数字经济时代，数据作为新型生产要素，已快速融入生产、分配、流通、消费和社会服务管理等各环节，深刻改变着生产方式、生活方式和社会治理方式。加强数据治理，激活数据要素潜能，已经成为新发展格局背景下，企业乃至国家抢占发展制高点、提升综合实力、增强竞争优势的关键要素。

2021年，国家发布了《中华人民共和国国民经济和社会发展第十四个五年规划和2035年远景目标纲要》，利用第五篇的四个章节开启了加快数字化发展、建设数字中国的宏伟篇章，将数字化转型提高到了国家战略的高度。而刚刚过去的2023年，则标志着数字中国建设迈向全面落地的关键节点。2023年初，《数字中国建设整体布局规划》发布，明确了未来数字中国的建设目标和关键工作任务（如图1所示）。

图1：未来数字中国的建设目标和关键工作任务

在这一指导下，一系列政策相继问世，这些政策正在深刻影响着社会经济和大众的日常生活。在这一系列宏大的叙事篇章中，尤其引人注目的是与“数据要素”相关的政策。作为新型生产要素，数据对传统生产方式的改革产生深远影响。《企业数据资源相关会计处理暂行规定》、《关于促进数据安全产业发展的指导意见》以及国家数据局的正式揭牌等政策和措施的逐步推进，标志着数据价值将更快速地被释放。

2023年12月31日，国家国家数据局等17部门联合印发《“数据要素×”三年行动计划（2024—2026年）》。其中提出，到2026年底，数据要素应用场景广度和深度大幅拓展，在经济发展领域数据要素乘数效应得到显现，打造300个以上示范性强、显示度高、带动性广的典型应用场景，涌现出一批成效明显的数据要素应用示范地区，培育一批创新能力强、市场影响力大的数据商和第三方专业服务机构，形成相对完善的数据产业生态，数据产品和服务质量效益明显提升，数据产业年均增速超过20%，场内交易与场外交易协调发展，数据交易规模倍增，推动数据要素价值创造的新业态成为经济增长新动力，数据赋能经济提质增效作用更加凸显，成为高质量发展的重要驱动力量。

数据已经成为了新的生产要素，而企业也正在从传统的信息化建设走向数据驱动的数字化转型。

图2：向数据要价值经历的四个阶段

今天语境中的数据是伴随着软件的出现而产生的。最早的企业管理软件是单机版的，彼时IT部门被称为网络部或计算机部，通常是挂在财务部下面。部分计算量大的岗位，在那个时候很奢侈地配置一台计算机，安装上单机的应用软件，只有特殊权限的工作人员才能访问。这个软件会帮助业务人员处理人工所不能完成的业务工作，比如财务记账、库存管理等。

这个时期，数据是软件应用过程的副产品，只有少量的结果数据会被计入到纸质的档案里或者被保存在昂贵的硬盘里。大量的其他数据还是在纸质的表单和档案里，并没有电子化和存储起来。

随着网络的诞生，企业应用从单机软件走向网络应用、客户端-服务器架构（Client-Server），也就是常说的信息化建设初期。这时期的典型特点就是各种应用系统林立，财务、人资、生产、制造、设备和运维管理等每个部门和业务条线都有属于自己的业务系统。

随着互联网的出现，企业的技术架构逐渐从客户端-服务器架构走向客户端-服务器-数据库架构。与此同时，随着存储技术的发展，数据存储的成本也越来越低，以DB2、Oracle为代表的关系型数据库为大量数据的结构化存储查询提供了核心能力。

这个阶段，大量的业务数据、流程过程数据和处理结果数据都独立于应用，被保存在关系型数据库中，而基本上每一个应用软件都出现了一个查询统计的模块，以便对这些数据进行查询统计。也是在这个阶段，数据的价值逐渐呈现出来，众多固定格式报表、查询被业务所使用，但是，这个时候还是以部门/业务领域为单位，跨系统的集成式数据分析并不多。

这个阶段，数据是基于业务架构、应用架构、技术架构建模后产生的，数据的核心是准确和安全，而那时企业应用系统的大部分关注点在管理和内部运营，B2B和电商端尚未兴起，数据相对标准且静态，加上集成分析的程度并不复杂，所以数据的准确性是可以保证的。

这个阶段是跨度最长的一个时期，也是数字化转型的起始阶段。

随着ERP的出现，人财物等全面集成，经营数据随之产生；数据的组合加工分析，不同的维度口径也喷涌而出。企业管理者也从追求规模化、粗犷式发展逐渐走向了精细化运营，希望能够打通业务壁垒，拉通数据孤岛，看到全面集成的数据，这个阶段有两个里程碑。

第一个里程碑是商务智能系统和数据仓库的出现。

在第二个阶段信息化建设的过程中，五花八门的关系型数据库承载存储了不同业务应用生成的数据。商务智能系统的出现就是基于数据仓库，将各个不同业务系统的数据分层汇总起来，经过统一的数据分析挖掘，形成各种报表、看板、管理驾驶舱等，提供给管理者，让他们做出更精准的决策。在这个过程中，数据质量逐渐引起大家的关注，因为大家发现不同的报表，口径不一致，维度不一致，其根本原因是有的数据源头不对，所以主数据管理应运而生。此时，主数据管理着重关注的是那些相对静态的公共数据，比如用户基本信息、会计科目、企业的组织架构等。

第二个里程碑是大数据（Big Data）的出现。

移动互联网和物联网的出现，扩展了企业的运营范围，直接触达客户可以获取用户的行为数据，可以直接从生产设备中采集到设备的状态和运行信息等，这些数据的出现加速了数据的爆发，所以大数据的概念也快速升温。行业里所讲的大数据，主要指的是3V：Volume，数据量大；Velocity，数据传输速度快；Variety，数据形态多变，多样性。大数据的出现，加速了企业数据价值的挖掘，催生了很多新的技术，如实时计算、内存计算、内存数据库、批流一体等。

在第三个阶段中，核心价值是对业务数字化形成的数据进行挖掘，产生业务洞察，支持更全面、更精准的业务和管理决策。国内大量的企业正处在这个阶段，这个阶段有两个典型挑战。

第一个挑战是数据的应用场景。在这个阶段，数据已经呈现了海量的增长，没有哪一个企业能够全量的采集和存储与业务相关的所有数据，所以，如何针对性地选择能够创造业务价值的数据，并对其进行存储加工分析利用成为了每个企业必须跨越的价值鸿沟。好的应用场景能够让数据快速发挥价值，而不准确的应用场景往往带来的是无效的投入成本和对数字化转型失去信心的迷茫。（本栏后续文章会用各行业的真实案例介绍如何利用精益数据方法探索识别业务价值场景，构建敏捷精益的数字化转型路径。）

第二个挑战是数据的质量问题，数据治理成了很多企业都非常关注的关键问题。如何能够让数据治理的工作直接带来业务价值，并且持续可落地，成为了这个阶段需要摸索和探讨的话题。（本栏第四期文章会介绍如何利用精益数据方法打造与业务价值携手同行的数据治理体系。）

这个阶段，笔者称其为数据觉醒，越来越多的企业意识到了数据的价值，对数据的投资也越来越大，但是往往由于场景不准确，很多投资成效不大。

随着人工智能技术的指数级发展，特别是2023年大模型技术的浪潮来临，数据的应用正在走向智能化阶段，企业不满足于报表、看板、数据可视化这些给人看的辅助分析决策手段，而是更希望能基于数据直接做出智能化决策，直接驱动业务流程和自动化设备。

智能化决策和数字化洞察最大的差异是最大可能地减少决策的不确定性，从全量拉通的数据中找到全局最优解，并且让模型和算法直接驱动业务，所以也可以称之为“数据驱动”。

20世纪90年代，美国麻省理工学院的计算机系教授迈克尔·哈默和CSC 管理顾问公司董事长詹姆斯·钱皮在《企业再造：企业革命的宣言书》一书中提出了“流程再造”（Business Process Re-engineering，BPR）的概念。他们指出，两百年来，人们一直遵循亚当·斯密的劳动分工的思想来建立和管理企业，即注重把工作分解为最简单和最基本的步骤，然后根据这些步骤来划分职能，用职能来驱动生产和管理，这种方式已经不适应当前的企业需求，应该把工作任务重新组合到首尾一贯的工作流程中去。他们认为，为了大幅度改善成本、质量、服务、速度等现代企业的主要运营方面，必须对工作流程进行根本性的重新思考并彻底改革。该改革过程就是“流程再造”（BPR）。相比于人员驱动和职能驱动，流程驱动有着显著的五大先进性，即覆盖端到端价值链、更好的协作、更容易复制、更高的响应能力和管理复杂业务。

流程概念的提出是现代化企业管理的里程碑，流程再造的推行是企业信息化建设的业务基础。

在信息化时代，主要的业务流程还是在线下完成，应用只是支撑，沉淀的数据更多用于后置的统计分析，最后形成报告，提供给业务人员，而业务人员根据这些数据来调整业务动作或者流程，提出新的业务需求，再去建设新的应用。这是信息化时代的业务流程到业务数据的闭环。

而到了数字化时代，则完全不同了。很多企业经过过去的信息化建设，业务对象和流程的核心部分已经通过软件系统实现了数字化。首先，消费端已经完全数字化了，也就是用户的描述、行为都已经数字化了。同时，业务流程通过系统实现了数字化，从外部的广告投放、销售、渠道管理，到内部的人事、财务管理等，这些流程都变成了系统里的功能。应用产生数据，数据经过分析挖掘，再反馈给应用。当业务全部数字化后，业务的呈现形式就是一个个 App，物理世界里的业务动作越来越少，应用和数据逐渐形成了闭环（如图3所示）。

 图3：从流程驱动到数据驱动

 图4：流程驱动与数据驱动的定价模型

流程驱动的定价模式有 4 个核心节点：业务人员设计定价流程；根据新的市场、销量等信息发起定价审批流程；将审批后的价格配置到系统的定价表中；业务系统从定价表里读取定价。

流程驱动的定价模式需要业务人员手工干预，并且审批流程往往比较长，不能快速响应市场的需求变化，所以现在很多企业采用了数据驱动的定价模式。如图4右侧部分所示，数据分析人员建立更全面、更多维度的数据模型，通过预测技术来动态生成定价模型，业务人员按需在系统中实时优化和调整定价模型，该定价模型能直接驱动业务应用。

数据驱动的模式以市场的实时数据为基础，借助人工智能算法，可以实时计算价格，迭代快、响应快。例如，Uber 就是利用动态定价模型全自动计算每一次交易的建议价格，如果换作传统的流程定价，无论工作人员数量还是响应速度，都不可能满足这样的应用场景。

流程驱动和数据驱动的本质可以用图5来说明。

图5：流程驱动和数据驱动的本质区别

总体而言，数据驱动和流程驱动的主要区别有以下几个方面：

流程驱动以人的经验和直觉为输入，而数据驱动则以数据为输入；

流程驱动的开发过程以咨询和人工分析方法为主，而数据驱动的开发过程以数据建模和机器学习等数据技术方法为主；

流程驱动的过程是可解释、可视化的，而数据驱动的过程大部分是不可见的，尤其是机器学习的模型训练过程，在行业中被称为“炼丹术”。

流程驱动有人工参与，整个过程是非自动化的，而数据驱动则可以实现全自动化；

流程驱动过程中，如果出现业务需求变化，就要重新设计流程，迭代比较慢；而在数据驱动过程中，如果出现变化，数据模型得重新训练，而模型增量学习的迭代速度快于流程驱动；

流程驱动输出的是规则体系，该规则体系应用于业务以辅助决策；而数据驱动可以直接接收业务数据给出决策。在规则足够清晰、业务相对静态且数据条件不够好的情况下，基于流程的规则体系成本更低。如果业务变化比较快，而且数字化程度较高、数据质量好、数据维度丰富，则尽量采用数据建模、机器学习的数据驱动方式，才能够更快速、实时地响应业务的需求。

正如《“数据要素✖”三年行动计划（2024-2026年）》开篇所指出，近年来，我国数字经济快速发展，数字基础设施规模能级大幅跃升，数字技术和产业体系日臻成熟，为更好发挥数据要素作用奠定了坚实基础。与此同时，也存在数据供给质量不高、流通机制不畅、应用潜力释放不够等问题。实施“数据要素×”行动，就是要发挥我国超大规模市场、海量数据资源、丰富应用场景等多重优势，推动数据要素与劳动力、资本等要素协同，以数据流引领技术流、资金流、人才流、物资流，突破传统资源要素约束，提高全要素生产率；促进数据多场景应用、多主体复用，培育基于数据要素的新产品和新服务，实现知识扩散、价值倍增，开辟经济增长新空间；加快多元数据融合，以数据规模扩张和数据类型丰富，促进生产工具创新升级，催生新产业、新模式，培育经济发展新动能。

数字化时代，要充分融合数据要素与劳动、资本等其他要素协同，以数据流引领物资流、人才流、技术流、资金流，提高全要素生产率，从流程驱动走向数据驱动，打造数实融合的高质量发展路径。

（本文刊发于2024年第1期《信息化建设》杂志）

无雀科技-中国专业数字化服务商!无雀数字化管理系统一数字化转型一站式工作台!无雀科技专注于政企数字化转型，提供整体数字化解决方案和咨询服务帮助客户实现组织数字化、管理数字化和业务数字化!            

责任编辑：数字化刘老师       

原创供稿：4000-271-266（高单价 快结算）        

特别声明：无雀科技原创文章，未经授权不得转载！