對話齊心集團于斌平：大模型將加速「數據飛輪」在企業落地

儘管許多企業在過去幾年開始着手構建數據中臺，卻往往面臨"建設容易，應用難"的困境。近日，齊心集團CTO于斌平同51CTO一同探討了企業如何讓數據驅動業務增長這一難題。

數據，作爲繼土地、勞動、資本、技術之後的第五大生產要素，以及人工智能三要素之一，其重要性已經成爲業界的共識。在數字化轉型的浪潮中，企業不斷尋求通過數據驅動業務的創新解決方案，以期實現業務增長和效率提升。

然而，儘管許多企業在過去幾年開始着手構建數據中臺，卻往往面臨"建設容易，應用難"的困境。近日，齊心集團CTO于斌平同51CTO一同探討了企業如何讓數據驅動業務增長這一難題。

據要管理，更要應用

在數字化轉型的進程中，數據管理與應用已成爲企業不可忽視的課題。于斌平認爲，數據的收集、清洗、治理以及價值挖掘等環節是衆多企業所面臨的共同挑戰。

在實際操作中，企業的數據往往散落在不同的系統和部門中，部分數據則因權限、格式或技術限制難以整合。且當下很多數據都是事後進行歸集，數據的質量也存在一定問題。再加上，不同的業務的數據清洗有不同的數據標準和不同的數據內容，最終“數據的收集問題、質量問題、治理問題往往導致大數據部門就變成一個報表部門。”

于斌平指出，當前許多企業面臨的一個普遍問題是，大數據變成了“數據大”，即數據量雖大，但卻是靜態的，實際應用價值有限。這一現象的背後，是企業對數據認知的不足以及缺乏有效的數據應用方法。

于斌平強調，數據應用必須緊密結合業務場景和技術特點。企業需要培養既懂業務又懂技術的複合型人才，他們能夠深入理解業務需求，運用技術手段挖掘數據價值，從而爲企業帶來創新和增長。例如，在零售行業，通過對顧客行爲數據的分析，可以發現新的商機和優化供應鏈;在電商領域，利用用戶授權數據進行個性化推薦，可以提升用戶體驗和銷售業績。

數據中臺作爲企業數字化架構的核心組成部分，無論是在零售還是to B業務中，扮演着匯聚和整合數據的關鍵角色，結束了數據孤島的局面，實現了數據的集中管理和分析，還促進了不同分支機構和業務單元之間的數據共享與協作。然而，在於斌平看來，面對如何讓數據產生更大價值、推動業務增長這一更深層次的挑戰時，傳統的數據中臺顯得力不從心，“因爲中颱的性質很難有讓業務增長的作用”。

飛輪轉動，理念先行

那麼面對數據中臺在賦能業務增長上的乏力，企業該如何應對呢?

“要讓數據產生價值或者幫助業務增長，首先一定要有一個指導理念。”于斌平認爲，如果沒有指導理念，憑技術部門或者單獨的技術很難讓數據產生更大的價值。也就是說，在理念的指導下，再去推動算法、數倉、大模型等“術”的落地，兩者並行，才能更好地讓數據產生價值。

這種考量與“數據飛輪”這一概念不謀而合。“數據飛輪”這一概念強調以數據消費爲核心，推動數據流與業務流程的深度融合，形成自我增強的循環機制。數據飛輪的關鍵在於將數據分析和應用融入到業務的每一個環節，從而實現數據資產的活化和業務應用的創新。

“在傳統企業中，‘數據飛輪’可以作爲數據應用的理念或指導。”于斌平強調，數據飛輪不僅不與數據中臺相悖，反而是在其基礎上的一次飛躍，將數據應用推向更深層次。數據中臺作爲數據處理的基礎設施，側重於構建公共數倉與大數據平臺;而數據飛輪則以其動態循環、持續優化的特性，成爲數據應用的加速器，兩者相輔相成，共同推動企業在數據治理與應用上實現更高效、更智能的飛躍。

以自身業務爲例，于斌平建議，對於數據驅動型企業，依賴數據和技術進行客戶分析、精準營銷等已成爲常態，技術能力的不斷提升對於確保數據分析和結果的精準性至關重要，包括構建算法、模型、數倉及AI應用等。而對於那些對數據或技術的價值認知不足的企業團隊，關鍵在於主動尋找並解決業務痛點，通過實際案例展示數據技術的效用，從而激發更多需求和痛點的解決，形成良性循環，發揮數據的潛在價值。

大模型加持，飛輪落地加速

雖說“數據飛輪”的概念同企業現階段的需求與痛點不謀而合，但如何讓“飛輪”轉動起來，還是一個待探索的問題。

在於斌平看來，數據飛輪的成功實施依賴於清晰的客戶和業務目標、高質量的數據、以及恰當的技術手段。

首先，數據飛輪應聚焦於客戶和業務，而非單純追求技術，確保數字化策略能真正助力客戶和業務增長。其次，實施路徑上需確保數據質量，涵蓋數據的收集、處理及建設，這是實現數據飛輪效果的基礎。而最後纔是技術能力，選擇合適的算法、AI模型等具體技術手段來實現價值的最大化。

在技術層面，大模型的飛速發展，爲數據飛輪的實施提供了強有力的加速器。

于斌平指出，大模型技術的應用極大地提升了數據應用的便捷性和效率，“如果沒有大模型的支撐，數據飛輪可能僅僅停留在理論層面，或者只能在那些擁有數據技術基因的互聯網企業中得到應用。對於大多數傳統企業來說，要將這一理念付諸實踐，就需要藉助大模型的力量。”

舉例來說，大模型技術通過其強大的語義理解能力，能夠快速識別和分類數據，從而簡化數據治理流程。在於斌平的實踐中，大模型被用來優化數據清洗和治理工作，準確率能達到95%以上。這樣的技術應用不僅提高了數據處理的效率，也爲企業釋放了更多的數據價值，爲業務決策提供了強有力的數據支持。

寫在最後對於中國衆多的企業來說，主要目標仍然是實現業務的數字化，以及利用技術來更好地服務業務和客戶。企業必須把握這一趨勢，不斷探索和實踐，以數據爲翼，加速飛輪的旋轉，實現數字化轉型的飛躍。