基于知识管理的数据服务企业商业模式分析——以杭州F 科技有限公司为例

姚丽霞，龚 铨

（浙江工商大学工商管理学院，浙江杭州 310018）

互联网的普及以及互联网自身的特点使得几乎所有互联网企业都和数据有关。人工智能（AI）与大数据在产业应用中扮演着互相成就的角色。利用大数据创业是许多小公司崛起的机遇，很多小规模企业，尤其是初创企业，通过大数据手段，“精准快”地针对一个行业的实际需求创造出颠覆性产品，从而迅速建立自己的行业优势。截至2018 年年底，全球共有15 916 家人工智能企业，融资784.8 亿美元，其中中国人工智能企业融资规模高达157.54 亿美元，分别占全球融资额的46.94%和亚洲人工智能企业融资额的93.09%，2009—2018 年，中国累计新增AI 企业共3 362 家，仅次于美国，居全球第二，数据服务企业产业拥有巨大的市场价值［1］。国内虽然有一些关于信息服务和大数据服务企业商业模式的研究，但这些研究仅仅考虑了相关技术的应用价值而忽略了技术实现的条件和环境因素，本文从知识管理的角度，以数据服务行业中具有代表性的初创企业杭州F 科技有限公司为例，从知识管理的角度分析其商业模式的特点，总结其成功经验，为其他数据服务企业或者基于大数据开展创业的企业提供经验借鉴。

1 文献综述

1.1 数据服务相关研究

大数据指的是一系列类型多样、容量巨大、存取迅速、价值丰富的数据集合；数据服务就是以这些数据为基础开展的一系列分析和咨询的服务［2］。大数据可以为企业创造竞争优势、变革商业模式以及革新供应链的设计和管理，降低成本等［3-4］。目前关于数据服务的研究，主要研究企业如何通过大数据实现更好的决策和管理、更准确的预测和分析，以及更有效的干预和控制，即强调大数据的应用价值方面［5］。综上所述，目前学界的相关研究普遍认可了大数据和人工智能技术在战略决策和运营方面的重要价值，但是关于如何建立相关业务系统并形成优秀的数据服务的具体应用的研究成果甚少。

1.2 商业模式相关研究

“商业模式”的概念最早于1947 年提出，学者们主要从系统论的角度进行界定，认为商业模式是由价值主张、运营系统、盈利模式等方面组成的多维协同体系，综合了运营、盈利、战略定位等因素系统解释企业如何开展业务的问题［6-7］。探讨商业模式理论中比较有代表性的是“商业模式画布”理论，该理论认为商业模式有四大要素：客户、产品或服务、基础设施和财务能力［8］。此外，汪寿阳等［9］从知识管理的角度提出商业模式由隐性知识和显性知识两大要素组成；饶佳艺等［10］进一步指出这两者间会发生反馈作用从而形成动态的循环。

1.3 知识管理相关研究

商业模式的创新主要依靠知识流与信息流以及价值流的互动所促成的，这三者通过组合成一个动态不断进化的共同体，促成商业模式从静态转为动态，从而适应外部环境变化，其中知识是主要动力［11］。商业模式冰山理论（如图1）认为商业模式是由显性知识与隐性知识共同组成的复杂系统，其中显性知识包括价值主张、业务系统、盈利模式3 种，隐性知识包括关键资源能力和外部环境两种，显性知识和隐性知识互动形成动态循环［9］。

图1 商业模式动态循环系统

2 中国数据服务行业生存环境分析

2.1 行业发展的驱动力

2.1.1 资本市场

2011 年中国人工智能领域投融资开始起步，此后逐年增长。根据中国信息通信研究院［12］（以下简称中国信通院）的人工智能产业数据报告，2008—2018 年中国人工智能领域投融资主要指标情况如图2 所示。

图2 2008—2018 年中国人工智能领域投融资规模和笔数

如图3 所示，据中国信通院［13-14］的统计分析，2017 年中国人工智能市场规模达到216.9 亿元，比2016 年增长52.8%，人工智能创业企业的涌现集中在2014—2016 年，其增幅于2015 年达到顶峰（新增150 家），整体规模受相关技术不断成熟以及各类应用场景逐步落地的影响依然会持续增长。

图3 2015—2018 年中国人工智能市场规模及增速

另一方面，对于大数据企业，前瞻产业研究院［15］的统计结果显示，成功获得投融资的中国大数据企业数量自2010 年以来也在逐年增加，2014 年进入爆发期，环比上升193.55%，此后稳步增长，2016 年达400 多家，而2017 年前3 个月已有150 多家企业获得融资。至于市场规模，根据前瞻产业研究院［16］的分析报告，其增长速度虽逐渐放缓，但总体一直保持上涨的趋势。在2018 年，中国大数据产业整体规模已突破4 000 亿元（如图4）。随着国家政策的激励以及大数据应用模式逐步成熟，未来几年中国大数据市场仍将保持快速增长。

图4 2015—2018 年中国大数据市场规模及增速

2.1.2 信息技术

技术的边界被不断扩展，使得技术应用的场景不断丰富，而且相关技术日趋成熟。以芯片技术为例，如今人工智能芯片技术加速了神经网络等相关算法的迭代速度，让大规模数据处理的效率得到显著提升，大量新型芯片例如FPGA、GPU 出现，以及TPU、NPU、VPU 等专用芯片不仅性能更强，能够处理视频和图像等海量多媒体数据，而且拥有比CPU 更高运算效率以及更低功耗。除了芯片技术的驱动作用外，算法模型的创新也极大推动了人工智能的发展。当前人工智能的关键技术——深度学习自2012 年得到广泛关注，促成了其后的人工智能发展大潮，而国内人工智能企业数量的增速也是在2012 年前后开始显著上升，2010 年进入快速增长阶段（如图5）［13］。

图5 中国人工智能领域新增企业数量年度分布

2.1.3 数据基础

近年随着互联网和社交媒体的普及以及各种硬件设备的更新换代，每年全球有效存储的数据总量都以成倍的速度增长，预计到2020 年将达到44 万亿GB，其中中国产生的数据量将占全球数据总量的近20%，这为人工智能算法模型提供了研究基础和应用场景［17］。

2.1.4 政策支持

人工智能和大数据的发展受到国家极大重视，发展人工智能和实施国家大数据战略已经列入《“十三五”国家战略性新兴产业发展规划》中，并且提供了相应的政策支持［18］。

2.2 行业发展的制约因素

2.2.1 政策限制

由于人工智能和大数据属于新兴产业，尚无成熟的监管体系，而且数据服务的特殊性也导致在政策上关于隐私数据、数据权属的问题难以明确，相关的应用也就难以开展。以安防大数据为例，虽然“天网工程”已证实了安防大数据的强大能力和前景，但是要投入到市场应用中尚需解决如何划分以及处理隐私数据的问题。

2.2.2 人才短缺

传统的数据服务行业主要需要大量统计调研人才，强调沟通和表达能力，而如今数据服务已逐渐成为技术密集型的工作，亟需大数据架构和人工智能方面的专业人才。截至2017 年，全球人工智能领域市场人才需求在百万人的量级，但现有人才仅30万人，缺口极大［19］，尤其在国内，人工智能及大数据相关专业属于新兴学科，设立相关专业（学院）的大学更是屈指可数。

2.2.3 技术限制

人工智能和大数据技术从长远来看必然会得到持续突破，但是短期内的技术发展前途难测。一方面，有一类观点认为硬件芯片技术的摩尔定律已经失效，芯片技术迟滞发展；另一方面，人工智能算法自身也开始被质疑。虽然各大科技巨头的研究人员仍不时发表新的研究突破成果，但是能否分享到这类前沿技术的红利、业务能否得到相关技术的支持、已有技术能否应对持续上升的业务需求，对于大部分的中小型企业来说都是巨大挑战。

2.2.4 市场的客观认识限制

当前人工智能与大数据市场存在较大盲目性，在媒体的跟风炒作下，市场对这类技术盲目地追捧、给予了过高期望，导致很多客户和数据服务供应商的交易存在着认知偏差，一些好的数据解决方案最终会因为“和经验判断相差无几”而被认为没有价值，一些算法模型的研究也会因为难以评估投资效果而导致不被重视或者半途而废。并且，当前的投资界对人工智能和大数据技术的态度趋于冷静，逐渐转向观望的态度，这也给初创企业造成了一定的风险。另外，数据服务行业需要从客户或者用户方获得数据回流、建立数据闭环，强化在应用领域的专业性，从而树立竞争优势，但是企业和个人出于对隐私安全的考虑以及对人工智能算法“黑箱”的顾虑，往往拒绝反馈相关信息，导致数据闭环难以建立。

数据服务行业发展机遇与挑战并存，虽然有美好的前景，但是竞争激烈，而且由于是新兴事物，缺乏经验借鉴。本文实证所选取的杭州F 科技有限公司虽然发展规模不大，但它是生物医药健康产业大数据领域的国内先驱者，也已占据相当规模的国内市场，因此本案例的创业经验对于数据服务企业，尤其是初创企业具有重要的参考价值。

3 案例分析

3.1 公司背景

杭州F 科技有限公司（以下简称“F公司”）于2015 年在杭州成立，是一家以人工智能、大数据技术为背景，提供全国生命健康产业数据分析与咨询服务的私营企业，主要产品包括数据库查询服务、区域生物健康产业地图以及对应的分析报告，主要客户包括生物医药健康相关企业、政府和金融投资机构，是国内领先的医药健康创新创业大数据平台。F 公司最近从杭州总部扩张至成立了北京办事处和成都全资子公司，产品也日渐丰富［20］。F 公司从2015 年成立至今，在短短4 年多的时间内，在生物医药健康产业大数据市场上成就斐然，包括自主研发了Spider 智能数据源构建系统和Darwin 数据智能处理引擎，并建构涵括六大维度（市场、技术、企业、资本、产品、专利）、覆盖全球1 000 多种官方数据源以及10 万个数据采集点的数据合作和交换机制；承担多个国家“863 计划”项目以及国家发改委和科技部项目；2017年下半年获得了3 000万元的融资；等［20］。截至2018 年年底，F 公司除了为国内10 多个地区的政府机构提供产业数据地图和研究报告，其企业大数据情报系统、医学指南系统、智能投顾系统等产品线也都日趋成熟，这些成绩都与公司的商业模式密不可分。

3.2 商业模式分析

3.2.1 商业模式中的显性知识

（1）价值主张。F 公司将其细分市场定位在政府、生物医药研究单位、投资人以及创业者，基本上涵盖了生物医药健康领域的所有参与者，而且这些客户需求中的绝大部分都可以通过一套产业大数据系统解决。F 公司为政府和企业提供数据帮助其完成监管和了解行业动态，并为投资人和医药研究单位提供智能投顾系统和医学指南机器辅助阅读系统，产品线长且相互关联。F 公司的价值观是“学习和创造是我们的信仰” “持续为客户提供独特的价值是我们存在的动力”。F 公司的产品强调定制化，根据客户的要求建立一个生物医药健康领域的数据服务平台。F 公司在2017 年5 月正式商业化，提供服务的产业数据还局限在全国的范围内；到了2018年1 月，根据客户需求，其提供的产业数据扩张至全球范围。凭借这种紧跟客户需求的方式，F 公司的行业地位得到了迅速提升，例如在与IBM、微软等巨头的竞争中胜出，获得了默沙东的医学指南辅助阅读系统项目，在2018 年3 月的政府项目招标会上战胜德勤等国际巨头获得中标。目前据官方透露，F 公司已拥有1 000 多种官方数据源、10 万个数据采集点、6 600 多家产业园数据、200 万个项目数据、1 000 万条行业新闻数据、5万个投资机构数据、4万个研究机构数据、8 000 件专利数据、30 万个临床案例数据、2 000 万种文献期刊的数据［20］。此外，F 公司还与国家发改委财金司开展企业信用信息共享合作项目建设，并与成都市高新区国际生物城正式签约合作建设全球生物医药外包服务交易中心。

（2）业务系统。F 公司的核心业务是生物医药健康产业大数据地图（HSMAP），其本质是数据库查询服务的延伸，即将传统数据库文本图表化，并进行简单的统计分析以便于了解所查找数据项的全貌。生物医药健康领域有许多成熟的提供数据库终端查询服务的企业，如丁香园、医药魔方、药智、咸达等，它们均是针对医药研究者在垂直领域内进行数据深耕和挖掘，而F 公司则另辟蹊径，关注数据库的广度，是市场上首家将药品、医疗器械、专利数据库与具体的企业、企业的人才、企业所在的产业园区等整合在一起的数据库企业。由于企业人员结构、研发资金等微观层面的数据并没有公开来源，而从政府到企业的沟通渠道尚未打通，因此HSMAP 先面向政府客户和各省（区、市）发改委提供宏观层面的数据分析，帮助政府制定管理方案，在得到政府认可之后，再自上而下贯通到企业。在HSMAP 渐趋成熟之后，F公司为了加快获取市场的认可，开始尝试面向具体的企业推出产品，例如2017 年11 月和默沙东合作推出医学指南辅助阅读系统，其功能一是精准地找出文献中的重点内容，帮助研究人员在文献中快速定位，并针对不同文献中的热点词汇和高频词汇提供直观的指标对比结果（可视化）；二是对文献的质量进行评估，根据医学指南的年份、所涉疾病种类别等因素给出相应分值。2018 年年初，F 公司推出智能投顾系统，在HSMAP的基础上深挖投融资机构的相关数据，致力于帮助投资机构掌握生物医药健康领域的市场情况，从而更好地识别投资机会。

（3）盈利模式。F公司从2017 年下半年开始拥有了稳定的收入来源，HSMAP 的建设费用和每年的升级费用，还有相关研究报告的费用。HSMAP 的收费标准大约为每年数十万元，具体费用和所涵盖的区域范围、数据的维度、数据的精度等因素有关；研究报告的收费可分两种，一种是一次性交付的报告，另一种是每月或每季度提供一次的报告，平均一份报告的收费在10 万元左右，具体影响因素和HSMAP 一样。

3.2.2 商业模型中的隐性知识

（1）关键资源能力。相较于其他对手，F 公司最关键的优势是其储备的数据资源。在数据服务行业，仅仅拥有最前沿的技术人才并不能建立强大的行业壁垒，但掌握前沿技术有利于早期开拓市场。但从长期来看，结合现在技术领域的开源趋势，再复杂的人工智能算法或者大数据构架最终都会得到普及，而且能够产业化的往往是已经成熟的技术，所以技术的优势在后期会日益降低；而人工智能技术由算力、算法和数据组成，在算力、算法相差无几的情况下，数据集的微小变化就可能得出截然不同的结果，落实到数据服务上，每增加一个维度的数据可以挖掘的方向就会成倍上升，产品的价值也就相应变大。F 公司的数据产品必须有数据来源，这些数据来源大部分都已包含在政府机构的监管库中，但是不支持批量调用，很难进行数据分析与挖掘，更不可能直接用于开发可视化系统，不过市场上有不少较为成熟的第三方数据库，如果只是想迅速切入市场，这些第三方数据库已绰绰有余，最终F 公司选择自己建数据库，花费大量精力提高数据的广度而避开在数据深度上与其他对手的竞争，主要是为了争取独特的数据资源。将行业各维度数据整合到一起，其中的数据关联关系就是其他对手没有的资源，而且建立自己的数据库是形成数据闭环的基础（如图6）。F 公司将互联网上包括政府监管数据在内的公开信息进行搜集和存储，经过分析和挖掘，这些数据就有了独特的价值，可以和其他公司机构进行交换，获取更多未公开在互联网的数据，当这些数据整体的深度和广度都积累到一定条件，就可以正式推出自己的数据产品，并通过产品搜集、记录客户的使用反馈，而这些信息就是构成数据闭环的最后一节。

图6 杭州F 科技有限公司的数据闭环

（2）外部环境。F 公司目前所取得的成绩与遭遇的困境都和社会环境密切相关。一方面是目前社会环境尚未成熟，数据资源不足。生物医药健康产业大数据领域的企业数据很难获取，而且由于算法模型的运用和数据的挖掘都对数据本身有很高的要求，但有些数据例如产业人才的信息，即便获取到了也会出现缺失、格式混乱、异常值等各种各样的问题，在运用人工智能等高级算法之前需要依靠人力将数据清洗干净，补足缺失、统一格式、更正异常，如果有些数据保存在纸质文件上，一旦纸张流失就无法恢复，只能放弃；另外，技术趋势和基础设施也是很重要的因素，数据行业市场虽然面临很多困难，但也存在大量机遇，如果克服这些困难便会在市场占据有利位置，例如阿里云克服了建设之初的困难最终获得成功，市场也证明了这些付出是值得的。另一方面，社会环境对数据的价值没有清晰的认识。虽然政府和大部分的企业都相信数据有价值，但是不清楚具体怎么挖掘它的价值以及想要哪方面的价值，这意味着客户自身并没有能够详细评估产品价值的方法，因此在产品验收方面供应商拥有一定的主动权，市场对错误的容忍度相对较高，这对于创业企业是很好的机会；而另一方面，由于市场对这类产品缺乏清晰的认知，客户经常提出不合理要求，F 公司的业务驱动模式意味着大部分情况下公司的业务决策会跟着客户走，也引发了员工因频频承受高压而离职的风险。此外，虽然数据行业企业的外部市场环境相对宽松，客户对企业技术不甚了解，但是员工压力巨大、离职率高，人力资源管理是企业面临的巨大的挑战。

3.3 总结与启示

目前市场上大部分较为成熟的数据服务企业都拥有强大的技术团队，不少投资人在选择投资目标时也偏爱拥有深厚技术开发背景的创始团队，而F公司并没有非常强大的技术团队却依然在市场上占据了一席之地，主要是其商业模式具有 独特的优势。具体有以下3 点：

（1）细分市场精准定位，主动适应市场变化。F 公司成功的关键之一便是找准了时机抢占先发优势，成功切入市场。虽然F 公司所拥有的数据非常重要，但决定数据价值的是市场，如果等到产业大数据体系成功建立，拥有这批数据就只能算是获得了参与竞争的基础，远远谈不上优势。F 公司另辟蹊径，选择从政府端切入市场，凭借HSMAP 树立行业内的口碑，而后又通过医学指南辅助阅读系统和智能投顾系统扩展业务边界，铺设全面的产品线，这才得以抢占市场。因此，对于新兴行业的初创企业而言，抓住机遇比万事俱备更为重要；另外，由于新兴行业市场多变，初创企业万不可墨守成规，需要主动适应市场变化从而在群雄混战的时候迅速占领市场。

（2）重视关键利益相关者的关系，参与制定行业标准。F 公司与政府保持良好关系，它承担了多项由科技部、发改委设立的专项，而且与政府单位共同举办中国医药健康创业者大会，这对企业的销售渠道、信息渠道以及后续为构建完善数据服务体系建立的数据渠道都有重要意义。国内外大量研究表明，良好的政商关系有利于企业融资便利、税收优惠、财政补贴以及进入新兴市场，原因在于政府掌握着组织发展的核心资源和市场管制的权力［21-23］。在本案例中，政府是企业的关键利益相关者，因为政府是行业标准制定者，只有与政府合作，凭借杰出的数据科学技术参与到行业标准的制定中，企业才真正拥有了行业内的话语权，行业壁垒也籍此树立。

（3）平衡业务系统与盈利模式。平衡业务系统与盈利模式在一定程度上相当于选择业务驱动、技术驱动、数据驱动等模式中的一种。业内普遍认可的是技术驱动或者数据驱动，如智能计算等侧重于人工智能技术的可以选技术驱动，而信息服务平台等侧重于大数据服务的则选择数据驱动，二者都是以关键资源能力为出发点的模式。是选择抢占先发优势打开市场并通过业务交付获取经营成本，还是依靠关键资源能力稳扎稳打完善业务系统，各有利弊，但是初创企业在选择时要考虑的关键是保证自己能够活下去。数据的扩充、更新和维护都要花费大量时间和精力，例如F 公司花了将近2 年时间才初步整合并清洗庞大的数据资源，如果完全等到万事俱备再承接业务，企业将承受巨大的财务压力，因此F 公司在创业前期采用了业务驱动的方式，即销售团队先努力争取客户，签订订单后技术团队和数据团队尽力配合完成任务。当然这种做法也造成了很多困扰：一是员工压力巨大，技术团队和数据团队承担的任务可能超出了正常的能力范围，部分员工会因无法忍受而离职；二是业务体系陷入被动，当前市场对于人工智能和大数据技术的认知并不客观，大众普遍不了解这类技术的具体用途，甚至也不了解自己的具体需求，本文案例企业的数据库终端多次出现相关团队由于疲于交付业务而导致出现错误的情况。对于初创企业而言，由于环境剧烈多变，没有一个固定的模式可以遵循，平衡业务系统与盈利模式是一门艺术，不过早期的生存是关键。

4 结论

当今市场上，大部分较为成熟的数据服务企业都拥有强大的技术团队，不少企业在招聘员工时会将“硅谷工程师文化”作为企业吸引人才的优势之一，不少投资人在选择投资目标时也偏爱拥有深厚技术开发背景的创始团队。这类现象一部分是出于行业自身的特性，当前数据服务的关键技术——大数据与人工智能都对人才有较高的要求，另一方面也是因为目前市场上相关人才非常稀少，这对于大部分资源较少的创业企业而言无疑是巨大的困境。而F 公司并没有非常强大的技术团队，却依然在市场上占据了一席之地，主要是做到了找准细分市场、顺应市场变化，重视企业-政府关系、参与制定行业标准以及平衡业务系统与盈利模式这3 个方面，这对于大部分中小型企业是具有启思和参考价值的。

未来的数据服务将会围绕大数据和人工智能技术展开，而这些技术与具体商业应用的结合目前仍处在探索阶段，其商业模式依然会随之变化；另外，经济环境、社会环境以及技术环境等外部环境也在不断变化中，从而形成错综复杂的关系，这些都会影响着商业模式的成败。不过万变不离其宗，对于数据服务行业而言，知识管理是打造其核心竞争力的关键。企业通过显性知识和隐性知识的良性循环，从而促进其商业模式的不断迭代创新，才能在永远充满变化的未来获取长期竞争优势。