本月初在北京參加全球數字經濟大會，其中一位講者指出軟件（Software）與數據件（Dataware）的區別。事實上，他提及的Dataware並非一個常用詞，更貼切的名稱應該是數據驅動軟件（Data-driven Software）。
首先傳統軟件是基於開發者編寫的靜態預定義邏輯，基本上演算法不會改變並直接輸出，除非通過新的代碼修改或更新。軟件內的數據需要有明確定義，操作通常由預設的輸入所控制，而不是動態數據模式驅動。在開發過程中，重點是收集需求、系統設計、編碼、測試和維護。數據管理可能是一個組成部分，但不是核心特性。典型示例包括文書處理器、財務管理系統和庫存控制系統。傳統軟件的性能通常考慮用戶需求，平衡效率、速度、可靠性，也兼顧響應性和資源利用率。
另一方面，數據驅動軟件是基於數據訓練出來的模型及數據分析來操作，它依賴動態（甚至實時）數據輸入，不斷調整其行為或輸出。數據驅動軟件核心功能，取決於數據質量、數量和相關性，通常包括自適應學習、預測建模和實時數據處理等功能。
這種軟件開發過程強調數據完整性，數據源整合，且具備可擴展性以及高效處理大量數據的能力，實施數據處理流程，一般還會應用機器學習演算法。例子有娛樂串流平台Netflix、阿里（09988）旗下淘寶使用的推薦系統、自動化金融交易系統和個性化營銷工具等。效果可以評估數據驅動的決策和預測的準確度、可靠性和時效性；系統能否隨着數據量和複雜性增加而擴展，也是關鍵指標。
相比之下，數據驅動軟件特色是能夠根據數據的變化作出調整，從過去互動學習加以改進，修改其輸出。但高度依賴數據的質量和數量，其性能直接與處理的數據相關。由於需要持續的數據驗證、更新及較複雜的數據生態，數據驅動軟件的開發和維護，比傳統軟件更為複雜。實際應用中，企業應按具體需求選擇合適的軟件類型。例如，對於需要高度穩定性和可預測輸出的應用，傳統軟件可能更合適。對於需要從不斷變化的數據中提取洞察，並做出快速響應的場景，數據驅動軟件將提供更大優勢。
同時，愈來愈多企業發現把兩者結合使用，可發揮各自優勢，提高整體系統靈活性和效能。舉例，一個庫存管理系統可以集成數據驅動的需求預測模型，更有效地管理庫存和優化採購計劃。這種組合方式不僅能提升傳統系統的功能，還使企業更好地適應市場變化和迎合客戶需求。
原刊於《信報》，本社獲作者授權轉載。
