> “新的技术变革赋予数据飞轮新的能力，大模型的加持让数据飞轮的运作更平滑、高效、快速。”
9月19日，在2023火山引擎V\-Tech数据驱动科技峰会上，火山引擎提出了数据驱动的新范式——数据飞轮。针对以往企业“有数据，但不驱动”的问题，数据飞轮以数据消费为核心，使企业数据流充分融入业务流，增强业务发展动力。同时，火山引擎结合大模型等前沿技术，升级发布了一系列数据产品，助力企业各个角色、各个层级的人都能及时、方便、快捷地取数、看数和归因分析，降低数据消费门槛，驱动业务价值持续增长。火山引擎总裁谭待也在会上做了题为《数据飞轮：“数据驱动”的新范式》的演讲，对数据驱动进行了深入洞察。
谭待认为，真正的问题，不再是数据驱动是否重要，而是如何才能做好数据驱动。要实现数据驱动，就必须以终为始，以数据消费作为数据驱动的核心进行建设。随着企业中数据消费者数量越来越多、密度越来越高，企业所积蓄的数据驱动的势能也就越来越大。这就构成了企业的数据飞轮。
他表示：“以数据消费为核心，数据飞轮将成为企业实现数据驱动的新范式。”
以下为谭待演讲全文：
## 为什么“有数据，但是不驱动”？
一直以来，火山引擎致力于通过云和智能技术，帮助企业实现更好的数字化增长，为企业构建“云上增长新动力”。我们将云上增长的动力总结成了3个核心要素，即“体验创新”“数据驱动”和“敏捷迭代”。
在这三要素中，数据驱动起到了承上启下的关键作用，为体验创新验证效果，为敏捷迭代指明方向。越来越多的企业，也早已意识到数据驱动的重要性，并为此投入了大量的资源。所以，真正的问题，不再是数据驱动是否重要，而是如何才能做好数据驱动，很多企业陷入了 “**有数据，但是不驱动**”的泥潭。事实上，企业内部不同人员，对数据驱动的需求和痛点是完全不同的：
* 决策层，希望对于企业拥有足够的掌控力，需要能随时随地地了解业务的最新情况与整体动态；但大部分企业决策者，只能通过定期召开的会议来了解情况， 既不及时，也可能不真实。
* 中层管理者，不仅仅要及时了解业务运营情况，也需要在发现问题之后，能够通过数据分析，找到问题的症结所在，制定解决方案；但他们很难既懂业务又懂数据，不少指标和业务对不上，用不起来，而且很多关键数据缺少甚至数据错误，因此业务推动中很容易出现误判。
* 基层执行，关注的是自己所负责项目的实际表现，希望能够在数据的帮助下，更好地制定策略、验证效果；但他们提出的基本要求往往得不到技术团队支持，不能及时拿到数据，所以总是凭经验、拍脑袋，导致企业项目结果存在很高的不确定性。
那么，为什么花费了大量的资源、用了很长的时间在建设数据中台，但是却迟迟没有见到效果？原因就在于，错误的把手段当成了目标。
**数据驱动，最终是要落在企业不同人员对数据的消费上的。** 建设数据中台，有助于更好地管理和治理数据，但它只是实现数据驱动中的一个步骤。如果不把数据消费的最终场景解决，再好的基建最终也是无用功。**这也是大部分企业有数据，但不驱动的实际原因。**
## 数据消费是驱动业务的核心
我们来回顾一下字节跳动构建内部数据平台的历史。
2012年，字节跳动公司创业初期，最重要的需求是能够衡量推荐算法的优化效果，而A/B测试是唯一有效的方式。所以字节内部首先做的就是A/B测试平台。随着A/B测试越做越多，产品和研发都需要依靠数据分析提供策略依据，所以开发了敏捷BI，当时叫做风神。同时也开发了数据集成、数据开发、数据治理等这些工具。
在2015、2016年，这些工具逐步成型。在字节内部有句话：“A/B是一种信仰，风神是一种习惯。”据统计，那时字节跳动每个员工平均每天要看30张左右风神图表。
到了2017、2018年，随着业务的多元化，我们开发了客户数据平台、管理驾驶舱等产品，满足不同角色对数据分析的需求。当数据规模越来越大后，数据分析的速度变成了瓶颈，我们则推出了极速OLAP引擎ByteHouse，去支持内部数万员工每天的日常工作。并通过DataLeap平台，实现数据开发治理的规范化。而为了解决业务与数据互相理解的问题，又设立了数据BP机制。这样一套完整的体系就慢慢形成了。
从这里能看出，字节内部的数据平台建设，是完全从数据如何消费的维度出发来完成的。这些平台的建设和使用，也很好地支持了当时头条、抖音、电商等业务的快速发展。事实上，很多业内数据驱动做得好的公司，也基本都遵循了这一逻辑。
火山引擎认为：**要实现数据驱动，就必须以终为始，以数据消费作为数据驱动的核心进行建设。**
只有通过更频繁的数据消费，让数据真的“活”起来、用起来，才能够更好地驱动业务的增长，同时针对性地指导数据建设。
企业的每一个角色、每一个工种、每一个不同的岗位，都可以也都应该进行数据消费，让每一个人都能“心中有数”。随着企业中数据消费者越来越多、密度越来越高，企业所继续的数据驱动的势能也就越来越大。这就构成了企业的数据飞轮。
## 数据飞轮，企业实现数据驱动的新范式
我们认为，**以数据消费为核心，数据飞轮将成为企业实现数据驱动的新范式**。数据飞轮由业务应用层和数据资产层两部分共同组成：
* 上面的业务应用层，侧重于通过工具和BP机制，解决业务消费数据的问题。通过更频繁的数据消费，能够让业务决策更加科学，让策略落地更加敏捷。而更科学的决策、更敏捷的动作，最终会有效提升业务价值。
* 下面的数据资产层，与过去的数据中台核心区别是，通过上层应用有针对性的需求，能够让系统建设更加目标明确。同时，通过上游更频繁的数据消费，会进一步沉淀数据，丰富数据资产；并进一步倒逼数据质量优化，促进了数据研发效率的提升。
这两个环节，都需要对应的平台和产品来支持，但更关键的是以数据消费为目标，端到端地进行数据建设和应用落地，让企业既有数据，也能驱动。企业要想真正让“数据飞轮”良性运转起来，仅仅对理念有认知是不够的。我来分享三个重要的最佳实践。
第一点，是要让一切都可度量。
现实中，很多企业自身的大数据部门，工作价值反而无法被量化评估。一个承担公司数据建设的部门，自身的工作却无法通过数据被度量，这个有点讽刺的事情恰恰反映了很多企业在数据驱动上的困境。
**在这件事情上，字节跳动的经验是0987**，通过这四个数字来评估数据部门的工作：
* 0是做到零数据事故，它对技术的能力、对运维、对治理都提出了很高的要求。
* 9指的是90%的需求满足。一个数据团队，如果想要更好地满足业务需求，提升转化效率，就需要更熟悉业务，能够和产品、和业务的人员有深入的互动，能够一起讨论需求，帮助业务修改甚至提出需求，这样才能真正实现90%的需求满足。
* 8指的是80%的分析，要能够通过主题表、中间表的方式来覆盖。这对中间数据的建设提出了一个很高的要求，也是实现数据快速分析的必要条件。这个数字太大或太小都会有问题，从大量业务实践来看，80%的分析覆盖是一个相对合理的目标。
* 7指的是70%的NPS，即业务团队对数据团队的好评度。70%在行业里是一个很高的标准，我们要能够通过这个指标，去发现数据服务环节中的各个问题，来提高业务的满意度。
数据消费是数据驱动的核心，那么，如何来衡量企业数据消费的水平是否健康呢？在这件事情上，我们的经验是，**2个80%** ：
* 企业中80%的人每天在通过各种各样的数据工具使用数据，进行数据消费。这里既包括大家传统认知中的数据工程师、数据分析师这些需要直接和数据打交道的人，也包含产品、运营、市场，甚至行政、HR、UED这些传统意义上离数据比较远的人。
* 统一建设的分析指标能够覆盖80%的日常分析和业务场景。这样既能够保证在大多数情况下，对于数据的分析和使用是高效的，又为特殊场景的数据分析和应用预留了足够的灵活性。
这两个80%能很好地度量企业的数据飞轮是否运转良好。
第二点，“老板看不看数很重要”。
数据驱动，是一件自上而下的事情，也是一种文化。如果一个部门的领导有看数的习惯，这个部门就大概率能做到数据驱动；如果一个公司的老板能养成看数的习惯，那么这个公司就大概率能做好数据驱动。
第三点，工具一定要建好。
如果企业文化形成了，目标和过程的量化做好了，但是没有好的工具，能够帮助员工低门槛地消费和建设数据，在实际工作中大家也很难有意愿去实践数据驱动的理念，企业的“数据飞轮”仍然转不起来。
所以拥有好的工具不是充分条件，但是一定是一个必要条件。这也是火山推出数智平台VeDI的初衷，希望能把字节数据驱动最佳实践的工具平台提供给更多企业，帮助他们构建自己的数据飞轮。
数据驱动是一种文化，这个文化体现在企业的目标设定上，也体现在整个团队的行为习惯上，而文化的贯彻和落地则需要好的工具。这些机制一起协同，才能保证企业数据飞轮能够持续、顺畅地运转下去。
当然，新的技术变革，同样也会为数据飞轮赋予新的能力。今年，大模型技术的兴起，让企业的业务创新有了更多的可能性，大模型技术也将进一步给数据飞轮的能力带来重大升级。通过大模型技术，企业能够对非结构化数据进行更好地处理，也能够帮助企业收集和处理更多的数据源。大模型的加持，不但降低了企业员工消费数据、应用数据的门槛；也同样能够帮助研发人员提升在数据开发、数据治理和数据分析过程中的效率和精度。
火山方舟是火山引擎最新推出的大模型MaaS平台，汇聚了行业顶尖的大模型厂商成果，其中包括字节的云雀大模型。通过大模型技术，火山数据产品得到了全面升级。
人类大脑有两种工作模式。第一种工作模式下，就像我们看到一张花的照片，能够快速理解照片中的信息，比如花的数量、颜色、品种等。第二种工作模式下，就像我们看到算式比如17×24，可能就没办法那么快得出答案，需要用精力和心思来算一算。两种模式中，前者是一种快思考，是无意识的，也不需要耗费脑力和精力。后者是一种慢思考，需要有意识地去调用之前的知识储备、能力和组件，相应也需要耗费一定的精力和脑力。
人在大多数情况下，都会习惯于按照第一种工作模式来处理问题；甚至在很多时候，以为自己在用第二种工作模式的时候，其实还是处第一种里面。**数据驱动，更像是第二种工作模式**。这可能也是很多人相比数据驱动，更愿意拍脑袋的原因。所以，**数据驱动是一件难而正确的事。** 火山引擎希望在未来持续和大家一起，把这件难而正确的事做好。