一

数据驱动是什么？

在这个以大数据为核心的时代，无论是企业还是个人，都成为了这张庞大、密集网络下的细胞。我们的世界可被形象地比喻为一座规模浩瀚的数据矿山，其中的企业和个人，作为数据细胞，犹如矿工一般，不断地贡献和挖掘数据的价值。无论是互联网原生企业还是不断进化的传统企业，面对存量博弈的现实，精细化运营和提高生产效率以应对激烈竞争，已经成为当务之急。企业正在逐渐转变为数据驱动的实体，这不仅包括运营管理数据和销售利润数据，还有日益受到重视的用户资产数据。数字用户资产已成为企业核心资产的一部分。

激活数字用户资产，实现数据驱动下的精益成长，以及实现“从流量到留量”的转变，是企业经营的关键。而数据建设是实现这一目标的基石。数据建设是建立在企业信息化基础设施之上的一系列过程，包括数据采集、处理、分析和呈现，旨在最大限度地挖掘和应用数据价值。这样，企业不仅能保持高效和有序的发展态势，而且能顺利从传统的经营模式转变为智能的商业模式。

二

为什么需要数据驱动？

在传统的粗放式管理模式下，企业的决策主要依赖于经验进行主观判断，缺乏数据支撑。虽然基于经验的决策不完全无效，但受到人为因素的影响较大，增加了企业运营的风险。此外，在这种模式下，数据的收集和整理过程过于依赖于个人经验和能力，缺乏统一的标准和规范。结果是，许多有价值的数据散落在不同的部门和系统中，难以有效利用。由于缺乏系统化的支持，使用简单的办公软件难以处理和分析历史的海量数据，使得数据在企业经营管理中的作用相对较弱。因此，在传统的管理阶段，企业对数据的整体利用效率较低，管理方式倾向于传统和粗放。

然而，企业转向数据驱动的决策模式至关重要，因为数据能够为企业提供准确、可靠且全面的信息，从而支持管理和决策。以下是几个关键原因（来源 chatGPT解答：）：

1. 决策指导：数据为企业提供了基于事实的依据，使管理层能够作出明智的决策。通过数据分析，企业能够洞察市场趋势、客户行为、产品偏好以及竞争对手的动态，从而有效地制定战略规划和业务决策。
2. 业务优化：数据分析能够帮助企业识别业务中的问题和瓶颈，进而采取措施进行优化。例如，通过数据分析，企业可以发现供应链中的不足之处，改进物流和生产计划。
3. 提升效率：数据驱动的决策有助于企业更高效地管理和利用资源，从而提升整体效率。例如，数据分析可以优化人力资源管理、降低成本和提高生产效率。
4. 预测未来：企业可以通过分析历史数据来预测未来的趋势和变化，为决策提供前瞻性的视角。例如，通过销售数据分析，企业可以预测未来的销售趋势，为销售计划和预算的制定提供依据。

总而言之，数据驱动的决策模式可以帮助企业更深入地了解市场和客户，优化业务流程，提升效率，并有效预测未来趋势，从而增强企业的竞争力和成功机会。

三

数据驱动的发展阶段

参考国家发布的《制造业信息化评估体系》、《数据管理能力成熟度评估模型》 , 帆软制定了《数据建 设成熟度评估模型》(模型内容详见附录)。根据《数据 建设成熟度评估模型》，制造业数据建设可以划分为以下五个阶段。

阶段一：传统阶段-信息碎片化

信息碎片化是传统阶段的典型特征。信息零散分布于企业经营的各个环节，由于缺少信息系统的支持， 企业主要依赖人力和纸质表单进行信息收集管理工作，实行以人为中心的粗放型管理模式和以纸质 表单为载体的运营机制。

阶段二：起步阶段-业务数字化

在信息系统的支持下，企业部分核心业务的流程运行实现了线上管理模式。业务数据的快速流转不仅提高了业务团队内部的协作效率，而且大大降低了人力成本。业务流程在这一阶段通过进一步的科学梳理 和规范简化释放出更高的效能。信息系统的部署使原本零散的数据得以整合，同时，数据的可控性和安全性 也得到了一定程度的保障。这一阶段的企业，数据管理初成体系，数据质量渐渐提高，开始逐步系统化打造自己的数据资产。

阶段三：加速阶段-数据价值化

通过对企业生产经营活动所产生的数据进行灵活调用、有序整合、多维分析、场景化应用、可视化 呈现，数据的价值得到大幅释放，企业的数据建设与业务管理实现了更紧密的融合，正式迈入加速阶段， “依赖数据力量，科学理性决策”的现代管理模式成为主流。

在完成了基本的信息系统部署工作之后，企业的数据建设在业务上持续进行横向延伸与纵向扩展。数据 应用得更广、更深，价值也得到进一步发掘。典型特征之一便是通过配置数据可视化系统，将抽象的数字进 行实时化、具象化、直观化、多样化呈现，实现了业务的线上多场景连接与可视化分析。数据不再仅仅为企 业提供单一的流程价值，还能够带来决策价值。

阶段四：成熟阶段-数字平台化

进入成熟阶段，制造企业以消除内部数据壁垒、促进生产经营效率最大化为目标，利用数字平台对 所有数据资产进行统一管理和规划，减少数据建设的冗余部署。数据实现了跨部门、跨业务、跨系统的 无障碍流动，数据效能贯穿于企业日常运营、管理决策、战略制定全过程。企业甚至开始以内部数据资 源为依托，向外进行能力辐射。

聚焦于推动运营效率最大化，企业的数据建设此时处于加法与减法并存的状态。

• 一是随着新技术的推广、 新业务的开展以及新管理需求的出现，企业持续对软硬件设施进行补充与迭代;
• 二是企业根据实际应用情况开始精简软件部署，前期数据建设过程中可能出现的系统盲目叠加情况得到解决。

业务系统的互通互联推动实现企业级数据共享与企业级协同。数据共享的本质是借助数据的透明带来业 务信息的透明。企业依靠数据的连贯性流通构建了业务信息网，之前系统分散管理导致的信息偏差得以修正， 数据的一致性、完整性和真实性得到大幅提升。比如，一些企业的营销系统与客户管理系统中的订单信息、 客户信息等会有所出入，当利用数字平台对数据统一管理时，这种数据不一致的问题便会得到解决。

阶段五：智能阶段-智能生态化

企业将人工智能等先进的数字技术与业务发展进行了更深层次的融合，在企业内部建设了涵盖智能生产、智能营销、智能运维、智能预测等全方位智能管理模式;于外部则建设了智能共享、高效流通、 可持续利用的数据资源体系，从而打造了彼此信任、互惠互利、价值共创、和谐共生的智慧产业生态。

四

数据驱动的难点

数字化运营的价值毋庸置疑，但大多数企业并未真正释放其价值，主要存在以下3 个应用难点。

• 基础弱——如数据不准确、数据质量低、可应用性差；存在数据孤岛，无法打通多应用系统；数据人才缺乏，运营离不开人，而市面上运营思维和数字化思维均具备的人才较少等。
• 应用浅——如指标不科学、无体系；数据分析深度不够；缺乏业务洞察和建议，很多企业止步在有数据和看数据阶段，并末将数据分析与业务结合起来提出有意义的洞察和建议。
• 没闭环——如数据洞察到业务落地难、效果评估不智能、没有持续迭代机制等，是否落地及效果评估的科学性直接决定企业释放价值大小，若不具备完善的持续迭代机制企业的价值释放将受限。

综上，企业建立数字化运营体系和制度后，可对客户全生命周期进行数字化管理，对全业务流程进行数字化诊断和精细化价值提升。但如今，企业面临着数据基础弱、应用浅、没闭环的数字化运营困局。

五

怎么实现数据驱动？

按照 xx 公司的当前阶段，可以理解处于业务数字化阶段：订单数据、用户数据、巡检数据和业务数据等分别都已有系统承载，但是又都散落在不同的“信息孤岛”里。

一方面，存在部分业务流程还未实现全面的数字化管理，仍有部分场景需要人为驱动，费时费力。另一方面，数据的来源和应用较为单一，数据只用来支持企业的流程管理，数据价值未得到充分挖掘和运用。举个例子，如巡检数据并未运用于产品决策和商业分析。

在这个阶段，可以采取以下步骤解决。

行动项 1：填补业务系统，支撑精细管理

1. 用 SaaS 或者 PaaS 平台等工具补充和完善企业业务系统的不足
2. 通过构建数据的填报应用，可以实现对业务系统的补充和完善，实现更多数据的透明和展示

行动项 2：打造从核心到边缘的全场景分析体系

1. 报表的全面呈现，通过调取、计算不同系统中的数据来完成更复杂的分析，继而聚 焦于业务，将分析结果按主题、分层次进行可视化、 整体化呈现。
2. 数据的 " 异常 " 分析，利用可视化分析软件， 企业能够及时发现业务数据异常的情况。
3. 业务场景建模分析，利用建模辅助企业的决策制定与业务优化管理。如资源使用情况、客户分布区间等等，从定性的用户画像到定量的数据分析。

行动项 3:构建企业级数仓，数据管理体系化

为了解决多数据源导致的口径不一致、数据无关联、数据质量差、缺少历史数据、开发效率低等问题， 企业需要构建企业级数据仓库，对数据进行规整和高效利用。

作者 | 零度