阿里VS华为：企业层面数据要素价值利用研究
发布时间：2023-10-24
浏览次数：296
来源：谈数据
数据是数字经济发展的源泉，没有数据要素价值的充分挖掘，数字经济的高质量发展就无从谈起。在中央《关于构建数据基础制度更好发挥数据要素作用的意见》中指出“数据作为新型生产要素，是数字化、网络化、智能化的基础”。
然而，并非所有数据都能产生价值，需要市场主体治理与挖掘；同时，有价值的数据也需要市场主体在数据治理的基础上进行建模分析。因此，需要深入研究数据要素价值利用的路径和机制。
企业是数字经济的重要市场主体，也是海量数据的主要来源。本文以行业领先的数字原生企业阿里巴巴和非数字原生企业华为为研究对象，归纳总结企业层面数据要素价值利用的经验和路径。
作为全球最大的互联网公司之一，阿里巴巴的业务涵盖电商、新零售、本地生活服务、云业务、数字媒体、娱乐和创新业务等板块，是典型的数字原生企业。
2014年之前，阿里巴巴集团下属的每个业务单元都有自己的数据支持研发团队，各团队独立建设数据系统和数据分析体系，形成了一系列"数据烟囱"。
这导致各业务单元之间的数据模型难以复用，集团在业务赋能和数据价值利用方面效率较低。主要问题包括：一是数据标准方面，字段命名规则不统一、算法不一致，导致数据开发浪费技术资源、造成数据重复且不可信、业务应用关系复杂等；二是数据服务方面，缺乏集团整体规划，数据获取途径繁杂且不统一，各业务单元独立开发周期长、效率低，占用过多集团计算资源。随着业务的快速增长，阿里巴巴获取的产业链各参与方行为数据和自身业务数据呈指数级增长，导致各业务单元相互独立利用数据资源的现状难以持续。
为了应对上述数据要素价值利用过程中存在的问题，与“大中台、小前台”战略相协同，阿里巴巴启动了集团层面的数据统一管理、共享和利用实践。
首先，建设集团层面的数据公共层。数据公共层是阿里巴巴数据要素价值利用体系的基础，数据公共层的建设目标主要有四个方面：一是从源头上统一所有业务单元的数据基础层，并由一个团队统一负责建设和管理；二是在赋能业务前，由数据基础层的负责团队抽象出源于业务又不同于业务直接需求的数据域，建设数据中间层；在上述两方面统一管理的原则下，实践过程中并没有一刀切，而是允许部分业务保留独立的数据团队按照统一的方法论建设数据体系；三是直接服务业务运营需求的数据团队在公共层数据基础上，拥有极大的自由度建设数据应用层，以满足业务发展需求；四是无论数据基础层还是数据应用层都需要面向业务提供服务，要兼容个性化应用服务。
例如阿里巴巴2014年启动数据公共层建设的“登月项目”，就是把业务数据从云计算环境1中迁移到云计算环境2中，在保证不影响业务发展的前提下，解决数据价值利用的痛点。
其次，开展数据指标管理及整合。在建设数据公共层的同时，阿里巴巴开展了相应的数据治理工作。阿里巴巴的数据指标体系自上而下包括业务板块、规范定义和模型设计三个部分。业务板块是数据的业务属性；规范定义是一套符合阿里巴巴业务自身特点的数据规范命名体系，包括数据域、业务过程、修饰类型、维度等；模型设计是一套符合阿里巴巴业务发展数据需求和数据现状的表规范命名体系，包括汇总事实表、明细事实表和维表等。
最后，完善数据中台业务架构。部分数据服务厂商为了便于产品推广，将数据中台概念扩大化，把企业数据要素价值利用纳入数据中台框架。但是从本质上讲，数据中台只是标准化软件产品，而数据要素价值利用需要结合企业业务发展实际情况和需求，逐步推进数据归集、治理、建模利用等工作，远远不是一个软件项目上线的问题。
阿里巴巴在集团层面数据统一共享和利用的实践过程中，逐步建成了完善的数据中台业务机构，并基于自身的成功实践，形成了以OneData为核心方法论的阿里云数据中台解决方案，对美团等同业企业的数据要素价值利用实践起到了积极的借鉴和推动作用，有效推动了我国企业层面数据要素价值的释放和利用。
作为一家非数字原生企业，华为在我国超过47万家（截至2023年4月）工业企业中具有较强的代表性。传统企业的运营基本围绕产品生产、销售、交付、售后服务等环节展开，产品销售完成后，企业最多能获取自身产品在客户使用过程中的运行数据和与自身采购需求相关的产业链上游产品数据，绝大部分企业对自身经营产生数据的利用还处于初步阶段。华为作为ICT行业的全球领军企业，一直通过聘用IBM、麦肯锡等国际一流咨询团队获取行业最佳实践和管理方法论，其自身的数字化水平远远领先于国内其他传统企业。
然而，随着业务不断在全球扩展、管理链条和范围不断延伸，为了满足业务发展和经营管理需要，华为的数据要素价值利用也面临较大的挑战：企业业务链条长，覆盖从研发到运维全链条；业务形态多样，包括电信基站、服务器、电脑、手机等多种业务；数据交互和共享风险高，全球化发展造成企业数据管理面临100多个国家的监管政策约束；企业内部管理层次复杂、运营效率下降；同时保留各种版本的ERP软件和不同类型的数据库，数据治理历史包袱重；业务和业态庞大复杂，对数据可信和一致化程度要求较高。
2、数据要素价值利用的应对举措
为了应对发展过程中面临的诸多挑战，华为2016年开始数字化转型，目标是“实现全联接的智能华为，成为行业标杆”。在数字化转型顶层设计框架下，华为数据工作的愿景是“实现业务感知、互联、智能和ROADS体验，支撑华为数字转型”，目标是“清洁、透明、智慧数据，使能卓越运营和有效增长”。在上述数据工作愿景和目标引领下，华为制定了明确的数据工作整体规划。
华为数据工作的整体框架包括数据源、数据湖、主题联接（数据中台）、数据服务和数据消费五个环节：一是建立了企业级数据综合治理体系，包括数据治理政策、数据架构和标准管理制度、数据管理工作流程、数据管理相关组织和IT资源保障五个方面内容，为数据管理工作提供了制度（质量管理、数据源管理、信息架构管理等）、标准、流程、组织和资源保障，为数据要素价值利用工作的开展提供了有力保障。
二是建立数据差异化分类管理框架，华为将数据根据不同特性划分为内部数据和外部数据、结构化数据和非结构化数据、元数据三大类，结构化数据进一步划分为基础数据、主数据、事务数据、报告数据、观测数据和规则数据等，不同数据类别治理方法不同，如基础数据的管理重点是变更管理和统一标准管控，主数据管理的重点在于确保数据同源多用、数据内容校验等。
三是在数据治理基础上提升原有信息架构建设的战略定位，由原来的支撑IT建设落地提升到更好地管理企业数据资产、提升业务链条效率的高度上来，构建了一套包括数据资产目录、数据标准、数据分布和数据模型四大要素，面向业务交易运作的信息架构方法论，用于统一企业管理者、专家和员工之间的数据语言。
四是建设企业内部统一的数据底座，包括数据湖和数据主题联接，通过物理入湖和虚拟入湖等方式将企业各种类别的数据统一汇聚到数据底座上来，并对数据进行重组和联接，为赋能业务发展的统一数据消费服务奠定基础。
五是通过数据分析平台为客户、员工、合作伙伴等提供以自助消费为目标的数据服务。在数据工作整体框架之外，华为还通过数据安全隐私分层分级管理，保障数据共享利用的安全合规。
在上述数据要素利用举措下，华为的数字化转型和数据要素价值利用实践取得了良好效果，2022年7月，国务院国资委干部教育培训中心举办“走进世界一流企业”对标华为高级研讨班，研讨学习的主题就是华为数字化转型实践。
通过对阿里巴巴和华为的数据要素价值利用实践研究，发现数据要素价值利用与企业业务发展密切相关，脱胎于业务并服务于业务。其特殊性导致没有适用于所有企业的标准化路径。然而，通过本文案例研究，可提炼出一些相对通用的经验和原则，企业可结合自身业务发展实际情况和需求，制订数据要素价值利用实施路线图，推动高质量业务发展。
首先，企业层面数据要素价值利用的目标是赋能业务发展，实施应纳入整体业务规划。数据要素价值利用不是孤立的IT系统建设，例如华为调整了信息架构思路以推进数据要素价值利用。因此，企业数据要素价值利用应与业务规划结合，考虑长远目标和业务现状，不应影响正常运作。阿里巴巴在建设集团层面数据公共层时，充分挖掘和利用业务所需的数据要素价值，并利用数字化方案赋能产业数字化转型。"通义千问" 大模型将与阿里巴巴内部业务融合，并向外部客户开放，打造AI统一“底座”。
其次，企业层面数据要素价值利用需要与组织和流程的变革相协同。在数字化转型下，数据要素价值伴随着企业自身业务和组织模式的变革。企业需要深入调研业务运作和流程现状，制订数据要素价值利用战略规划，制定明确的计划和实施方案，并根据业务和战略规划适时调整和推进。阿里巴巴实践数据要素价值利用与公司组织模式优化基本协同推进。华为在数据治理中有专门的数据流程保障和数据管理部门负责数字化转型和数据要素价值利用。华为利用自身产品和解决方案赋能数字中国建设，并联合中国电子打造自主安全可控的鲲腾生态保障国家产业链供应链安全。
再次，企业层面数据要素价值利用工作是“一把手工程”。与数字化转型相类似，企业最高领导层应高度重视企业数据价值并给予足够支持。数据要素价值利用的前提是要把企业内部及企业掌握的产业链相关方数据归集到企业数据底座中，也就是要消除原有的一系列“数据烟囱”，这在传统企业尤其是大中型国有企业推进过程中会遇到各种约束，需要企业最高领导层的支持与协调。
最后，企业层面数据要素价值利用工作要在明确战略目标的前提下，细化阶段目标、分步骤实施。数据要素价值利用是一项长期的系统性工程，投入规模往往较大，还会涉及组织和流程的调整，因此需要协调企业内部全体成员及业务部门达成共识。然而，由于不能对业务正常开展造成影响，数据要素价值体系建设不可能短期内完成，容易出现工作不断推进、投入不断加大、短期效果却不明显的现象，造成体系建设相关工作最终不了了之的局面。这就需要在顶层设计时，明确各个建设阶段的目标，通过速赢项目，不断凝聚和强化企业内部共识，持续推进数据要素价值利用工作。
