数据资产是指由个人或企业拥有或控制的，能够为企业带来未来经济利益的，以物理或电子方式记录的数据资源。这些数据资源包括但不限于数字信息、文字信息、图像信息、语言信息、数据库等。数据资产具有以下几个特点：权属明确：数据资产通常具有明确的权属，包括勘探权、使用权和所有权。

数据中台作为企业数字化转型的重要支撑平台，通过提升数据整合与共享能力、强化数据分析与洞察能力、推动业务创新与发展、提高运营效率与管理水平以及加强数据安全保障等方面，为企业的数字化转型提供了有力保障和强大动力。因此，企业在进行数字化转型时，建设数据中台是必然选择。

财务共享中心作为现代企业管理的有效工具，通过提高效率、降低成本、加强内部控制等方面的优势，为企业创造了良好的财务运营环境，成为企业发展的有力助推器。

财务共享中心能帮助企业达到规模经济，‌主要是因为其通过集中处理财务事务，‌实现了规模效应，‌从而提高了工作效率并降低了成本。‌

近日，为鼓励数字赋能航天文化，“中国航天日”宣传海报征集AIGC创作平台通道正式开启，这是“中国航天日”主题活动多年来首次尝试设立AI赛道，也将激发AIGC在航天领域的更多应用创想。

随着人工智能技术的不断发展，大模型技术作为其核心组成部分，在各个领域都发挥着重要作用。

今年的政府工作报告提出，大力推进现代化产业体系建设，加快发展新质生产力。对此，全国政协委员、360集团创始人周鸿祎在接受《经济参考报》记者采访时表示，应提倡运用科技创新推动生产力跃升。只有通过关键性核心技术创新，推动科学技术的原创性突破、前瞻性应用，形成新优势，才能在全球竞争格局中抢占未来产业科技创新制高点。 “在新一轮科技革命和产业变革加速演进的时代背景下，我国坚持把科技创新摆在国家发展全局的核心位置，开辟发展新赛道、塑造发展新优势。从世界范围来看，我国拥有全世界最完整的产业链、最齐全的工业门类、最丰富的企业场景红利。科技创新为产业高质量发展深度赋能，产业发展为科技创新提供应用场景，二者深度融合、互促共进，为高质量发展注入有力动能。”周鸿祎委员说。 政府工作报告提出“制定支持数字经济高质量发展政策”“深化大数据、人工智能等研发应用，开展‘人工智能+’行动”等多项具体部署。谈及开展“人工智能+”行动，周鸿祎委员认为，过去是“互联网+”思维，未来是“人工智能+”思维，其中，大模型作为人工智能发展的核心引擎，正引发一场全新的工业革命。 “我国发展大模型的一个重要方向应该是借助产业和场景的优势，将大模型与业务流程、产品功能相结合，寻求多场景应用、垂直化和产业化的落地，让大模型作为生产力工具与传统产业进行‘数转智改’结合，成为产业数字化的重要赋能者。”他说。 对此，周鸿祎委员提出三点建议，一是政府、央地国企率先提供更多应用场景，聚焦“小切口，大纵深”，推动大模型垂直化、产业化落地；二是鼓励企业在定制AI前，做好知识管理，将企业大数据平台升级为企业知识平台；三是鼓励和引导企业将大模型与数字化业务系统深度结合，同业务流程相结合，充分发挥大模型价值。 他表示，伴随人工智能的影响日益扩大，安全问题也愈发凸显。通用大模型的安全，是保障人工智能技术可持续发展、实现广泛应用的重要基础，对确保人工智能系统的可靠性和安全性意义重大，更需国家和企业重点应对和保障。建议国家研究制定保障通用大模型安全的标准体系，推动通用大模型开展安全评测、接入安全服务，降低通用大模型安全风险。鼓励政府、央地国企与兼具“安全和AI”能力的企业在大模型安全领域展开深入合作。

随着数字经济的快速发展，2024年将迎来全新的商机风口。数据治理、数据平台和应用场景被视为数字经济的三驾马车，它们将成为推动商业创新和增长的关键。本文将深入探讨这三个关键要素在数字经济中的作用，并分析它们为未来商机带来的影响。

多企业在上线BI并完成了基本的数据展示后，经常会对BI后续的建设路径感到迷茫，不知道从哪入手；或者是大张旗鼓搞了很多的BI开发，结果一顿操作猛如虎，业务评价很扎心。 BI的核心价值在于利用企业的数据资产辅助经营决策，是企业数据资产价值变现的重要工具。和企业经营一样，更合理的BI建设路径也应围绕着ROI最大化的目标来设计，但如何评估BI建设的ROI一直是一个世纪难题。 观远数据客户成功经理王星亮通过总结多年来服务各行业先进客户的经验，以及从其中部分客户样本上观察到的现象，提炼出一套简易的分析框架，以此尝试从ROI角度为不同类型、不同阶段的企业提供可参考的 BI 建设路径建议。 一、BI价值的分类及影响因素 BI建设的ROI高低取决于价值和成本两个方面。首先分析价值方面。 BI的核心价值在于利用数据资产辅助企业经营决策，提高决策效率。 根据过往实践经验的总结，我们提炼了BI建设对经营决策的两类价值，将其分为基础价值和赋能价值，并总结出了对其中数据赋能价值有较大影响的两大因素： 1．基础价值 最基础的数据展示，让业务部门能够更便捷地看到不同来源的业务数据，是BI工具的基本功能，本身有一定价值，最容易实现，也最容易产生“审美疲劳”，属于BI建设中的“低垂的果实”。 2．赋能价值 ✦ 业绩增长（显性价值） 业绩增长泛指业务结果，对应指标体系中的结果指标（GMV、利润、现金流、用户数等），是所有盈利性组织最关注、最显性的价值，也是在数据建设过程中优先保障的。同时，这类价值也是最难评估和验证的。一方面，因为业绩增长通常是多因素共同作用的结果，难以评价数据建设单一因素在其中发挥的价值；另一方面，由于企业组织规划中通常有清晰的角色分工，数据建设岗位通常为中后台部门，不直接为业绩结果负责，导致数据价值链冗长，追溯成本高。部分企业采用业务部门与数据部门目标绑定的方式，让数据直接为业务服务，用缩短价值链的方式体现数据价值。 ✦ 业务提效（隐性价值） 业务提效泛指业务流程中的过程管理，对应指标体系中的过程指标（转化率、ROI、周转率、良品率等），这类价值的上限空间通常有限，在企业快速增长阶段通常非最优先关注点，而在企业稳定发展、开始向内部要效益的阶段会成为重要关注点。 吊诡的是，数据建设本身也是一项需要企业资源投入的工作，在企业增速趋于平稳，开始向内部要效益的阶段，数据建设需要的投入也会受到影响；从这个角度讲，企业能否在高速增长阶段提前布局自身的数字化建设，匹配企业生命周期合理投入数据建设资源，非常考验企业决策团队的数据意识和战略格局。 3．影响因素 基础的数据展示价值对企业实际的经营活动价值非常有限，更多是作为提升内部数据意识、展示企业数字化发展水平的工具，形式大于内容，不同企业差别不大；但不同类型企业的数据赋能价值则有很大差异，主要影响因素有以下两个方面： ✦ 可获得的数据资产与其重要经营活动的匹配度 以“复购率”指标为例，如果一家企业提供的商品或服务有较高的复购价值，复购率会是衡量其经营健康度的重要指标，用户运营就是其重要的经营活动之一；而用户数据相对外部潜客数据更易获得，只要做好了用户相关的数据资产建设，就能很快在用户运营环节发挥出数据价值。 反之，如果一家企业提供的商品或服务复购需求较低，老用户的数据对其核心业务的增长价值有限，业绩增长更依赖的外部数据又难以获取，则会造成数据资产与重要经营活动的错配，难以发挥数据资产价值。 ✦ 经营活动中各类决策过程对数据资产的依赖度 整体而言，不同类型决策对数据资产的依赖度排序为：   高频决策高于低频决策：例如收并购、拓展新业务、组织架构调整等类型决策通常属于低频决策，历史数据参考意义不大；而投流渠道选择、用户运营策略调整通常属于高频决策，可以通过历史数据发现规律，指导业务动作； •标准化决策高于定制化决策：标准化决策指决策链路逻辑较清晰、可描述，如门店货品补货决策；定制化决策指决策链路复杂，需考虑因素多，如大型IT项目的报价决策；通常2B企业的定制化决策比例高于2C企业。 •分析型决策高于组织型决策：两者核心的区别在于“人的感性因素”在该决策活动中的影响占比。 企业经营活动中各种决策类型的占比和价值贡献，是企业是否重视数据建设的底层驱动因素。数据对企业经营活动核心环节的重要程度，决定了BI建设对企业价值贡献的天花板。 二、BI建设成本的分类及影响因素 ROI的另一端是成本，BI建设需要以数据建设为基础，这里将数据建设的成本包含进来，可以大致总结为数据获取成本、数据治理成本、数据应用成本（BI建设属于数据应用的一部分）三个方面，其相应的影响因素包括： 数据获取成本 影响因素：外部数据 or 内部数据；To B or To C；线上 or 线下…… 企业内部数据的获取成本通常低于外部数据获取成本，但这里有一个特例，即电商品牌企业。由于国内电商平台（京东、淘系、抖音等）的快速发展和数字化建设程度普遍较高，电商企业可以在不建设交易系统的情况下依赖电商平台的交易系统能力获得交易数据，这部分数据的所有权为电商品牌，但却是来自于外部的电商平台系统。正是由于电商品牌的这个特点，让很多电商新锐企业在自身信息化水平非常薄弱的情况下依然可获取到非常重要的交易数据，进而放大了BI建设的ROI，使“先数字化，后信息化”的发展路径成为可能。 商业模式（2B/2C、线上/线下等）的区别对应的本质问题是看企业的经营活动对信息化的依赖程度，越是依赖线上的、2C的企业（如零售银行），其信息化水平需求越高（信息化水平不足的企业已经被淘汰了），其内部可用的数据资产规模越大（先不考虑资产质量），数据获取成本就越低。相反，越是依赖线下、2B的企业，其信息化水平的重要性越低，如果要获取充足的数据资产，就需要先完善信息化建设（其本身对经营活动的必要性却不高），即变相提高了其数据获取的相对成本。 2．数据治理成本 影响因素：一方/二方/三方数据；业务闭环程度…… 数据源对数据治理成本的影响，我们仍以上述电商企业为例：尽管依赖电商平台完成交易环节的电商品牌企业无需自建交易系统，获取交易数据的成本较低，但由于其数据源来自平台方，为二方数据，因而会导致其数据治理成本提高。 业务闭环程度对数据治理成本的影响，我们以制造业企业为例：自建工厂的制造业企业可以通过完善生产信息系统获取供货数据，依赖代工生产的企业可以通过代工企业上报的方式获取供货数据，各自都有一定的数据获取成本；但自建工厂的企业一旦完成了生产系统信息化，其数据治理成本将远低于依赖代工的企业。 3．数据应用成本 影响因素：数据意识；法规限制；数据工具；组织结构…… 这一部分展开分析可以独立作为一个话题，简单概括以下要点： 总体来看，当企业受自身商业模式、企业信息化发展、内部数据文化等多种因素影响，把综合数据建设成本降得足够低，就会相应提高BI建设的ROI。 值得一提的是，在考虑数据工具的成本时，除了工具本身的采购成本和部署成本这些“显性成本”外，工具自身的易用性、易维护性也会影响企业的学习成本、建设成本、维护成本等“隐性成本”，如果由于工具难用或难以维护导致没有发挥出应有的价值，产生的机会成本浪费通常是巨大的。 三、以ROI达标为前提 企业BI建设的细分路径 BI的核心价值在于提高决策效率，但并不是所有决策都最适合用BI解决，也没有一套BI建设的方法论可以适配所有企业，观远数据尝试提供一个简易的分析框架，用以判断不同企业应该参考何种路径、在哪些环节发展BI。 1．BI更适合什么类型的决策场景 与数据资产价值及决策类型的匹配关系类似，BI更适合高频的、标准化的、分析型的决策场景。 ✦ 高频决策场景 如果决策频率不高，例如季度、年度的企业整体经营分析场景，即使没有BI，也完全可以靠分析人员利用其他分析工具（Excel、Python等）满足分析需求，甚至灵活度更高。但如果能在BI上实现该类综合性较强的分析，说明企业内部的数据资产质量较高，也能驱动各部门管理人员重视BI建设工作，有利于推动BI的全面普及。 ✦ 标准化决策场景 如果决策场景的标准化程度不高，例如针对一个偶发性事件做的针对性分析，可能需要重新搭建数据模型、清洗大量“脏数据”、重新搭建BI页面，但该场景的复用价值有限，用BI实现的ROI较低。但如果企业内定制化分析的需求频率较高，而分析难度较低，且数据资产相对完备，则较适合通过推广“自助分析”的方式发展BI。 ✦ 分析型决策场景 典型的分析型决策具备可量化、可追溯、易归因、决策链短等特征，可以根据数据分析结果直接做出行动决策，如生鲜门店的促销决策，可以根据不同生鲜产品的临期情况、库存情况动态调价，算法规则明确后，即可通过BI应用将行动建议直接推送给门店店长，指导店员促销动作。这一类场景适合将数据流与业务流绑定，通过产品化的BI应用实现数据-分析-行动-反馈的闭环。 2．如何制定更优的BI建设路径 理想情况下，BI的建设路径和推广方式需要综合考虑企业不同阶段的数据资产水平、不同类型的决策占比及重要程度、组织结构与决策脉络有针对性的规划制定。 ✦ 建设路径 建设路径回答的是“做什么？”的问题，这里提供一个参考思路： ①首先结合企业商业模式和战略目标，找出关键的经营活动有哪些； ②在这些关键经营活动中识别出其中主要依赖的决策类型（高频还是低频、标准化还是定制化、分析型还是组织型），并结合可获取的数据资产情况，找出那些更适合通过BI赋能且数据资产可用的决策场景作为优先的BI建设目标； ③不断重复①、②； 当然，现实情况下还要兼顾企业内数据资产的建设规划、不同业务部门需求的优先级、管理层偏好等因素制定具体的BI建设规划。 ✦ 推广方式 推广方式回答的是“谁来做？”的问题，这里引入“决策脉络”的概念： 观察企业的“决策脉络”，即整体考察企业中不同层级、不同岗位的“决策规则”是如何制定的，找出其中适宜通过BI赋能的场景决策。如果其决策规则制定的方式比较集中（适合“一刀切“的方式），则更适合采用集中建设BI的方式；如果决策规则的制定较为分散（适合“让听见炮火声的人做决策“），则更适合采用自助分析的方式发展BI。 通常来讲，业务类型越聚焦、提供的商品或服务标准化程度越高、人员规模越小的企业，其决策脉络也越集中，例如单一品牌的电商新锐企业；业务类型越多元、提供的商品或服务定制化程度越高、人员规模越大的企业，其决策脉络也越分散，例如全球性多品牌的超大型消费品企业。 3．BI建设路径的其他影响因素 现实情况下，BI建设和其他事物一样，受天时、地利、人和的多重因素影响。 四、结语：BI建设的“势、道、术” 企业内的BI建设受各种因素影响，无论是企业内的BI建设者还是BI厂商在服务客户的过程中，经常会感到迷惑，不同的影响因素孰轻孰重，应该如何设定BI建设的合理目标、找到适宜的路径，总结而言，可以按照“势、道、术”的结构来归纳： • 势：企业商业模式、社会信息化技术发展水平等因素是最高维的影响因素，在很大程度上定义了BI建设的难度等级，同时这类因素的迭代周期长，短期内难以改变，从BI建设的角度只能顺势而为； • 道：合理评估BI建设的ROI、关注数据流与业务流及决策脉络的匹配是BI建设的底层方法论； • 术：信息化建设、数据资产建设、数据治理、BI技术架构、数据部门建设和管理、BI项目建设、BI自助分析推广等具体工作均属于“术”的范畴，需要根据不同企业各自的阶段特征，灵活使用。 未来伴随可观察的客户样本更加多元丰富，观远数据将继续验证该理论框架的合理性和预判准确性。我们也期待与大家一起讨论，共同探索提升企业BI建设ROI，让数据为业务增长创造更多价值的新路径。

随着大数据行业的发展，大数据生态圈中相关的技术也在一直迭代进步，作者有幸亲身经历了国内大数据行业从零到一的发展历程，通过本文希望能够帮助大家快速构建大数据生态圈完整知识体系。