作为数字化转型的一部分，大数据可视化，成功因素"信息"正日益成为许多商业活动关注的焦点。这使得公司越来越有必要将数据形式的信息视为有价值的资产，并相应地加以处理。向数据驱动型组织的转型需要对现有的商业模式进行全新的调整。

另一方面，SAP最近与经济学人智库（Economist Intelligent Unit）合作进行了一项关于引入人工智能（AI）的研究，研究表明，使用机器学习（ML）最多的组织比那些没有开始为自己使用这种新技术的组织平均增长了43%。

虽然人工智能正在成为任何商业战略的核心，许多公司仍在努力引入全面的数据治理策略和相关的信息管理。领先的组织已经发现，成功迈向人工智能的第一步是改进他们的数据管理。无论算法多么智能，返利怎么使用，次优的训练数据都会严重限制生成规则的有效性和以后的适用性。透明度、质量、明确的主数据、明确的责任和治理准则对AI和ML的成功至关重要。埃森哲的一项调查显示，51%的受调查公司认为数据质量不足是最大的障碍。他们还面临着数据和网络安全方面的困难，以及进化为人工智能用户或与适当合作伙伴合作的决定。

数据管理和机器学习应被视为互补的组成部分。人工智能方法和算法有助于公司从大量数据中产生有价值的见解，例如可用于更面向目标群体的客户互动或更有效的设备使用。

同时，问题是，是否以及最重要的是，如何量化数据对企业的价值，如何做淘客，以及哪些信息对各自的组织最有价值。每一项新技术都需要新的、更合适的、有时甚至更好的规则。企业需要设计原则，旨在获得人工智能如何生成预测的高度可见性。这使得我们能够积极主动地处理监管和道德困境，这些困境通常与人工智能的使用有关。

然而，为了确保人工智能不会成为一个空洞的承诺，公司需要非常高质量的数据。虽然在传统的数据分析中，可以定位和删除次优数据，然后重新开始，但这在ML程序中并不容易实现，因为从某个级别开始，就不可能再现预测所基于的数据元素。KI变成了一种黑匣子技术，"忘却"几乎是不可能的，因为移除一个元素会导致整个模型崩溃。与人脑类似，大数据用什么数据库，部分建立在错误假设或信息基础上的整个知识综合体失去了价值，整个过程必须完全重建。通过错误的信息、异常值、扭曲的价值分布、冗余信息和解释不当的功能，可以明确地提前识别出不良数据记录。

SAP HANA数据管理套件解决方案可用于建立有效的措施来管理业务流程中的数据，并从中产生附加值信息通过集成的过程，通过KI和ML有效地支持用户，使工作更容易，如何用大数据，并显著提高了数据输入的质量。具体的例子包括智能预填充字段的算法、正在学习的员工的个人采集模式以及聊天机器人支持的语音输入。