2.3 企業數據化建設的內容

2.3.1 企業數據化建設的一個核心目的

1．構建數據大腦

我們可以把企業數據化建設的過程抽象為構建一個“有智慧的數據大腦”的過程。按照我們對信息工具的分類方法，這個有智慧的數據大腦應當屬于信息計算和存儲工具。數據大腦如果構建成功，就可以為企業的各條業務線、各個業務場景、各個崗位源源不斷地提供數據支撐，比如：

1）更多、更豐富的數據

數據大腦可以給企業提供更加全面的業務評價數據、業務建議數據、業務預測數據等。

2）更快、更準確地獲取數據

與已經獲取到的數據相比，數據大腦可以讓企業的數據獲取更快、更準確。

3）更有價值的數據

除了日常的統計和分析數據之外，數據大腦還能夠給出更多的建議和預測數據。

4）更加微觀和具體的數據

基于大量的實體行為數據，數據大腦可以對實體打標簽和畫畫像，讓企業服務對每個微觀個體可以更精準、更貼切。

5）更多的創新

數據大腦可以用數據幫助企業提升整體生產經營效率，開源節流，控制風險，甚至基于數據能力進行業務和管理的模式創新。

2．數據大腦的組成

數據大腦由以下幾個部分組成（如圖2-3所示）：

1）數據資產與存儲

（1）一個大容量的實時的數據倉庫。

（2）相關的各種數據工具。

（3）來自企業和企業外部的每一個有含義的字符串都是數據資源。

（4）數據資源經過清洗和轉換存儲在整體數據模型中成為數據資產。

2）數據模型

（1）數據模型是以應用為導向、以當前數據為基礎而構建的對企業業務完整描述的數據倉庫模型。

（2）企業構建數據模型可能采用簡單的四則運算，也可能采用復雜的算法。

3）數據成果

數據資產被不斷地計算，從而產生數據成果。

4）數據成果的傳遞通路

數據成果通過各種通路傳遞給業務人員或者應用系統，應用系統自動運轉或者再結合業務場景傳遞給業務人員。

3．數據大腦的評價模型

數據大腦的構建是企業數據化建設的核心問題，那么我們如何評價這個數據大腦的優劣呢？以下幾個方面是需要重點參考的內容。

1）算力

傳統企業信息化工作的第一任務是支撐企業業務的在線運轉，而數據大腦的算力的第一任務就是數據的統計與計算。同時，企業要大量采用大數據、云計算等技術，靈活調配算力。所以，數據化中的每一個計算的結果都是有不小的成本的。

2）數據存儲量級

數據大腦所處理的數據從傳統的交易數據向實體行為數據轉變。隨著數據量大幅增加，數據大腦所使用的技術也會相對應地提升。

3）數據計算模型

數據大腦的視角一定是企業級別的，而不是業務部門級別的，這是與當前大多數商業智能（Business Intelligence，BI）報表項目的本質區別。同時，數據大腦所設計的計算模型更加復雜。機器學習、深度學習將被廣泛應用。

4）對業務的支撐程度

數據大腦計算出的結果是否符合業務的需求、數據是否有價值是對數據大腦的重要評定標準。

5）企業的依賴程度

數據大腦要讓企業的各條業務線、各個層級的數據饑渴狀況得到很大的改觀，讓企業深刻體會到數據的支撐和驅動能力，使數據能力成為企業的核心競爭力之一。

數據大腦的好壞直接決定了數據是否可以成為企業的核心競爭力，也決定了企業數據化建設的整體價值。沒有價值的驅動，投入的一切成本都會顯得無比高昂。

4．數據大腦的構建時機

現在是構建企業數據大腦的最佳時機嗎？客觀地講，即使在現在的情況下，構建數據大腦也將是一次昂貴的行動。從設備的采購、軟件的應用、數據的準備、模型的設計，到眾多數據應用的規劃與開發，這一定是個龐大的工程，但是數據化的收獲也一樣是可以期待的，所以現在是構建數據大腦的最佳時機。這是因為一方面有典型應用的效果可以借鑒，另一方面企業當前的數據現狀已經非常嚴峻，急需解決。數據化應當成為企業的一項戰略，是應對未來挑戰的核心武器。

2.3.2 企業數據化建設的三個層次

當數據大腦持續地為企業提供數據供應的時候，我們把這些供給的數據大致分成三個層次。這樣的分層便于我們對數據應用進行相對的歸類。同時，我們也希望數據可以從這三個層次對企業提供全方位的支撐。

1．看清業務：全面了解昨天發生的事

數據的第一任務是清晰、準確地描述客觀事實。當我們可以對業務中發生的情況進行及時和充足的數據供給時，我們只要做好戰略、用好戰術就可以了。

當前企業欠缺的一方面是數據化管理的思維，另一方面是相對公允的業務指標體系模型。比如，當我們說一個人的身體是否健康時，大致會看以下數據：

身體基本數據（身高、體重、血壓、心跳、肺活量）、血常規數據、尿常規數據、超聲波數據、心電圖數據、胸片數據。

這些數據既是當前有科學手段支持的我們能夠獲取的數據，又從醫學角度對患者是否健康給出了基本的判斷，在哪里都大致相同，即使普通患者也有一定的閱讀能力。

很多企業現在就需要這樣一套清晰和公允的業務指標體系來對自身的經營狀況做詳細的體檢。企業數據化就是把一個個崗位、一個個層級用數據模型客觀描述的過程。在企業管理中，越是高等級的崗位和高層級的職位，復雜程度就越高，其內容就越專業，也就越容易脫離管理和考核。所以，企業數據化是一個逐步浸潤、從低到高、從簡單到復雜的過程。

一個業務數據化了，一個崗位的行為模型數據化了，就標志著這件事情的管理難度降低了。只有業務的成果模型化了、量化了，管理者才有更多時間、精力考慮和解決管理中有關創意與藝術的部分。

用數據看清業務的關鍵點如下：

1）數據指標體系的設計難度

（1）對業務的深入認知。我們要用數據說話，用數據管理。我們對業務的理解和認知，是最終能夠設計出數據模型的最核心關鍵點。通常的管理模型是分析師、管理者交流和溝通的結果，一方面遵從了行業內的標準體系，另一方面參照了企業自身的管理特點和管理者的管理訴求。

（2）數據化思維和模型構建。我們應該如何看業務？有哪些常用的統計方法？對事物的科學分析思路和視角有哪些？數據分析師需要把這些專業的技能、技巧與企業的業務場景和管理訴求相互結合，最終給出數據模型和建議。

2）業務團隊對指標體系的認可和管理難度

（1）個人的抵抗。管理永遠是一個博弈的過程，對下想看清一切，對上又想有所保留，爭取一定的空間。有些部門之間可能以合作協同為主，撇清關系為輔。所以，每個崗位和業務場景的負責人可能不會主動交出數據業務化的控制權，企業數據化是一個需要頂層設計的整體性工作。

（2）高層管理者的支持。對每個層級的考核一定是上級要負責的，對核心管理層的考核一定是老板親自牽頭的，否則失敗的概率很大。尤其不能將本級的考核模型設置權限交給自己來完成，否則，我們看到的將是一個定義多變的、角度多變的數據模型。

2．洞察細節：敏捷掌控當前發生的事

數據天生就是冰冷和敏感的，而人類只能依靠大概的感知來做定性和相對的定量判斷。在一個統一的數據平臺之上，數據能夠做很多我們平時想做、會做，但是卻做不到的事情。用數據進行精準的感知和操作將帶來意想不到的巨大收獲。

1）數據感知業務細節

數據能夠更加敏感地感受到業務的變動，并在第一時間進行提醒或者做出對應的處理。這樣的事情我們或許想得到，但是只有經驗豐富的業務人員才會做，同時又由于人力有限而變成了個人的經驗。

業務場景一：業務監控預警

在各種業務流程中，我們可以對關鍵指標設定閾值，當閾值觸發時進行必要的預警提示。比如，我們可以設定單據的審批時間不得超過2小時、待處理訂單池的積累訂單量不能超過500張、某物料的最低庫存件數為100個、某項目的工時不能超過1000人天等。

數據成果

利用數據監控業務過程，并通知消息中心對相關崗位進行提醒。

應用效果

對于數據來說，這樣的功能設定并不復雜，但是由系統來完成就比手動完成效率高出很多，失誤率會大幅降低。

業務場景二：庫存消息動態提醒

我們通常都會對庫存進行ABC分類，并且進行最低和最高庫存限定。當庫存商品數量低于最低警戒線或者高于最高警戒線時，系統對庫房管理人員進行消息提示，督促庫房管理人員進行相應的業務操作。

數據方案

對最高和最低限定數值進行統計分析，不再通過經驗進行閾值的設定。以歷史數據波動為基礎的統計值會比人為估算設定的數據更加準確。系統如果能夠再考慮各種外部的因素（如淡季和旺季的差別）進行閾值的動態調整，那么將更加科學和嚴謹，為企業最大化節約成本。

數據成果

庫存最高和最低數量閾值建議。

應用效果

降低庫存，提高周轉率，節約占用資金。

2）挖掘新的數據

高效的業務人員對實體的感知是深刻的。在我們大量收集實體的行為數據后，這樣的感知就可以標簽化、體系化。這樣的感知結果最終可以為更多普通業務人員使用。

業務場景：車碼合一

在傳統的情況下，我們如果想了解某輛機動車在某個時刻車內的駕駛人員和乘坐人員信息時，就只能通過一些相對傳統的手段。比如，查看車輛所有者信息進行推測或者查看交通卡口的錄像信息用肉眼識別。車輛和駕乘人員的關系信息在案件研判過程中是一個關鍵信息。如果我們可以相對準確地知道什么人在什么時刻在哪輛車里，甚至進而統計出一輛機動車在一段時間內都有哪些人員乘坐和駕駛、一個人在一段時間內駕駛和乘坐過哪些機動車等信息，那么這些信息在很多的業務應用場景中都會有非常大的作用。

數據方案

我們可以通過每個路口所獲取的車輛信息和手機三碼信息，按照時間順序進行數據碰撞，找到邏輯唯一的車輛和車上人員手機三碼信息的關聯關系。人車關系庫的建設思路如圖2-4所示。

數據成果

? 獲得某個時刻機動車和車內駕乘人員關系的數據。

? 獲得車輛和駕乘人員關系的網絡數據。

車碼合一的數據應用成果示例如圖2-5所示。

應用效果

車輛和車內駕乘人員關系的數據是通過當前技術手段所獲取的一種以前從未獲取過的新數據，具有一定的技術實現難度，同時在業務中的應用空間和應用場景非常豐富。

? 進行案件研判，人員追蹤

比如，在一起詐騙人員追蹤案件中，我們發現詐騙嫌疑人的車輛匹配了數十部手機，但是從觀測圖片中看到，每次都是該嫌疑人獨自駕車。同時，我們發現在出現的手機號碼中，有一個手機號碼長期出現，其余手機號碼頻繁更換。所以，我們判斷始終出現的號碼為該嫌疑人平時使用的號碼，其余號碼很可能為作案使用的號碼。

? 判斷營運車輛

對于轎車而言，在一段時間內，如果乘坐人員的數量突破了一定的閾值（如在一個月內超過30人），那么我們可以判斷該車可能從事了營運工作。

3．智慧智能：對未來的事情提出預測和建議

統計類算法、專家模型、機器學習等數學模型，會讓我們真正感受到機器的智慧。從業務的角度來看，數據大腦借助復雜的數學模型已經能夠對我們平時的工作給出相對準確的預測，甚至基于這些預測給出大致的建議。

業務場景一：智能組貨建議

很多鞋服企業實行買手制度，即品牌商進行過量的產品設計，然后組織展會，由買手進行產品挑選和訂貨，最終制訂產品的生產計劃。店鋪最終的銷售效果與買手的業務能力和敏銳度關系很大，水平一般的買手或者不合格的買手會對店鋪銷售造成不利的影響。

數據方案和數據成果

我們可以對店鋪的情況進行深入的數據探查，包括店鋪的基礎情況、銷售經營情況、歷史產品情況、顧客情況、外部商圈情況，根據所得的數據進行算法模型建模，給出買手組貨建議，如圖2-6所示。

應用效果

店鋪各個產品品類的滯銷產品數量降低，缺貨現象降低，銷售額和利潤提升。

業務場景二：網站購物者黃牛指數

在電商網站的顧客中，總是少不了“羊毛黨”的身影，尤其在各種大促活動或者緊俏商品投放時。網站希望構建黃牛識別算法模型，以便在交易的時候進行甄別，讓真正的顧客最終收益。

數據方案

? 根據業務經驗進行黃牛行為描述。

? 構建特征工程。

? 利用統計數據優化特征參數。

? 完成黃牛識別算法模型構建。

? 進行工程化工作建設。

? 對網站顧客進行黃牛識別。

? 迭代優化統計效果。

數據成果

黃牛識別算法模型的結果示例見表2-1。

應用效果

對顧客是否為黃牛的智能判斷大幅降低了網站羊毛黨的數量和比例，最終讓消費者真正受益。

2.3.3 企業數據化建設的五個部分

我們把企業數據化建設大致分成五個部分（如圖2-7所示）：數據資源、數據資產、數據應用、數據治理和數據運營。企業數據化建設是一個體系化工程，其中涉及的各個部分內容應該是一個有機的整體。比如，數據資源不能僅僅滿足于當前的數據資源內容，還應該有所規劃和主動獲取。對于數據資產的構建，傳統的做法是直接從數據資源中構建數據應用，這樣通常顯得直接且高效。但是當前我們更加傾向于構建一個統一的數據資產層，由數據資產層支撐數據應用的建設。數據應用是數據供應鏈的最末端，也是最終為用戶呈現業務價值的部分，但是數據應用落地的失敗，又往往由數據資源不具備或者數據質量不高所導致。數據治理和數據運營與其他幾個部分關聯更緊密。企業數據化建設應該通盤考慮這幾個方面的建設內容。這幾個部分互相促進，互相檢驗，不提倡某個模塊單獨建設，這樣容易顧此失彼，從而影響最終結果的產出。

1．數據資源

數據資源是指企業在信息化建設中產生的數字化數據、存儲在硬盤中或者在網絡中流動的0和1數據。它們可能是有價值的，也可能是暫時尚未被找到應用價值的。

數據資源是企業數據化建設的基礎，沒有數據資源就好像沒有食材一樣，廚師要下崗，廚房要關火，餐廳就無法營業。每個對數據化建設充滿了期待的甲方企業和天天講著精致方案的乙方顧問，都應該首先關注企業目前有什么數據食材，然后再說怎么開火或者建廚房的事情。如果有海參、鮑魚和龍蝦，那么做出來的就是海鮮大餐了。如果有土豆、白菜和粉條，那么精心烹飪也一樣能夠做出滿足溫飽的菜肴。所以，數據資源應該是我們所關注的第一個點。

當前絕大多數數據資源都是企業信息化建設的產物，企業信息化越完善，數據資源就越豐富。

首先，我們應該利用好現有的交易數據。比如，供應鏈環節的各種單據（如請購單、采購單、到貨單、質檢單、入庫單、出庫單、退貨單等）。這些都是非常重要的內容，哪怕少一條記錄、錯一個小數點都會有很大的問題。

其次，我們還可以擁有很多行為信息，這些信息一般會記錄很多實體行為數據和機器行為數據。這些信息顯得有些雜亂無章，但是卻是構建實體畫像的數據基礎。

還有一個需要重視的方面就是外部數據服務的豐富，如群體畫像服務、數據分析服務等。把這些服務引入企業內部也會產生很大價值。

2．數據資產

數據資產是指進入了數據倉庫，被約束到了一個統一的模型之中，在各種需求的驅動下，可以產生數據價值，進行變現的資產數據。

當數據資源被有意識地匯聚在一起，然后裝載到一個完整、統一的模型時，這些數據資源就成了數據資產。與數據資源相比，數據資產更容易被數據應用獲取和進行數據開發。

1）打破了數據孤島

數據的匯聚會產生巨大的價值，可以讓我們從整體的層面看待一件事情，很多數據可以相互印證。

2）統一數據模型

數據模型統一就是最大的數據治理過程。一個完整的數據模型的價值是巨大的。就像語言體系一樣，如果一個企業中有30個應用，就有30個獨立的數據模型，如果這些模型各說各話，在交互的時候就會產生大量的翻譯和映射行為，使得跨系統的分析成本高昂，且數據永遠無法對齊。數據之所以從資源變為資產，就是因為構建了統一的數據模型，尤其在維度表層面，進行了整體的統一。

3）便于開發和支撐數據應用

數據資產層的形成是對數據應用開發的最有力支撐。以往的數據應用往往不得不直接到數據資源層去獲取數據，花費在數據整理、清洗的時間就占據了整體時間的50%左右，留給數據應用本身的時間和資源被大量擠占，而且由于視角不全面還會產生各種錯誤。

3．數據應用

數據應用是指在數據資產中進行各種計算所產生的結果被通過各種途徑輸送到業務場景中，為業務人員所使用。

數據應用的形式有很多種。傳統的報表、分析主題屬于數據應用，當前的數據挖掘、大數據和機器學習建模也屬于數據應用，各種數據服務的應用程序接口（Application Program Interface，API）也屬于數據應用。凡是為各個業務環節、業務場景中對應的人或者機器提供增值數據服務的過程都可以稱為數據應用。我們應該透過應用的展現形式看到所提供的數據本身，看這個數據提供得對不對、是否及時、在業務上使用得是否方便。另外，我們也要關心這個數據是否可以產生、有沒有數據資源層和數據資產層的基礎數據作為支撐、計算難度大不大。最后的問題就是設計問題，我們需要既理解業務，又懂數據技術，同時能夠借鑒以往的數據應用建設經驗。這樣才能夠為企業提供有針對性的數據應用設計內容，甚至這個過程還需要團隊進行頭腦風暴得到一些創新的因素。

4．數據治理

數據治理存在于數據資源、數據資產、數據應用等各個層面，為整個數據流動的鏈條提供質量良好的數據。

當我們描述了數據資源、數據資產、數據應用這三個層面的事情后，我們可以發現，數據就像在一條加工生產線一樣，從最初的源數據形態，經過各種計算和加工，在過程中又不斷地混合進來各種其他的數據，最終變成了為業務所用的結果數據。在這個過程中，數據資源是最原始的原料，數據資產是經過清洗和初步處理的食材，數據中臺是食堂，數據應用是最后的成品。而數據質量是貫穿始終的，如果某個部分的質量出了問題，雖然流程可以繼續，但是最終的產品一定是存在瑕疵或不可食用的。

數據治理的目的就是保證在各個環節中數據的質量在符合預期的同時讓最后的結果數據可以被使用。

5．數據運營

數據運營是一個把產生的結果數據發揮最大業務價值的過程，這個過程主要消除的是業務和數據間的鴻溝，讓業務能夠用好數據，讓數據體系能夠產生業務更加希望獲得的數據。

數據運營要解決兩個方面的問題。第一，讓業務部門把當前所產生的結果數據應用好，并產生預期的業務價值。第二，收集業務部門的數據需求，進行數據應用創新，同時促使數據團隊產生對應的數據。數據運營團隊的工作內容如下。

1）企業的數據化管理思維提升

要想提升企業的數據化管理思維，就要用數據說事情，用數據證明結果。

2）數據和業務的鴻溝需要彌補

數據部門是為企業業務服務的，如果數據部門不懂業務，生搬硬套，最后只能使得業務部門遠離數據團隊，不信任數據團隊，最終回到傳統狀態。

3）大型的數據應用場景需要數據和業務聯動

我們要對創新性的數據應用進行共創和整體調試，協調資源，堅定信心，直到獲取最終成果。

2.3.4 企業數據化建設的七種價值

企業數據化建設的最終目的是產生業務價值。我們花費了大量精力說服企業進行數據治理、數據基礎平臺建設，同時又進行了大量的數據收集和建模工作，但最終需要看到的是數據應用所產生的業務價值。

我們把已經看到過的數據應用所產生的業務價值進行了分類，并列舉了一些實戰中的案例和場景。這樣便于我們在對數據應用進行最終審視的時候，做定性或者定量分析。

1．提升效率

數據應用能夠在很多業務場景中幫助企業提升效率，甚至通過一些以前沒有掌握的數據大幅提升效率。

業務場景：利用車輛行駛軌跡判斷營運車輛

所屬行業

交通、城市管理。

背景介紹

在以往的城市管理中，我們需要花費大量人力和物力杜絕黑車現象。在這個場景中，調查取證相對困難，甚至在個別地區可能會出現釣魚執法的現象。我們希望通過車輛行駛軌跡對車輛進行畫像，完成“是否為營運車輛”標簽的繪制。

數據方案和數據成果

? 構建應用車輛行為算法模型，尋找特征項，進行權重指標數值統計。

? 對所有車輛及車輛軌跡數據進行計算。

? 標定車輛營運指數。

? 對高可疑車輛進行業務驗證和業務處理。

應用效果

用極小的計算成本對城市中所有車輛進行梳理，找到了全部營運車輛。

2．降低成本

數據化本身就有對業務的監控功能，通過打破信息的壁壘來降低成本是數據應用價值的一種體現。

業務場景：基于集團統一物料編碼的采購尋源、尋價

某國內大型集團企業開展了完整的數據治理工作，從物料主數據切入，對全集團的物料信息進行整體編碼。

A工廠在建設過程中需要對某項工廠建設物料進行大批量采購。在采購前，系統自動在集團全局庫存中排查，發現B工廠的庫房中存在大量該物料，且呆滯時間較長。此時，采購部門終止了A工廠的采購請求，將該采購轉為內部調撥，從而節約了外部采購費用數億元。

數據方案

? 梳理現有的物料主數據編碼體系。

? 構建集團級別的整體物料主數據編碼體系。

? 對倉庫中現有的物料主數據編碼清洗并進行必要的物資盤點。

? 構建物料管理運維體系。

? 對物料主數據編碼體系進行運營與整體調整。

數據成果

集團統一的物料主數據編碼體系，集團統一的倉庫和采購體系。

應用效果

從全局層面對倉庫情況進行了整體監控，對物料主數據編碼體系進行了整體規范，更深入地監控了采購過程。

3．增加收入

在傳統商業中，企業通常會利用信息差來盈利。在企業逐步數據化的過程中，數據可以在多個方面支撐企業增加營收收入。

業務場景：多業態集團型企業內部交叉營銷

所屬行業

多業態集團或者異業聯盟。

背景介紹

對于多業態集團而言，每個業態的成員企業都會有各自的主營業務。如果我們可以打通各條業務線的會員和顧客數據體系，在統一數據的基礎上做更精準的交叉營銷，那么會以相對低廉的成本獲取增值營銷回報。

數據方案和數據成果

? 收集各個業務板塊的用戶數據。

? 匯聚用戶數據，萃取統一用戶數據，收集用戶行為，構建標簽體系和用戶畫像。

? 尋找A業務板塊與B業務板塊的共同用戶，獲取畫像信息。

? A業務板塊根據用戶畫像在自己的用戶群體中進行用戶放大，在放大的用戶群體中進行精準營銷和向B業務板塊導流。

應用效果

從營銷成本和營銷效果兩個方面進行評估，基于統一的用戶數據體系及詳細標簽畫像的精準營銷比傳統的粗放式營銷的成本更低、效率更高、成果更好。

4．控制風險

在企業數據化程度逐漸提高的過程中，很多人為監控工作或者訴求就可以轉變為數據化應用場景。數據應用的監控功能可以在海量數據和算力的支撐下不停地開展。我們通常認為，即使監控的算法模型只有高級業務人員能力的80%，最終發揮的作用也會遠遠大于人工操作。

業務場景：基于統一客商編碼體系的付款風險控制

背景介紹

由于大型集團型企業下屬的公司眾多，且各自進行業務運營，即使集團構建了財務中心進行集中支付，也很難對付款過程中的某些隱蔽風險點進行把控。比如，假設集團外部A公司與集團內部a公司有財務糾紛，此時集團內部b公司如果有對A公司的付款請求，那么數據系統可以實時地向集團財務中心提示A公司和a公司的業務情況，并且要求財務中心謹慎處理b公司對A公司的付款行為。

數據方案

? 建立集團級別統一的客商編碼體系。

? 在B公司執行對A公司付款時，進行A公司對集團所有公司的欠款判定或者對所有應付賬款和應收賬款進行關聯掃描。

? 如果發現A公司對a公司的欠款，那么b公司可以考慮暫停支付。

應用效果

? 督促欠款客戶還款，降低壞賬率。

? 合理延遲對外部付款，延長賬期，節約資金成本。

5．管理創新

在企業全面數據化的基礎上，企業的很多新的管理構想得以被支撐，甚至很多新的管理方法和手段也基于數據平臺的建設被發明出來。比如，基于員工行為數據的人員效能的評估或者離職預測，都可以讓企業人力資源管理采用更新穎的形式進行。

6．業務創新

業務創新是指利用數據進行業務上的創新，我們可以向電商行業多多借鑒。我們發現電商行業并不是一個剝奪了傳統行業利潤的零和行業。電商行業為社會創造的資金流量要遠遠大于傳統行業減少的資金流量。這說明電商行業通過自己的經營能力和特點滿足了更深層次的消費者需求或者刺激了消費者的消費欲望。在拉新、交易、復購、留存等眾多方面，電商行業都會利用數據進行眾多的業務操作，比如精準拉新、智能推薦、智能發券促銷、智能召回、精準的業務分析等。這些都是基于數據的業務創新行為。

傳統行業如果能夠在數據資源層面向電商行業靠攏和對齊，那么我們熟悉的那些電商業務場景就都能夠在線下業務中得到復制，同時我們可以再結合傳統的線下業務的特點進行更多的基于數據的業務創新。

7．數據業務化

隨著社會數據化的全面推進，很多公司利用自己掌握的數據對社會提供數據服務，甚至最終轉型為數據化公司。企業能夠依托自身掌握的數據為社會提供數據服務是數據業務化的一種體現。比如，基于天氣數據的公共服務數據公司、基于企業數據的企業信息服務公司、基于互聯網公共爬蟲數據的輿情服務公司。

在當前的很多細分行業中，行業龍頭企業可以憑借自己在行業中的地位或者形成的獨特壟斷資源構建行業互聯網建設。在當前的行業互聯網建設中，數據資源能力和數據服務能力是核心競爭力。