而隨著企業業務數據的不斷豐富，加上大數據和人工智能技術的成熟和應用，企業管理者們在邁進DT時代后又開始了新一輪的探索：在應對海量原始業務數據無法直接被業務使用的問題時，業務部門根據需求自建大數據團隊以及相應的數據處理能力，通過匯聚、清洗、建模、挖掘等工作，同時借力于IT行業近幾年來在計算能力和人工智能領域的飛速發展，提升數據處理結果的實時性和智能化程度，將從數據中挖掘的價值服務于業務，從而讓數據驅動業務變得更精準、更有效。

[[389865]]

最為典型的應用場景就是面向個體用戶進行千人前面的推廣展示和精準營銷：企業首先根據需求，收集千人前面所需要的數據，打通所有相關之后，通過算法的能力，實現對用戶偏好的挖掘，從而實現不同客戶所得到的服務是專門量身定制的。就像一些新聞APP一樣，當它發現你喜歡某一類新聞時，就不斷地推送這類信息，吸引你不停地看，從而提升APP的使用時長。

總體來看，該階段主要是企業在大數據背景下，開始基于海量數據積累，利用大數據、機器學習和深度學習等技術，進行數據的深度挖掘和分析，通過對多源、異構的全域數據的匯聚、打通，跨界考慮數據價值的應用，通過數據驅動業務發展，為業務應用提供數據服務，實現業務與數據的深度融合。

數據驅動階段具有以下5個特征：

(1)企業戰略方面

企業開始將數據作為企業的重要資產和生產資料。通過大數據技術對企業相關數據進行匯聚、打通和分析挖掘，為業務應用提供數據服務，通過數據驅動業務發展。

(2)數據形態方面

業務數據積累具備一定規模，對結構化數據、非結構化數據進行處理與應用。數據在組織形式上開始對業務涉及的相關數據進行匯聚、打通，開始根據需求進行數據清洗加工和標準化處理。

(3)數據場景方面

該階段的數據應用場景主要以滿足業務需求為主，主要是用數據提升現有業務能力，進行智能化升級。與上一個階段數據主要服務于管理層不同，從該階段開始，數據開始從管理層逐步轉向具體的業務，業務開始認知到數據的價值，開始業務和數據的融合。

(4)數據應用工具方面

在該階段，企業開始通過以Hadoop/spark生態體系為代表的批計算、流計算、即席計算等大數據處理技術及機器學習、深度學習算法進行數據匯聚和開發，并最終為現有的業務場景賦能，以驅動業務升級。

(5)組織架構方面

在該階段，企業最開始設立業務部門的數據團隊，為業務場景的需求提供數據能力的支撐。一般會設置大數據工程師、算法工程師等職位，嘗試通過數據、人工智能等技術進行業務創新。