作者：刘凯 协同数据技术 创始人

十余年数据治理和BI分析工作经验，曾就职于华为、四大会计师事务所和非盈利性组织，服务过的机构有：亚洲开发银行、中国人民银行、中国司法大数据研究院、山东城商行联盟、南京银行、国家电网、中国石油、中国建材、中国铁建、华润集团、金融街集团、越秀金控、海尔金控、香港金管局等。

正文：     

      这个世界上，做数据的生意靠什么赚钱？

      有三条路径：
       边际报酬递增 *  数据周转加速 * 数据杠杆放大
      为什么这样说？
      这一篇我们从财务思维的视角来看怎么赚钱。在数字化时代，数据已成为企业最宝贵的资产之一，其价值创造和盈利能力日益成为衡量企业成功的关键。这三条路径，正是数据经营财务视角下的核心要素。
      1. 边际报酬递增：用数据要素建立的核心竞争优势赚钱。
      边际报酬递增是指，随着数据要素量的增加和数据应用的深入，每增加一个单位的数据要素能够带来的额外收益逐渐增加。这与传统经济学中的边际报酬递减规律相反，数据的边际价值随着使用和分析的深入而增加。
       为什么它这么重要？
       边际报酬递增，意味着我们不能对所有数据要素一视同仁地评价，而要关注那些能带来正反馈循环的数据。不仅要关注数据的量，更要关注数据的质和应用的深度。通过数据挖掘、机器学习和人工智能等技术，企业能够从海量数据中提取出有价值的信息，实现数据的深度利用和价值最大化。
      想象一下，你是一家服装厂的老板。最近，你发现生产成本越来越高，而利润却越来越薄。你尝试增加工人数量，希望提高产量，但似乎效果并不明显。而此时大洋彼岸的竞争对手却通过一些神秘的新方法，以更低的成本生产出更多的服装。这是怎么回事？
      你可能认为，现在大学生素质又高，毕业生又只要3000块，还不到农民工一半，那么增加工人数量，产量自然会提高，这是常识。但是，这种方法为什么现在不灵了呢？在传统经济学中，这种现象被称为边际报酬递减。
      但是，如果我们引入数据要素和先进技术，情况就会有所不同。边际报酬递增成为可能。让我们以美国超级工厂为例，通过大数据、AI和自动化技术，将服装生产的时间压缩到22秒，成本只有不到2块钱。这就是“边际报酬递增”的力量。
      那么，我们如何在自己的服装生产中实现边际报酬递增呢？以下是一些具体的做法：
    （1）新质生产力投入，实现数据要素的投入替代：使用机器人和自动化技术替代在重复性和高强度中的工作部分劳动力，减少了对人力的依赖，提高了生产速度和质量。初期投资较大，但长期来看，可以降低成本，提高竞争力。例如，通过切换不同的工艺方案，调整工艺参数数据，流水线可以自动生产不同的产品。对于相对简单的T恤牛仔类服装，目前美国超级工厂可用做到22秒一件服装，成本2块钱！
    （2）数据共享，通过数据要素优化生产环节和供应链：利用大数据分析优化布料采购、裁剪和缝纫等环节，精准的供应链管理可以降低原材料成本，提高响应速度。这需要与供应商紧密合作，建立高效的信息共享机制。例如，早期与供应商共享的只是合同交易数据，进一步扩大到实时库存数据、生产进度数据、质检数据、物流数据等，从而优化生产环节。
    （3）AI数据分析，通过数据要素实现价值倍增。提升传统单一要素生产效率，通过AI算法优化设计流程，快速响应市场变化，推出更符合消费者需求的服装款式。例如SheIn(希音）公司能够同时做到服装生产的多、快、新、省。研报       显示,SHEIN每日上新数量约7000+,是ZARA的200倍，且未销售库存占比降低到了个位数且库存周转仅40天左右，远低于行业平均水平（约 30%）和90天。
      边际报酬递减是指在生产过程中，随着一种生产要素（如工人）的增加，其他要素（空间、机器）保持不变，新增加的生产要素所产生的额外产出（每个新增工人对总产出的贡献）会逐渐减少的现象。通过资源优化、投入替代和价值倍增三种模式，数据要素正在重塑服装行业的生产方式和价值创造过程，提高生产效率，降低成本，实现边际报酬递增。
       边际效应递增，通常是核心竞争力的体现，而核心竞争力，恰恰基于数据资产形成了飞轮效应，以链家的楼盘字典为例，可用看到衍生出许多服务来实现数据变现，并不断强化。下方是个基于楼盘字典的简图：

       2. 实时数据， 用数据流动周转的速度赚钱!
       数据周转加速是指提高数据的流动性和使用效率，加快数据从感知、判断、决策到行动的整个周期，从而快速响应市场变化和业务需求。
在指挥理论中，有一个著名的模型：OODA环。它把作战过程抽象为观察（observe）、判断（orient）、决策（decide）、行动（act）四个步骤。这四步形成一个环形，谁能缩短这一环路，就意味着谁能比对手更快完成一次打击过程，整体胜算也就越大。大数据的运转速度越快，OODA环就被压缩得越短，也就是“察打一体”。
      这种实时的数据闭环带来两个好处：
    （1）是每次闭环都能够创造价值，例如智能矿山无人驾驶。每次运输过程都是一个闭环都创造价值，价值量跟周转次数成正比。
    （2）是准确度（转化率）不断提升，快速形成核心竞争优势。例如随着无人驾驶的次数增加，准确性不断提升，那么智驾系统就可以成为行业标准或者基础设施。

      大数据的OODA循环，同服装行业的库存周转类似, 一条业务数据，不仅能用于业、财、票、税等多个应用场景，每次决策和行动都能够创造价值，因此循环周转的越快，价值越多，每次闭环都带来行动，从而创造价值。 每月一次的经营分析会，通常都是离线数据的报告或者PDCA循环，同实时在线决策所创造的价值相比，根本不在同一个数量级。因此，在当今快速变化的市场环境中，数据的时效性和高速流动周转至关重要。我们需要将数据分为两类：离线数据和实时数据。

      离线数据，如我们所知，是那些不再更新或更新频率极低的数据。这类数据通常以数据集、数据包和数据报告的形式存在。它们在历史分析和批量处理中非常有用，离线数据作为一种商品可以进行交易并纪录为资产，其特殊性在于买方很难在购买前判断其真实价值。一旦买方掌握了数据内容，他们就可以轻易复制这些数据，从而失去再次购买的需求。这种现象在信息经济学中袒露无遗，被诺贝尔奖得主称为“阿罗悖论”。离线数据的另一个特点是时效性低，无法马上进行干预，有可能已经为决策的失误买单了。
      实时数据。持续更新，对时间非常敏感。实时数据的交易更像是一种服务，通过API实时提供数据流。这种数据的价值随时间和数据更新而变化，因此更容易量化。由于其在线特性，实时数据更容易通过技术手段进行监控和保护，从而提高了数据的安全性。 但是订阅的实时数据，原则上是只能记为经营成本的，无法记为资产，因为超过一定的时长，数据的价值就折旧为零了。对于实时数据，在线交易，确权、定价、流通、安全等问题都不存在，而且已被金融证券市场证明是成功的。在数据交易市场中，离线数据的交易模式通常是一次性购买，而实时数据则更倾向于订阅服务模式。这意味着企业可以根据需要获取数据使用权，而不是一次性购买数据的所有权。
      为充分利用实时数据的价值，企业需要将实时数据集成进自己的运营系统，做出实时决策并将其转化为行动。数据周转的加速，意味着企业能够更快地响应市场变化，利用实时数据获得比离线数据成百上千倍的回报，提高决策效率，从而在竞争中占据优势。同时，搭建实时数据交易平台的技术门槛已经大幅降低，通常百万RMB预算，任何拥有实时数据的企业都可以快速搭建一个交易平台来提供服务。
      数据要素的OODA循环还增强了学习曲线效应，提升了转化率或预测准确率。学习曲线效应指的是随着经验的积累，个体或组织在执行特定任务时效率提高、成本下降的现象。这一概念最早应用于制造业，描述随着生产量的增加，单位产品的生产成本下降。在更广泛的领域，学习曲线效应意味着通过实践和经验积累，提升性能和效率。企业通过收集和分析历史数据，能够识别业务流程中的模式和趋势，加速学习过程，并进一步用于预测未来趋势，优化决策，从而降低试错成本；企业通过机器学习算法通过不断学习和适应数据，提高预测和决策的准确性，而自动化系统可以根据历史数据和实时反馈，自动调整操作，提高效率，而这些不断提升了OODA循环的准确率。
       3.  数据资产杠杆：四两拨千斤，用杠杆撬动别人的数据赚钱！
       数据资产杠杆是指通过少量的自有数据资产，通过一系列数据置换等手段， 不断放大可免费使用的数据的半径，从而放大数据的价值和企业的盈利能力。数据杠杆的公式，可以看作是可用数据/自有数据的比例，其他可用的数据，都是连接获得的免费使用权。
      一种典型的方法，是通过建立具有网络效应的数字化平台，直接建立生态沉淀数据共用。以SheIn为例，SheIn不单是共享自己的数据，而是输出了自己的系统，通过系统可以获取各小型服装加工作坊生产加工、亚马逊、独立站、社交媒体等海量的实时数据，从需求预测，产品开发，下单，派单到生产过程的管理实现了在系统自动闭环。从供应商引入，接单，评估，淘汰整个生命周期的自动管理，都靠这个数字运营系统来解决。这就是SheIn能做到行业天花板的原因，同时这些数字系统也是他的护城。
      另一种方法，是给行业/产业上下游建立数字化系统。例如，在电力领域。可以建立行业的监造系统，这样可以从上游供应商（如大大小小的电缆场）获取实时的装备制造进度数据和车间质检数据，将质量风险和交期风险控制在源头，并且节省掉传统派驻现场监造员的费用，还提升了上游各供应商的数据标准化程度，基于监造系统也可以扩展出更多的系统功能既可以对已有用户进行变现，也可将系统出售而获利。
      更高明的方法是借花献佛，充分利用跨行业多源异构数据。例如，可以给省政府建立省能源大数据中心，在共享自身电力数据，为政府社会提供公益的电力数据产品报告的同时，实际上可以免费使用水、煤、风、气、油等多源异构数据，一边为政府社会提供更加综合的升级后的能源数据产品报告，一边可以给用电企业提供收费的综合节能减排降耗双碳解决方案。这种方法不仅仅节省了外部数据采购成本、降低了数据接入的难度，避免了数据中心运维成本，还通过建设能源大数据中心获得更好的现金流，同时并帮政府建立双碳产业园区招商引资提升政绩，可谓一举多得。这种方法本质上类似于融资租赁，可用让政府、行业协会等作为数据的出租人（租赁公司），承担数据资产的公共服务平台的建设和运营成本， 而每个数据共享开放的企业都既是承租人（需要使用各类数据资产的企业）也是供应商（自身数据资产的提供方），由于通常数据是免费使用的，这时谁具备数据开发利用的核心竞争优势（已经形成飞轮效应），谁具备实时数据运营能力， 谁就获益最大。
      综上，放大数据杠杆的关键是，通过贡献少量的自有数据，可以撬动产业链上下游、多源异构的众多生态数据， 开展轻资产、轻运营，低风险业务。核心不在于拥有多少数据或者汇聚多少数据资产，而在于如何更便捷地获取实时数据、连接、快速迭代使用实时数据。使用数据的能力的起点可能不高，但通过不断迭代积累学习经验曲线，能够快速成长，建立其强大的竞争优势壁垒。
最后的话

数据经营的财务视角下，数据资产的 边际报酬（递增）、数据周转速度（加速）和 数据杠杆（放大）。这三个因子相乘，构成了数据经营的盈利能力。

       边际报酬递增，考验你用数据资产建立的核心竞争优势，基于数据资产衍生出来的增值服务类型越多，飞轮效应越强健，价值就越大。
       数据周转加速，考验你的实时数据运营能力。数据流动速度越快，越闭环，数据周转速度就越快，价值就越大。
       数据资产杠杆，考验你如何利用自有数据，撬动第三方、第四方数据的资源整合能力，免费利用的数据越多，数据开发利用能力越强，价值就越大。

除此之外，你必须考虑自由现金流，胜于利润。例如，你应当把原本用于采购数据的资金支出，变成可获利的数字化系统建设带来的收入、大数据中心建设的收入（项目预收款）。因为利润只是自由现金流的组成部分之一，无法真实反映一个公司是否盈利，以及是否有发展潜力。

所以，上述三条路径，你选择用哪条路径？

你在靠数据创新形成的核心竞争优势和飞轮效应，数据实时迭代运营速度，还是数据资源整合能力赚钱？
很多企业在其中一个路径下足功夫，就已经很厉害了。
如果你能够在这三条路径上，都做得非常好，那恭喜你。
如果你今天刚刚进入数据资产领域，一定要想清楚，把自己的核心能力，建立在哪条路径上。
用数据经营的财务视角，找到你的成功因子。
希望能给一点启发。

（文章来源：刘凯公众号：业财数据管理）