成就数据驱动型企业对比这五要素、六步闭环看你差在哪

充分发挥数据价值是数据驱动的目的，数字化时代数据价值的利用和发挥将影响企业数字化转型过程和形成数字化背景下企业的核心竞争力。

2022年，新冠疫情已在全球肆虐两年之久。数字化转型却在疫情中逆势加速，成为企业穿越不确定性，实现高质量发展的新引擎。

在国务院下发的十四五规划等重要文件，以及各部委、各地区下发的数字化报告和规划中，都多次提到了数据，数据中台，包括数据治理和元数据管理。数据作为企业的战略资产越来越受到重视，从最初的数据协助业务协同，转化为数据驱动业务，数据驱动运营，乃至数据驱动人工智能和智能场景应用。因此，我们说数据驱动是数字化转型的主线。充分发挥数据价值是数据驱动的目的，数字化时代数据价值的利用和发挥将影响企业数字化转型过程和形成数字化背景下企业的核心竞争力。

理解数据驱动有两大框架性问题：WHAT，即数据驱动是什么？HOW，即数据驱动怎样发生？

数据驱动的三大洞察

数据和模型是数据驱动的基本前提，数据价值的利用和发挥是数据驱动的目标。辨析和明确数据驱动内核要解决的主要问题，就是数据驱动在企业决策和行动中到底扮演什么角色，数据驱动的作用方式、作用过程和应用场景。

1.1 数据驱动是动力而不是助力

很多人容易将数据驱动与“以数据为中心进行决策”混为一谈，但我们认为这两者存在本质差别。“以数据为中心进行决策”顾名思义就是用数据来支持决策。通过对数据的整理、抽取，将数据转化为可读的知识，形成分析结果，决策者根据分析结果考虑并决定决策结果，最终决策由人做出。以数据为中心进行决策，人为决策的本质未变，决策者作为个人的局限性无法避免；难以应对复杂多变的数字化时代高频次动态决策的需求；同时，仍旧打不破企业业务流程环节多、决策链条长、信息不对称等传统决策模式下存在的问题；也没有完全体现当下自动化智能化的发展趋势，在这种定位下，数据驱动所带来的效率和价值都会大打折扣。

1.2 数据驱动与人机协同模式紧密关联

“数据+AI”是数据驱动的核心要素。AI所具备的自主学习、自主决策、主动交互、情境感知等能力与特性，给数据驱动创造了更多更高层级的应用场景。AI的终极目标是“人机物”等多元协同共生。在数字化、智能化时代，企业在人机协同的工作方式下开展数据驱动成为常态。随着机器智能化程度和自主能力的增强，人机协同的数据驱动有不同层次的应用场景，是一个“人的参与渐次减弱，机器的参与渐次增强”的体系。

1.3 以数据驱动替代流程驱动推动数字化转型

流程驱动的基本思想就是改变传统的按照重复、删除、分工原则把一项完整的工作分成不同部分、由各自相对独立的部门依次进行工作的工作方式。流程驱动依靠人的直觉和经验，用过去的流程来管理和应对现在和未来的变化，在市场环境日益复杂多变的现在和未来，显然不可取。数据驱动依靠数据、算法和模型而不是人的直觉和经验驱动流程中的行为，能够更迅速、智慧地响应企业的业务和管理需求。

数据驱动的概念框架

基于上述分析，为更清晰地展现数据驱动在企业的发生过程，我们结合数据驱动在企业从发生动因到应用路径的传导机制，进一步梳理出理解数据驱动概念和内涵的五大关键要素，分别是：服务对象、需求动因、数据、模型、应用场景。围绕这五大要素之间的勾稽关系，我们构建了数据驱动的分析框架，并以此为基础，从人机协同视角出发，对框架要素逐一进行描述，形成了数据驱动的概念框架。

2.1 服务对象覆盖各层级管理决策人员

服务对象即“人机协同”中的人。数据驱动的服务对象既包括企业高层决策者，包括从集团到部门的中层管理人员，又包括销售、生产、采购、研发、质控等各个经营环节的业务执行人员，这些服务对象既是数据的使用者又是提供者，以自身不同的关注点对系统提出需求，通过需求传导，在具体场景形成基本的人机互动，并逐步上升到人机协同和人机融合。

2.2 以需求动机作为人机协同传导链条

与服务对象相对应，需求动机分为企业决策层的战略需求、管理层的管理需求以及执行层解决具体业务问题的需求。需求作为人机协同的传导链条，不同层次的需求动机将对应不同层次的数据驱动应用场景。事实上，在数据驱动发展至今的过程中，低层级的需求一直存在，只是逐步向高层级发展，这就要求在构建数据驱动概念时，应持有发展动态的原则，结合人机协同的发展，尽可能完整体现数据驱动的全貌。

2.3 匹配不同层次的数据驱动应用场景

找到高价值的应用场景是数据驱动的前提和核心。数据驱动的应用场景，实际上对应的是服务对象不断发展的从低到高的需求，层级的高低则是由人机协同的程度来体现。具体而言：

第一层是呈现，核心是要你看见，即将数据结果呈现给用户，只反应客观事实，不做判断，典型应用场景如数据报表。在这个层级上的数据驱动未形成人机协同，仅有简单的人机交互；
第二层是预警，核心是助你分辨，即基于数据判断好坏优劣，典型应用场景如红绿灯、仪表盘，在这一层级上系统已开始进行数据的处理分析，并能协助用户进行数据判断，人机交互程度进一步提高，但数据分析判断过于简单，仍未达到人机协同的程度；
第三层是建议，核心是帮你抉择，即基于数据做出行动建议，如商品选择、抖音推荐，这一层级在一定程度上已经开始出现人机协同，与传统的工具不同，信息系统可以运行设定好的模型算法，针对用户的输入执行相应的命令，做出预设性的建议，人与数字系统的交互是双向、多重的，并且可以形成多轮开放式对话，但做最终决策的仍然是人，系统仍处在被动地位；
第四层是决策，核心是替你决断，即基于数据自动决策和执行，如银行贷款等，依托智能系统，数据驱动场景正式进入人机协同阶段，智能系统具有情境感知、自适应学习、自主决策及主动交互与协同等关键特征，人开始选择性的将经营管理事务交由系统自动决策和执行，在此过程中，人和系统互相双向学习，推动着人机交互向人机智能协同发生深刻的转变；
第五层是融贯，核心是虚实合一，即将虚拟与实际打通，在人机智能得到充分融合的条件下，人机协同将向人机融合转变，人与机器的共生关系将在信息传递、信息处理及决策执行等方面都得到全方位的充分体现。此时，数据驱动下的决策也将难分是完全由机器做出还是由人做出，机器和数据已经成为现实中人不可分割的部分。

2.4 构建自动优化的AI模型和业务模型

数据驱动的不同层次场景、人机协同的不同程度，都需要依靠模型来构建。企业数据驱动场景下的模型主要有两类，一类是AI模型，包括线性回归、逻辑回归、线性判别分析、决策树、学习矢量量化、深度神经网络等，为解决各类数据处理问题提供科学的算法，并可以基于机器人的自适应学习机制持续自主地进行模型更新。另一类是业务模型。基于数据+算法+算力，企业通过将业务过程抽象化、数据化，开展数据建模，形成覆盖从研发、制造、供应链、物流、市场、销售等环节的全链路的多维业务模型。这些模型沉淀在系统中成为知识，多向共享赋能不同业务场景中的数据应用，并在此过程中自动进行优化和迭代。

2.5 夯实海量实时多维共享的数据基础

数据是物理世界在数字化世界中的投影，是数据驱动的基础，也是使机器获得智能的钥匙。数据信息日益丰富，甚至日益广泛且深入地渗透进我们的生活中。数据量的提升、数据时效性的加强、数据来源复杂化、数据维度多元化、数据共享化，为数据驱动提供了大量、实时、多维、贯通和定制化的生产要素，让数据驱动向全场景渗透。

数据驱动的六步闭环

在一个真正的数据驱动型企业，企业应拥有一套闭环的数据价值体系。数据价值体系指的是一套完整的从数据采集、整理、报告到创造价值的流程。完整的数据价值体系分为6个环节（见图3-5）：数据采集、数据治理、数据建模、自动决策、指挥执行、反馈改进。

数据采集：创造数据、重构系统和建立连接
数据治理：使数据标准化、数据资产化
数据建模：将数据转化为结构化的知识
智能决策：自动化、智能化地开展数据洞察，推动业务和管理决策
指挥执行：基于决策下达任务指令、指挥和监控执行过程、分析执行结果、评价执行效果
反馈改进：决策反馈、行动反馈，系统通过深度学习算法自动对反馈情况进行修正和完善

3.1 数据采集是数据驱动闭环的起点

数据采集是数据驱动闭环的起点，是创造数据、重构系统、建立连接的过程。以往的数据采集方式主要有两种：一是伴随运营过程简单记录，最主要的特点是数据往往伴随着一定的运营活动而产生并记录在数据库中，比如超市每销售出一件产品就会在数据库中产生相应的一条销售记录。这种数据的产生方式是被动的、是伴随性的；二是用户原创，随着流媒体、移动互联网设备的快速发展，用户可以通过电商点评、平台意见发布等主动产生数据。

3.2 数据治理是数据标准化、资产化的过程

数据治理是数据标准化、数据资产化的过程。数据价值的体现，是建立在整条数据链路的效率和质量基础上的。利用数据治理首先可以实现数据标准化，通过对数据的标准化定义，明确数据的责任主体，为数据安全、数据质量提供保障；其次，解决数据不一致、不完整、不准确问题，消除可能存在的对数据意义的理解偏差，减少各部门、各系统的沟通成本，提升企业业务处理的效率；最后，标准的数据及数据结构能为新建系统提供支撑，提升应用系统的开发实施效率。

3.3 数据建模将数据转化为结构化知识

建模环节是通过数据建模，将数据转化为结构化的知识的过程。通过建模环节，系统可以从海量非结构化数据中抽取结构化知识，并利用图分析进行关联关系挖掘，可以洞察“肉眼”无法发现的关系和逻辑，通过提取节点及关系信息，节点相互连接，形成知识网络结构，并逐渐积累为企业的结构化知识库。结构化知识库将双向作用于人和数字系统，通过提炼出简洁清晰可复用的知识模型，可以协助人实现快速回顾知识，节省下认知资源用于更高层次的思考，并形成小颗粒度的知识模块，便于系统自动进行知识重组和知识创新，为自动化、智能化的数据洞察打下基础。

3.4 智能决策是系统开展自动化数据洞察的过程

智能决策是系统自动化、智能化地开展数据洞察，推动业务和管理决策的过程。在应用初期，系统依靠AI技术进行数据洞察，帮助我们判断哪些是可以被委派给计算机的决策任务，哪些是短期内仍需要依靠人来决策的管理问题。对于可委派的决策，通过计算机程序自动分析、自动进行；对于尚需要人做出的决策，将管理层的决策行为作为知识不断输入系统，利用机器学习等方式促进系统形成智能算法，通过知识发现系统，产生新的规则、算法或模型。

3.5 指挥执行是用决策结果驱动行为的过程

指挥执行是用决策的结果直接驱动行为的过程，通过监控执行过程、分析执行结果、评价执行效果，做出改进措施等一系列活动，确保数据驱动价值的实现。在系统完成自动化、智能化业务和管理决策后，这些决策将通过系统指令的方式实时指导企业各类业务经营环节的最佳行动。这种由数据直接驱动的行为是整体性的，能够将企业复杂的战略决策落实到多环节、跨职能的业务场景上。同时，系统将监测整个的决策执行过程，以便在用户交互和运营业务期间进行执行结构的动态分析和实时建议最佳操作。在此基础上，实现对不断变化的执行情况和用户动态的快速响应。

3.6 反馈改进是系统自动修正和完善的过程

反馈改进是系统结合决策反馈、行动反馈的情况，通过深度学习算法去自动修正和完善的过程，通过反馈使数据驱动最终形成一个动态的、自主发展的闭环。在数据驱动下，系统是可以实现自我学习和完善的，但是这个过程需要反馈数据的不断输入，需要模型根据比对决策结果、执行结果的现实数据把偏差信息反馈给机器学习，形成正向和负向的数据反馈，才能在其后不断的机器学习迭代过程中自我完善。因此，数据驱动闭环要求要有流式的数据不断地注入，要有以机器学习为基础的决策模型，要有能依赖模型输出结果可以推动的业务系统，还要有可以反馈预测偏差的反馈机制。

为适应未来真实世界和数字孪生世界的运行、交互与融合，企业应构建以数据驱动为核心，可广泛连接和打通、可灵活组装、可快速搭建快速迭代的新一代企业数字化架构。