大数据创新价值链：新基建时代的管理创新

李亮 邓亚晴 史建明 张炜

近年来，大数据技术和应用逐渐成为国家基础性战略支撑。在“新基建”包含的七大领域中，大数据中心的建设占据了一席之地，这使得大数据的重要性日益凸显。在数字经济时代，大数据成为像石油一样重要的资源，从根本上改变了企业运营、创新以及价值创造的方式。在大数据的赋能下，企业有机会以更低的成本、更高的效率和更灵活的方式开展经营活动，并创新产品、服务和商业模式，这有利于企业的成长并构建竞争优势。尤其是为了应对包括新冠肺炎疫情在内的市场环境的急剧变化，大数据的广泛应用将为不断涌现的新商业模式和新管理举措带来更多机遇。

不过，大数据的应用也伴随着若干挑战。大数据的“5V”特征之一就是价值（Value）密度低，在海量数据快速积累的同时，有价值的数据所占比例却在降低，这使得大数据的价值实现并非易事。让许多企业管理者深受困扰的问题之一就是，如何才能更好地基于大数据开展管理创新活动，从而实现大数据的业务价值？

以阿里巴巴平台生态系统中的大数据应用为例，早在2011年阿里巴巴就基于其海量交易数据推出了数据产品平台“生意参谋”，通过数据披露、分析、诊断、预测等帮助商家推进数据化运营。之后，阿里巴巴又陆续推出了“御膳房”、“达摩盘”、“品牌数据银行”等多个数据平台，帮助商家和品牌进行数据管理。不过，我们在调研中发现，同样是在阿里巴巴平台上开展业务，有些企业像韩都衣舍、三只松鼠等在大数据赋能下实现了令人瞩目的成长，而很多企业不能有效地将大数据与业务对接，大数据分析的结果难以转化为创新绩效，大数据的价值并未得到充分体现。

我们认为，大数据并非灵丹妙药，其价值实现也非一蹴而就。从海量数据到企业的管理创新活动，再到经营绩效的提升，这一转化过程是由前后相继的若干价值增值活动构成的。本文将借鉴价值链理论，对这一转化过程进行初步探讨。价值链的概念由迈克尔·波特（Michael Porter）于1985年提出，强调企业的价值创造是通过一系列活动实现的。这些互不相同但又相互关联的生产经营活动，构成了一个创造价值的动态过程，即价值链。

基于企业调研和学术研究，我们在本文提出“大数据创新价值链”的理论框架。我们认为，大数据赋能下的企业管理创新是一个环环相扣的过程，包含了多个前后相继的价值增值阶段。只有确保每个阶段的顺利实施和不同阶段间的有效衔接，才能实现大数据的价值增值，使“大数据”产生“大影响”。

大数据创新价值链

我们将大数据赋能下企业管理创新活动所必须包含的“数据→洞察→行动→结果”这一环环相扣的过程称为“大数据创新价值链”（如图1所示）。具体来说，大数据创新价值链的主要活动包括三个阶段。第一个阶段是“生成创新洞察”，这实现的是从数据到洞察之间的转化。第二个阶段是“开展创新活动”，基于洞察，企业制定管理创新策略，并将这些策略落地执行。在第三个阶段“评估创新效果”中，企业对管理创新活动的执行效果进行监控和评估。

此外，大数据创新价值链的实现还需要大数据基础设施建设（如大数据中心）、大数据软硬件产品开发、大数据安全与隐私管理、大数据人才培养等一系列支持性条件，这些条件在大数据的价值增值过程中起到了重要的、不可或缺的辅助性作用。

大数据创新价值链中的主要活动

阶段一：从数据到洞察

在大数据应用项目中，企业首先需要结合自身战略，初步确定业务需求，大数据的价值实现将围绕这一业务需求来进行。在“生成创新洞察”阶段，企业将实现从“大数据”到“创新洞察”之间的转化，其中的主要活动包括数据获取与处理、标签体系构建和数据分析等。该阶段的结果是创新洞察的生成，也就是说，围绕企业的业务需求，创新的想法在大数据分析中浮现出来，并具有发展成为新产品、新服务或新商业模式的潜在可能。该阶段对于大数据的价值实现来说极其重要，因为它决定了企业基于大数据开展管理创新活动的可能与方向。

基于自身战略和业务需求，企业需要确定合适的数据源，并获取所有相关数据，这可以包括企业自己拥有的数据，如交易数据、客户关系管理（CRM）数据、运营数据等，也可以包括从市场获得的第三方数据。企业既可以与大数据服务提供商、数据源企业等开展合作，获取所需数据集的使用权限用于分析；也可以通过爬取电商平台、社交平台、垂直专业平台等多个数据来源的海量数据，充分利用大数据多方面来源的特点，逐渐建立起自己的数据资源。在获取数据之后，企业还需要通过比如去除不完整的或重复的信息及识别用户的唯一性等操作来进行数据清洗，以确保用于后续分析的数据质量。

在从数据到洞察的转化中，标签体系的构建是实现大数据价值增值的必要步骤之一。建立标签体系，就是对人、物、事或场景的显著特征进行分类、提炼、总结的过程，这有助于企业更好地洞察和理解消费者的需求与行为。标签体系的建立，在初期需要大量的人工标注工作作为基础。由于不同的业务场景往往会有不同的标签体系，因此要基于大数据来获取商业活动中与产品、品牌、消费者态度、人力资源等与數据使用场景相关的知识，只有基于恰当的标签体系才能得到更加深刻的洞察；如果没有恰当的标签体系，大数据分析则容易流于通用型的知识，而难以契合于企业的特定业务场景。

在数据分析中，企业将应用数据挖掘算法、预测性分析、可视化分析、语义引擎管理等技术，对杂乱无章的数据，根据业务场景的特征进行萃取、提炼和分析，构建相应的数据模型；或者采用自然语言处理、机器学习等技术，对所获取的数据进行深入分析，发现数据之间的相关性，从而得到关于特定业务场景的新知识或新见解。

阶段二：从洞察到行动

创新洞察意味着关于产品、服务和商业模式的新知识、新见解，这构成了企业管理创新活动的基础。在“实施创新活动”阶段，企业将实现从“创新洞察”到“创新行动”之间的转化，其中的主要活动包括策略制定和执行落地。首先，创新洞察有助于催生各种创新想法。随着各种创新想法在企业内部或者企业与大数据服务提供商的协作中被充分讨论和评估，企业将基于自身的战略目标和能力选择特定的产品、流程或商业模式开展管理创新活动。一般来讲，为了达成某个业务目标，可能会有几种不同的创新策略可供选择。例如，要想提升某款产品的销量，可供选择的策略可能会包括投放广告、网红直播带货、创新产品包装、甚至产品升级换代等多种方案，那么企业究竟应该选择哪种方案，就需要业务部门结合自己的业务实际，基于创新洞察进行仔细讨论和评估。因此，在该阶段中，制定恰当的管理创新策略是极为重要的决策活动。

其次，当管理创新活动的策略确定之后，企业还需要将这些策略落地执行。例如，基于消费者洞察，如果企业选择数字化广告这一营销手段，那么就需要设计具有针对性的广告内容，确定恰当的广告投放渠道和时机，实现精准的消费者匹配，才能做到营销的“千人千面”。值得提出的是在随着数字经济的兴起和数字化转型的深入，从洞察到行动的转化正日益受到大数据资源和技术的影响甚至驱动。以营销行业为例，网络媒体广告所占比重已经开始超过传统媒体广告。企业在决定与落实营销策略时已经无法忽视网络媒体广告，而针对网络媒体包括社交媒体在内的大数据资源的获取与利用无疑是网络媒体广告投放的决定性因素之一。

阶段三：从行动到结果

落实管理创新活动并不意味着大数据应用的结束，为了形成完整的闭环，企业还应该对管理创新活动的结果进行评估。在“评估创新效果”阶段，企业将实现从“创新行动”到“创新结果”之间的转化。对于企业来说，管理创新活动可以对收入端（通过差异化的产品和商业模式）和成本端（通过效率的提升）产生正面影响，从而给企业带来更强的竞争优势。而这些变化又在许多方面可以反映到可以利用大数据技术来测量的指标上，因此企业可以基于持续的大数据获取工作，以管理创新活动开展的时间作为分界点，对这些指标进行项目开展前后的对比分析，进而帮助企业对管理创新活动的结果进行评估。

大数据创新价值链中的支持性活动

我国政府高度重视大数据基础设施建设。在贵州、京津冀、珠江三角洲等多个省市和地区成立的大数据综合试验区和大数据产业园，成为集聚产业资源的重要载体。在“新基建”中，不仅大数据中心对大数据创新价值链直接起到了支持性作用，而且像5G网络、人工智能、工业互联网等基础设施的建设也将为消费、金融、工业、医疗健康等领域带来成百上千倍的数据增长，这将进一步为企业的管理创新提供赋能作用。此外，云计算服务为大数据的存储、快速处理和分析挖掘提供了基础能力，并降低了企业大数据应用的成本，也是重要的基础设施之一。

除基础设施建设之外，企业的大数据赋能创新还离不开其他支持性活动，这包括与大数据相关的软硬件开发、大数据安全和隐私管理、大数据人才培养等。例如，从大数据人才的角度来讲，在大数据赋能创新的主要活动中，数据分析师的技术工作固然重要，但如果他们缺乏对业务的深刻理解，那么技术工作将成为无本之木。同时，企业中的管理者和业务人员也不应囿于传统的创新思路和做法，而应该理解大数据技术的特點，拥抱大数据所带来的思维变革。

大数据创新的不同模式

在大数据赋能创新的价值增值环节，企业会把某些增值活动放在组织边界之内来进行，而把另外一些增值活动交给大数据生态系统中的其他企业来完成，业务边界选择指的就是这两类增值活动之间分界点的选择。大数据创新价值链为我们提供了一个理解大数据生态系统中企业之间关系和业务边界选择的视角，从而有助于我们理解企业如何更好地开展大数据赋能创新。我们将重点讨论五种类型的大数据创新模式。

咨询型大数据创新模式

在大数据赋能创新中，最常见的模式之一就是大数据服务提供商聚焦于“生成创新洞察”。基于客户企业的业务需求，大数据服务提供商收集多来源的海量数据，通过对数据的处理和分析，从中发掘消费者洞察，并将其作为“产品”提供给客户企业；客户企业则基于消费者洞察自行（或与其他机构合作）实施管理创新活动。在这种模式中，大数据服务提供商的角色类似于传统的咨询公司，帮助企业在“大数据”和“创新洞察”之间建立了桥梁，因此我们将其称为“咨询型大数据创新模式”（如图2所示）。

咨询型大数据创新模式之所以在大数据服务领域较为常见，是因为在这种模式下，大数据服务提供商的进入门槛较低。在大数据服务刚刚兴起的阶段，许多具有较强技术背景的创业者成立的大数据服务提供商都采用了这种模式。通过这种模式，即使是大数据技术能力较为欠缺的客户企业（尤其是中小企业），也能够尝试在大数据的赋能下开展管理创新活动，在大数据时代中成为率先“吃螃蟹”的企业。不过，咨询型大数据创新模式也存在风险。有的大数据服务提供商过于追求技术驱动，擅长数据挖掘和数据分析相关的技术，但对特定行业领域和特定企业的业务缺乏理解，技术与业务之间的不匹配造成了大数据创新价值链中“洞察”与“行动”之间的脱节，因而难以达成客户企业预期的结果，甚至会导致较高的大数据项目失败率。

嵌入型大数据创新模式

对于信息化基础较好的企业来说，他们有实力在传统IT能力的基础上构建自身的大数据能力，因此可以在IT部门中打造大数据团队，甚至建立专门的大数据部门。此时，大数据相关的工作将由企业内部的大数据部门和业务部门合作完成。大数据部门基于业务部门的需求，收集多来源的海量数据，依次开展“生成创新洞察”、“开展创新活动”和“评估创新效果”的三阶段活动。在这种模式中，“嵌入”在企业组织内部的大数据部门承担了大数据服务提供商的角色，并向业务部门提供大数据赋能活动，因此我们将其称为“嵌入型大数据创新模式”（如图3所示）。

嵌入型大数据创新模式对客户企业的大数据能力和信息化基础具有较高要求，其优点在于企业可以自主掌控大数据创新价值链的主要环节，因此具有较强IT和业务实力的企业（尤其是大型企业）更倾向于采用这种模式。此外，一些领先的新兴企业（如在阿里巴巴平台生态系统中发展起来淘品牌公司）诞生之时就处于数字化时代，是数字化时代的“原住民”，有更多机会在企业内部建立较强的大数据能力，因此也会采用这种模式。

韩都衣舍是嵌入型大数据创新模式的典型案例。韩都衣舍在电商业务初期，就将企业的信息化工作放到极为重要的位置，先后开发了订单管理系统（OMS）、库存管理系统（WMS）、供应链管理系统（SCM）等多个业务系统，对企业运营实现了全面的数字化覆盖。基于这些业务系统中的运营数据以及从阿里巴巴等外部渠道获取的海量数据，韩都衣舍在下一代业务运营系统（HNB）中建立了“爆旺平滞”的判定模型，即判断一款产品属于爆销款、旺销款、平销款、还是滞销款，并以此为依据进行销售策略、生产策略的调整。例如，在某款服装上架后的较短时间内，HNB系统会基于“爆旺平滞”模型对其进行判别，其中被判别为爆销款和旺销款的产品会追加生产，平销款与滞销款的商品会打折与清仓，释放库存压力。通过这样的方式，韩都衣舍首单生产的产品往往只有几百件，而追加生产可能达到数万件，这极大降低了库存成本和滞销成本。并且，韩都衣舍可以在这个过程中以消费者实际购买行为作为依据，不断进行销售策略和生产策略的调整。

拓展型大数据创新模式

在大数据生态系统中，数据源企业占据着极为重要的作用。数据源企业往往属于平台型企业，自身的业务可能五花八门，如电子商务（淘宝、天猫、京东）、社交媒体（微博、微信）、搜索引擎（百度）等。随着大数据的兴起，数据源企业逐渐积累了海量数据，并赋能客户企业的管理创新活动。由于数据源企业一般都具有较强的技术实力，因此他们有能力开展大数据分析活动，来为客户企业提供创新洞察；此外，数据源企业自身往往拥有流量入口和营销渠道，因此他们可以基于大数据创新洞察，为客户企业提供广告、直播等营销活动并评估其营销效果。在这种模式中，数据源企业所涉及的业务领域从原本的电子商务、社交媒体、搜索引擎等业务“拓展”到了大数据服务领域，并专门成立大数据相关部门，为客户企业提供赋能活动，因此我们将其称为“拓展型大数据创新模式”（如图4所示）。

阿里巴巴是拓展型大数据创新模式的典型案例。作为中国最大的电商平台，阿里巴巴沉淀了海量的关于消费者、商品、交易等多方面内容的数据。随着数字化时代的到来，阿里巴巴首先经历了业务数据化阶段，在数据积累的基础上，阿里巴巴围绕电商业务开展数据分析，并服务于阿里巴巴内部的业务部门和管理层，帮助集团降低成本、提升运营效率和服务质量。之后，阿里巴巴经历了数据业务化阶段，阿里巴巴集成了自身的平台数据和外部数据，建立了“生意参谋”、“阿里妈妈”、“阿里数据”等多个大数据平台，从而将业务从电子商务领域拓展到大数据领域，通过技术输出形成新的商业模式，在数字化营销、数字化创新、数字化转型等方面服务于阿里巴巴平台生态中的电商企业和大量的传统行业用户。在这个过程中，阿里巴巴作为数据源企业，实现了与客户企业基于大數据的价值共创。

运营型大数据创新模式

在大数据兴起之前，企业已经广泛接受了将自己核心能力之外的非核心业务交给其它企业代为运营的做法，以取得更大的效率和效益。随着大数据时代的来临，对大数据应用心有余而力不足的企业会基于同样的考虑和逻辑，将与大数据相关的业务流程外包给大数据服务提供商，从而实现对自身的管理创新。传统的业务流程外包（BPO）服务提供商也会利用自身对特定行业和业务的深刻理解，积极结合大数据资源和能力对自己提供给的外包服务予以改造和重组，以期更好地服务于客户企业。更引人注目的是几乎在所有行业，随着大数据的兴起，新兴公司凭借在大数据上的优势，抛弃原有行业桎梏，强势吞噬着传统业务流程外包服务提供商的生存空间。我们将这种模式称为“运营型大数据创新模式”（如图5所示）。

这一模式在广告服务行业表现得极为明显。大数据为企业直接触达消费者并且持续和消费者互动创造了条件。许多传统广告公司积极谋求转型，向大数据业务靠拢。不过，由于广告服务提供商往往缺乏大数据分析方面的技术能力，他们会采取与数据源企业合作的方式，由数据源企业提供基于大数据分析的消费者洞察，然后广告服务提供商在多个不同的平台和渠道来开展广告投放和营销活动，从而将消费者洞察落地实施。更有一批诞生于大数据时代的服务商，依据数据源企业提供的消费者洞察，凭借自己对大数据时代直接面向消费者的营销特点的深入理解，基于数据为企业提供日常的消费者运营服务，比如电商运营和社交媒体运营等。这也就是现在讨论比较多的私域流量运营服务。在这种模式中，广告服务提供商都是依托自身的业务能力，结合数据源企业提供的数据和洞察，根据不同的场景和媒体触点，为企业提供直接针对消费者的运营服务，提升消费者对于品牌的认可度，促进潜在的销售转化。

专业型大数据创新模式

随着大数据行业的发展，大数据服务的趋势之一就是专业化程度的提升。例如，咨询型大数据服务提供商将不满足于仅仅为客户企业提供消费者洞察，而希望将业务拓展至后续的管理创新活动上。在前述的嵌入型大数据创新模式中，企业的大数据部门在条件成熟时也有机会独立出来从事专业的大数据服务业务。例如，美云智数就是脱胎于美的集团的IT部门，现在已经发展成为国内领先的云计算和大数据服务提供商，为多个行业的客户企业提供大数据创新赋能服务。当然，也有的大数据服务提供商从成立之初，就致力于为客户企业提供完整涵盖“生成创新洞察”“开展创新活动”和“评估创新效果”的大数据价值增值服务。在这种模式中，大数据服务提供商打通了“数据→洞察→行动→结果”这一环环相扣的链条，为客户企业提供更加专业化的服务，因此我们将其称为“专业型大数据创新模式”（如图6所示）。

宏原科技是专业型大数据创新模式中的一个典型案例。宏原科技成立于2013年，其创始人团队曾先后在宝洁、美赞臣等跨国企业从事营销管理工作。随着传统营销方法论受到大数据技术的冲击，宏原科技在成立之初就不是聚焦于大数据技术本身，而是希望以大数据技术作为工具来更好地解决客户企业的业务问题。因此，宏原科技致力于从消费者作为“人”本身入手进行营销分析与决策，并将洞察结果直接付诸行动，使其产生价值。宏原科技的做法有两个方面的创新。首先，实现全景洞察。宏原科技对于消费者作为“人”的研究不单单局限于与产品相关的行为上，而是通过多渠道获取的大数据针对消费者进行全景洞察，了解消费者的生活习惯、消费习惯、消费场景以及消费心理等，将一个人全方位、立体化地展现出来，除了产品设计之外，在推广中也能够给客户企业清晰的指引。其次，洞察直达行动。借助互联网的平台，宏原科技将基于大数据的市场洞察直接转换成为广告投放或者消费者运营等营销活动，并通过数据监测营销行动的结果，快速进行调整。这解决了传统广告营销模式中数据、市场洞察、营销行动及效果监测各个环节割裂的情况，让数据连接营销全过程，并且为營销全链路赋能。

识别与克服大数据赋能创新中的“短板”

与传统ERP项目类似，企业的大数据项目也并非总能获得成功。2016年，Gartner估算约60%的大数据项目都会失败。一年后，Gartner又有分析师表示，这个数字“过于保守”，大数据项目的实际失败率应接近85%。那么，这些失败的大数据项目究竟是在哪个环节出现了问题？大数据创新价值链模型可以帮助企业管理者识别并有效地克服大数据项目中的“短板”。

首先，有的大数据项目在“生成创新洞察”阶段出现了短板，这导致企业未能准确获取关于消费者或特定业务场景的新知识和新见解。导致“洞察短板”的原因可能在于技术方面，但更普遍的原因是与业务相关。如果仅仅是企业自身在大数据技术方面能力不足而导致了“洞察短板”，那么行之有效的解决方案就是与大数据服务提供商和数据源企业开展合作。不过，在选择合作伙伴时，有的客户企业将选择标准聚焦于大数据服务提供商和数据源企业的技术能力方面，而忽视了在行业领域的经验，这同样容易导致“洞察短板”。所有洞察的产生都是在企业的战略和业务需求的指导下进行的。企业容易遇到的问题之一就是未能准确分析业务需求，因而使得数据收集、数据分析等方面缺乏目标和针对性。事实上，在“生成创新洞察”阶段，需要客户企业以及大数据服务提供商对业务需求、业务场景和所在行业具有深入和恰当的认知，才能提出最精准的问题，并从数据分析结果中发掘最本质的洞见。

其次，有的大数据项目在“开展创新活动”和“评估创新效果”阶段出现了短板，因而导致创新洞察未能有效转化为创新行动，常见的原因包括以下几个方面。首先，有的传统企业对数字化时代新兴的经营方法（如内容营销、移动营销、直播带货、众筹、开放式创新等）并不熟悉，而且这些数字化的经营活动产生了大量关于消费者态度和行为的数据，很多企业缺乏意识和能力把这些海量的数据转化为洞察、并转化为切实可行的管理创新方案。此时，企业可以考虑采用运营型或专业型大数据创新模式，与深谙行业特点的大数据服务提供商开展深入合作。其次，有的企业在开展大数据应用项目时，过于聚焦在营销方面，而忽视了其他的创新策略。例如，除了营销方案之外，针对产品本身的创新活动也可能是可行的策略，这包括现有产品的更新迭代、产品本身不变但定位的调整、甚至引入一整套新的产品等。此时，企业就需要将产品研发相关的专家纳入大数据项目团队，集思广益，确保选择最优的解决方案。此外，还有的企业忽视了大数据项目的连续性，没有对大数据赋能的管理创新活动的结果持续跟踪和评估，因而大数据项目未能形成完整的闭环。因此，我们建议企业建立大数据赋能下的组织惯例，这有助于构建数字经济时代的组织运营能力和动态能力。

依托大数据新基建，构建企业大数据创新能力

毫无疑问，大数据成为当前商业中最重要的赋能要素之一。随着我国“新基建”的蓬勃开展，5G、工业互联网、人工智能等新兴技术所带来的数据量将是百倍、千倍的增长，因而大数据中心的重要性也将日益凸显。不过，如何从大数据中发掘价值，始终是企业面临的严峻挑战。在《大数据时代》一书中，迈尔-舍恩伯格和库克耶强调了数据、技术与思维在大数据价值链中的三足鼎立。我们相信，如果企业可以遵循“数据→洞察→行动→结果”这一环环相扣的价值增值链条，结合企业自身的战略与业务需求，选择合适的大数据服务模式，并弥补价值实现过程中的“短板”，那么将在大数据的赋能下，依托大数据新基建，建立自身独特的大数据创新能力，实现更加持续的竞争优势。

换言之，为了更好地实现大数据的增值过程，大数据创新价值链上所涉及的企业需要具备一定的组织能力，甚至根据大数据创新的需要，对企业的组织进行升级和迭代，实现企业的数字化转型。传统意义上，数据仅仅是企业经营活动过程和结果的量化体现。但是，在大数据时代，在前面讨论的大数据创新模式中，数据本身就是企业经营中的一个生产要素，和企业内流动的物理的生产要素共同支撑企业的经营活动。因此，大数据价值链的组织创新不仅仅是在组织中构建数据能力的问题，而是把数据作为一个要素，链接起企业的经营活动，从意识、流程和能力方面对企业的组织进行升级迭代，构建企业的大数据创新能力。

需要强调的是，大数据创新模式的构建往往需要企业对现有的流程和组织进行调整，重新定义现有部门的职责、重组流程、甚至重新划分预算和制定关键绩效指标（KPI）。我们在本文中提出的大数据创新价值链为这方面的努力提供了一个行之有效的框架。在过去几年中，我们看到一些企业，如宝洁、欧莱雅、联合利华等公司，都在这些方面进行了很大的调整和变革，比如设立了首席数字官（CDO）或者成立了数据中心（Data Hub）等部门。他们所采取的措施的核心思想都是从更高效地实现跟消费者互动的目标出发，更有效地整合和连通不同来源的数据，以实现数据、洞察、行动和结果的一体化，提升经营活动的效率，推动企业的数字化转型。在组织能力建设方面，这些公司一方面着手构建数据科学方面的团队，另一方面也引入外部的大数据服务提供商，在实践中通过合作提升自身的大数据创新能力。

这些公司的实践也说明企业的大数据创新能力不是一个部门的能力，而是公司整体能力在大数据时代的迭代。大数据创新能力建设的起点应该从公司整体的业务出发，了解在企业的经营活动中产生了哪些数据，这些数据的特征是什么；再以终为始，从企业的经营需求出发，了解提升企业的经营业绩需要数据发挥什么作用，还缺失什么外部数据，不同来源的数据如何实现联通？这就要求企业从创造价值的角度出发，结合企业战略和经营活动的需要，并结合企业的实际情况，选择企业自建和依靠外部专业服务机构共建的方式，全方位地构建所需要的新能力。这既包括数据基础设施的建设，也包括企业大数据创新价值链其它主要环节及辅助环节如数据治理架构、数据输出标准等方面的努力。

基金项目：北京市社会科学基金项目（16YJC058）