盡管許多企業在過去幾年開始著手構建數據中臺，卻往往面臨"建設容易，應用難"的困境。近日，齊心集團CTO于斌平同51CTO一同探討了企業如何讓數據驅動業務增長這一難題。

　　數據，作為繼土地、勞動、資本、技術之后的第五大生產要素，以及人工智能三要素之一，其重要性已經成為業界的共識。在數字化轉型的浪潮中，企業不斷尋求通過數據驅動業務的創新解決方案，以期實現業務增長和效率提升。

　　然而，盡管許多企業在過去幾年開始著手構建數據中臺，卻往往面臨"建設容易，應用難"的困境。近日，齊心集團CTO于斌平同51CTO一同探討了企業如何讓數據驅動業務增長這一難題。

　　據要管理，更要應用

　　在數字化轉型的進程中，數據管理與應用已成為企業不可忽視的課題。于斌平認為，數據的收集、清洗、治理以及價值挖掘等環節是眾多企業所面臨的共同挑戰。

　　在實際操作中，企業的數據往往散落在不同的系統和部門中，部分數據則因權限、格式或技術限制難以整合。且當下很多數據都是事后進行歸集，數據的質量也存在一定問題。再加上，不同的業務的數據清洗有不同的數據標準和不同的數據內容，最終“數據的收集問題、質量問題、治理問題往往導致大數據部門就變成一個報表部門。”

　　于斌平指出，當前許多企業面臨的一個普遍問題是，大數據變成了“數據大”，即數據量雖大，但卻是靜態的，實際應用價值有限。這一現象的背后，是企業對數據認知的不足以及缺乏有效的數據應用方法。

　　于斌平強調，數據應用必須緊密結合業務場景和技術特點。企業需要培養既懂業務又懂技術的復合型人才，他們能夠深入理解業務需求，運用技術手段挖掘數據價值，從而為企業帶來創新和增長。例如，在零售行業，通過對顧客行為數據的分析，可以發現新的商機和優化供應鏈;在電商領域，利用用戶授權數據進行個性化推薦，可以提升用戶體驗和銷售業績。

　　數據中臺作為企業數字化架構的核心組成部分，無論是在零售還是to B業務中，扮演著匯聚和整合數據的關鍵角色，結束了數據孤島的局面，實現了數據的集中管理和分析，還促進了不同分支機構和業務單元之間的數據共享與協作。然而，在于斌平看來，面對如何讓數據產生更大價值、推動業務增長這一更深層次的挑戰時，傳統的數據中臺顯得力不從心，“因為中臺的性質很難有讓業務增長的作用”。

　　飛輪轉動，理念先行

　　那么面對數據中臺在賦能業務增長上的乏力，企業該如何應對呢?

　　“要讓數據產生價值或者幫助業務增長，首先一定要有一個指導理念。”于斌平認為，如果沒有指導理念，憑技術部門或者單獨的技術很難讓數據產生更大的價值。也就是說，在理念的指導下，再去推動算法、數倉、大模型等“術”的落地，兩者并行，才能更好地讓數據產生價值。

　　這種考量與“數據飛輪”這一概念不謀而合。“數據飛輪”這一概念強調以數據消費為核心，推動數據流與業務流程的深度融合，形成自我增強的循環機制。數據飛輪的關鍵在于將數據分析和應用融入到業務的每一個環節，從而實現數據資產的活化和業務應用的創新。

　　“在傳統企業中，‘數據飛輪’可以作為數據應用的理念或指導。”于斌平強調，數據飛輪不僅不與數據中臺相悖，反而是在其基礎上的一次飛躍，將數據應用推向更深層次。數據中臺作為數據處理的基礎設施，側重于構建公共數倉與大數據平臺;而數據飛輪則以其動態循環、持續優化的特性，成為數據應用的加速器，兩者相輔相成，共同推動企業在數據治理與應用上實現更高效、更智能的飛躍。

　　以自身業務為例，于斌平建議，對于數據驅動型企業，依賴數據和技術進行客戶分析、精準營銷等已成為常態，技術能力的不斷提升對于確保數據分析和結果的精準性至關重要，包括構建算法、模型、數倉及AI應用等。而對于那些對數據或技術的價值認知不足的企業團隊，關鍵在于主動尋找并解決業務痛點，通過實際案例展示數據技術的效用，從而激發更多需求和痛點的解決，形成良性循環，發揮數據的潛在價值。

　　大模型加持，飛輪落地加速

　　雖說“數據飛輪”的概念同企業現階段的需求與痛點不謀而合，但如何讓“飛輪”轉動起來，還是一個待探索的問題。

　　在于斌平看來，數據飛輪的成功實施依賴于清晰的客戶和業務目標、高質量的數據、以及恰當的技術手段。

　　首先，數據飛輪應聚焦于客戶和業務，而非單純追求技術，確保數字化策略能真正助力客戶和業務增長。其次，實施路徑上需確保數據質量，涵蓋數據的收集、處理及建設，這是實現數據飛輪效果的基礎。而最后才是技術能力，選擇合適的算法、AI模型等具體技術手段來實現價值的最大化。

　　在技術層面，大模型的飛速發展，為數據飛輪的實施提供了強有力的加速器。

　　于斌平指出，大模型技術的應用極大地提升了數據應用的便捷性和效率，“如果沒有大模型的支撐，數據飛輪可能僅僅停留在理論層面，或者只能在那些擁有數據技術基因的互聯網企業中得到應用。對于大多數傳統企業來說，要將這一理念付諸實踐，就需要借助大模型的力量。”

　　舉例來說，大模型技術通過其強大的語義理解能力，能夠快速識別和分類數據，從而簡化數據治理流程。在于斌平的實踐中，大模型被用來優化數據清洗和治理工作，準確率能達到95%以上。這樣的技術應用不僅提高了數據處理的效率，也為企業釋放了更多的數據價值，為業務決策提供了強有力的數據支持。

　　寫在最后對于中國眾多的企業來說，主要目標仍然是實現業務的數字化，以及利用技術來更好地服務業務和客戶。企業必須把握這一趨勢，不斷探索和實踐，以數據為翼，加速飛輪的旋轉，實現數字化轉型的飛躍。