有人把数据比作当今时代下的“新石油”。在大众纷纷利用数据的同时，能够有效进行数据保护和管理成为重要利器。2018年，关于数据的讨论维度扩大，除了欧盟出台的GDPR（《一般通用数据保护条例》）规范数据使用权限和保护条例之外，随着云计算的发展，企业云上数据的保护和应用安全等话题的讨论逐渐增多。相信，没过多久的腾讯云数据无法恢复事件足以给更多人警醒。
提到数据保护，能够想到的第一举措就是将数据多备份，建立灾备预案，在云时代下，“不把鸡蛋放在一个篮子里”情况的出现，本质来讲是对数据安全的怀疑。但是这仍然不是百分之百的安全举措。
更多的现实情况是数据出现丢失，导致业务中断或者恢复不全。一直致力于提供数据管理解决方案的瑞士企业Veeam则认为新型的数据保护时代已经来临，超可用概念进入大众视野。
Veeam2015年进入中国，2016年开始拓展客户，2018年上半年成为Veeam全球增长最快地区。此外，日本、印度、美国、东南亚等地区同中国区一样，为主要服务市场。Veeam中国区总裁施勤透露，目前中国已有4万家左右的客户，重点拓展制造业（汽车制造、新能源、医药生命科学等部分）、金融、轨道交通方面的客户。
超可用性在智能时代的定位即为即插即用，匹配多种资源。以Veeam为例，旗下Veeam Hyper-Availability Platform保证业务连续性、降低风险并加快创新速度，据了解，Veeam Hyper-Availability Platform已与超过5万家技术合作伙伴组成的生态系统构成最完整的解决方案，帮助客户实现向智能数据管理的转变。
施勤提到：我们认为超可用性革命是第四次工业革命，如今谈到数据保护重点不是备份，而是恢复能力，数据能不能恢复，需要多久，数据是否可用，这些需求正在被逐一解决。
例如，威马汽车从硬件设备的安装到系统支持，必须与业务流程做到无缝对接，确保业务的可用性。其有三个数据中心，主要存储目标是提高备份能力和灾备能力，但是存储方式多样、备份周期长、响应慢等情况影响了业务的连续性。
传统上，可用性一直与业务连续性，备份和恢复相关，以确保组织保持运行。Hyper-Availability要求数据必须从基本的备份和恢复解决方案（以规定的时间间隔机械地复制数据）演变为更智能的解决方案，以便数据能够适时、适当地响应整个企业数据基础设施中实际发生的事件。
随着发展，数据保护和数据管理从被动式保险策略转变为可提供主动业务价值的系统。从Veeam Hyper-Availability Platform的新核心组件——Veeam DataLab可以看出这一角度的变化。
Veeam产品战略副总裁Danny Allan提到DataLab提供了一种加快数字服务交付进程的方法，确保团队利用最新的数据进行开发和测试。同时，安全和取证团队可以利用数据副本测试安全漏洞，不会干扰生产系统，或者对通过安全事件和事件管理系统提取的某个事件进行取证。此外，合规和分析团队可以对数据进行检查和分类，以便进行容量规划，帮助满足GDPR等法规要求。
据Veeam亚太及日本地区高级副总裁Shaun McLagan介绍，要实现超可用智能数据管理需要经历五个阶段：
第一阶段，备份：备份所有负载，确保在发生停电、攻击、丢失或失窃等情况时始终能进行恢复。
第二阶段，聚合：确保多云环境中的数据受到保护并始终可用，以推动数字服务，确保综合查看服务水平合规情况。
第三阶段，可视性：改善多云环境中的数据管理，让使用情况、性能问题和运行情况具备清晰、一致的可视性和可控性；数据管理开始由被动管理向主动管理转变，通过高级监控、资源优化、功能规划和内置智能防止数据可用性损失。
第四阶段，编排：将数据无缝移动到多云环境中的最佳位置，确保业务连续性、合规性、安全性，优化利用业务运营资源。这要求使用编排引擎让企业能够轻松、自由且高度自动化地执行、测试和记录灾难恢复（DR）计划。
第五阶段，自动化：数据通过学习自行备份实现自我管理，根据业务需求迁移的理想位置，在发生异常活动时进行自我保护，并立即进行恢复。这一阶段通过结合数据分析、模式识别和机器学习让企业数据管理实现新的自动化水平。
目前，行业正处于由编排向自动化升级过程中。自动化发展的背后离不开深度学习等技术的发展。Danny认为，要完成智能数据管理，服务商需要接入更多的云合作伙伴，例如目前已经和阿里云、腾讯云、华为云、华云、亚马逊云、微软Azure云等进行合作，也适应企业数据管理的多种需求。同时，软件也向着更加简便操作和可靠性方向优化。
当被问及如何看待人工智能对数据管理的促进作用时，Danny表示，在数据管理方面，一般考虑比较多的是遇到系统宕机怎么办、如何快速回复、IOT的传感器遇到大的自然灾害时怎么办，这些都是实际发生的问题。相比匆忙接入还未成熟的人工智能，编排和自动化能力更加实用。据了解，Veeam今年侧重于云能力的拓展，2019年将重点关注机器学习和人工智能与数据管理的结合。