數據資源資產化是實現數據價值的一次重要飛躍。在推動數據資產化的同時，企業的能力、績效和價值也將得到提升，最終形成長期的、不可模仿的競爭優勢。本文聚焦微觀企業層面，引入“數智流”體系框架，解構數據資產的建設與管理模式，幫助企業實現從數據資源到數據資產的跨越。
徐心｜清華大學經濟管理學院教授，人工智能與管理研究中心主任
數據已成為數字經濟時代的基礎性戰略資源、重要生產力和關鍵生產要素。自 2019 年十九屆四中全會首次將數據增列為生產要素以來，我國圍繞數據要素、數字中國等出臺多項政策文件，為釋放數據要素價值、加快推動數據資產化、培育高質量經濟發展新動能謀篇布局。數據的要素化包含數據資源化、資源資產化和資產資本化三個階段。其中，企業數據資源資產化是實現數據價值的一次重要飛躍，其本質在于利用數據要素賦能生產、技術、市場、管理、創新等價值鏈各環節，進而優化業務流程、提升企業績效、催生新知識新業態，并持續推動企業數字化轉型。與此同時，企業也可將數據資產獨立封裝，以數據產品或數據服務的形式在市場上進行交易，進而獲得收入。
然而，實現數據資產化的過程并非一帆風順。首先，在大多數企業中，數據往往呈現分散化、碎片化和未經初步加工的原始狀態。麥肯錫全球研究所（McKinsey Global Institute）的數據顯示，制造業是目前數據最多的行業，平均每年產生 1.9PB 的數據。其中，在供應鏈、采購、工廠運營以及合規和質量管理階段會生成大部分數據。但其數字化建設還停留在數據要素化的第一階段，即數據收集與原料加工階段。其次，數據資產化要遵循因地制宜、循序漸進的原則。然而，很多企業在面對市場競爭時，盲目引入新技術，在沒有充分評估業務場景的情況下，就匆忙開啟數字化變革。當缺少規劃或規劃與業務現實不相符時，數據資產化會產生“水土不服”，導致企業面臨更大的轉型阻力。最后，實現數據資產化需要大量投資，企業財務上的投資壓力、已有投入的沉沒成本等，都將對數據資產化進程產生影響。
面對企業數據資產化進程中的困境，本文聚焦微觀企業層面，引入“數智流”體系框架解析數據資產的建設與管理模式，幫助企業實現從數據資源到數據資產的跨越。本文提出的“DIKW數智流體系框架”能夠較好地解釋組織管理實踐中的各種現象，揭示從原始數據躍遷至智慧的基本規律，是企業推動數據資產價值創造的“指南針”。本文聚焦數據轉化為智慧的全過程，從解構數據資產、數智流的信息學內涵、數智流的經濟價值及數智流的構建四個方面進行系統闡述。在 DIKW 體系框架下，構建數據資產化的標準化體系和設計方法，為企業構建健康高效、數智賦能決策體系提供參考模型，也為企業等主體系統規劃與推進數字化轉型工作提供理論支撐和操作指引。
由“數據（Data）、信息（Information）、知識（Knowledge）、智慧（Wisdom）”構成的 DIKW 數智流體系揭示了從數據到智慧的層級關系（見圖1）。DIKW 體系最早可以追溯至托馬斯·斯特爾那斯·艾略特（Thomas Stearns Eliot）所寫的詩《巖石》。他寫道：“我們在哪里丟失了知識中的智慧？又在哪里丟失了信息中的知識？”后來經過教育家哈藍·克利夫蘭、米蘭·瑟蘭尼及管理思想家羅素·艾可夫等學者的發展、完善，經典的 DIKW 金字塔體系逐漸形成。數據、信息、知識、智慧構成一個縱向的金字塔分層結構，四個層次依次遞進。這是一個數據管理和分類的過程，數據從分散無序走向分類有序，不斷沉淀進化，最終形成抽象的、普適的智慧，數據價值從而得到更充分的釋放。
DIKW 體系中，數據、信息、知識與智慧之間既有聯系，又有區別（見圖2）。數據是 DIKW 體系中最基礎的一個概念，它是認識對象的客觀留痕，是形成數據資產的最原始的素材。信息是有一定含義的、經過加工處理的、對決策有價值的數據，企業在業務場景下對原始數據進行加工處理形成的指標、特征、標簽等，都可以稱為信息。知識是在理論的指導下，通過智能化模型等提煉不同維度信息之間的關聯獲得的規律性認知。智慧是以知識為基礎的正確的判斷能力，關注的是對未來的預測。從采集數據、提煉關聯信息、發現新規律、研究出新理論到創造新的知識或技術，是數據與實體二者不斷迭代演進、歸納演繹形成普適智慧的過程。
數智流以信息學的科學內涵為支撐。
數智流具有雙螺旋結構，包括數據螺旋和知識螺旋（見圖3）。
沿著 DIKW 體系，從數據螺旋可以看到：
從單點數據到全局數據，實現了從數據到信息的演變；
從單領域到跨領域信息，實現了從信息到知識的歸納；
從已有知識延伸到預測未來，實現了從知識到智慧的躍遷。
從知識螺旋可以看到：
從數據到信息，需要加入對業務場景的認知；
從信息到知識，需要理論作指導；
從知識到智慧，需要創造引領。
因此，企業在實現數智流的過程中，應當遵循“三個聯系”——將全局信息與業務場景相聯系，將理論知識與多領域相聯系，將已有知識與未來預測相聯系，基于數智流的雙螺旋結構，重構核心業務模式，實現從數據要素到數據資產的轉變，實現企業數據價值創造。
為了幫助企業更好地理解 DIKW 體系，下文將以本研究團隊與國內某頭部保險公司的合作為例，詳細闡釋在 DIKW 體系下如何實現從原始海量數據到數據智能的躍遷轉型。
原始數據。
客戶服務中心是重要的服務渠道，該保險公司 2022 年在客服中心建設上投入了 4071 億元人民幣，積攢了海量客戶與客服之間的語音通話數據。
從數據到信息（對場景的描述）。
在保險業務場景下，如果客戶服務不好，就會降低客戶滿意度，進而影響客戶留存。因此，客服質檢是該保險公司的一個重要場景。高效精準的客服質檢，不僅有助于提升服務質量，還能幫助企業在競爭激烈的市場環境中獲取競爭優勢，開拓新的市場份額。傳統質檢方式以人工手段（包括隨機抽樣質檢和事后回訪）為主，存在耗時長、結果延遲、人工成本高、樣本規模小（只能完成所有通話記錄的2%）、覆蓋率低等問題。所以，該保險公司考慮以智能化方式升級和改造質檢項目，提升質檢效率。在該場景下，研究團隊首先對 2700 通原始服務通話數據（超八千小時）進行數據降噪、錄音切片、說話人識別等處理（見圖4）。然后，給切片后的語音片段打上情緒標簽，作為訓練數據。通過 CNN 訓練模型，判斷出客戶在一通服務通話中的情緒變化（見圖5）。通過對非結構化原始數據的加工處理，形成對決策有價值的情緒數據即信息。
從信息到知識（以理論作指導）。
認知與情感表達的神經生理學基礎理論“過程組成理論”（Process Component Theory）以及達爾文的《人和動物的情感表達》等相關文獻表明，生物體會隨時間推移發生改變以響應環境。假設服務質量是環境，客戶會基于對服務質量的判斷，作出相應的情緒反應。因此，研究團隊研究了通話服務質量與客戶情緒變化的關系，通過建立分析模型，對客戶的不滿情緒進行監測，捕捉客戶負面情緒波動、負面情緒持續時間及負面情緒在每一通電話中的位置，研究這些負面情緒與服務質量之間的相關性。
智慧。
為將知識轉化為可用于實踐的管理工具，研究團隊搭建了情緒計算平臺（見圖6），計算客戶在服務過程中的情緒變化，基于客戶情緒變化預測服務質量。通過對原有質檢業務進行智能化升級和改造，質檢部門可以優先調聽平臺監測到的存在負面情緒的通話錄音。相比原先的人工質檢方式，數智賦能讓該公司的質檢效率提高了十倍。
為什么參照 DIKW 體系，企業就能夠實現數據資產化，產生出經濟價值呢？
可以借助兩個管理學的理論框架——實物期權和“VRIO模型”來對這一問題進行解釋。
斯圖爾特·邁爾斯（Stewart Myers）在 1977 年首次將金融期權理論引入實物資產投資領域，提出實物期權這一概念。他認為，在對高度不確定性的實物資產投資項目進行評估時，傳統價值評估理論往往會低估實際價值。一個實物資產投資項目的價值不僅包括目前所擁有資產的使用價值，還包括對未來投資機會選擇的柔性價值，也就是說，實物資產投資的整體價值等于現有資產價值加上其未來成長機會價值。羅伯特·麥克唐納（Robert McDonald）和丹尼爾·席格（Daniel Siege）在 1986 年就開始運用期權方法來判斷最佳投資時機。目前，實物期權理論已經廣泛應用于經濟生活的各個方面，成為一種全新的評估工具，在競爭和戰略決策、企業價值估計、企業投資決策、高新技術及風險投資管理、企業并購與企業治理等方面，都得到創新性應用。
實物期權理論較適用于可以分步分層投資的項目，推動企業實現數據資產化的數智流正是這樣一個分步分層的過程。數據作為一個戰略性新興要素，對其大規模的研發投入常常并不能即刻獲得回報，因此，公司經常面臨這樣的抉擇：是否要投入大量資金開展數字化轉型。根據 DIKW 體系，建立數據倉庫，實現數據的整合和集中，只是數據資產化的第一步。當企業完成從原始數據到數據智能的躍遷轉型，將會整合或升級企業資源，催生形成新的產品、商業模式和組織框架，進而驅動新興產業形成，企業也將獲得績效增長的新引擎。因此，應該從實物期權的角度來評估數據資產的投入產出，從而作出科學決策。
企業能夠在市場上長期立足，是因為擁有核心競爭力。
1991 年杰恩·巴尼（Jay B. Barney）提出 VRIO 模型（見圖7），幫助企業分析競爭優勢和弱點，明確企業的資源和能力，正確評估有潛力成為企業可持續競爭優勢的資源或能力。
該模型指出有四個因素影響可持續競爭優勢，分別為：
有價值（Valuable），即企業的資源和能力能增加價值；
稀缺（Rarity），即具有大部分或者所有競爭者沒有的資源或能力；
不可模仿（Inimitable），即資源不容易被模仿；
組織性（Organization），即企業被有效組織起來。
四個因素都滿足時，企業才能獲得可持續的競爭優勢。
用 VRIO 模型對 D、I、K、W 四個元素進行分析，不難發現，原始數據如果只是價值不高的、分散雜亂的數據整合，企業將處于競爭劣勢。試圖脫離企業專有場景和理論指導，僅靠現代信息化智能技術完成數據資產化來獲得可持續競爭優勢也是不太可能的。智能化技術普及范圍廣，智能化人才早已不是稀缺資源。沒有價值的原始數據加上可模仿、不稀缺的智能化技術會使企業處于競爭劣勢。
在 DIKW 體系下，數據、信息、知識和智慧可以被看作企業的組織資產。擁有客戶、產品、服務和運營方面可靠、高質量的數據，并在業務場景下生成有價值的信息，這種資產并不是特別稀缺，因為每個企業都可以實現從 D 到 I 的轉變，享有平等競爭力。企業有能力且能夠結合理論把信息歸納為知識，這就再往前走了一步，擁有臨時競爭力。能夠進一步將多個有價值的資源疊加、整合，真正利用知識進行組織再造、業務流程再造、品質變革，讓知識躍遷為智慧，就形成了可持續競爭優勢。從數據到智慧的過程，極大地強化了企業各部門之間的戰略協同和資源整合，有效地推動了企業數字化變革的進程，大力地促進了企業數據資產價值創造。簡而言之，企業數據資產化同時推動了企業能力、績效、價值的提升，最終形成長期的、不可模仿的競爭優勢。
如何構建數智流？在已有研究成果的基礎上，本文提出了一個數智流的構建框架（見圖8）。首先，企業要從管理層面變革組織管理方式，將數據變革作為公司整體戰略的重要組成部分。其次，從原始數據躍遷至數據智能，實現企業數據資產化，釋放數據價值，需要焦點部門及多個部門協同發力。最后，在構建數智流的過程中，管理理論與實踐、技術與業務模式應當協同發展。數智流的構建并不是以“數字技術為導向”，而是將數字技術與業務模式緊密結合，以推動業務增長、再造核心業務模式作為數字戰略的核心目標。
具體而言，企業可以通過以下步驟來構建數智流。第一，進行數據盤點，整合業務流程數據，清洗并建設原始數據。第二，包括數字、文字、圖像、符號等的原始數據不經過處理是不具有價值的，因此，要綜合運用技術、人力資本等，在具體業務場景下，對原始數據進行加工和處理，形成信息。第三，整合“企業家的規則性理論”和“學者的科學權威的規范性理論”（ 見《由實踐到科學：企業家發展管理理論的方法論》，本刊 2021 年第 4 期），基于特定的業務場景，在智能技術的支持下，進行科學建模，形成知識。第四，以知識指導企業實施業務升級和改造，再造業務模式、重塑管理模式，提高價值創造能力，重新塑造競爭優勢，完成數字化轉型。這一過程反過來又能夠促進企業形成新的業務場景和數據，從而實現基于 DIKW 體系的數據資產閉環管理。
基于數智流構建框架，在與某商業銀行合作的顧客價值提升項目中，本研究團隊助力其完成了從數據到智慧的跨越，實現數據資產化。
首先進行數據整合。將該銀行在各個業務流程中（借記卡部門、綜合理財部門、網銀部門、營銷部門等）產生的數據（交易的金額、交易的時間、轉賬、查詢、瀏覽、開戶時長、營銷渠道等）進行整合，作為本次項目的原始數據集合。
其次是信息提取。銀行的具體業務需求是理解顧客的風險偏好，并為他們提供相應的投資理財建議。此前，銀行開展營銷業務是根據顧客的高頻瀏覽記錄來提供投資建議，但效果欠佳。因此，本項目聚焦于理解顧客的風險偏好和決策機制，旨在優化金融產品的營銷實踐，從而提升理財產品推薦的有效性。研究團隊提出了一種數據驅動的風險偏好測量方法。鑒于目前業界和學界缺乏有效的大規模動態風險偏好測量方法，本項目基于顧客的行為大數據，利用機器學習算法，提取用戶對理財產品的風險偏好這一信息。
再次是進行科學建模，形成知識。西蒙 1947 年出版的《管理行為》首次闡述了個體如何以及為什么作決策。基于行為決策理論，研究團隊探尋了商業銀行場景下顧客進行投資組合調整的決策機制。研究團隊認為，調整投資組合是一個尋找解決方案的過程，目的是縮小當前投資組合與風險偏好之間的差距。金融信息搜索被視為是影響投資組合調整速度的關鍵因素，調整方向和熟悉度也被認為是關鍵情境因素。因此，研究團隊構建了動態調整模型和工具變量，以深入研究顧客進行投資組合風險調整的決策機制。
基于開發的風險偏好測量工具和發現的投資組合風險調整規律，研究團隊設計了面向顧客投資組合調整的營銷策略。通過電話營銷的實地測試發現，與基于高頻瀏覽的推薦策略相比，基于風險偏好的推薦策略使購買轉化率提高了十倍。
最后是智慧的形成。
研究團隊為商業銀行生成數據驅動的風險偏好測量方法，深化了對風險投資組合調整決策機制的理解，為商業銀行實現智能化營銷提供了參考和指導。
這些理論和實證研究為企業更好地理解和滿足不同顧客群體的需求，為進一步開展精準營銷提供了有力支持。
在構建數智流過程中，大多數企業都會遇到如下問題。首先，從“數智流”技術的底層架構來看，核心在于將各個領域的數據結構化，然而，現實中企業往往面臨數據交互問題。數據要素無法互聯互動、互信互認、開放共享，造成數據碎片化。其次，從原始數據中提取出的信息由單個業務專有，可復用程度低。再次，企業往往從直覺出發進行決策，缺乏科學理論指導。最后，企業往往很難科學嚴謹地評估數據資產，無法準確衡量數字經濟價值。
對于構建數智流過程中的挑戰，可以從 STEP 四個維度來應對，即組織結構（Structure）、手段工具（Tool）、經濟機制（Economic mechanism）、方式流程（Process）（見圖9）。
企業數字化轉型是從底層架構到業務模式、組織架構再到制度等多個層面的整體的轉型升級，是牽一發而動全身的變革。要做好數字化運營，首先需要厘清企業價值鏈全流程中的智能化應用場景，通過體系化的設計，從根本上對價值鏈各個環節進行數智變革。構建企業的“數智價值鏈”，促進數據要素價值化、資產化。
數智價值鏈就是在波特提出的經典價值鏈（見圖10左）基礎上增加一個數智活動（見圖10右）。“數”指企業在運行過程中產生的大數據，“智”指人工智能等分析技術。在數字經濟時代，數智活動將成為企業價值鏈必不可少的價值增值活動，成為企業價值鏈中的關鍵一環?？傮w來看，數智價值鏈中的數智活動具有三個職能。
一是數據，從價值鏈各個活動采集并整合數據資源，并在此基礎上完成數據加工和特征工程。此過程對應 DIKW 體系中的數據和信息。數據整合及內部流通涉及用戶隱私保護問題，企業可以借助新技術（如差分隱私技術），促進不同商業組織和部門間的數據流通和隱私保護。
二是計算，基于機器學習、深度學習等先進的算法和模型，以企業具體的業務需求為導向，在理論的幫助下，從大數據中挖掘商務智能，賦能科學決策。此過程對應 DIKW 體系中的知識層面。
三是評估，科學衡量數智化項目產生的經濟價值。數據資產的價值評估已成為推動數據資產化、價值化不可或缺的重要環節。構建科學的資產估值體系以及制定完善的數據資產定價機制對促進數據要素市場健康發展具有至關重要的意義。
數智價值鏈是對傳統企業價值鏈的全流程賦能，涉及企業經營管理的所有部門，需要以制度創新驅動，建立企業層面的科學管理平臺。
數據資產作為日益重要的戰略資源，貫穿數據采集到應用整個生命周期，需要建立完善的體系進行管理。
按照 DIKW 框架建立數據資產管理平臺，建立一套覆蓋數據“采、存、管、用”等整個生產運營過程的數據管理規范，從制度上保障數據資產管理工作可行和可控，同時控制數據在整個流程中的成本消耗。
依托數據資產管理平臺實現大數據全生命周期的管理，支持以價值創造為導向的數據資產應用開發。
構建數據資產管理平臺，首先要采集數據并對其進行加工、特征提取，然后分門別類地入倉，之后根據實際的業務場景進行數據建模，獲取各類數據服務（含數據應用平臺），加速對業務的賦能（見圖11）。
數據資產管理平臺是企業內部全局統一的數據資產門戶，也是一站式治理和開放的數據資產管理體系，能夠充分釋放數據要素在業務中的價值。
首先，數據資產管理平臺可以幫助企業實現數據的互聯互通。制定企業內部統一的從數據存儲到使用過程的流程規范，打破數據孤島，實現企業內數據高效共享。
其次，有效的數據資產平臺可以幫助企業避免重復基建。多個項目分屬價值鏈的不同活動，由不同的業務部門負責管理，導致重復基建。數據資產管理平臺將數據資源統一管理，有助于相關部門及時查詢到已存在的、可立即使用的數據資產，避免重復投入。
再次，構建數據資產管理平臺有助于企業全面掌握現有數據資產狀態，按照 DIKW 體系對數據資產進行全面盤點，包括企業已有信息、創新項目，以及在完成項目過程中使用到的理論、模型、數據等，為上游業務應用夯實數據基礎。
最后，基于數據、信息、知識到智慧的盤點，構建面向企業數據資產的知識圖譜，實現端到端的數據“血緣”分析。通過分析數據平臺數據分布和訪問狀態，協助數據管理人員形成對數據生命周期的管理策略，有效發現和挖掘當前數據平臺或者數據庫中的關鍵數據，同時，為管理業務部門需求，滿足業務部門對數據使用的要求提供有效的數據支撐。
企業內部市場化就是改變內部市場運行的經濟機制，將高層管理總體調控之下的行政關系變為等價交換的經濟往來關系，以“看不見的手”自發運行。企業內部市場化采用“按勞分配”的方式獨立核算各部門績效，改變各部門之間利益均攤、權責不清的狀況，讓各部門直接面對內部市場，以此激發出主觀能動性和創造力。
在企業數字化轉型過程中，每個部門都需要進行數據整合和處理，形成信息特征。企業實施某個項目，要用到多個部門的數據和特征，從數據到智慧，實現數據資產化，產生經濟收益（見圖12）。從企業內部市場化的角度看，各業務部門以數據參股項目并獲得分紅。在這一過程中，要設立有效的“成本分攤機制”和“利益分配機制”，強化業務部門以價值為導向并有效使用企業數智資源的意識，并以市場機制為數智部門提供的服務“埋單”， 幫助企業建立起基于價值的激勵機制與分配機制。
機器學習為衡量各個部門的數據績效、促進企業內部市場化提供了解決方案。機器學習通常使用一些特征描述樣本屬性，并以特征權重反映特征對目標變量的影響程度，以此衡量特征的重要性。如圖 12 所示，實施項目 1 的過程中，使用了 5 個特征，其中，業務部門 1 提供兩個特征，業務部門 2 提供兩個特征，業務部門 3 提供一個特征。項目 1 為企業帶來經濟收益后，將計算每個特征在項目中的重要性，并按照特征在項目中的權重價值給予回報。
基于定量方法建立的企業內部市場機制，有助于數據要素流通產品價格的形成，有助于提出面向不同應用場景的數據產品定價、收益評估方法，從而建立公平高效的收益分配機制，完善數據要素由市場評價貢獻、按貢獻決策報酬的相關機制。
讓數字化創造看得見的價值，其實回答了所有企業在數字化建設中都會面臨的首要問題：數字化意味著什么，如何衡量數據資產的價值？
以 A/B 測試為代表的因果推斷方法，為科學評估數字化運營的經濟價值和投資回報率提供了有效途徑。對照實驗的核心邏輯在于以完全隨機的方式，將項目單元分為若干個實驗組和對照組，在每個組實施不同策略，觀察對比不同組最終實現的業務目標，得到不同策略的經濟價值估計。
前述保險公司與商業銀行實現數據資產化的案例中，也采用了 A/B 測試，即讓一部分用戶使用原始方案，另一部分用戶使用智能化方案，統計對比不同方案的結果，以判斷數據資產化帶來的價值。除此之外，谷歌、亞馬遜、今日頭條等公司都建立了專門用于對照試驗的企業級基礎設施，建設和優化數字化運營的評估機制，提升企業利用數字化能力變現的效率。
本文立足于國家數字經濟深化發展的重要戰略需要，提出了 DIKW 體系框架，詳細闡釋了數據要素轉化為數據資產的基本步驟、重要實踐、關鍵環節和瓶頸，旨在構建數據要素及其價值釋放的微觀理論框架，對數據要素資產化相關文獻作出理論拓展，并在實踐中有效指導微觀企業實現從數據到智慧的轉變，提升組織績效和生產績效，促進企業數字化轉型，為加快我國數字經濟高質量發展提供學理支撐。
文章來源｜清華管理評論
