数据驱动的管理

在数字化浪潮席卷各行各业的今天，数据早已成为企业不可或缺的战略资源，堪称企业发展的“新石油”。如何高效采集、科学分析并有效运用数据，以驱动企业决策、优化运营流程、解锁创新活力，已成为当代管理者必须面对的核心议题。在这里，我们聚焦数据驱动的管理理念，深度剖析其在企业降本增效、风险防控、价值创造等多维度应用的“道”与“术”，助力企业家紧握数据这一“秘密武器”，从而在激烈的市场竞争中破浪前行。

数据驱动管理的必然性

随着物联网、大数据、人工智能等前沿科技的飞速发展，全球经济正经历全方位的数字化转型。消费者行为线上化、交易支付电子化、生产设备智能化，使得企业在运营的各个环节产生了海量数据。这些数据实时反馈市场动态、客户需求、生产状况，可谓是企业洞察市场、精准决策的“晴雨表”。

过往依赖经验与直觉的管理模式，在数据爆炸式增长、市场环境瞬息万变的当下，往往会使反应迟缓、判断失准。同时，经验决策易受主观因素干扰，难以精准把握市场脉搏；人工处理海量数据效率低、易出错，无法及时捕捉潜在商机与风险。在此背景下，数据驱动管理应运而生，凭借客观、精准、实时的数据分析，为企业决策提供坚实支撑，引领企业驶向高效运营的“快车道”。

数据驱动管理的核心要素

1.数据资源化

咨询公司Gartner发布的《2025年中国人工智能十大趋势》指出，随着AI模型标准化与普及化进程加速，企业战略重心正从单纯追求模型先进性转向深度优化数据资源。越来越多的企业意识到，AI浪潮中真正的竞争优势并非源于模型本身，而在于企业中那些难以复制的独特的内部数据资源，这些数据也正成为驱动AI落地应用与差异化创新的核心要素。

在这一大趋势下，企业需将数据视作核心资源，从数据采集、存储、治理到应用，全流程精心布局。数据采集要广泛涵盖生产、销售、客户服务等各环节，从而确保数据的全面性与多样性；数据存储与治理应搭建稳健架构，建立标准化流程，保障数据质量，剔除“噪声”与“杂质”，让数据可用、可信；而数据应用则需深挖数据价值，借助数据分析工具，将数据转化为洞察市场、优化业务、创新产品的“大智慧”，方能实现数据资源价值最大化。

2.技术赋能

人工智能、机器学习、大数据分析等前沿技术，是数据驱动管理的“发动机”。AI算法能在海量数据中精准挖掘潜在模式，预测市场趋势、客户需求，提前布局生产、营销策略；大数据分析平台可实时处理多源数据，生成直观报表与可视化图表，助力企业洞察运营状况；自动化工具依数据指令，优化生产流程、智能排班、精准配送，降低人力成本，提升运营效率。

以数库科技为例，该企业通过整合上市公司年报、工商信息、招投标数据等多维信息，实现了对A股、港股、美股、新三板、发债企业等2.5万余家头部公司披露产品的标准化，将诸多工商企业与产业图谱打通，数据覆盖范围包括企业规模、员工数量、资产、项目活动、政策影响等多个维度。①

这些数据经过标签化和人工智能的分析处理，形成了多样化的产品，包括标准化产品和定制化服务，以满足不同客户的需求。标准化产品如产业链分析，可以将不同模块的数据整合后推送给客户；定制化服务则根据企业特定需求，进行个性化定制，并最终将系统代码交付客户。公司进一步绘制出覆盖众多企业的产业链知识图谱，由此向金融机构推送相关资讯、支持构建投资组合，使机构在评估企业价值时能明确企业所处的产业链（例如“华为链”“苹果链”“英伟达链”等）及相应的关联风险与机会。这些服务可以有效帮助资本市场的参与者如金融机构进行精准决策，支持其在投资分析、风险管理等方面的需求。

3.人才梯队

数据驱动管理落地，离不开既懂业务又精通数据的复合型人才。根据领英（LinkedIn）《新兴工作岗位报告》，数据科学家等相关职位连续多年被列为全球增长最快的职位之一，年招聘增长率超过35%，并且持续存在招聘缺口。②企业家要着力构建“数据+业务”双轮驱动的人才梯队，一方面引进数据科学家、分析师等专业人才，负责数据挖掘、模型构建；另一方面强化全员数据素养培训，让每位员工都能理解数据、运用数据，将数据洞察转化为日常工作改进点，力图形成“全员数据化”的企业文化氛围。

数据驱动管理的实践路径

1.精准决策

在决策上，企业需要摒弃“拍脑袋”决策模式，建立基于数据的决策机制。企业战略制定、市场拓展、产品迭代等关键决策，都要以数据分析结果为依托。例如，TikTok采用算法捕捉网络爆款，当算法检测到某类短视频的热度上升，获得大量分享、点赞、转发时，便会自动为该内容引流，提升其在平台上的曝光度。泡泡玛特也通过算法式运营模式，实时收集市场反馈，迅速迭代产品设计。在产品推出的早期阶段，拉布布在设计上还属于传统搪胶玩具，塑形便利但手感与外观亲和度相对欠佳。泡泡玛特通过算法实时收集社交平台反馈，分析发现用户对毛绒类玩偶的讨论热度和情感认可度更高，因此基于数据洞察创新性地更改设计，将柔软毛绒身体和可爱橡胶脸结合，开创出全新的“搪胶毛绒”品类。此后又凭借独特设计极大提升了产品分享度，迅速在年轻消费者中引爆话题，最终成为现象级潮玩。

上述案例表明，企业应建立基于数据的决策机制，将数据分析融入战略制定、市场拓展与产品迭代等关键环节，借助客户数据剖析消费偏好、购买频次，精准定位目标市场，量身定制营销方案；同时分析行业大数据，预判市场走向，提前布局研发、生产资源，抢占市场先机。

2.流程优化

在流程优化中，企业应当全方位扫描运营流程，以数据为“手术刀”，精准剔除冗余环节。在生产流程中，实时监控设备数据、工艺参数，智能优化生产流程、降低次品率；在供应链管理中，依据物流数据、库存信息，智能匹配供需，降低库存积压与缺货风险；在财务流程上，自动化处理发票、报销，缩短账期，提升资金周转效率。

宝山钢铁的冷轧数字化车间是流程优化的典型案例，也是我国钢铁行业首个无人值守的智能工厂。这家“黑灯工厂”通过远程运维、人工智能和大数据等技术，实现24小时自动化生产。两条200米长的生产线实现了机器代人和行车无人化，使得过去需要2-3名工人在50多摄氏度的高温环境中完成的监测工作，现在被自主研发的四足巡检机器人取代完成。此外，工厂还部署了1250台自主研发的机械臂，应用于各个生产环节，至少把2800多名员工从高温、重复、高强度的工作中解脱出来。工厂的生产效率、产品不良率、能耗、员工工作环境等指标都获得显著改善，这体现了数据驱动管理在重塑生产方式方面的巨大潜力。

3.风险防控

企业应当构建数据风险预警体系，实时捕捉市场、信用、操作等潜在风险。金融企业凭借大数据分析技术，能够评估信贷客户信用，精准放贷、减少坏账；生产企业根据设备运行数据、环境监测数据，可以预防设备故障、生产事故；互联网企业通过分析用户行为数据，可以识别异常登录、异常交易，守护账户安全、平台稳定。

以金润数科为例，作为交通数据科技服务型平台，该公司为保险公司提供车辆及司机的行为数据，通过ETC通行记录和驾驶行为分析等数据，支持保险公司在保险合同和费率计算过程中的风险评估。通过金润数科提供的数据平台，保险公司可以科学评测不同驾驶行为的风险等级，从而优化保险产品和服务。金润数科的风控产品有多种服务方式：第一种是向用户开放API接口，同时保证数据可用而不可见，维护数据的敏感性；第二种是通过云服务SaaS平台让用户安全调用数据；第三种是通过联合建模，允许企业在数据隐私保障的前提下，与服务提供商共同优化模型。这些不同类型的产品都能确保业务流程中的风控需求得到充分满足。

4.价值创造

企业需要以数据为核心驱动力，创新商业模式、产品服务。共享经济平台可以基于用户位置、使用习惯数据，动态调配资源、优化定价策略；内容创作企业能够借助文本分析、情感判断，精准推送个性化内容，提升用户黏性、付费意愿；制造企业可以依托产品使用数据、客户反馈，反向定制产品，满足个性化需求，拓展市场；金融机构能够借助产品和客户的大数据分析，提高授信审批效率，辅助智能运营，推动服务模式、业务流程乃至生态体系的重构。

2024年银行业上市公司年报显示，AI已成为推动银行业数字化转型的核心动力，国有六大行在金融科技方面投入总额突破千亿元，金融科技从业人员规模首次超过11万人。例如，工商银行已落地千亿级自主可控AI大模型，覆盖200余个应用场景；建设银行建成面向所有业务领域应用和统一技术底座的金融大模型，并打造模型即服务（MaaS）平台，2024年上线168个大模型应用场景；中国银行2024年新增人工智能等新技术应用场景超900个；交通银行构建了千亿级金融大模型算法矩阵，完成百余个大小模型场景建设，全年释放相当于1000余人的工作量。③

数据驱动管理的挑战与应对

1.数据安全与隐私保护

数据泄露、滥用会重创企业声誉、引发法律危机。企业需筑牢数据安全防线，加密存储、访问权限分级管控，匿名化、脱敏化处理敏感数据；遵循法律法规，明示数据收集、使用目的，获取用户授权；定期进行安全审计、应急演练，提升数据安全事件处置能力。

2.数据质量与治理难题

需知“垃圾进、垃圾出”，低质量数据会误导决策。企业要建立严苛的数据质量标准，多源数据交叉验证、实时清洗；构建数据治理委员会，统筹数据规划、标准制定、监督执行；引入数据质量评估工具，定期“体检”，持续优化数据治理流程。

3.技术迭代与人才缺口

前沿技术日新月异，企业若不能及时跟进，便会在数据竞赛中掉队。企业应加大技术研发投入，与高校、科研机构合作，共建研发中心、实习基地；内部设立创新激励机制，鼓励员工技术革新；打造人才发展“快车道”，提供有竞争力的薪酬福利、广阔的晋升空间，吸引并留住人才。

数据驱动管理的未来展望

财政部的最新会计准则要求企业对数据资源进行入表处理，这是发展数据资产化的重要步骤。在2025年半年报中，中国移动、中国电信、中国联通的数据资源入表金额分别达到了7.74亿元、4.33亿元和3.96亿元。此外，科大讯飞的数据资源入表金额也大于1亿元。诸如神州数码、美年健康、中远海科、卓创资讯等上市公司，也已开始披露数据资源，并进行入表处理。这些企业通过评估其与自身业务相关的数据资源的价值来实现数据资产化，并在其财务报告中进行披露。如今，越来越多的企业开始披露数据资源入表金额，这一趋势不仅验证了数据资产的财务价值，也为人工智能等技术的应用提供了更丰富的使用场景。

数据资产入表之后，逐步出现了一些数据资产金融化案例。例如，上海数据交易所携手光大银行上海分行、上海迈利船舶科技有限公司，落地国内首个基于可信数据资产基础设施DCB的数据资产增信融资，为上海迈利船舶科技有限公司提供了500万元授信；由数字资产保险创新中心牵头，中国人民财产保险股份有限公司西安市分公司为10家企业的数字资产提供了总额1000万元的保障等。数据信托、证券化与作价入股等模式，也为企业开辟了新的融资渠道。

与此同时，RWA（real world assets，现实世界资产）通过区块链技术将实物或无形资产转化为可编程数字代币，提升了资产交易的透明度与安全性。区块链技术用于确认资产权属，确保交易双方清楚且信任数据的合法性和合规性。智能合约在发行者和投资者之间设定具体的协议条件，以自动化、透明化的方式管理和执行合同。波士顿咨询公司发布报告预测，RWA代币化市场目前规模约0.6万亿美元且增长加速，受监管、技术和机构采用推动，预计到2033年将增长至近19万亿美元，成为金融基础设施变革的核心驱动力。在Web 3.0框架下，数据资产生态系统正逐步成型，其发展需依托技术突破与监管体系的协同推进。

数据驱动管理已成为企业不可逆转的战略选择。面对未来的挑战与机遇，企业家应主动拥抱数据文化，以数据为导航，以技术为引擎，以人才为基石，系统构建企业的核心竞争能力。唯有如此，方能在数字经济的浪潮中行稳致远，铸就可持续发展的未来。

注释：

①黄蓉，陶长风，韩若琦. 金融服务型数据平台企业数据资产会计处理——基于数库科技的案例分析[J]. 管理世界, 2025 （9）: 181-197。

②LinkedIn.Emerging Jobs Report[EB/OL],2020,https://business.linkedin.com/content/dam/me/business/en-us/talent-solutions/emerging-jobs-report/Emerging_Jobs_Report_U.S._FINAL.pdf.

③信贷审批流程由数天压缩至分钟级，人工智能驱动银行业数字化转型丨AI_新浪财经_新浪网

本文来自微信公众号“复旦商业知识”（ID：BKfudan），作者：席猛，36氪经授权发布。