什么是数据丰富？

数据丰富是一种借助内外部补充信息完善数据集，以此提升数据质量与可用性的技术。

如今组织收集的数据量远超以往，但这类数据往往缺少背景信息与实际含义。数据丰富有助于填补这些信息缺失，加深对现有数据点的理解，无论是原始数据还是数据集。以这种方式增强数据，可以让晦涩的数据集变得具备参考价值，赋能组织做出更明智的决策。

数据丰富工作通常涵盖在企业数据管理与主数据管理计划内。组织会结合自身业务需求与数据源，开展多种类型的数据丰富工作，例如人口统计、企业统计和地理位置丰富。数据团队可以手动进行数据丰富，而人工智能 (AI) 和自动化技术则能够进一步优化相关流程。

数据丰富的常见用例集中在营销战略领域，其流程同样可应用于网络安全、医疗保健、城市规划等场景。实践表明，数据丰富对提升机器学习模型表现的作用日渐凸显，它可补充背景信息、完善数据内容，进而提升预测结果的准确度。

试想一幅仅完成局部绘制的画布，画面下半部分是以蓝色笔触勾勒的海洋，画面中央还分布着几处亮眼的金色色块。待到整幅画作完成就能看出，这些色块实则是光影反射，作品描绘出了水面日落的景象。

未完成的画布本身也具备艺术价值，但它仍有进一步完善的空间。经过数据丰富优化后的数据集，也是同样的道理。

例如，仅记录姓名和电话号码的客户数据表，在补充电子邮件地址后，就能成为实用性更强的外联工具。为街道地址数据集补充地理坐标后，便可挖掘出社区土地利用方面的深度洞察分析。

随着企业持续生成、收集海量原始数据与非结构化数据，数据丰富工作也变得愈发紧迫。原始数据与非结构化数据体量越大，数据集中的信息空缺和背景缺失问题也就越突出。借助数据丰富，组织可将现有数据与其他数据点相关联，赋予数据实际价值，进而提升数据资产的投资回报率。

数据丰富可以带来多项优势，具体如下：

• 提高数据准确性：数据丰富可以填补现有数据中的各类空缺，比如邮寄地址不全、专业头衔缺失等问题。

• 提高信任度：从不同维度查看数据，例如为企业名称数据集补充行业分类代码，能让使用者确认所调取的数据符合自身使用需求。

• 优化 AI 性能：人工智能（包括机器学习和生成式 AI 模型），在输入高质量、完整数据时才能发挥最佳功能。

• 决策洞察分析：通过数据丰富得到的综合数据集，能够帮助企业挖掘市场需求、定价等领域的全新规律与机遇。例如，结合客户相关洞察分析，可依据客户偏好开展精准营销工作。

• 合规支持：数据丰富，尤其是元数据丰富，能够简化敏感信息的追踪工作，助力企业遵守《通用数据保护条例》(GDPR) 等数据隐私相关法规。

“数据丰富”和“数据增强”两个术语常被混用，但二者属于不同的处理流程。尽管两者都可以提升数据质量，但数据增强侧重处理现有数据，而数据丰富的核心是为数据集添加全新的数据点。

在数据增强流程中，数据清理与数据更新是两大核心工作。为补齐字段缺失值、更新过时信息，数据增强过程中也会少量新增数据，但新增数据的规模远不及数据丰富。

开展数据丰富工作时，通常会为现有数据集增设新字段。和数据增强一样，数据清理也是该流程的一环，主要用于为后续新增信息做好准备。（参见下文“数据丰富的关键步骤”。）

组织通常会选用以下一种或多种数据丰富方式，为现有数据集补充相关信息：

• 行为数据丰富：记录客户行为，以及客户使用产品、服务和各类沟通渠道（包括移动应用程序、社交媒体账号）的互动情况的数据。

• 联系数据丰富：用于完善联系人清单的各类信息，包括电话号码、电子邮件地址、商业关联和社交媒体资料。

• 人口统计丰富：涵盖年龄、性别、族裔、婚姻状况、收入等人物特征。也称为社会人口统计丰富。

• 企业统计丰富：记录企业相关详情，例如所属行业、规模、收入和所在地。

• 地理丰富：记录主体所在地的相关信息，如街道地址、邮政编码、国家和地理坐标。

• 心理特征丰富：记录个人生活方式、兴趣、态度和观念的数据。

• 技术特征丰富：记录个人或组织所用技术类型的数据，包括应用程序、工具、硬件、软件及 IT 基础设施。

不同组织的数据丰富流程存在差异，但整体包含几项通用步骤：

组织可依托内部数据开展数据丰富工作，其中包括第一方数据（直接从客户处采集的数据）以及第三方来源数据。

计划使用内部数据源的企业，常会遇到一个问题：数据孤岛。幸运的是，企业可借助数据集成打破数据孤岛，该流程能够汇总各类异构来源的数据，并将其转换为统一、可用的格式。例如，组织可以集成客户关系管理 (CRM) 系统与营销数据库内的数据，以此丰富客户数据集。

企业也可选用外部数据源，主要分为免费公共数据源与第三方数据服务商两类。公共数据源包含政府数据集（例如人口普查数据、就业报告）。第三方数据服务商则采集并售卖各类数据，涵盖联系数据、人口统计数据以及企业统计数据。企业在选用第三方数据时，应仅与可信的渠道及供应商合作，以此保障数据准确、及时，并符合自身质量要求。

在数据丰富流程中采集并存储的所有数据，都需要遵循数据隐私与安全相关法规进行管理，例如 GDPR 以及《健康保险流通和责任法案》 (HIPAA)。

随着数据驱动决策模式的普及以及 AI 相关数据需求的增长，市场对高质量数据以及数据丰富工具的需求持续攀升。预计到2030年，全球数据丰富解决方案市场规模预计将从 2023 年的约 24 亿美元增长至近 46 亿美元。

AI 的应用不仅推动了数据丰富解决方案的普及，也为多款先进数据丰富工具提供技术支撑。以下列举了常用的数据丰富工具及解决方案类型：

• 数据集成解决方案：此类方案支持提取、转换和加载 (ETL) 流程，可完成数据丰富、数据清理及其他数据处理工作。（需要注意的是，数据集成解决方案还可以对完成丰富处理的数据进行操作处理，将其加载至数据仓库及其他终端用于分析工作。）

• 开放式数据湖仓一体：领先的数据湖仓解决方案可以自动摄取和丰富非结构化数据，并将其与结构化数据集成统一。

• 数据治理软件：高阶数据治理软件部署大型语言模型 (LLM) 以丰富元数据，通过额外的上下文、标签或描述增强技术元数据。

• 智能体式丰富工作流解决方案：AI 智能体可以进一步简化数据丰富流程。在一类智能体数据丰富模式中，用户创建电子表格后，会触发应用程序编程接口 (API)，从网络中检索并摄取相关实时数据。新信息经由 LLM 处理后，即可录入至电子表格当中。¹

数据丰富可应用于众多不同领域与行业。

营销团队与销售团队是数据丰富功能的高频使用者，尤其会用到行为数据丰富、人口统计丰富以及企业统计丰富。团队借助经过丰富处理的数据搭建客户档案、落实客户细分策略、制定定制化营销活动，并为客户提供个性化服务体验。

高质量空间数据是城市规划与建设工作的重要基础。地理编码是地理丰富的其中一种形式，它能够根据街道地址换算出经纬度坐标，助力城市规划人员精准定位地点。

可穿戴设备、健康健身应用程序以及其他健康监测技术，现已成为丰富患者数据集与研究数据集的全新信息来源。这类数据丰富工作能够协助医护人员优化诊疗服务，也可帮助研究人员挖掘重要规律与洞察分析。

结合物理位置（地理丰富）、使用设备（技术特征丰富）等信息对安全事件数据进行丰富，能够提升网络安全风险与漏洞的评估效果。