北京火山引擎科技有限公司金融行业总经理 刘俊

  数据驱动理念已成为金融机构数智化转型和促进数字金融高质量发展的关键，其必要性无需多谈，真正需要深入讨论的是“有数据但不驱动”这一痼疾。笔者认为，要真正实现数据驱动，就必须以终为始，以数据消费作为数据驱动的核心。随着企业数据消费者数量越来越多、密度越来越高，企业所积蓄的数据驱动的势能也越来越大，推动形成了企业科学决策和驱动增长的新范式——数据飞轮。

  一、“有数据但不驱动”的实际原因

  一直以来，火山引擎致力于通过云和智能技术，帮助企业实现更好的数字化增长，为企业构建“云上增长新动力”。云上增长的动力包括3个核心要素，即体验创新、数据驱动和敏捷迭代。体验创新是产品及服务的核心竞争力，数据驱动代表着一种更科学的决策机制，敏捷迭代是破局和保持长期竞争力的关键。在这3个要素中，数据驱动起到了承上启下的关键作用，为体验创新验证效果，为敏捷迭代指明方向。

  为什么企业花费了大量资源、用了很长时间建设数据中台，但是却迟迟没有效果?原因就在于其错误地把手段当成目标。数据驱动最终是要落在企业不同人员对数据的消费上。建设数据中台，有助于更好地管理和治理数据，但这只是实现数据驱动的一个步骤。如果不解决数据消费最终场景的问题，建设再好的基础设施也是做无用功。这也是大部分企业“有数据但不驱动”的实际原因。

  二、数据消费是数据驱动的核心

  数据飞轮是企业数智化升级的新模式，是科学决策和驱动增长的新范式，它以数据消费为核心驱动力，实现“以数据消费促资产建设，以数据消费助业务发展”的目标。这一新范式基于对字节跳动十余年数据驱动实践经验的提炼，其核心是倡导企业通过数据消费推动数据流充分融入业务流，实现数据资产和业务应用的飞轮效应，从而激发员工创造力，增强业务战斗力，提升组织生命力。数据飞轮由业务应用轮和数据资产轮两部分共同组成(如图1所示)。

图1 火山引擎数据飞轮

  业务应用轮可将数据消费融入业务的各个环节，实现决策科学和行动敏捷，侧重于通过工具和业务的数据伙伴机制，解决业务消费数据的问题，通过更频繁的数据消费，让业务决策更加科学、策略落地更加敏捷。更科学的决策、更敏捷的动作最终可有效提升业务价值。

  数据消费推动数据资产建设，主要涉及资产丰富、质量优化和研发提效三个环节。数据资产轮与过去的数据中台类似，二者的区别在于数据资产轮不只聚焦于数据建设，还更突出数据消费，上层应用针对性的需求可让系统建设目标更加明确。上游更频繁的数据消费会沉淀数据、丰富数据资产，并进一步倒逼数据质量优化，促进数据研发效率的提升。

  以上两个环节都需要相对应的数据平台进行支持。企业需要以数据消费为目标，端到端地进行数据建设和应用落地，实现既有数据，也能驱动。围绕数据飞轮，火山引擎在新一代企业级数据产品服务平台——数智平台VeDI的基础上，推出了一系列端到端的数智平台、场景化的行业解决方案和专业的数智转型咨询服务，帮助企业获得从数据基础建设、数据引擎升级到数据智能应用的全套数智能力，提供运维降本、运营提效和业务增长的行业数智解决方案，助力企业构建数据飞轮，实现数智化转型升级。

  三、如何构建高效且良性运转的数据飞轮

  要想真正让数据飞轮高效且良性运转起来，仅仅停留在对理念的认知上是远远不够的，还需要从以下三个方面开展深入实践。

  1.让数据管理部门的价值和数据消费水平可度量

  一是数据部门价值的度量。数据管理部门的工作价值和工作成效有时候是比较难度量的。针对这一问题，字节跳动的经验是通过“0987”服务体系标准来解决。

  “0”即做到零数据事故，这对技术能力、数据运维、数据治理都提出了很高的要求。

  “9”指的是90%的需求满足。一个数据团队如果想要更好地满足业务需求、提升转化效率，就需要更熟悉业务，并和产品人员及业务人员进行深入互动，帮助业务人员修改甚至提出需求，这样才能真正满足90%的需求。

  “8”指的是80%的分析能够通过主题表、中间表的方式来覆盖。这对中间层数据仓库的建设提出了很高的要求，也是实现数据快速分析的必要条件。分析覆盖率这一指标数值太大或太小都会有问题，从大量业务实践来看，80%的分析覆盖率是一个相对合理的目标。

  “7”指的是70%的净推荐值(NPS)，即业务团队对数据团队的好评度为70%。70%在行业里是一个很高的标准，企业要能够通过NPS指标，去发现数据服务环节中的各种问题，以提高业务的满意度。

  二是数据消费水平的度量。字节跳动通过“2个80%”来衡量数据消费的水平：第一个80%是指让企业中80%的人能通过各种各样的数据工具使用数据。其中既包括数据工程师、数据分析师等直接和数据打交道的人，也包括产品人员、运营人员、市场人员，甚至行政人员、人力资源管理人员、用户体验设计师等传统意义上离数据比较远的人。第二个80%是指统一建设的分析指标能够覆盖80%的日常分析和业务场景。这样既能够保证在大多数情况下可以高效分析和使用数据，又为特殊场景的数据分析和应用预留了足够的空间。

  2.形成自上而下看数的习惯和文化

  数据驱动是一种自上而下的模式，也是一种文化。如果一个部门的负责人有看数的习惯，这个部门大概率能做到数据驱动;如果高级管理者能养成看数的习惯，那么这个企业大概率能实现数据驱动。

  3.打造趁手好用的工具，降低数据消费门槛

  尽管一个企业形成了看数文化，也做好了目标和过程的量化，但没有好的工具帮助员工低门槛地消费数据，在实际工作中员工也很难有意愿去实践数据驱动的理念，企业的数据飞轮仍然转不起来。拥有好的工具不是充分条件，但一定是必要条件。这也是火山引擎推出数智平台VeDI的初衷，火山引擎希望能帮助更多企业构建自己的数据飞轮。

  四、数据飞轮在银行业的落地实践

  过去四年，火山引擎已经通过数据飞轮的理念和VeDI数智平台帮助几十家银行实现了运营提效与业务增长。

  火山引擎基于业务应用轮围绕零售金融业务构建“月活跃用户(MAU)+资产管理规模(AUM)”双增长运营体系，并在以下五类场景中沉淀了丰富的经验。

  一是公域流量获客场景。通过与抖音集团旗下综合的数字化营销服务平台巨量引擎联动，帮助金融机构提升信用卡、消费贷款和小微贷款的拉新投放投入产出比(ROI)。

  二是全行级埋点体系搭建场景。通过火山引擎增长分析方法论与配套的埋点工具，进行用户洞察、增长归因分析、产品体验优化等。

  三是线上线下全渠道营销场景。联动网点、手机银行、短信、客户经理等各类渠道为营销活动引流，让客户在不同的触点上都能获取一致的活动信息。例如，与某省级农信社合作的渠道创新项目显著改善了其代发工资客户支付绑卡、投资理财、消费贷等场景的运营效率。

  四是特定客群精细化运营场景。采取基于客群、营销时机、营销产品、权益、渠道联动的要素制模式，为客户提供个性化服务。例如，针对长尾客户设计智能化运营闭环，提升营销转化率和七日购买率。

  五是算法驱动个性化营销场景。通过推荐算法推出“千人千面”的个性化金融服务，如帮助某股份制银行构建个性化智能推荐平台，实现金融场景下的“人、货、场”匹配。

  数据资产轮则着力提升数据研发效率、改善数据质量、升级数据架构、提高数据时效性等，例如，助力某城商行快速构建高质量的数据资产体系，提升数据研发效率;基于云原生数据仓库帮助某股份制银行有效解决了实时运营数据入库瓶颈和延迟等问题;为某外资银行构建云原生智能实时湖仓，使得EB级数据得以在毫秒内响应。

  五、展望：大模型加速数据价值的飞轮效应

  近年来,随着人工智能技术的快速发展，作为人工智能重要分支的大模型技术在多个领域发挥着重要的作用，为各行业的创新和发展提供了强有力的支持。未来，大模型和数据飞轮相结合，可在多个场景发挥更大价值。

  一是找数助手。用自然语言问答的方式来检索多种数据源，如数据集、数据指标、业务知识库等。在这一交互过程中，大模型可以更好地理解用户的真实意图，提供非常接近于人工响应的体验，降低找数成本和数据消费的门槛。

  二是开发助手。可降低数据开发带来的障碍和门槛，一方面让不精通SQL语法的人也可以完成简单的数据开发工作;另一方面，将专业数据研发人员从大量繁杂且基础的工作中解放出来，更聚焦于复杂场景需求，大幅提高数据研发的效率。

  三是分析助手，只需要输入自然语言就可以完成SQL查询、可视化查询与分析、仪表盘绘制等操作，如果连通办公协同系统，用户还可以通过消息订阅和自然语言对话相结合的方式进行更多的延展分析。