「数据中台」降温后，企业数智化下一局何解？

万亿商业帝国，往往始于一个简单的共识。

回溯电商之王亚马逊的历史，必然有经典的一幕：

2001年，先后经历了各类重大历史事件的美国，正处于低谷之中，所有公司都在经受严峻的环境考验。

而后，亚马逊CEO贝索斯迅速找到《从优秀到卓越》的作者吉姆·柯林斯，向他寻求关于亚马逊的战略发展建议，最后，贝索斯带着高管团队提出一个著名的模型：

通过低价策略，吸引更多的客户；更多的客户，则可以增加销量，吸引更多的第三方卖家来亚马逊网站开店，从而可以让亚马逊将物流和运营网站的成本降低；效率提升，则再度促进低价。

其中，每个环节如同齿轮一样互相吻合，每个环节的改善，都可以让整个系统加速运行——这便是亚马逊著名的“飞轮”效应，也是其业务增长的“秘密”所在。

建立起与之匹配的业务和战略体系之后，亚马逊走上了高速增长之路。从2001年至今，亚马逊已经建立起包括电商、云计算、流媒体等业务的庞大商业版图。

“飞轮效应”的目标，其实是找到驱动增长的关键因素——本质上，某种程度上也意味着企业如何找到起自己的PMF（Product Market Fit），并且迅速扩大规模，这是所有企业都在寻找的永续经营的模式。

而在当下的数智化时代，人们对“飞轮”效应的探索，从未停止。现在，这个关键因素几乎无法与“数据”脱离关系。

中台降温，对大数据的一次反思

数据是构建起互联网世界的“地基”。而大数据行业的历史，正是探索如何存储、应用海量数据的宏伟道路。

开源分布式计算平台Hadoop的出现，则改变了一切——让企业拥有存储海量数据的能力，从而建立起了数据资产。

在云计算时代到来之前的2000年左右，互联网世界还处于单机时代。雅虎、Linkedin、Facebook等新兴互联网公司为了应对高速发展的业务需求，纷纷采用以Hadoop为主的系统爬取、存储巨量数据的新技术，这也成为大数据和云计算行业的基础。

国内也有类似的数字化实践，在2015年前后兴起的火热的“中台”，正是国内企业数字化进程中的重要里程碑。

“中台”一词最早来自阿里巴巴。2015年，阿里巴巴参考芬兰游戏公司Supercell的爆款游戏生产机制，建立起了“大中台，小前台”的架构：将通用的IT能力抽取出来组成一个大中台，为前端的业务部门赋能。

阿里巴巴以这套机制建立了大量中台，减少了IT资源的浪费。当中，数据中台的建设最为业界追捧，阿里巴巴凭借打造数据中台实现了统一融合的数据建设，进一步释放数据价值，这也引发了一轮效仿——在当时数字化的热潮之下，国内无论大小企业，不惜一掷千金，花费百万乃至千万元，也开始“大建数据中台”。

但苦涩的事实是，短短五年后，企业对于数据中台的热情却逐渐降温，不约而同进入“冷静期”。

听起来，数据中台极其符合商业逻辑。比如，前端的电商部门需要一套比价系统，中台部门调动资源开发对应的数据平台后，还能把这套系统模块化，等到其他部门需要的时候，经过轻量二次开发，就能迅速地复用其他业务之上，减少部门间“重复造轮子”的行为，数据在统一口径之后也能进行相对应复用。

但实际落地到企业当中，这套逻辑并不一定奏效。

“为做而做”，“求大求全”，使得数据中台难以为业务所用，也是许多数据中台项目失败的原因。

在数据中台建设的早期，业内还没有成熟的建设规则或者方法论，部分企业直接套用阿里的数据建设方法论，建设了许多不必要的功能。而在真正启用后，却发现功能和数据并不符合实际的业务场景需求，最终的结果就是“难用”，数据中台并不能被真正用起来，也就加难以收获业务端的认可。

在36氪2020年的报道中，曾有IT从业者抛出一个精彩比喻：“中台不是万能药，大象吃这个药，强身健体；蚂蚁吃这个药，一击毙命。”

对于业务体量够大的企业来说，照搬互联网大厂的方法论，也有可能也会水土不服。这类企业往往在建立数据中台的过程中用力过猛，将大量注意力放在数据资产基础设施的建设上，又“大而全”地对各类数据进行整理和统一，却忽略了自身业务的实际需求。数千万甚至亿级的资源和人力投入，却使得数据中台逐渐成为一个“为做而做”的项目，最终被巨大的建设成本拖累。

2021年开始，中台的发起者阿里巴巴推出了一系列将中台“打薄”的措施——主导阿里巴巴中台战略的前集团首席执行官张勇，开始持续发声：要把中台做得越来越薄，要让阿里的业务变得敏捷，取代阿里“大中台”战略。

这意味着，原来“什么都能往里装”的中台，如今要摆脱厚重的架构，与业务链接得更为紧密。

与此同时，在数据中台的建设中，企业愈发开始意识到，建中台不是本质目的，让数据真正被用起来，与业务产生紧密的关联才是数据中台成功的关键。

在这种趋势之下，“数据飞轮”的概念也随之兴起——围绕业务进行数据消费，从原来的“重点关注数据资产”，到“同步关注数据流与业务流的融合”，即充分考虑数据在业务中的应用，数据资产与业务应用形成闭环。

数据飞轮的出现，意味着“中台”理论失效了吗？

对尚处在数字化初期的国内市场而言，数据中台对数字化概念的普及和落地功不可没。如今，“中台”并不能被称为失效，而是企业对数字化的认识来到了新阶段。“数据飞轮”，则可以看作这一概念演变的新一阶段。

在宏观环境变幻莫测之时，企业主更注重业务增量。数据中台的建设，不能作为成本中心而存在，而是要为业务带来实际效用，才能算得清这笔商业账。

这也能解释，为何近年来“数据飞轮”一词频频出现在人们的视野——“数据飞轮”更关注与业务之间的动态关联，强调“用数据”而非“存数据”。

企业数字化技术服务公司云徙科技是“中台”理论的重要实践者，如今也开始了对“数据飞轮”的探索。其副总裁在去年的数据飞轮消费行业研讨会上提到，尽管企业对数据消费有强烈的需求，但实际操作中却往往面临诸多挑战，真正将数据资产量化为业务价值，势必触及到对数据的精准把控与分析。对于新兴的数据飞轮理念，云徙科技和其他厂商一样，正在拥抱和认可其中的内涵。

从这个维度来说，数据飞轮和数据中台并不对立。相反，数据飞轮可以说是中台理论的升级。

“数据消费时代”来临

“中台”时期，业界对数据仓库、湖仓一体等新兴技术的应用，为企业带来了十分珍贵的数据资产。中台强调“统一”——统一的技术、数据，相当于在传统IT架构下孤立的一个个软件之间搭建起了桥梁，有助于数据在底层的高频流通。

但这一时期的关键问题在于，建立了数据资产后，企业的数据利用率却不高。

如今，全球数据以惊人速度增长，且没有任何放缓的迹象。根据福布斯专栏作家Bernard Marr的观点，全球超过90%的数据，都是在过去几年中被创建。但据Gartner的研究报告显示，如今还有68%的企业数据没有被用来分析、使用；而高达82%的企业仍处于数据孤岛之中。

电商是一个典型例子——购物大促时，会产生许多高并发的计算需求，并且需要实时取用数据，而数据也不只是报表等结构性数据，而是拥有包括图像、音视频在内的非结构化数据。

而在过去，传统意义上的数据仓库主要处理的是T+1数据，即今天产生的数据分析结果，明天才能看到。但现在，企业客户的数据需求，已经不是单纯的静态数据，而是实时、且有洞察的数据。

因此，中台为企业内部的数据资产“建立桥梁”远远不够。更重要的，是要在企业内部建立起一套数据流通的有效模式。

“数据消费”这一概念，正是在这一语境下被提出。

领克汽车就是成功从“数据困境”中走出的企业——此前，和其他的技术密集型企业一样，领克也建立起了一套完善的企业数据底座。

“我们手上也有APP的日活、月活等数据，但对于数据背后的意义、价值，我们是并不明确的。”吉利汽车集团营销数字中心负责人沈稳杰表示。

为了搞明白这些数据，领克汽车的运营团队选择了与火山引擎达成合作，基于火山引擎旗下的数据产品增长分析DataFinder，开展了一次创新的降价拍卖直播活动——拿出一辆车，在规定时间内，用户来参与直播出价拍卖。

“通过直播拍卖活动，我们拿到了非常有趣的一组数据：围观的用户接近2万，而出价用户超过1000左右。我们再继续对出价的用户进行打标签、细分，确认有意购车的用户。”后面的两个月里，领克对出价的用户持续给予一些优惠、优惠激励——最终，达成汽车订单数超过200。

其中，火山引擎数智平台VeDI的产品不仅能够帮助领克实时观测到这些数据，并且还能够在这一创新场景里，帮助业务人员实现数据消费的全流程。如今，基于增长分析DataFinder，领克能够清楚地了解到领克APP每天的日活用户从哪来、又去了哪里，他们更关注什么等等。基于用户的关注点，团队再动态对业务策略进行调整。

领克的例子正是说明，“数据消费”是构建数据飞轮的必要前提，一切数据资产建设都需要围绕数据消费进行建设——才能有效地驱动增长。

火山引擎“数据飞轮”理论

在建设数据底座时，企业就得想明白“把数据消费作为目标”，建设符合自己业务形态的数据基础设施。企业内的各项应用，应该是当场景、业务需要之时，才开发相应的数据工具，而非照搬大公司的方案、模版。

那么，为何企业现在需要格外强调“数据消费”？这由互联网的发展阶段所决定。

在以往的粗放增长时期，企业可以用投放、买量实现增长，增长可以掩盖很多数据问题；但在存量竞争时代，拼的是精细化运营，精细化的策略则来自对数据的洞察。在这一阶段，企业数字化的终点，不是数据资产的建设，而是数据在业务场景的频繁应用。

还是以字节跳动为例。多数人关注字节的组织战略，往往从扁平、透明的组织架构开始，还有一部分不可忽视，则是内部对“把数据用起来”的极度重视。

据了解，字节跳动内部关于“数据消费”有2个“80%”，一是80%的企业员工能够直接使用数据产品，二是数据资产能覆盖到80%的分析场景。

这造成一个神奇的景象。80%的字节员工每天在通过各种各样的数据产品使用数据，进行数据消费，既包括以往主要和数据打交道的专业人员——数据工程师、数据分析师等等，也包含产品、运营、市场，甚至行政、HR、UED这些离IT、数据比较远的人。

这也能解释，数据驱动为何会成为字节跳动的文化之一——因为几乎大部分人都能够高效地获取自己需要的数据，辅助自身的业务，而不需要等待来自上级的决策再进行实施。以数据消费驱动企业增长，并且达到业务目标后，如此反复，成为闭环。数据消费，已经逐步成为企业经营的必备一环。

大模型时代，用数据飞轮重塑数智化逻辑

从2023年开始的生成式AI（Gen AI）热潮，则会加速“数据消费”这一认知成为共识，对大数据领域影响深远。

生成式AI的训练和应用都重度依赖数据，这本身就是一种“数据消费”，而要想让模型质量更高，AI在实际业务中应用落地的数据反哺又至关重要。

数据库巨头Databricks就在2023的年末总结里提出：“未来的大数据架构将是一个高度集成、智能化和自动化的系统，它能够有效地处理和分析大量数据，同时简化数据管理和AI应用的开发过程，为企业提供竞争优势……在不久的未来，每个领域的赢家，都是那些最有效利用数据和AI的企业。”

如今，大模型想在企业侧落地，意味着企业自身的数据和算力规模都会不断加大——未来，企业不仅是需要更多数据，更重要的是要更会使用数据。而数据消费，又会反哺到应用和底层的数据基建建设之中。

百度董事长李彦宏就曾表示：“AI原生应用会驱动模型、芯片等AI技术栈的发展，只有通过更多的场景落地应用，才能够形成更大的数据飞轮，才能够让芯片做到够用和好用。”

幸运的是，在数据应用上，大模型未来会成为用户的有力助手。大模型使得人与机器的交互形式发生根本性的变化，这会有效地降低用户的数据消费门槛。

传统数据分析方式将会发生巨大变化——从前，如果业务人员需要找一个分析数据，轻则需要学习BI等分析工具，重则需要找专业的IT人员提需求。

但在大模型诞生后，垂直领域的数据搜索将会变得更容易，只要用自然语言和模型交互，模型即可提取相应数据，大大提升在数据分析上的人效。

但这也意味着，未来使用数据的门槛会降低，而对数据质量的要求则会进一步提高，企业要想真正享受到生成式AI带来的业务红利，需要更加强健的数据基础设施，以及建立起良性的数据消费模式，挖掘业务数据中更深层次的价值。

更多的人使用大模型提取和分析数据，这对企业的数据基础设施提出了更高的要求——OpenAI每次发布新功能后，宕机现象仍然频发，则是当前底层设施尚未很好适配大模型的证明。

数据基础设施如同土壤，只有足够强大，才能够孵化出有爆发潜力的AI原生应用。对此，企业需要更精细化地建设数据基础设施，配合业务流建立起数据采集、存储、分析层面的工具。而在数据上，更需要高质量且完整的数据，更好加以治理，统一标准和口径，为数据的使用做好准备。

最后，企业需要找到一个数据消费场景，让大量用户使用，模型才能不断迭代，让性能更强——这与数据飞轮理论，也不谋而合。

早在2013年，《大数据时代》一书作者维克托·尔耶·舍恩伯格就表示，大数据开启了一次重大的“时代转型”，其带来的信息风暴正在变革我们的生活、工作和思维，社会也将经历类似的地壳运动。

十年过后，随着数字化进程的深入，“数据飞轮”成为一个新的阶段，帮助企业构建数智化竞争力的边界——谁能更好地转动起数据飞轮，谁就能真正掌握未来。