对话齐心集团于斌平：大模型将加速「数据飞轮」在企业落地

尽管许多企业在过去几年开始着手构建数据中台，却往往面临"建设容易，应用难"的困境。近日，齐心集团CTO于斌平同51CTO一同探讨了企业如何让数据驱动业务增长这一难题。

数据，作为继土地、劳动、资本、技术之后的第五大生产要素，以及人工智能三要素之一，其重要性已经成为业界的共识。在数字化转型的浪潮中，企业不断寻求通过数据驱动业务的创新解决方案，以期实现业务增长和效率提升。

然而，尽管许多企业在过去几年开始着手构建数据中台，却往往面临"建设容易，应用难"的困境。近日，齐心集团CTO于斌平同51CTO一同探讨了企业如何让数据驱动业务增长这一难题。

据要管理，更要应用

在数字化转型的进程中，数据管理与应用已成为企业不可忽视的课题。于斌平认为，数据的收集、清洗、治理以及价值挖掘等环节是众多企业所面临的共同挑战。

在实际操作中，企业的数据往往散落在不同的系统和部门中，部分数据则因权限、格式或技术限制难以整合。且当下很多数据都是事后进行归集，数据的质量也存在一定问题。再加上，不同的业务的数据清洗有不同的数据标准和不同的数据内容，最终“数据的收集问题、质量问题、治理问题往往导致大数据部门就变成一个报表部门。”

于斌平指出，当前许多企业面临的一个普遍问题是，大数据变成了“数据大”，即数据量虽大，但却是静态的，实际应用价值有限。这一现象的背后，是企业对数据认知的不足以及缺乏有效的数据应用方法。

于斌平强调，数据应用必须紧密结合业务场景和技术特点。企业需要培养既懂业务又懂技术的复合型人才，他们能够深入理解业务需求，运用技术手段挖掘数据价值，从而为企业带来创新和增长。例如，在零售行业，通过对顾客行为数据的分析，可以发现新的商机和优化供应链;在电商领域，利用用户授权数据进行个性化推荐，可以提升用户体验和销售业绩。

数据中台作为企业数字化架构的核心组成部分，无论是在零售还是to B业务中，扮演着汇聚和整合数据的关键角色，结束了数据孤岛的局面，实现了数据的集中管理和分析，还促进了不同分支机构和业务单元之间的数据共享与协作。然而，在于斌平看来，面对如何让数据产生更大价值、推动业务增长这一更深层次的挑战时，传统的数据中台显得力不从心，“因为中台的性质很难有让业务增长的作用”。

飞轮转动，理念先行

那么面对数据中台在赋能业务增长上的乏力，企业该如何应对呢?

“要让数据产生价值或者帮助业务增长，首先一定要有一个指导理念。”于斌平认为，如果没有指导理念，凭技术部门或者单独的技术很难让数据产生更大的价值。也就是说，在理念的指导下，再去推动算法、数仓、大模型等“术”的落地，两者并行，才能更好地让数据产生价值。

这种考量与“数据飞轮”这一概念不谋而合。“数据飞轮”这一概念强调以数据消费为核心，推动数据流与业务流程的深度融合，形成自我增强的循环机制。数据飞轮的关键在于将数据分析和应用融入到业务的每一个环节，从而实现数据资产的活化和业务应用的创新。

“在传统企业中，‘数据飞轮’可以作为数据应用的理念或指导。”于斌平强调，数据飞轮不仅不与数据中台相悖，反而是在其基础上的一次飞跃，将数据应用推向更深层次。数据中台作为数据处理的基础设施，侧重于构建公共数仓与大数据平台;而数据飞轮则以其动态循环、持续优化的特性，成为数据应用的加速器，两者相辅相成，共同推动企业在数据治理与应用上实现更高效、更智能的飞跃。

以自身业务为例，于斌平建议，对于数据驱动型企业，依赖数据和技术进行客户分析、精准营销等已成为常态，技术能力的不断提升对于确保数据分析和结果的精准性至关重要，包括构建算法、模型、数仓及AI应用等。而对于那些对数据或技术的价值认知不足的企业团队，关键在于主动寻找并解决业务痛点，通过实际案例展示数据技术的效用，从而激发更多需求和痛点的解决，形成良性循环，发挥数据的潜在价值。

大模型加持，飞轮落地加速

虽说“数据飞轮”的概念同企业现阶段的需求与痛点不谋而合，但如何让“飞轮”转动起来，还是一个待探索的问题。

在于斌平看来，数据飞轮的成功实施依赖于清晰的客户和业务目标、高质量的数据、以及恰当的技术手段。

首先，数据飞轮应聚焦于客户和业务，而非单纯追求技术，确保数字化策略能真正助力客户和业务增长。其次，实施路径上需确保数据质量，涵盖数据的收集、处理及建设，这是实现数据飞轮效果的基础。而最后才是技术能力，选择合适的算法、AI模型等具体技术手段来实现价值的最大化。

在技术层面，大模型的飞速发展，为数据飞轮的实施提供了强有力的加速器。

于斌平指出，大模型技术的应用极大地提升了数据应用的便捷性和效率，“如果没有大模型的支撑，数据飞轮可能仅仅停留在理论层面，或者只能在那些拥有数据技术基因的互联网企业中得到应用。对于大多数传统企业来说，要将这一理念付诸实践，就需要借助大模型的力量。”

举例来说，大模型技术通过其强大的语义理解能力，能够快速识别和分类数据，从而简化数据治理流程。在于斌平的实践中，大模型被用来优化数据清洗和治理工作，准确率能达到95%以上。这样的技术应用不仅提高了数据处理的效率，也为企业释放了更多的数据价值，为业务决策提供了强有力的数据支持。

写在最后对于中国众多的企业来说，主要目标仍然是实现业务的数字化，以及利用技术来更好地服务业务和客户。企业必须把握这一趋势，不断探索和实践，以数据为翼，加速飞轮的旋转，实现数字化转型的飞跃。