数据运营模型创新研究*

张东 封顺天 朱景熙

(1.中国电信政企客户事业部，北京 100010；2. 中国电信研究院，北京 102209；3. 四川电信电子政务运营中心，成都 610000)

0 引言

2017年12月，习近平总书记在实施国家大数据战略第二次集体学习中强调“要构建以数据为关键要素的数字经济”；2019年10月，十九届四中全会把数据与劳动、资本、土地、知识、技术、管理并列为生产要素。这表明数据作为关键要素对经济制度属性和经济发展方式的影响在政府层面得到广泛共识，我国正在迈向以数据为关键要素的新时代。

1 数据要素时代特征

1.1 数据要素成为驱动经济高质量发展新动能

数据作为数字经济的关键要素已得到行业广泛共识，越来越多的企业把数据作为战略资产，以数据运营提升企业竞争力。通过建立数据资产管理体系、制定规章制度、明确流程职责、梳理应用场景等开展数据应用的创新研究，把数据与生产、运营、监测、服务、监管等流程深度融合，实现数据价值最大化。数据作为数字经济的核心，是推动许多新兴产业发展的基础[1]。数据作为关键要素不仅改变了生产方式、提升了生产力、甚至对生产关系产生深远变革[2]。以5G、人工智能、工业互联网、物联网为代表的新型基础设施，将为经济高质量发展推波助力。

1.2 数据与技术重要程度超过资本

工业时代，资本既是工业化的前提又是工业化的条件，通过资本来建立工厂、开发矿业或购买生产资料进行生产和销售等，是工业时代最为核心的要素。数据要素时代，资本的话语权不再处于主导地位，数据与技术将逐渐取代资本，成为企业的主导力量。数字信息和数字技术成为推动数字经济发展的双引擎，数据运营重要性超过资本运营。

首先认识到数据价值的各行业翘楚应用数字技术、引入资本力量、聚焦特定行业，基于数据开展深度运营、引领行业变革。基于商品、服务和客户数据，从电商、团购、众筹等业务中产生了C2M业态，推动组织生产方式变革；基于位置数据，从打车、送餐等服务中产生了LBS、O2O业态，改变了人们的出行和生活方式，推动组织生产关系变革；基于个人兴趣数据，从电商、视频等服务中产生了“千人千面”等业态，改变了人们的娱乐和购物方式，推动了组织营销方式变革。

2 数据运营现状分析

2.1 数据运营从政府和企业内部向外部延伸

传统的数据运营以数据围绕业务为主，属于业务运营的一部分。数据运营是把业务细分为若干环节和指标体系，通过对各个指标量化，形成业务决策。

随着互联网与各个行业深入融合，数据运营从政府和企业内部向企业外部延展——强调通过数据内外部流动，实现各级政府之间“三融五跨”(技术、业务和数据融合,实现跨层级、地域、系统、部门、业务的协同管理和服务)、企业之间业务融合，数据运营重点是以数据高速流动性提升企业效能，实现业务增值过程。

2.2 现有数据运营模型的局限

对数据的理论研究，DIKW金字塔模型[3]在行业内形成广泛共识，其认为数据(Data)组合为信息(Information)，再加工为知识(Knowledge)后转换为智慧(Wisdom)。按DIKW模型，数据运营是围绕数据形成知识和智慧的过程。

围绕数据资产属性，国内外相关评估模型有IBM的数据治理能力成熟度模型、CMMI的数据管理成熟度模型(Data Management Maturity，DMM)、EDM的数据管理能力成熟度模型(Data Management Capability Model，DCAM)以及我国的数据管理能力成熟度评估模型[4](Data Management Capability Maturity Model，DCMM)等。这些模型围绕数据生命周期与组织数据战略，通过一系列标准和准则，对数据运营进行规范。

DIKW和DCMM模型大体反映了人们对数据的认识，“横看成岭侧成峰”，从不同模型看数据运营侧重点存在差异。DKIW模型侧重数据的分析挖掘使用，模型过于抽象，难以指导组织开展具体的数据运营工作；DCMM等模型侧重战略制定，对数据运营具体开展缺少指导。数据运营工作如何开始、数据价值如何最大化、推动数据运营的关键因素是什么，针对上述问题，本文提出数据运营成本价值模型。

3 数据运营SHLI模型

按照成本收益分析，数据运营可定义为投入运营成本、收获运营价值的过程，是突破效能提升、实现业务创新的关键。

运营成本包含数据的获取、处理、加工、应用等，运营价值通过数据实现企业内外部提质增效、成本降低、收入增加等体现。

从数据运营成本和数据运营价值两个维度切分，提出数据运营SHLI模型，可把数据运营分为4个象限(见图1)。

第一象限是高价值象限(High)，数据运营成本高，价值高。例如数字化转型后的非互联网类企业——工业企业通过数字化转型，以跨产业链的数据互通，实现组织间高效协同。

第二象限是理想象限(Ideal)，数据运营成本低、价值高。例如互联网类企业——业务以数据运营实现低边际成本扩展。

第三象限是低价值象限(Low)，数据运营成本低、价值低。例如未实现数字化转型的各类企业，对数字运营重视不够，对相关成本、价值均不涉及。

第四象限数据是启动象限(Start)，运营成本高、价值低。例如数字化转型中的各类企业——数据价值未发掘，对应制度和机制在磨合中，未达到价值预期。

3.1 业务数据化是数据运营起点

数据越容易访问，其价值就越大[5]。数据运营首先要产生容易获得的数据源，即实现业务数据化，业务相关内容和流程等以数据方式存储，即让业务本身变得可分析、可改进。

第四象限可认为是数据运营的启动象限，通常发生在行业数字化转型初期，此阶段组织尚未完成业务数据化，主要工作仍在降低数据的获取和处理成本，主要任务是数据作为关键要素融入各类业务中，提升数据价值。

对不完整的数据开展DIKW分析效果有限，甚至会得出错误的结论，此阶段DIKW金字塔理论并不适用。这一阶段各类业务缺乏数据描述标准，数据互通访问困难；数据质量控制、数据安全保障等受人员操作熟练度、匹配制度等因素影响，系统很难在初始阶段达到预期成效，而此阶段运营成本居高不下，价值很难凸显。

启动象限内的主要工作是定义各类数据源并建章立制，使数据采集工作稳定运行，即实现业务数据化，以数据评估企业业务开展成效，这也是组织数据化转型的第一个阶段。

组织数字化转型第一阶段工作完成后，数据运营将从第四象限转向第一象限。并不是所有组织的数字化转型都会成功，数字化转型失败时，数据运营工作将停滞，进入第三象限。

数据运营在第一象限中会产生大量的增量数据，如果不对这些增量数据进行创新运营，数据运营工作将在第一象限停滞，停滞的原因并不是因为数据运营工作做的不好，而是在第一象限中数据运营的价值已通过业务数据化体现，企业的效能已经得到提升。

3.2 数据业务化是数据运营目标

第二象限是数据运营的理想象限，目标是实现数据业务化，形成基于数据的产品或服务，以数据为核心，以数据的低边际成本降低产品或服务开展成本，实现业务价值最大化。成本价值模型与数据运营过程的关系如图2所示。

进入第二象限的路径是围绕数据，结合新的场景和服务，开展创新应用，只有当组织业务规模开展的边际成本可以使用数据替代降低时，数据运营才进入理想象限。

3.3 数据业务化是运营价值倍增的持续过程

数据在流动、交换过程中不断复制、演化并产生新的数据，每个数据都是一个新的周期。数据流动周期是需求、采集、分析、决策、迭代的闭环。闭环的任何一个过程都会产生新的增量数据，基于数据的不同用途会产生新的数据流动生命周期，形成网络辐射结构，如图3所示。

不是所有的数据都会成为网状辐射的节点，只有结合了新的业务场景才能形成新的业务闭环，网状辐射节点的每一个单独的数据流动周期都是一个不同的业务闭环。新业务数据的运营依然起步于第四象限，通过第一象限，进入第二象限。随着业务过程的每次数据增量，数据的运营价值将随着新的场景价值跃迁倍增，如图4所示。

例如，对于医疗影像云业务数据运营，随着数据收集、加工、发布、共享机制的成熟，以影像数据近乎零的边际成本实现了“数据多跑路，患者少跑腿”“在家门口看病”等业务目标，实现了业务数据化和数据业务化，数据运营进入第二象限(实现①②)，形成第一级业务闭环。随着影像数据和电子病历数据的积累，通过人工标注和机器学习技术形成了机器智能阅片的崭新业务形态，在某些细分疾病领域替代了医生看病，实现了医疗资源的低成本复制(实现③④)，形成第二级业务闭环。未来，通过人工智能机器阅片程序的成熟应用，结合患者常见问题数据，开发出家庭诊疗机器人，将形成第三级业务闭环(实现⑤)。

业务边界由数据边界决定，结合数据流动周期，打造业务闭环是数据运营的基本目标；对数据开展多用途使用，创新业务形态，打造数据运营多级闭环，使数据运营价值在多级闭环之间螺旋上升、随应用场景跃迁，是数据运营的持续追求。

3.4 数字技术加速运营价值在象限之间转移流动

数据业务化是数据运营的持续追求，整个过程离不开数字技术的驱动。不同象限内数字技术的价值有所不同：启动象限侧重数据互通、处理等技术；低值和高值象限侧重智能化数据处理技术；理想象限侧重前瞻技术应用。

启动象限在数据质量差、数据缺少标准、数据互通困难等情况下，数据运营成本居高不下，数据运营价值确难以体现，这也是很多企业耗费巨资开展数据运营但并未达到实际效果的原因之一。随着HTTP REST、DOA、Storm、区块链等技术兴起，数据互通边界被打破，处理效率得到提升，业务数据化工作得以正常推进。低值象限中，数据运营成本和价值之间并没有太强的关系。例如安防产品中的视频数据运营，由于缺少智能化分析等辅助手段，这部分数据多是存储，需要的时候再去查询，运营工作耗时耗力，并不一定能产生价值。随着人工智能技术成熟应用，机器代替人工进行视频分析已逐渐普及，对于视频类数据的分析、挖掘和再利用，将创造出更多价值。监控视频数据运营将从低值象限长期停滞状态跃进到高值象限。随着图数据库、NLP、数字孪生等新兴技术成熟，数据融合处理效率得到极大提升。

业务之间的融合加速了数据运营在不同象限之间转移，技术在数据运营过程中扮演着重要角色。数据运营价值提升离不开技术的驱动，技术进步将为数据运营价值递增提供原始驱动力。

4 实践：成本价值模型的应用

4.1 某省政务服务数据运营案例

某省政务数据运营自2013年至今，整个过程体现了数据运营成本价值模型中从第四象限起步，进入第一象限后向第二象限演进的过程。

以企业开办流程为例，包含企业登记、刻制公章、申领发票、社会保险登记、名称预核准等环节，涉及市监、税务、社保等多部门。这些数据由多个业务部门维护，重复交叉、版本众多，导致省内700万市场主体、超过1亿条数据标准不一。数据运营启动过程中花了大量的精力在数据关系梳理、数据质量提升上，此过程中数据运营成本巨大，价值却并未体现，位于第四象限。经过第四象限中运营工作，公民、社保、税务、制章等信息有效整合形成了“多证合一”的电子证照库，并基于此推出了“一窗通”的办事业务。企业开办审批周期由原来15天压缩到5天，上线以来每天为上百家新企业提供服务，月均为用户节省时间超过三万小时。实现以数据运营打造优质高效、阳光便民的政务服务环境，推动了营商环境优化。此过程实现数据运营从第四象限到第一象限的转移。

此外，基于企业基本信息，叠加企业在经营过程中的行为信息、履约信息和监管信息，形成了企业信用库。基于信用数据，政府推动金融机构基于企业信用评价对中小企业开展融资服务，降低了企业的融资成本，以较低的数据成本使金融企业在开展企业信用评估过程中边际成本递减，数据运营进入第二象限。整个过程如图5所示。

4.2 某互联网公司数据运营案例

某互联网公司通过早期对电子商务业务的运营，积累了大量的SKU数据、商户销售数据和用户数据交易，以相对较低的运营成本实现了较高的运营价值，业务一直处于第二象限。

随着数据量递增，传统的LAMP技术无法满足业务要求，公司用JAVA对业务进行重构，通过IOE架构实现海量SKU采取分库、分表的方式存储索引等工作。在此过程中，公司通过SKU数据、用户数据等，拓展了应用场景，开展了B2C服务，实现数据运营的第二级闭环。随着运营的深入，业务规模也随之再次扩大，传统的IOE架构已无法满足数据规模需求，公司开展了去IOE化工作，以高性能服务框架、海量负载均衡、大规模调度等技术实现了业务的弹性扩容，基于海量的用户数据、交易数据和商家数据结合信用场景，基于数据为买家和卖家提供金融服务，实现了三级闭环，通过运营结合场景实现数据的持续增值，如图6所示。

5 结束语

数据运营是数据要素价值最大化的重要过程，也是各个组织突破效能提升实现业务创新的关键。本文提出的数据运营成本价值四象限SHLI模型可为数据运营提供一种指导模型，可为各类组织开展数据运营工作提供参考。