从移动网络到5G时代，企业欠缺的再也不是数据，而是一套符合商业目标的大数据策略，实现数据变现。数据，终将成为企业的核心资产。但是要落实以数据为核心的改变、让数据发挥策略性的价值，在实际运作上还有许多环节要打通。

企业建立以数据驱动为核心的智能商业模式，包括：如何从工作流中寻找数据化的切入点、如何设定数据收集策略与数据流通策略，已成为重要致胜关键。

数据像电力一样不可或缺

而随着计算与储存能力的增强，数据资源的供应将如同电力一样不可或缺，为企业提供源源不断的优化能力。既然是核心资源，数据资产的营运就变得日益重要，对建立在数据基础上的互联网公司来说更是如此。盘点这些资源并不简单，我在阿里工作时共做过三次，并归纳了一些经验：

1. 什么样的数据用量大、覆盖率高？—具公共属性的数据。

2. 什么样的数据稀缺、但重要？—具战略性的数据。

3. 重要数据不可再生，因此必须备份的数据。

4. 数据资源用完可以再用，因为复制成本极低。

5. 大数据的关联特性，使得数据权属的边界变得越来越模糊。

几次的资产盘点让我认识到，数据的盘点与实物不一样，数据可以无限衍生，而且，多并不代表有用。

对传统产业来说，拥有数据资源，将使企业拥有创新的可能性，并降低被淘汰的可能性，可以更好地适应高速变化的市场环境和用户需求，从而更具竞争力。可惜的是，传统产业往往在信息化和数字化建设方面存在缺失，弥补短处是当务之急，当然，这急切性往往与公司的经营方向相关。

无论是新兴产业还是传统产业，选择人工智能与大数据的切入点，场景尤为重要。在执行智能项目时，必须考虑数据是否足以成为解决问题的要素，同时，场景的业务逻辑稳定性相当重要。

数据让企业实现商业价值

数据作为资产，能够帮助企业更有效地进攻及防守。有效地创建、生产智能工具及产品，强化顾客关系，预测顾客的消费习惯趋势及流失，靠近并满足消费者的需求。用大数据做营销，已经是许多企业的常规性营销手段，也就是利用数据加强对顾客的获取、活跃、保留等服务能力。

在互联网领域，数据的规模、活跃程度以及收集、运用数据的能力，已经成为企业的核心竞争力之一。要深入洞悉市场、快速精准地找出应对策略时，数据已经成为企业实现更大商业价值的最强驱动力。当然，数据作为一种企业资产，需要与其他资产，如人力资源、硬件等相互组合，才能发挥出最大的价值。

大数据是来自多源异构的数据，“乱”是其特性，为避免出现无用输入、无用输出（garbage in, garbage out）的问题，在使用数据之前，需要对数据资产进行加工，从而带来了“数据治理”这一重要课题。

大量、来源广泛的数据，看起来往往是一团乱麻，我还记得，2013年时，我当时的老板淘宝网总裁三丰就跟我说过：“我们不能总坐金山吃馒头。”企业采集和储存PB（千兆位元组）级别数据的成本却是分文不少，而且有越演越烈的趋势。一方面要治理数据资产，同时也要证明数据有大价值。

今天，数据的价值其实已无须再多言。开发阿尔法狗而一举成名的团队被收购后，成功地帮助谷歌数据中心的冷却系统节约用电40%，未来几年还将会帮助谷歌省下数亿美元支出，而据说，该项目仅有五、六个团队成员。

难怪《人类大命运》（Homo Deus）的作者哈拉瑞（Yuval Noah Harari）认为，我们将会进入一个无机智能（inorganic intelligence）的世界，未来，我们可能受演算法主宰。当机器具备深度学习的能力之后，人工智能的定义有可能被改写，人类的感知和普世价值也会改变，商业元素也将会发生巨变。就如我在《大数据的关键思考》一书中所说：未来，人与人之间的差别，拼的是他可使用的数据量和演算法。

企业「养」数据的六大要点

人工智能因大数据而重生，但制约人工智能在各领域实现更广泛应用的，并不是演算法不够先进，而是缺乏高品质的数据。若想开发最先进的机器学习技术，能否获得高品质的训练数据极为关键，如何启动是大部分企业的一个难题。

对于从事机器学习研究的初创公司来说，起步时数据十分有限，难以建立起高品质的大数据资源。甚至有些企业在聘请数据科学团队、购置昂贵的设备之后，才知道还未制订“养数据”的策略。

数据来源的选择必定与商业模式相关，我的经验是，从小问题入手，弄清楚问题的本质，往往是选择数据和演算法的前提。每家公司的数据获取策略不尽相同，但回想这么多年我在阿里也算面对了不少类似的困难，抛砖引玉与大家分享几点：

1. 要从零开始创建好的专有数据集。

几乎永远意味着，要预先投入大量人力收集数据。但更痛苦的是，在业务变化的同时，数据结构也需要时时更新，正如前辈所说：“数据集成的同时已经在断裂。”

2. 即使表面上拥有很多数据，但在运用机器学习时，仍会发现数据量不足。

你需要的数据量与你试图解决的问题紧密相关。

3. 数据的收集、处理、运用，短期来说肯定是越贴近业务越有效率。

从长远看并不利于数据的标准化及重复使用，将导致开发周期变得漫长。我的经验是，起点可以从最小化应用做闭环，基于众多应用做长线规划。

4. 确保早期创造的应用有足够的吸引力，让业务方及使用者甘愿交出他们的数据。

让大数据落地，除了关乎技术问题，亦系于业务方及个人的意愿是否足够，只有互利互惠，才有长久合作。

5. 在大范围使用大数据之前，必须严肃地面对数据的标准和品质问题，否则后果堪忧。

数据驱动型企业必须明白，数据品质是全部员工的责任，并不仅仅是技术问题。

6. 大数据安全是一个命门，数据越多，责任越大。

有时候会超出你的想象，原以为很安全的数据，拼合其他数据之后，可能成为机密级别。

我曾经对朋友说，我在阿里的数据治理过程可谓九死一生，很多人听了不明白，看到上面的内容，再设想我要面对几十个不同业务方的情境，你可能就了解了吧。

出自：《数据的商战策略》／天下杂志出版社（本文经编修）