在《从优秀到卓越》这本书中，吉姆·柯林斯提出飞轮效应这个开创性的概念。 
飞轮效应巨大的动力依赖于不断的改进和成果的取得。从优秀公司向卓越公司的转变是一个累积的过程--循序渐进的过程，一个行动接着一个行动，一个决策接着一个决策，飞轮一圈接一圈地转动--它们的总和就产生了持续而又壮观的效果。
在亚马逊、Netflix和抖音这些互联网产品身上，我们都可以看到由机器学习带来的飞轮效应。而随着企业越来越多地采用数字渠道来增强客户体验，在公司内部的流程重塑和数字化转型过程中，能否采集到足够数据，并支撑组织实现在线化、智能化，产生数据的网络效应和规模效应？
关于数据飞轮和企业的数字化转型，乱翻书邀请了远川互联网组负责人杨婷婷，《银行数字化转型》一书作者付晓岩，火山引擎大消费行业数据产品解决方案负责人田岚，一起做了场商业圆桌，来探讨这个大数据相关的话题。
以下为直播部分内容摘编：
数据中台与数据飞轮
潘乱
我们今天在聊如何打造数据飞轮，在公司内部如何实现数字化转型，如何让数据变得智能，但是数据的网络效应不会自然产生，这里面存在一个所谓的先有鸡和先有蛋的问题，你是应该先去积累于专注尽可能多的数据，然后来建立数据团队和基础设施，还是先反过来？
付晓岩
这个问题从鸡先生蛋，还是蛋先生鸡来讨论就比较难，大家谁也发现不了一个明确的证据，到底是先有鸡还是先有蛋。但是从循环角度看，这个问题就比较容易一点。当你先从某一侧起步的时候，别忘了考虑另一侧。
现在企业里面挺注意数据分析的，只不过是没有体系和工具能很好的收集数据，但是现有的一些报表类的东西，也在分析。这样产生了一些数据需求和一些数据分析的方法，没有手段的时候要加强手段的建设，帮我更好的收集数据，更好的建立数据平台。
但是也有些中小银行说我先建一些数据平台，这时候分析能力一般。有平台有工具之后，这时候再培养人对工具的使用能力。最好是鸡生蛋，蛋生鸡的循环角度来看这个问题，不然源头不容易找，因为有时候企业的自己起点条件不一样，不一定具备某一段的能力。
潘乱
比如今年5月份，阿里对集团的各项中台业务进行了一轮调整分流。其中 “技术中台” 被一分为二：“数据中台” 变成独立公司，“业务中台” 团队并入了淘天集团。我想到第一个问题，数据中台早期发挥了什么样的作用能够促进公司发展？后来它又是遇到了什么样的问题要拆中台？
杨婷婷
这个事情发生的时候，当时聊了蛮多做中台的一些同学。我觉得中台更像是一个预制菜的中央厨房，比如我的后台其实就是一个菜市场，我的前台是顾客。中台这个架构它就是我把后台和前台的菜，给它先制好，调一些调料，等到前台出来的时候，它的需求出来我就快速做这道菜出来。其实数据中台一直被叫成中台里的中台。因为它基本上是一切中台的基础，因为没有数据中台，很多中台也很难建。
在这个过程中，我自己聊下来，我感觉最大的好处，其实是有两块：一块是我们要做一个新的业务，如果我们都要从头到尾有一套人员做，它自然会造成很大的资源浪费，尤其是早期互联网公司，尤其是阿里当时做那么多新的业务，如果从头到尾都要搭一套人的话，成本非常高。另外就是不管数据中台还是技术中台，它过去做得很厚，那可以支撑前台可以非常敏捷。在公司发生很多新需求的时候，中台是可以快速支撑做很多事情。
到后面，因为前台的业务实在太多了，中台已经响应不过来了。本来中台是我不想重复造轮子，结果每天都在造有一点不一样的轮子。因为中台响应不过来，前台的很多需求反而被耽搁了。阿里的中台很强，但是后来开新业务想要向中台要资源，已经有点慢了。所以我理解建中台拆中台其实是一个历史发展进程的事情。
潘乱
其实各种选择都是和公司发展的阶段，以及当时的竞争环境高度相关的。前段时间看某家电董事长发一篇文章，说他们花了十几亿做数字化转型，但是效果远远没有达到他原本的预期。当然对传统企业做数字化转型这个事，相当于二次创业，其实和创业的失败率一样高。它不是说你投入了，花了钱就会有效果，也不是说花钱少就没效果。过去这些企业花了大量时间来做中台做数字化转型，但最后取得良好结果的案例不是特别多，这个原因是什么？
付晓岩
其实中台的发展是一路顺着数据的技术的发展做下来的，之前可能叫数据平台或数据仓库。我觉得不管用哪种方式，最重要的还是企业自己首先对数据是个什么态度，自己是不是非常迫切的需要数据。非常迫切地需要数据来支持业务。如果是这样的话，不管上的是中台还是平台，都能把它改造到一个你需要的方向上。
数据中台在做的时候，如果有的企业做的效果不是很好，原因可能也多有方面，一个可能说产品嵌入性比较强，买了一个成熟的中台产品非要往我这里装，要和原来的系统集成还有原来数据接入，包括自己的应用习惯都不太接轨。这样的话可能平台本身也用不好。再一个就是做的时候，有可能这个平台进来的时候，对本地的适应改造也不多，有可能造成使用失败。但是一般情况下，在企业顺着自己的路径积累起来之后，消化一下数据中台的理念，再去做就会相对好一些。大多数银行的实践也叫数据中台，但是里面的东西和数据平台发展的方向是不差太多的。
包括阿里自己植入到银行那些案例里面的，其实也比较注重角色的培养，就是数据产品经理。其实一个平台用的好坏，平台是个死的，是个工具，用的好坏还是在人，你有没有把相应的角色培养出来，把这个东西用好。所以阿里在嵌入数据中台的时候，也帮银行培养一些数据产品经理。用一种产品运营的手段看数据服务，可能会稍微有一些改善。
如果只知道数据有用，不知道该怎么用，这时候贸然进来一个工具的时候，不一定能用好，所以一开始谈鸡和蛋的问题，就是一定得是两个方向都关注。平台进来之后，不能这个事就压给平台了，没有人会用的话，甭管是用数据中台还是原来的数据平台，这个平台的能力都会退化的。其实我觉得用不好更多的还是在说我企业里边会用数据的人，以及我自己的生产方式，我自己相关的一些制度环境，是不是支持你把数据用好？有这个环境的话，就算一开始进来那个工具不太合适，你慢慢也能把它修正合适。
潘乱
其实技术是一个工具，更多是看企业对这块的重视，以及企业内部人员的数字的素养，这比工具更重要。其实像晓岩老师刚才讲的数据平台、数据中台包括数据飞轮都是工具，今天问田岚一个问题，火山引擎提数据飞轮这个概念和数据中台的区别是什么？更具体一点来说，阿里都强调一切数据业务化，一切业务数据化，这个概念是不是匹配不同公司、不同阶段的发言，它也是有点换汤不换药呢？
田岚
我觉得数据中台本身的理念是要做数据建设，要做中台要做数据的统一，这是在那个年代，或者数据中台当时提出来的时候最大的一个核心的点。我们在数据飞轮上，最大的差异或者核心差异在于强调的是数据和业务要双向的良性驱动，这个是核心理念的差别。这个也恰恰是刚刚提到的，像一些失败的案例，过去只强调建中台，是不能解决我的问题的。所以我才要今天不断的强调说，我在建中台的同时，一定要让大家注意中台要能够转起来，能够赋能业务，我们两个轮子的中间的核心驱动力叫数据消费。也就是说，数据消费是能够助力业务发展的，同时我的数据消费也反向来促进数据资产的生产。所以数据消费是站在核心的点，然后去连接这两个轮子，这个就真正把企业的IT部门，数据部门，包括业务部门能够有机的联动。我觉得在理念上大家还是有一些本质区别的。
数据飞轮的实践
潘乱
同样的问题也要抛给付老师，数据没办法直接赚钱，那这个数据应该怎么来算呢？它什么时候是成本，什么时候是资产？数据资产的建设和管理，有没有真正帮助业务解决实际问题？这个数据和我这个核心的产品和业务又是什么关系？
付晓岩
这个问题还是挺深刻的。首先数据现在它是资产是没问题了，因为从明年1月1号开始，数据是能记账的。按照最新的会计规定，里边数据是可以按照存货和无形资产两种方式来记账的。所以什么时候是成本？最简单来说采集的时候是成本，外部购买进来，从生产线上采集过来，这个时候通过购买或者通过设备采集，这个时候是成本。存储的时候是一半一半，因为存储的时候有时候是属于数据刚收集进来，如果加工完了数据产品的存储，这个里面已经有存货的管理了，所以在这个时候已经是一半一半了，既是资本也是资产。什么时候是纯资产呢？就是消费，真正用到生产过程里面的消费，这个时候又开始转化成资产了，转化成产品的附加价值的一部分。
比如你的产品比别人的产品更了解你的客户，这里面有没有你的数据标签，带给你更多信息支持的，如果有的话，说明这个客户价值里面有一部分是来自于信息的，这是其中一块。
再有什么时候是资产呢，把你的数卖出去的时候是资产，因为现在鼓励数字交易，当存货往出卖的时候也是资产。所以从数据的全生命周期来讲，就是采集的时候是成本，存储的时候一半一半，消费和出售的时候是资产，这是比较直观的一个讲法。
潘乱
数据是资产了，大家想要利用好数据，就需要更好的工具来用。比如有人问什么是数据飞轮，这到底是某种理念还是指具体的某个产品？
田岚
其实数据飞轮包含了两个轮子，上面的轮子叫业务应用轮，下面那个轮子叫数据资产轮，两个轮子中间用数据消费做连接。
在数据资产这里，我们核心的逻辑是要更快、更好地管理数据资产，同时也能更好地提升研发效率，数据资产这个轮子才能更快转起来。
在业务应用这里，是有更多的数据帮助进行科学决策，可以指导我们更敏捷、更快地行动，同时能够帮助提升最后的效果，这样，业务应用的轮子，也能转起来。
对应来看，业务应用轮里，我们有一些套件产品。比如营销套件类的产品DataTester这样的AB实验产品、有Datafinder帮助看渠道的情况，知道哪里可以提升。另外还有DataWind，这是一个BI产品，大家可以通过这个产品去看业务的数据报表，看清楚销售转化、整个全周期转化路径是什么样的。当然还有客户数据平台VeCDP——CDP产品，同时我们也有MA产品——火山引擎GMP，可以理解为自动化营销的产品。这些产品都是业务应用轮的产品，帮助我们更好的懂客户，更快的行动，更好的指导业务价值的提升。
数据资产轮，其实可以理解为主要是聚焦在数据建设上的，包括我们大数据研发治理平台DataLeap，全域数据集成DataSail，开源大数据平台EMR，湖仓一体分析服务LAS、还有ByteHouse。
大家可能会说，我们是不是又造了一个理念，数据飞轮是不是有一套新的包装。我个人理解是说，在这件事情上，我们真的不是只是一个概念包装。我们是用不同的产品、一系列的工具，真正保证让企业的业务应用和数据资产轮子里都能够落地。同时因为我们是一套体系，所以可以在数据的生产，联动到数据的应用。
我们和客户讲解决方案，也从来不会跟他说，你看这个怎么加工你的数据更高效，怎么样做ROI，怎么样做数据的统一，我和他讲的是如果你能更好了解消费者，怎么做精细化运营，怎么样通过现在这种自动化的链路做更好的营销。
举个例子，你的消费者们可能今天关注了你的公众号，或者在你的商城领了一张优惠券。我们现在会做的是，如果他们领了这个消费券，比如可能在三天以后没有使用，我可能提醒他们，领的优惠可能很快就过期了，或者我们现在有一波活动了，是不是赶紧把那个优惠券用掉。这些工作如何在前期设定好，就可以大大减轻营销人员的工作量，同时又能够帮助业务在不同的节点，自动化地给消费者们做一些信息的推送和触达，实现转化的效率。
套理念再好，如果不能够保证它落地，不能应用起来都是空的。所以数据飞轮基本上从理念，到落地的方法论以及到客户的实践，全部都能够联动起来，我们希望未来可以做得更好。
潘乱
让数据说话，让数据对于决策有用。刚才田岚举的是在具体业务应用的案例，那付老师，如果我们聊到公司的企业的数字化转型，因为数据重要，重要的其实是对它的洞察解读，并且推进决策。怎么能够让数据说话？
付晓岩
对于企业的高级管理层和中级管理层，这两层其实天生就会看一些报表的，他本身就有数据诉求。但是现在我发现，更多的企业在数字化转型里面，面对的问题其实不是把我们看表习惯迁移到新的平台上，就算完事了。其实更多还是要考虑到，到具体每一个岗位，每一个岗位的每一个业务里面，是不是真的需要用数据，到底要用到什么程度。对每个岗位具体的工作，到底想让这个数产生什么样的价值。
如果真想让数据说话，这不是单纯平台的事，说到底它是个数学题。数据能说话一定是基于某个算法算出某个结果来，既然是解数学题的话，其实需要基层的团队，或者基层的人有一定的分析能力。你要是这种分析能力的话，是不是培养业务人员就能直接有，我觉得够呛。业务人员能学但是学到一定程度，想让数据说出一定的东西来，最重要的还是在你最重要的那个工作的领域里面，在那个团队里，放入一个专业的数据人员，这样才能让数据真说出话来。要把这个团队稍微打造成复合型的团队，不是光业务人员学一下就可以。
有的企业可能数据中台用不起来，就是因为数据简单的需求很快就满足了，复杂的需求又提不出来，这个东西没法和平台的能力升级转起来。平台是技术性的东西，它很难说在没有良性需求的情况下，我自己不断的成长自己的能力。必须得把自己团队的能力建起来，然后形成良性的能力诉求，调过来让你这个平台不断成长。像田老师刚才讲的飞轮是上下两组轮的工具，一些具体的能力的打磨，其实是要放到甲方客户内部去打磨的，田老师他们能提供的是平台的基础能力，真正到每个企业里面内化的部分还得靠企业自己。
杨婷婷
让大家看懂得数据这个事，还挺难的。大家可能以前有一个刻板印象，说数据只是给程序员看我想问一下，比如火山这一块是怎么做的呢？怎么让用户提高读取、写入和输出数据的能力，然后让各个角色和各个层级的人都能看懂，并且以比较好的用这个数据？
田岚
今天让企业能够把数据用起来，一方面企业要培养这个意识习惯。另外更要求我们把数据推到要看数据的员工面前，让他们用最简单的方式看到数据。比如今天我们要做这个业务分析，我要找数据，我觉得这个肯定就有问题了。还要去找，说明你都还不知道这个数据在哪，要找出来才知道，而不是直接看到这个数据。
反过来如何让我们今天能够一目了然地看到，我觉得有几个步骤。第一个步骤就是把业务的关键环节有哪些指标、哪些数据，每个数据对应的负责人应该是谁，什么样的指标能衡量他做得好或是不好，而且这个指标和数据的上下游连起来的，比如转化漏斗，哪个环节出问题就知道是哪个做的不好，找对应的负责人解决对应的问题。
我们现在还在DateWind产品上做跟大模型的结合。过去要搭一个软件，可能多多少少要有一些BI的业务经验，但现在就可以用自然语言给它对话，现在比如说我上个月的数据怎么样，如果给你产生数据你问它说，可以不断问它，到底是谁，哪个区域做的不好，什么产品卖得不好，可以不断问它，同时可以快捷搭建一些报表和看板。类似这样技术的提升，或者一些更便捷的工具的出现，都是尽可能的减低了数据消费的门槛。让数据可以被更多的企业里的员工能够更好地用起来。
我们也提出两个80%的目标，我们希望这个企业里至少有80%的员工，是能够通过看数据、用数据，能够应用数据的。同时我们也希望这个企业里有80%的数据是能够满足日常业务需求的。所以这个当然是我的目标，但是怎么做到，像我前面介绍的，不断的通过工具，通过技术来降低消费的门槛。
潘乱
具体到一些行业来说，比如付老师是做银行业、金融行业数字化转型的，银行业已经干了四十多年信息化转型了，碰到什么样的难题了？
付晓岩
银行这个确实说来话长，信息化的历史还是比较长的。因为银行之所以要干信息化，其实倒不是为了他自己，我们是为了别的行业。因为对银行来讲，银行主要是负责资金流动，我们常说的金融是经济的血液，或者银行相当于血管一样。资金在银行的体系内去进行流动。对于所有企业来讲，我觉得你们最忍受不了的事就是，货卖出去了，好几月款都回不来，还不是因为甲方不给你，只是因为钱在路上回不来，通过各银行中转一时半会到不了你这。这其实在上个世纪，转账时间很慢，大约二十多年前的时候，转账时间很慢，后面银行在人民银行的带领下，我们建立了整个体系，逐渐把转账速度提高了，现在大家对秒级到账习惯了，但是以前我们对周级到账很习惯。现在改的很快了这是从重建系统开始的，先把银行内部各个层级连起来，再把跨行之间链起来。所以一个很长大过程。我们需要拼命提高记账速度和转账速度，这是银行的基本职能。
所以出于这个目标，很多银行都是较早的开始投入了信息化了，也是计算机较早的采用者。
但是一旦投入信息化之后，就会发现，这个东西用上了之后，它是对升级和改造永远都停不下来。所以我说，IT是个挺好的行业，自己创造需求，只要用上就停不了。我们银行数据的使用大概经历几个过程，一个是比较分散的，现在各个地方有地级市，我们常说的省级以外的级城市，一个城市在每个银行的支行是独立的数据库。在上世纪末到本世纪的05、06年这个期间，慢一点的延伸到一点点才完成了真正的大数据集中。大多数银行，全国性的银行，它的数据都能集中在总行来，其实是本世纪的头十年陆续完成的，这个时候把数据从底下分散的数据采集，变成上面的统一的数据管理了。这个时候才真正谈得上数据管理。以前数据都分散在地市级，根本管不着。一层一层往上抽取，抽到最后总行才能看到，但是建完大数据以后，这种总行终于能承担数据管理职能了，因为他能第一时间看着数了。
我们先攻数据采集和管理技术，等到数据能集中管理了之后，才开始攻数据管理这一块。真正把数据的质量提上来，每个数据到底应该按什么标准去录，怎么样录，该怎么管，真正能做到管理是本世纪十年以后开始的事。再往后才是我们说的广泛的数据应用，银行以前要么是监管的报送，以及一部分的自己内部经营报表的应用。在什么时候开始呢？我估计也就是15、16年开始才大范围提各种类型的应用。因为那时候银行的大数据平台才算真正的建完，别看我们今天说的数据都是好像大家什么都会了似的，实际银行第一个企业级的大数据平台，工行12年到13年才真正建完平台，到现在才十年时间，接着就是中台，18年中台概念出来之后，银行开始陆续建中台，就开始提数据产品、数据服务，这些东西都还比较新。
真正把数据完整的嵌入到所有业务关节里面去用它，这个还是最近这些年的事。之前都属于是在业务系统的业务办理过程中，正常的数据的读取和存储，是这些东西。还谈不上真正的数据分析那块。分析少量的是一些风控类的，包括我们来说一些对信贷审批有用的报表的读取，风险评价的那些读取。真正的反欺诈交易都是这两年银行的手机银行交易量大了之后，实时的实际利用才起来，到现在很多银行孩子不是真正的实时数据，就是准实时，然后后边陆续再增加准实时的比例以所以到这几年才真正广泛的数据利用。
大规模的数据人才的培养，其实也是13年、14年之后才开始的。所以现在银行里面的真正数据分析人员的占比，还不算太高。还正在处于培养期。所以对银行来讲，也经历那么几个过程，前面讲了半天的采集过程，对采集和存储的管理，接下来是对数据质量的管理。然后才到数据应用。现在与原来给中小行讲课的时候，听大行是拿时间换能力，我们花了二十多年时间转能力，但是对中小银行的难题在哪呢，需要用三到五年的时间，把大行前面跑过的路全部跑一遍，所以他们确实也需要一些成熟的平台化工具，或者比较成熟的能力保证体系，又培养人员，然后把这个东西快速做起来。
但是从我个人的角度来讲，这里面最难的从我自己体会的角度来讲最难的是数据管理。数据管理和治理，这是最难的但是数据管理和治理难在哪呢，灵活的应用有点少，贴近一线的应用比较少，因为数是一线录的，只有自己用的上才能更关心质量，因为现在的数大部分质量关注在监管报送，关注在报表上。还没有真关注在业务应用上。
ToB服务与数字化转型
杨婷婷
我这边有个问题想接着问一下，对于很多传统行业来讲，他们想作数字化转型很难，到那也不知道怎么用，我这边是了解像火山内部有BP机制，现对有外BP团队，说专门说道企业的内部里面，我去派这一群人和他们进行一个对接，我想问一下，咨询在这个事情上的重要性是什么？当企业成为你们的客户的时候，到底要的是一套工具，还是一个定制的方案？还是说他要的是你们数据的经验的复用？
田岚
我觉得是既要又要还要，对企业来讲，这个方法也好，或者这个工具也好，在我的细分行业里面有没有最佳方案。第二我也要知道因为这个产品工具是你的，不是我的，我也不知道，可能最开始肯定不知道怎么用，所以你要拿一个方案告诉我，其实这个产品，这个工具到底怎么样解决我的业务场景当中的业务问题，这个就是我们方案。最后才是底层的，到底怎么解决问题。
所以从我们的角度来讲，今天除了和客户讲一些理念，我们还是要具体落到业务来说，你现在细分行业可能会有哪些共通的问题，面对消费者越来越个性化的需求面对越来越多的触点，最后才会谈工具。工具不会上来就讲，因为零售企业还是比较现实的，因为他们的利润确实很薄，他们做生意也非常不容易，要面对快速迭代变化。所以在这个过程当中，给企业的是一套完整的东西。
咨询我觉得看怎么说，如果我们是高大上的咨询，可以理解在很多项目当中，不见得是必要的。特别是当它想做的一些项目的scope是比较小的时候，想清楚了我先试试，在这个试的过程当中，知道需要接入什么样的数据，可以快速跑起来。这时候不见得是咨询，但是前面说的那些经验的分享，一些方案的层面，他们还是需要的。但是涉及到一些特别大的集团企业，可能今天要做大的改革，涉及到非常多的部门，以及这个scope非常大，千万级的项目，必须引入高大上的咨询，从外部的专家的视角，帮他们梳理这个组织的形态什么样，大的蓝图设计应该怎么做。所以我觉得可能第一个问题理解好了，就知道二个问题咨询当中应该怎么运用
所以从我们提供解决方案的角度，我们一定是在产品之上有方案，在方案上一定有实践。只有具备了这两层的东西，可以说我们才能跟客户谈说，我可以怎么样帮到你。所以只有产品肯定是不够的。
潘乱
问付老师一个问题，在数据服务领域里面，光有产品，光有服务都是不够的，那么甲方客户购买的到底是什么？是数据，是产品还是服务，他到底最关注的那个核心问题是什么，到底是需要一个奶瓶还是需要一个保姆？
付晓岩
这个问题挺好，用田老师的话说是既要、又要还要，大多数项目都是这样的。但其实从我自己的经历，因为我自己在甲方的时间比较长，我原来在银行工作二十年，其中我们那时候有一个七年左右的项目。其实这种大项目，太大的项目，其实没有咨询的时候，光靠甲方自己其实是很难完成的。所以这时候我们当时里面也有咨询，而且来得咨询公司很多，因为我们项目范围很大。里面有很多切块小的领域都有专门的咨询公司。所以在那个过程里面，我们自己的工程里面也感受到一件事，有的时候可能有一个事来了，这个企业确实不知道怎么做。但找完咨询公司之后，我自己认为，评价一个咨询项目是否成功，不完全在于你是不是咨询那个项目落地了，或者解决方案生效了。其实我觉得更重要的是在这个过程里面，甲方企业自己成长多少，是不是我在每一次的咨询项目里面，能够把某些关键的能力在甲方企业里面，能有一定的植入和导入。
所以一开始可以要个保姆，后面自己学会了之后，这些技能有了，你可以慢慢的去减少保姆在这个过程里的参与，到最后你自己也能给别人当保姆，能把咨询的能力转化过来。最好的咨询不是咨询师给你答案，咨询公司应该采用过程咨询的方式，引入一个思考过程，诱导你自己发现那个答案，因为你自己如果能发现的话，你后面自己落地、管控包括改进都没问题。但是如果没有这个过程的话，这个东西在企业里面很是难落的。
杨婷婷
付老师提供了一个甲方视角，我想问一下田老师关于乙方视角，大家都知道TO B是很苦逼的行业，到底TO B是在做产品还是在做服务？怎么看咨询和产品之间的关系？哪个会更重要一些？
田岚
可能我作为乙方，对甲方的需求，一点点在感同身受的。你能不能帮我保证我的ROI，相当于我买完这个产品或方案之后能不能确定带来更大收益，我想说直接干不就得了嘛。换句话说，我可以提供一些思路，提供一些工具，甚至提供一些方法和场景，但可能是自己想清楚说，这个东西到底怎么用，要不然离开了我们这个还是做不起来。
回到做产品还是做服务，从现在实践来讲肯定是离不开的，因为其实现在大部分的企业，可能面临的情况就是，你给他产品他用不起来，确实会有这个问题，但是我们也会遇到少数客户，他其实想的特别清楚，我们真有的碰到那种，而且这种一般是比较小、比较年轻的团队。他们的人，我这个特别佩服，他们自己做很多的研究，像很多的产品申请试用，他对你的功能做什么，非常清楚了，他直接就下单了，我们好像什么都没干，发现这个客户买了，我觉得这种企业的生存的适应能力是特别强的，但是这种企业在零售来讲是少数，在互联网会比较多，基本上有产品就够了，因为他自己知道怎么用。
回到对我们而言，可能咨询和产品之间，我们以谁为重，从火山引擎的角度来讲，我们的核心力是产品，大家可以理解为产品才是真正把过去的实践和经验提炼沉淀一个标准化工具的这么一件事情。也就是说，今天业务形态可能是非常多样的，使用的这个人员也是非常不一样的，但是这个当中有什么样共通的东西，是可以被抽象为一个功能，抽象为一个模块，甚至是各种模块相互组合去形成一个方案。为什么说产品经理很难，他是需要非常好大业务理解能力，以及非常强的产品思维才可以做到这件事情的。
从我们火山做TO B的角度来说，我们的核心一定是做好产品，我们做好技术和工具层面的抽象，在这个之上，我们才能够叠加说，我和每个不同的细分行业，有更多的行业know how，告诉你说互联网我们总结出来的那套东西，在你的细分行业里面是经过实践，且是能落地的，咨询是帮助实现这个东西。
潘乱
数据被拿来和土地、劳动力、资本技术并称五大生产要素了，但是不同企业中间的数据的差距其实非常大。像抖音、淘宝这一类的大平台和银行机构肯定都有很多数据，但是那些中小量级的企业，他们数据资产没那么多，他们怎么能够，或者他们拥有什么样量级的数据才能搞这个事情，才能做交易，有没有一个大概的标准？
付晓岩
数据分析里面，不是只有大数据，小数据正常也是有分析的。如果是企业里面这个数据本身，和生产的因果关系比较强的话，它不一定需要大数据量才能看这个事。大数据量比较擅长看的是什么呢，我们常说人注意不到的，有些联系分析不着，只有数据多了之后，一算没准某个关系冒出来了，忽然注意到了。另外大数据计算是属于单位产出比较低的，数据海量，然后单位价值很低，才能出个结果，这是用大数据的场景。但是有很多企业比如像资产负债表是典型的小数据分析，不是只有数据量大了，才能搞这个分析。只要数据和生产关系明确，就可以搞分析，这个数据对他自己的价值就是明确的。
如果交易的话，就得看将来交易所里面对数据的定价了，不光是量，可能还有数据的稀缺性，有数据的各方面的东西，包括数据的实时性，这些东西可能都会影响定价，不单纯是一个量的问题。而且数据的交易量，我认为对于很多企业来讲，它是个额外收入。就算不往出卖，这个数据的成本也付了，只要你数据在你企业里面，不卖它，你成本也付了。所以以后我建议企业只要不涉及保密的数据有人买你就卖，那就是一个额外收入本来不在你营业范围内的，能额外赚一分钱也是钱。
杨婷婷
我补充问一个问题，像做新业务这一块，大家比较关心的问题，前段时间像微软、谷歌很多还外大厂，他们的实验专家就发现，很多团队的实验成果的成功率很低的，大概只有10%到33%之间。也就是说，我们本来就可以预期，70%到90%的工作，都是因为效果不佳会被最后放弃，说明人类不太擅长新想法的价值。我想问一下，比如从数据这一块，我们怎么样提高做决策的成功率？
田岚
字节内部有一句话，叫做AB是我们的一种信仰。万物皆可实验，我们名字全部都是AB出来的，不是产品经理取的。包括最近大家可以应用市场下载一个叫豆包的小应用，这个产品内测的时候叫做Grace，是个英文名，不太好接受的，但是正式发布的时候叫豆包了。再聪明的人可能都会有信息的缺失，所以我们就把决策这件事情更大程度上交给AB，交给数据说话，到底哪个好，那就测一测，测完就知道了。
今天在字节内部，每天都有超过4000组AB实验，累计超过240万。AB实验在字节不是一个口号，它真的是一个信仰，你会发现今天字节的同学会说你拿数据出来说话，数据驱动它是一个文化。这个相当于说不止靠员工个人去提升他的数据素养，而是要靠企业从上至下的推行这个数据文化，才能够真正在企业里面做好这个数据、数据智能或数据化转型。这是一个非常正确，但是非常难的事情，能做好它的确实是少数的人。
潘乱
刚才田岚讲这个，让我感觉过去这些年，互联网公司都迎来了科学的春天。凡事都用数据说话或者讲讲AB TEST，大厂的工作方法越来越像搞科研，很多工种同学的工作也越来越像实验员。
我曾经看过一个物理学博士的比喻，他说互联网和做科研有些很多相像的地方，都是先做实测，然后做量化，再去做归因，最后再去检测。第一互联网公司的实测是从埋点开始，就是使用的数据，为什么APP会卡，有的时候里面埋几百个点都不算多，甚至多到有的时候数据分析师都不知道具体的点埋在哪边了。第二做数据量化，之前做产品经理可能需要他能说会道，但现在我们会发现更多工程师转产品经理，这种人主打人狠话不多，我们AB见结果，实验你做的越快的团队在公司内部越有发言权。第三做归因，就是刚才田岚举的例子，团队都是迎着微光猛去做实验，最后就是大力奇迹。最后我们来检验这个假设，检验对了皆大欢喜，错了怎么办？检验错了肯定直接说我错了，接着干实验。
总之就是药不能停，实验不能停。
继续阅读
阅读原文
关键词
就是
平台
企业
数据飞轮
客户