从200人扩展至2000人，且无需具备SQL编程能力，普通业务用户也能直接查询数据。

Q3：BlueGecko平台如何帮助Nash Squared提升数据集成效率？

A：Nash Squared使用Nextgenlytics开发的AI数据管理平台BlueGecko，实现了数据映射与标准化流程的自动化。该平台能够理解数据结构、自动完成数据映射，并清晰解释不同系统之间的数据交互逻辑，尤其在并购后的ETL流程中表现突出，可将集成工作量减少30%至40%，并显著提升数据处理准确度。