今日财经期刊佳作关注 数字原生企业数据价值激活过程的案例研究
二、今日财经期刊佳作关注
数字原生企业数据价值激活过程的案例研究
导读
摘要：数字经济时代,数据正成为助推企业快速发展的重要战略资源,数字原生企业作为数字经济大陆上“土生土长”的新型商业形态,创业伊始就天然地基于数字逻辑设计其商业模式,最大限度地激发数据价值,挑战传统企业价值创造范式。依据数字原生企业实践,运用案例研究方法系统探索了其数据价值激活过程。研究发现:数据价值积累阶段,数字原生企业通过数据引流和结构化存储,接入数据并解决数据质量参差不齐的问题;数据价值挖掘阶段,数字原生企业通过数据加工和价值洞察,完成对数据关联性可视化的呈现与溯源,明晰了数据预期可实现的价值类型;数据价值输出阶段,从数据融合到要素转化,数据最终实现了从非结构化的低价值数据要素向结构化的高价值数据资产的转变。本文构建了数字原生企业数据价值激活的过程模型,实现了对数字原生企业这种新型商业形态理论规律挖掘的新尝试与新探索。 关键词：数字原生企业;数据;数据价值激活; 引用格式：单宇,王鲲,刘爽.数字原生企业数据价值激活过程的案例研究[J].研究与发展管理,2023,35(03):36-51.
0 引 言
随着新兴技术不断涌现，数据正成为助推企业快速发展的重要战略资源。企业拥有数据资源的规模及其数据能力，成为企业获得战略先机的基础。同时，技术也为企业商业逻辑带来了“创造性破坏”，深刻地改变了原有价值创造体系［1］。在这个过程中，孕育出了一种新型的商业形态——数字原生企业（digital native enterprise）。数字原生企业基于数字经济的逻辑设计其商业模式［2］，以数据、算法为核心战略资产，依托于云计算、大数据等先进信息技术实时快速的处理高容量、多样性的数字资源［3］，并将其转换为可进行市场交换的数字产品［4］。数字经济时代，竞争已从现实转移到虚拟的产品和环境，数据成为企业竞争的关键要素，且数据只有被激活才能产生价值。因此，探究数字原生企业数据价值激活的过程，成为学界和业界关注的重点议题。
数据作为数字经济时代赋能企业生产经营的重要战略资源，其价值是显而易见的。随着数据规模和复杂程度成指数级增长，学界和业界都在思考如何激活静态存储数据的问题，从信息资产中获得更多的价值［5］。现有研究对于数据价值的探讨包含数据价值类型，数据价值来源、数据价值激活主体3个方面。数据价值类型包含社会价值和经济价值，学者通过战略价值、变革价值、交易价值和信息价值4种类型将经济价值的内涵细化［6］；关于数据价值来源，有学者从数据自身特征和数据使用2个层面探讨了数据贡献的价值［7］；数据价值激活的主体包含企业、消费者、利益相关者等多维行动者［8］。
传统企业激活数据价值被认为是一种“昂贵的练习”，因此，相关研究聚焦于探讨传统企业如何在生产制造、流通存储、营销等方面更好地应对数字化转型的挑战［9］。与传统企业为进入数字经济新大陆而需进行数字化转型不同，数字原生企业创业伊始就天然地基于数字经济的逻辑设计其商业模式［2］，其价值激活途径立足于对数据本身的充分洞察与挖掘，不断提高数据质量触发数据价值增值［10］。虽然现有研究对数据价值进行了有益的探讨，但是更关注传统企业，将数据视为一个整体，将原始数据与衍生数据置于同一范畴探讨传统企业如何利用数据增强效率来生成价值［11］，忽视了数据需要经过收集、存储、清理、分析、应用等环节才能转化为具有价值的数据资产或数据产品［4］。企业输入的数据要素本身并不具备价值，特别是对输出的产品和服务均为数据的数字原生企业来说，更强调数据形态的转变。因此，数字原生企业转化数据形态以及激活数据价值的整体过程有待于进一步探讨。
针对上述理论缺口，本文选取车车公司（以下简称“车车”）作为案例分析对象，将研究问题聚焦于数字原生企业数据价值激活过程。通过回答上述问题，本文构建了数字原生企业数据价值激活的过程模型，识别了其中所涉及的关键要素，解构了低价值多源异构数据向高价值结构化数据转变的过程，既是对数据价值激活过程研究的拓展，也是对数字原生企业这种新型商业形态的新尝试与新探索。
1 文献回顾
1.1 数据价值激活
数字经济时代，数据作为新的生产要素进入企业创新发展体系中，已经成为赋能企业生产经营的重要战略资源［5］。关于数据价值的思考最早起源于“索洛悖论”。数据价值的定义尚未统一，有学者认为数据价值是指数据产品的市场价值，或数据本身为组织带来的货币利益和竞争优势，以及推动人类社会发展的有益成果［12］。随着大数据、云计算、人工智能技术的发展，数据规模和复杂程度成指数级增长，企业有机会从信息资产中实现更多的价值［12］。
现有研究关于数据价值的探讨，主要关注以下方面。①数据价值类型。学者普遍认可数据具备社会价值和经济价值。在社会价值方面，组织期望应用数据分析技术在诸多领域获得收益，例如电子商务、智慧城市、科学医疗和公共安全等［14-15］。在商业领域，数据蕴含巨大经济价值，并且被企业视为创新产品、服务和获得商业机会的来源［16］。学者通过战略价值、变革价值、交易价值和信息价值4种类型将经济价值的内涵细化［6］。②数据价值来源。一方面，部分研究基于数据特征视角，从数量、速度、种类、准确性等多个维度刻画数据［17］，利用量表、数据资产交易核算等方法来测量数据不同维度所蕴含的价值［18］；另一方面，部分研究基于数据应用视角，指出数据在以倍数级提升整体资源生产率并降低资源管理成本的过程中，贡献了使用价值［19］。③数据价值激活主体。早期研究关注组织层面主体，以企业居多。企业数据分析管理能力、技术能力等技术劳动触发了数据价值的增值，体现出“数据—信息—知识—智慧”的变化［7］。随着数据的跨维流动实现了不同行业、不同领域的跨界参与者通过合作共创价值生成空间［20］，相关研究开始关注消费者、利益相关者等数据生产者参与的数据价值激活行为，利用数据能够为消费者创造大量经济盈余［21］。④在研发、生产、仓储、消费环节，利用数据可以降低成本、缩短周期和控制风险［22］，进而实现架构弹性化［23］、研发智能化［24］、生产精准化［25］、仓储高效化和产品创新化［26］。数据的合理运用实现了企业流程改进、效率提升、组织能力迭代升级等［27］。
1.2 数字原生企业
随着用户交互行为的多样化，企业需要更深层次的数字化服务满足用户需求和实现发展。全球性研究机构“国际数据集团”较早提出数字原生企业概念，将其定义为高度依赖于将数据转化为知识的相关企业，是天生数字化企业。江小涓和靳景［28］将数字原生企业分为数字平台企业、专业数据生产商、依托数据的新创企业和数字相关基础设施企业4种类型，均以数据作为基本要素支持企业生存发展。
相较于数字化转型的传统企业，数字原生企业极具独特性。与传统企业为进入数字经济新大陆而需开展数字化转型不同，数字原生企业是这片新大陆上的“原住民”企业 ［2］，企业价值创造根植于数据。李煜华等［3］对数字原生企业与传统企业数字化转型路径进行了研究，认为两者区别在于数字原生企业已有数字基础，而传统企业开展数字化转型更多受到数字技术跃迁、企业竞争压力等因素影响。激活数据价值，传统企业依赖于通过引进、运用技术，将数据与其他类型资源有效互补以提升企业绩效［29］；而数字原生企业立足于对数据本身的充分洞察与挖掘，不断提高数据质量，触发数据价值增值［10］。
数字技术日新月异，数字原生企业的能力也需不断升级以适应数字化产业需求。数字原生企业面临的挑战存在阶段性特征。创立初期面临着技术和资本的双重壁垒，需要在数字基础设施建设中投入大量资金。在用户量较少时，数据收集、处理、分析、应用的边际成本高，企业很难获得资本青睐，存在生存危机［30］。成熟的数字原生企业因用户量增加形成规模经济，随着技术的更新迭代和市场需求的快速升级，生产过程、外部环境、供应链协同的不确定和复杂性持续增加。如何快速感知市场变化，增强决策准确性，实时性，识别潜在客户需求，降低产品管理运维成本，提高开发迭代速度，已成为新的关注点和竞争点［31］。例如，家乐福在数字化转型中亦步亦趋模仿电商和外卖平台，但只做到形式上的数字化，没有充分利用数据洞悉用户需求、改变供应流程、优化店内运营，最终导致数字化转型失败。
现有研究更关注传统企业，且将数据视为一个整体，将原始数据与衍生数据置于同一个范畴内［11］，更注重探讨数据对传统企业效率的增强，忽视了数字原生企业这一新型商业形态内数据形态的转变过程。事实上，企业获取的原始数据是碎片化的，不具有直接应用价值，需要经过收集、存储、分析、应用等环节［18］，才能转化为更具价值性的数据资产或数据商品［19］。数字原生企业输出的产品和服务本身均为数据，数据形态的转变对其非常重要。将数字原生企业作为研究对象，是在云计算、人工智能、大数据发展新的复杂情境下针对新的组织形式的探讨。同时，数字原生企业如何将传统企业局部、静态、部门孤立的数据治理行为转变为整体、动态、合作的数据协同行为值得思考［32］。因此，数字原生企业如何在转变数据形态的过程中激活数据价值有待于进一步探讨［33］。
2 研究方法
2.1 研究方法
本文采取探索性案例研究方法，原因在于：①本文聚焦于数字原生企业的数据价值激活过程研究，需要对过程进行深描以打开黑箱，具有归纳性和探索性的特征，案例研究能够清晰揭示这类解释过程的研究问题［34］；②本文是对数据价值激活过程的刻画和再现，运用单案例研究方法能够识别数字原生企业激活数据价值中的关键要素，呈现过程中要素之间的因果关系，从而补充现有理论［35］。
2.2 案例选择及案例简介
本文选择北京车车网络技术有限公司作为案例分析对象。一方面是遵循了典型性原则。车车是一家典型的数字原生企业，创业初期就依据数字经济的逻辑设计其商业模式。数据指引、技术驱动是车车价值创造的核心。车车客户主要是汽车供应链金融参与者，包含生产厂商、供应商、汽车经销商、金融机构和监管公司。目前车车向平安、中信、招商银行等多家金融机构和奥迪、大众等多个汽车品牌提供数字化解决方案，系统在线12 000余家汽车销售网点，主营业务包含运用数字化手段协助银行等金融机构实施内控管理、汽车销售二级网点管理、贷后巡库等。例如，车车利用数据服务协助银行解决了全国汽车销售二级网点保证金管理的难题。另一方面是遵循了启发性原则。对于车车，数据是造血的“心脏”，车车以数据为起点并将其充分利用，在快速变化的市场环境中开拓和识别全新的市场机会。车车将公司核心竞争力定位为“技术创新+智慧运营”，专注于满足客户个性化的开发需求。对于车车数据价值激活过程的研究，能够为企业开发数据价值提供经验借鉴。通过与企业受访管理者商议后，以企业对数据价值的利用程度作为划分标准，将案例企业历程分为3个阶段（见图1）。①第一阶段数据价值积累（2012—2016年），广泛地收集数据与存储。车车作为初创企业，受益于管理者技术思维广泛拓展企业业务，先后承接了银行和监管公司的数据采集工作。面临初创企业资源约束，车车通过外包技术团队搭建数据存储基础架构，数据接入云服务。②第二阶段数据价值挖掘（2017—2019年），完成了数据关联性可视化呈现与溯源，明晰了数据预期可实现的价值类型。2017年始，车车投入了大量研发成本组建团队、成立研发中心，自有研发团队可以更高效地进行数据分析与软件迭代。这一阶段研发团队利用机器学习等算法分析原始数据，平安总行认可分析后的数据的价值，并达成长期合作意向。③第三阶段数据价值输出（2020—2022年），数据分析结果转变为商业策略和可销售的产品服务等。车车的客户应用数据分析结果指导企业决策，更改了部分管理规定和销售策略。车车实现显性盈利，扭亏为盈并得到发展。
图1 案例企业历程
2.3 数据采集
本文的数据来源分析主要以半结构化访谈为主（见表1）。研究团队主要成员曾在案例企业驻点调研1 年，获取了丰富的一手资料，让研究团队能够以“局内人”的身份深度沉浸入研究现象，为本研究提供了充足的证据支撑。本文对案例企业成长过程中的数据资料进行编码、分析和逻辑推演，以获得案例活动的内在规律。
表1 案例企业半结构化访谈信息及编码
为了确保研究的信度和效度，本文从多渠道获取多种资料（见表2），并且对资料进行了相互印证。主要包括：①内部资料，包括业务台账、企业官方及非官方资料、行业调研报告；②参与观察数据；③半结构化访谈，从多个角度验证数据来源的准确性，包括企业总部、研发中心、分公司、不同机构的客户，不同类型访谈者提供了互补性信息。例如，对于总部管理岗位的被访谈者，访谈聚焦于企业的发展历程、关键战略节点、组织架构、市场推广等问题；对于研发中心与分公司，访谈聚焦于案例企业研发方向、产品定位和数据应用的典型事例；对于案例企业客户，研究团队聚焦于数据技术应用环节等问题。
表2 不同的证据来源
2.4 数据分析
案例研究既要“讲个好故事”，也需要对现象进行系统性的概念化编码［34］。本文遵循案例研究方法对质性资料的分析建议，采用结构化数据分析方法开展数据分析［36-37］，通过一阶分析（忠于受访者语言）和二阶分析（以研究者为中心的概念、主题和维度），在归纳的理论概念与案例数据之间建立联系并形成聚合构念。
在数据分析过程中，研究者团队成员同时参与进行原始数据编码，并与案例企业受访者共同核对编码结果，对于不一致的条目由双方人员进行辩论，最终保留达成一致的编码结果。数据收集整理与数据编码分析反复迭代进行。首先，本文站在案例企业视角系统梳理了车车数据价值激活过程中所有重要事件和活动，同时，针对这些事件和活动进行编码，通过对事件和活动的归类与主题提炼，将编码合并为“锚定汽车金融领域客户”“向汽车品牌商提供数据服务”等24个一阶概念；对一阶概念归类后赋予“目标锁定”“数据连接”等12个二阶主题，反映一阶概念的关系；进一步地，整合具有关联性的二阶主题形成了数据引流、结构化存储、数据加工、价值洞察、数据融合、要素转化6个聚合构念。最终，本文形成了一个由一阶概念、二阶主题和聚合构念组成的数据分析结构（见图2）。
图2 数据分析结构
3 案例分析与发现
3.1 数据价值积累
车车成立于2012年，是一家集数据填报、数据处理、数据分析、智能评估为一体的数字原生企业。从成立至发展阶段，车车充分意识到数据的价值，通过借助数据挖掘与数据分析技术快速建立行业优势，让客户意识到与其进行合作的价值。成立初期，车车与银行合作进行二手车评估鉴定。由于数据来源多样，企业没有预先进行规划，以致很难预见从数据到知识的转化结果，未能完成数据价值积累。因此，车车考虑基于云搭建数据池，为数据提供一个稳定的运行环境，其架构具备以下典型特征：可实现秒级的弹性响应，资源隔离和分布式存储。车车通过数据引流和结构化存储，使得相关业务数据得以清晰、有条理地存储下来，为数据价值积累打下了坚实的基础。其中，数据引流聚焦于数据的连接与留存，以期实现数据的集聚效应，结构化存储以关注数据的集成管理。具体如图3、表3所示。
表3 数据价值积累阶段典型证据援引
图3 数据价值积累
3.1.1 数据引流（1a） 数据引流是指数字原生企业利用数字技术塑造企业内部与外部的数据传输，推动数据实现在空间上的集聚与时间上的累积。这一阶段数据的积累主要得益于目标锁定和数据连接两个方面。
1）目标锁定（1a-1）。目标锁定是指确定数据来源，数据来源是构建数据管理体系的前提。车车通过数字技术服务与跨领域合作伙伴建立合作关系，锁定数据来源。车车在创业初期就明确战略目标，提出“做最好的汽车金融领域的服务商”。因为管理者拥有近10年银行汽车金融部门的从业经历，所以车车将产品方向锚定于汽车金融领域。管理者在创业初期就意识到银行、汽车厂家等大型企业未来建立数字化业务模式是发展的必然方向，而车车可以通过数字化服务与之建立合作关系，利用数字技术协助客户管理数据，进而参与整个供应链金融服务的产业链。
以银行为例，以往融资业务需要客户经理实地贷前审查和贷后走访，如此庞杂的信息和分布在全国各郊区的销售网点使得工作费时费力，成本居高不下。车车运用技术优势，针对银行业务开发创新管理模式，利用系统和人工远程收集全国各地网点信息。既不需要高昂的差旅成本，还避免了以往县市级网点监管覆盖不全的风险。车车依靠技术优势广泛地参与了银行融资业务，通过共同积累的业务信息深入地与银行建立数据的连接。正如受访者所言：“我给企业的定位是，给客户输出的是技术服务和运营服务，不同于其他行业，我们输出的就是加工后的业务数据（F1）。”
2）数据连接（1a-2）。数据连接是指理顺企业的数据流，为数据流通搭建传输渠道，减少数据的衰减损耗，提升数据在产业链上下游之间的可控共享。建立数据连接是为了后续充分挖掘数据的流动价值，与客户建立数据协同机制。企业间数据协同建立的前提是，在自身特定定位之下专业能力的积累，以此确保合作模式下价值创造的最大化。以案例企业为例，银行向车车输入需要检验的原始数据，车车输出加工后的数据。原始数据容量大、种类多，但信息密度较低。车车通过多触点动态采集对原始数据进行补充，丰富数据源层次。例如，车辆会有在途运输、核验入库、内外部场所展示、借调销售等不同移动轨迹。银行提供车辆的初始位置，车车通过数据串联，实现完整的车辆移动轨迹跟踪。正如受访者所言：“系统通过GPS/北斗/WIFI 等多种定位方式获取定位信息经纬度，并以组合定位方法保证不间断高精度的定位，实现全天候、无死角监控（F22）。”这意味着银行可以借助车车系统轻松掌握质押车辆移动轨迹，实现车辆全流程的数据管理。
3.1.2 结构化存储（1b） 结构化存储是指数字原生企业把不同来源、格式、性质的数据进行组织、计算、存储，使原始数据在逻辑上有机地聚集。车车对操作规范和数据质量分别提出了要求，采用统一的数据采集策略，使数据均受规则约束，符合完整性、客观性的原则。
1）类型识别（1b-1）。类型识别是指按照既定原则、标准或方法对数据进行整理与组织，解决多重异构数据存储产生数据不一致的问题。在不同业务场景下，分类整理多源异构信息都是进行数据分析的前提，数据的清晰程度体现了企业数据逻辑思维。车车通过机器学习的深入探索，将技术应用至质押车图形图像识别、身份信息识别、视频主体识别、VIN码识别、二手车估值检测等多个领域，通过物理数据端到端的传输，业务更加便捷高效。正如受访者所言：“因为系统拍摄车辆照片要求用户在营业地点、指定时间段内拍摄，时间和地点可以通过系统和人工进行两次判定，我们让系统学习数以万计的真实车辆图片和拍摄电脑屏幕、拍摄纸质照片、拍摄手机相册等不符合规范的图片，使系统能够自主判定用户上传的信息是否真实（F14）。”具体表现在车车设置了系统防作弊检查，将后台自动审核通过的信息作为抽查样本，比如，2022年1月抽取样本数量为8 168家，可能存在摩尔纹图片为292张，系统对292张图片进行重新判定（E1）。通过应用机器学习技术，系统可以自动识别照片是显示器拍摄，还是实物拍摄，随着训练集数据的积累完善，模型的预测会更加准确。
2）架构搭建（1b-2）。架构搭建是指企业根据自身特点及资源禀赋，对数据架构进行科学规划与配置，使数据处理、交换、共享等各个环节可以集中管理，数据能够统一留存。车车构建数据架构从需求分析、部门分工和设计开发3 个部分入手。首先，确定架构主题和需求分析。车车以汽车金融为主题，汇总了银行、汽车厂商、经销商的业务需求，分析了需要收集的数据类别，并对数据量、存储占用情况提前估算规划。其次，车车在组织内部为架构搭建进行了部门分工。初步分工为负责系统研发的技术部门，负责数据采集和加工的运营部门，负责数据分析的项目部门和负责数据规划的管理部门。协作模式下明确各部门数据责任，规范流程。在企业内建立人、数据、技术系统之间的和谐关系，是数字原生企业能在正确的时间得到准确的数据支持的原因。进一步，搭建数据架构。车车根据汽车行业特点，以汽车厂家—品牌—车型—地域—经销商—二级销售网点为逻辑，搭建了由上至下的数据分类存储架构，使得业务数据能够规范存储、统一留存。正如受访者所言：“我们自建了全品牌、全车系、全车型的车辆数据库（F6）。”
3.2 数据价值挖掘
随着车车积累的数据量不断增加，留存的 “数据噪声”也越多，即影响企业判断的无效数据。如何充分挖掘数据价值，在复杂数据中搜索出有着特殊关系性的信息，是车车数据价值激活最核心的一步。在数据价值挖掘阶段车车动作可以概要性地分为数据加工和价值洞察。其中，数据加工关注数据状态改造的过程，价值洞察聚焦于数据关联性的挖掘。具体如图4、表4所示。
表4 数据价值挖掘阶段典型证据援引
图4 数据价值挖掘
3.2.1 数据加工（2a） 数据加工是指将存储数据统一化的过程，数字原生企业把不同来源、格式、性质的数据进行组织、计算、存储，使原始数据变为高质量可用数据，并在逻辑上有机地集中。车车在数据处理平台的基础上，加强了数据价值的开发。
1）信息核验（2a-1）。信息核验是指判定数据的状况，移除冗余、无效、无来源数据，补充残缺数据，判断错误数据，提高数据的有效信息含量。车车部分业务采集数据的方式为远程采集，这种方式难免会出现填写不规范、隐瞒真实信息、少填漏填错填等情况，正如受访者所言：“例如二网开放注册之后，会有不是二网的企业注册（F27）。”所以，需要对已采集数据的真实性和完整性进行更加严格的核验，以此保留真实、完整的数据信息。无效数据包括重复的、残缺的和错误的数据。车车业务包含核验质押物品的安全，无效数据意味着可能存在潜在风险。如何在早期规避企业作弊，避免系统储存无效数据，车车以两步审核进行了信息核验，分别是系统设置、人工核验。以系统设置为例，车车将“时间”设置为信息录入的限制性因素，借助自研的车辆抽查算法，随机下发车辆检查任务，使销售网点没有办法因为检查时间存在固定规律提前作出应对。正如受访者所言：“我们要求汽车销售网点在看到车辆抽查信息的10分钟内点击确认，在限定时间前后半小时内完成车辆拍照并上传，防止车辆在其他地方临时开回网点应付检查（F26）。”
2）统一指标体系（2a-2）。统一指标体系是指从基础命名开始，统一技术和业务口径，把控指标内涵，可以更直观地根据业务状态、日期、指标名称进行查询。指标加工的统一十分有必要。例如，系统内有12 944家二级销售网点，意味着约有1 200种合同版本（E1）。车车运营人员需要在不同版本合同中提取出汽车品牌、合同期限、约定车辆台数、保证金金额和合同是否缺少章印等信息，并将此类信息汇总传递给合作方。在良好的指标体系基础上，还需要考虑降低数据调用难度。正如受访者所言：“车车通过新一代MPP并行数据库集群、Hadoop集群、内存技术及流技术应用，搭建了进行数据处理的基础架构，解决了大量异构数据带来的难题，支持海量数据秒级查询（F6）。”
3.2.2 价值洞察（2b） 价值洞察是指在数据加工基础上建立高效的数据分析流程，在原始数据质量提升后，对支持业务需求的数据进行整合和分析，以此形成洞见，为支持下一阶段数据场景化应用。正如受访者所言：“我们通过数据监测、分析和挖掘，以客户为中心，汇聚用户企业属性，以此建立完整的企业用户画像（F9）。”
1）描述性分析（2b-1）。描述性分析建立在基础数据分析持续验证的基础上，分析结果多次迭代后，将对分析对象产生接近准确的评估结果。因数据具有时效性的特征，车车数据分析行为分为每日、每周、每月、每半年度和每年度的多节点分析。同时，为了满足企业不同应用场景的数据查询和辅助分析需求，设计系统多层次图形化的展现。车车数据可视化呈现数据地图服务对象有数据管理者、应用开发者、数据日常使用者。数据地图作为评估工具，帮助车车管理层了解企业数据在配置科学性、使用充分性、质量统一性、结果风险可控性等方面的情况。数据地图作为辅助工具，帮助车车开发人员了解数据分布以及运行情况反馈，从而帮助开发工作有序进行。数据地图作为向导，帮助车车和客户运营人员解决数据在哪里、如何取和怎么用的问题。
2）前瞻性判断（2b-2）。前瞻性判断是指通过智能化分析对业务的前瞻性支持，识别潜在的业务风险，构建稳定的、可预测的风险评分体系。车车前瞻性判断主要体现在对于企业用户的风险感知。在企业用户经营风险彻底暴雷之前，通过多种因素的综合分析，运用数字化手段分析企业用户在经营中面临的风险，以及风险存在的潜在原因。前瞻性判断建立在重复性的数据分析结果上。对于企业经营状况的分析，需要车车持续跟踪才能形成判断结果。比如，某上市集团的多个合作汽车销售网点，多日没有反馈车辆状态，结合对上市集团汽车项目经营信息的了解，预测该企业多个合作网点可能存在经营风险，并提前将分析预测结果告知银行，并协助银行进行跟踪补救。正如受访者所言：“我们拥有多维度、多指标的交叉分析能力，360度洞察企业用户经营状况，实现企业评级分类，提供企业全域画像，对异常数据可以做到及时风险预警，帮助金融机构实现精准决策（F11）。”
3.3 数据价值输出
通过数据价值积累、挖掘的过程，已初步建立起数字原生企业数据运行体系，引入的原始数据已变成有价值的信息。数据价值输出阶段聚焦于数据的应用，高价值数据不仅可以为客户提供决策参考信息，提高其企业资源使用效率，也为数字原生企业自身带来创新价值，包括新产品开发和提出新价值主张以增强客户体验等。车车通过保持动态创新，使数据能力成为助力企业创建竞争优势的核心能力，同时通过数据融合和要素转化助力于客户和企业自身。其中，数据融合展现其辅助决策的进阶能力，要素转化体现在从数据到数据能力，从数据能力向全要素生产力转化，为客户与自身创造新价值。具体如图5、表5所示。
表5 数据价值输出阶段典型证据援引
图5 数据价值输出
3.3.1 数据融合（3a） 经过深度挖掘后的数据可以指导数字原生企业进行数字化决策。数据融合是指在此情境下，决策主体由人作为主导转变为“人机协同”，决策所参考的信息范围由单一领域向跨域融合方向转变。
1）决策主体融合（3a-1）。决策主体融合是指机器与决策者的信息存在交互融合，机器通过自主学习为决策者提供关键特征信息。基于已建立的数据模型和数据预处理能力，车车可以使用特定工具来解读数据之间的关系，清晰有效地向客户传递数据信息，并对企业智能决策提供支持。例如，银行拥有全国汽车销售二级网点准入资料，但是没有精准了解网点在库车辆的变化状态。银行借助车车提供的车辆移动轨迹记录，做到了对质押车的精准管理。因为掌握了二级网点管理的主动权，银行放宽了对经销商融资政策限制，包含对二级网点发展数量的限制、移动车辆比例限制、摆车时间等管控政策。经销商可以多发展二级网点，向二级网点移动更多的车辆。这不仅支持了经销商经营绩效的提升，也提高了银行融资政策的市场竞争力。
2）决策信息跨域融合（3a-2）。决策信息跨域融合体现在能够提升客户在复杂场景下的决策能力。决策制订需要结合多重因素，例如，影响车辆评估价值的因素包含车辆价格、品牌价值、车辆保有量、地方政策、城市结构、社会事件、舆论导向等。车车通过大数据整合与分析，建立车辆评估特性数据模型，并且通过不断的机器学习来训练评估模型的精确度，与市场估价对比，车辆残值模型计算的车辆评估价值平均差异率在1.42%左右。
3.3.2 要素转化（3b） 要素转化建立在上述流程之上，数据由原始的、碎片化的数据转变为数据资产。要素转化是指数字原生企业基于前期依靠数据技术精准洞察和捕捉客户需求，使企业数据能力向全要素生产力转化，为企业创造新价值。
1）需求匹配（3b-1）。客户的关注重点并非一成不变，需要利用推理规则等挖掘手段实现客户数据图谱的动态更新。一方面，通过解决客户难题，强化合作连接。比如，因为县级网点背景调查成本高、风险监管困难等原因，银行较少开发针对二级网点的融资产品。车车主动将各县市网点数据进行了分析，辅助银行决策的制定。另一方面，协助客户效率提升。比如，车车协助平安银行建立部门级内部管理系统，为银行提供全方位的“内外勤管理”解决方案。正如受访者所言：“将银行内勤的工作流程搬到了系统中，客户信息的维护（授信、出账等）都非常及时，外勤人员可在系统随时查看，减少了很多电话沟通（F61）。”
2）优势叠加（3b-2）。优势叠加是指数据与其他生产要素相互协调，互为补充，使得数据加持后的各生产要素形成互补与合力，从单一向多元发展。具体体现在围绕汽车金融领域，企业衍生出多样化的服务生态。车车作为数字原生企业，受益于企业管理者技术思维和数据能力广泛拓展业务，先后承接了易鸿汽车监管公司软件系统的开发；银行汽车金融内控管理等多个项目；除金融机构外，拓展车商成为二手车评估鉴定业务合作伙伴。有效利用数据作为企业开发新产品、拓展新客户的信息基础。通过感知新合作机会，在企业第一项业务接近持续稳定增长的时候，找到带领企业业务二次增长的新方向。新的业务可以平摊之前投入的研发费用、管理费用和销售费用，通过这种方式，将企业前期投入成本转变为可持续增长利润。
4 数字原生企业数据价值激活过程
本文围绕探究数字原生企业数据价值激活过程这个核心问题，通过对车车的案例分析，系统探索了该企业数据价值激活的关键要素及递进过程，并提炼了数字原生企业数据价值激活过程的理论模型（见图6）。
图6 数据价值激活的过程模型
第一，数字原生企业积累数据价值的数据池是基于云构建的可升级的存储池，以应对爆炸性增长的数据而采用的一种虚拟化技术［38］。传统企业批处理模式数据库是存储一段时间内大量业务数据的一种有效机制［39］。数字原生企业数据池是流模式和批处理模式的结合，既能完成数据存储，更重要的是收集和聚合来自不同来源、不同结构的数据，例如传感器发送的位置、声音、运动等数据和人机交互产生的带有主观偏好的数据。当前人与机器交互形成了巨大的数据洪流，数字原生企业普遍拥有较为敏锐的跨域意识，能够通过收集不同领域数据增加数据广度。通过案例分析，本文发现数字原生企业以数据池为基底，积累数据价值、设计和组织其数据的有效配置［40］。具体而言：在数据价值积累的阶段，数字原生企业基于数据池，进行引流和结构化存储，以此建立能力范围内全量全要素的数据感知体系，期望最大限度地获得更高质量的数据。数据引流的过程包含目标锁定和数据连接。结构化存储包含数据类型识别和架构搭建。为了得到更高质量的数据，数字原生企业要求数据格式和标准符合行业属性，借助自动化设备与人工核验提高端对端采集数据的效率和准确性，以确保数据在内外部协作模式下得到质量管控。
第二，挖掘数据价值是在数据价值积累的基础上，对分布整齐的数据进行加工和分析［7］。数字原生企业数据分析基于云计算特性设计，企业不仅可以满足数据规模冲击提升服务弹性的需求，也可实现数据交叉分析［41］。传统企业挖掘数据价值类似于“向水库中取水”，数字原生企业更像是一座“自来水工厂”，将广泛的大数据作为“水源”，通过“净化”方式挖掘数据价值。使用传统工具和传统方法很难处理和分析如此庞大的异构数据，而数字原生企业的核心优势是采用并行处理技术，重视数据挖掘的深度、保障数据处理的持续性、准确性和新鲜性，是数字原生企业区别于传统企业的独特表现。通过案例分析，本文发现数据的组织、加工、应用都需要设置恰当的方式，以此清除无效数据、冗余数据和错误数据。具体而言：在数据价值挖掘阶段，数字原生企业主要通过数据加工和价值洞察对数据进行深度加工，以此挖掘海量数据关联性，判断数据价值类型和可使用方向。数据加工关键要点为信息核验与统一指标体系。价值洞察体现在描述性分析和前瞻性判断2个方面。目的是使结果数据完整、准确地反映业务系统所需，帮助数字原生企业建立问题追溯体系。通过多维度数据的综合汇聚和呈现，对用户活动、状态进行更加全面的剖析。
第三，数据具有自生长性的迭代创新能力，使得数字原生企业产品和服务创新能力增强，对其价值创造具有积极的影响［42］。通过案例分析，本文发现数据价值的输出主要体现在充分激发数据要素的价值属性，将数据携带的知识和信息转化为企业效益。传统企业数据与产品分离，而数字原生企业输出的就是数字产品［4］。具体而言：在数据价值输出的阶段，主要体现在数据融合和要素转化2个方面，将数据融入新产品或服务的开发，驱动数据最终作用于数字原生企业创新性价值生成或效率性价值增加。数据融合体现在决策主体融合和决策信息跨域融合。决策主体“人机融合”增加了决策主体科学性。机器智能通过提取关键知识和信息，提供可参考的决策分析结果，从而引导客户做出更优的决策。而互补性信息源能够为客户提供决策所需的全景信息，实现决策信息跨域融合。数据融合是数据信息物理层面的融合，要素转化是数据价值的实际体现。数字原生企业通过客户个性化反馈，应用分析结果开发新的产品或服务来响应客户需求，通过与客户多次交互强化现有客户连接。同时，通过数据服务能力实现数字原生企业自身优势叠加，助力其新合作机会的建立。
综上所述，随着学者对数据的研究热度不断上升，提出实现数据价值新范式的研究也不断增加［43］，但多数企业合理运用数据仍存在实际难度，而本文解释了数字原生企业通过客户端移动设备、传感器、信息系统等多种来源获取、交流、聚合、存储、分析、转化数据的整体过程。数字原生企业的商业模式本质是数据资源的收集汇聚和智能算法结果的服务应用。依照数据价值链或数据金字塔［7，39］，从数据中获取见解主要关注数据的获取、存储和分析3个阶段。这样划分是通过技术需求聚类各个阶段。当重点论证通过技术手段实现数据潜在价值时，数据价值链是十分有效的。然而，如果将重点转移到技术之外，放大到高度复杂性的数字经济时代的企业管理实践中，技术驱动的边界不完全匹配激活数据实际效用价值的边界。数字原生企业激活数据价值过程，体现了数据从多源异构的低价值数据要素向结构化的高价值数据资产的转变。
5 贡献与启示
5.1 理论贡献
一方面，本文从整体过程观视角解释了数字原生企业如何激活数据价值［33］，揭示了数据价值激活过程中所涉及的关键要素，解构了非结构化低价值数据向结构化高价值数据转变的整体过程，能够贡献于现有文献对数字原生企业如何激活数据价值整体过程考量不足所造成的研究缺口。现有研究聚焦于过程的单个或多个环节，集中于对结果和企业活动的探讨，并且普遍将数据视为一个整体，对原始数据与衍生数据不做区分，而且对输出的产品和服务本身均为数据的数字原生企业尚未进行充分的探讨。本文立足于数字原生企业，归纳了数字原生企业激活数据价值的3个阶段（数据价值积累—数据价值挖掘—数据价值输出），从中识别出数字原生企业激活数据价值的6 个关键要素（数据引流、结构化存储、数据加工、价值洞察、数据融合、要素转化），揭示了未被加工的原始数据转化为有价值的数据资产所需具备的流程与要素，能够为后续数字原生企业激活数据价值的研究提供一定的理论参考。
另一方面，数字技术带来了组织形态的重要创新，本文对于数字原生企业这种新型商业形态的探讨，深化了现有文献关于数字原生企业特质及其价值创造过程的研究［33］。数字原生企业价值创造活动高度依赖于数据的转化与激活，企业实践也充分展现了数据形态的转变过程。现有文献普遍认可有效利用数据是组织在数字经济时代构建持续竞争力的关键所在［12］，但更多地关注传统企业数字化转型过程，忽视了数字原生企业这一新型组织及其数据价值激活过程。本文将数字原生企业作为研究对象，一方面阐明了数字原生企业通过客户端移动设备、传感器、信息系统等多种来源获取、交流、聚合、存储、分析、转化异构数据的整体过程［18］，另一方面阐明了数字原生企业如何将传统企业局部、静态、部门孤立的数据治理行为转变为整体、动态、合作的数据协同行为［32］。本文实现了对数字原生企业这种新型商业形态理论规律挖掘的新尝试与新探索，拓展了数字原生企业理论研究的边界。
5.2 实践启示
本文为管理者提供2 点启示。①数字原生企业可以结合数据要素特性，制订数据的引流、存储、加工、洞察、决策、转化等各个环节标准，加强企业内部数据要素供给标准化、规范化建设，强化高质量数据要素供给，对数字原生企业能接触的多源异构数据进行归集，同时尽量避免数据缺失、标准不一、传输反馈不及时等影响数据使用质量的各类问题。高质量的数据不仅能够助力数字原生企业巩固其竞争优势，并能有效促进数据高效有序地流通交易，更好地响应国家对于构建高质量数据供应链的呼吁。②数字原生企业应用数据范围包含企业生产经营数据、授权使用（非企业资产）的数据、传感器数据、公共数据、广泛的大数据等内外部多元异质数据。伴随政府公共数据逐步放开，政府鼓励数字原生企业对公共数据进行深度加工和结合企业业务增值使用。数字原生企业应充分响应政府号召，将商业愿景建立在消除不同地区、不同人群的数字鸿沟之上，并利用自身技术优势主动探索公共数据资源的开发与利用。
5.3 研究局限与未来展望
本文仍有一些不足之处有待未来研究继续完善。①本文分析对象是数字原生企业，数据要素始终嵌入其价值创造活动中。未来研究需要选取非数字原生企业进行进一步对比，分析数字原生企业与非数字原生企业间数据价值激活过程有何异同。②本文聚焦于数字原生企业数据价值激活过程，并未充分探讨外部环境影响因素对数据价值激活过程的作用机制，未充分展示企业受环境影响所呈现的动态性，未来需要对其动态变化能力进行进一步的分析与探讨。③数字原生企业作为探索人工智能技术的先行者，在决策流程方法、信息情境等要素上发生了较为深刻的变革，未来可以围绕大数据情境下管理决策变化影响因素进行深入探讨，凸显数据在有限理性决策中的积极作用，以及数字原生企业如何缩小企业数据能力与计算需求之间的差距。④随着数据技术在各个领域的普及，数据标准化需求将不断增长，与大数据流动融合、质量评估、标准制订相关的内容将成为国家和行业关注的重点，可以对数字原生企业在未来数据生态圈中的角色和发展路径作出深入探讨。
参 考 文 献
［1］ ELIA G， MARGHERITA A， PASSIANTE G. Digital entrepreneurship ecosystem：how digital technologies and collective intelligence are reshaping the entrepreneurial process ［J/OL］. Technological Forecasting and Social Change， 2020，150［2023-03-17］. https：//doi.org/10.1016/j.techfore.2019.119791.
［2］ 陈劲， 杨文池， 于飞. 数字化转型中的生态协同创新战略——基于华为企业业务集团（EBG）中国区的战略研讨［J］. 清华管理评论， 2019（6）：22 - 26.
［3］ 李煜华， 舒慧珊， 向子威. 数字原生企业与非原生企业数字化转型的组态路径研究——基于“技术—组织—环境”理论框架［J/OL］. 软科学， 2022， 24［2023-4-6］. http：//kns.cnki.net/kcms/detail/51.1268.G3.20220817.0840.002.html.
［4］ 吴欢， 卢黎歌. 数字劳动、数字商品价值及其价格形成机制——大数据社会条件下马克思劳动价值论的再解释［J］. 东北大学学报（社会科学版）， 2018， 20（3）：310 - 316.
［5］ 孙新波， 钱雨， 张明超， 等. 大数据驱动企业供应链敏捷性的实现机理研究［J］. 管理世界， 2019， 35（9）：133 - 151.
［6］ JI-fAN REN S， FOSSO WAMBA S， AKTER S， et al. Modelling quality dynamics， business value and firm performance in a big data analytics environment［J］.International Journal of Production Research， 2017， 55（17）：5011 - 5026.
［7］ VARIAN H. Artificial intelligence， economics， and industrial organization［C］// AGRAWAL A，GANS J，GOLDFARB A. The economics of artificial intelligence：an agenda. Chicago ：University of Chicago Press， 2018：399 - 419.
［8］ 周文辉， 程宇. 数字平台如何通过边界跨越构建价值共创型组织？［J］. 研究与发展管理， 2021， 33（6）：31 - 43.
［9］ 刘洋， 李亮. 制造企业数字化转型：全球视角与中国故事［J］. 研究与发展管理， 2022， 34（1）：1 - 7.
［10］ CORTE-REAL N， RUIVO P， OLIVEIRA T. Leveraging internet of things and big data analytics initiatives in European and American firms：is data quality a way to extract business value？［J/OL］. Information & Management， 2020 ［2023-3-17］. https：//doi.org/10.1016/j.im.2019.01.003.
［11］ 高阳. 衍生数据作为新型知识产权客体的学理证成［J］. 社会科学， 2022（2）：106 - 115.
［12］ FOSSO WAMBA S， AKTER S， EDWARDS A， et al. How ‘big data’ can make big impact：findings from a systematic review and a longitudinal case study［J］.International Journal of Production Economics， 2015， 165：234 - 246.
［13］ CHANG F， DEAN J， GHEMAWAT S， et al. Bigtable：a distributed storage system for structured data ［J/OL］.ACM Transactions on Computer Systems， 2008［2023-4-6］. https：//doi.org/10.1145/1365815.1365816.
［14］ 杨学成， 许紫媛. 从数据治理到数据共治——以英国开放数据研究所为案例的质性研究［J］. 管理评论，2020， 32（12）：307 - 319.
［15］ 欧阳桃花， 郑舒文， 程杨. 构建重大突发公共卫生事件治理体系：基于中国情景的案例研究［J］. 管理世界， 2020， 36（8）：19 - 32.
［16］ AKTER S， WAMBA S F， GUNASEKARAN A， et al. How to improve firm performance using big data analytics capability and business strategy alignment？［J］.International Journal of Production Economics， 2016， 182：113 - 131.
［17］ LANEY D. 3D data management：controlling data volume， velocity and variety［J］.META Group Research Note，2001， 6（70）：1.
［18］ 许宪春， 张钟文， 胡亚茹. 数据资产统计与核算问题研究［J］. 管理世界， 2022， 38（2）：16 - 30.
［19］ 蔡继明， 刘媛， 高宏， 等. 数据要素参与价值创造的途径——基于广义价值论的一般均衡分析［J］. 管理世界， 2022， 38（7）：108 - 121.
［20］ 曹仰锋， 孔欣欣. 黑海战略：工业互联网时代的新战略模式［J］. 清华管理评论， 2020（11）：85 - 92.
［21］ 肖静华， 胡杨颂， 吴瑶. 成长品：数据驱动的企业与用户互动创新案例研究［J］.管理世界， 2020， 36（3）：183 - 205.
［22］ VIAL G. Understanding digital transformation：a review and a research agenda［J］. Journal of Strategic Information Systems， 2019， 28（2）：118 - 144.
［23］ TAN K H， ZHAN Y Z. Improving new product development using big data：a case study of an electronics company［ J］. R&D Management， 2017， 47（4）：570 - 582.
［24］ JOHNSON J S， FRIEND S B， LEE H S. Big data facilitation， utilization， and monetization：exploring the 3Vs in a new product development process［J］. Journal of Product Innovation Management， 2017， 34（5）：640 - 658.
［25］ 戚聿东， 肖旭. 数字经济时代的企业管理变革［J］. 管理世界， 2020， 36（6）：135 - 152.
［26］ MIKALEF P， BOURA M， LEKAKOS G， et al. Big data analytics capabilities and innovation：the mediating role of dynamic capabilities and moderating effect of the environment［J］. British Journal of Management， 2019， 30（2）：272 - 298.
［27］ 单宇， 许晖， 周连喜， 等. 数智赋能：危机情境下组织韧性如何形成？——基于林清轩转危为机的探索性案例研究［J］. 管理世界， 2021， 37（3）：84 - 104.
［28］ 江小涓， 靳景. 数字技术提升经济效率：服务分工、产业协同和数实孪生［J］. 管理世界， 2022， 38（12）：9 - 26.
［29］ XIA H， YE P， JASIMUDDIN S M， et al. Evolution of digital transformation in traditional enterprises：evidence from China ［J/OL］. Technology Analysis & Strategic Management， 2022［2023-4-6］. https：//doi.org/10.1080/09537325.2022.2124909.
［30］ DRNEVICH P L， WEST J. Performance implications of technological uncertainty， age， and size for small businesses ［J/OL］. Journal of Small Business Management， 2021［2023-04-06］. https：//doi. org/10.1080/00472778.2020.1867733.
［31］ 曾德麟， 欧阳桃花， 胡京波， 等. IT 能力与组织管控促进复杂产品研发敏捷性研究［J］. 科学学研究，2018， 36（7）：1264 - 1273.
［32］ 周文辉， 王鹏程， 杨苗. 数字化赋能促进大规模定制技术创新［J］. 科学学研究， 2018， 36（8）：1516 - 1523.
［33］ 孙新波， 苏钟海， 钱雨，等. 数据赋能研究现状及未来展望［J］. 研究与发展管理， 2020， 32（2）：155 - 166.
［34］ 毛基业. 运用结构化的数据分析方法做严谨的质性研究——中国企业管理案例与质性研究论坛（2019）综述［J］. 管理世界， 2020， 36（3）：221 - 227.
［35］ YIN R K. Case study research：design and methods［ M］. London：Sage Publications， 2013.
［36］ GIOIA D A， CORLEY K G， HAMILTON A L. Seeking qualitative rigor in inductive research：notes on the Gioia methodology［ J］. Organizational Research Methods， 2013， 16（1）：15 - 31.
［37］ GIOIA D A， CHITTIPEDDI K. Sensemaking and sensegiving in strategic change initiation［ J］. Strategic Management Journal， 1991， 12（6）：433 - 448.
［38］ QUEZADA-NAQUID M， MARCELIN-JIMENEZ R， GONZALEZ-COMPEAN J L， et al. RS-Pooling：an adaptive data distribution strategy for fault-tolerant and large-scale storage systems［J］.Journal of Supercomputing，2016， 72（2）：417 - 437.
［39］ FAROUKHI A Z， El ALAOUI I， GAHI Y， et al. Big data monetization throughout big data value chain：a comprehensive review［ J/OL］. Journal of Big Data， 2020［2023-4-6］. https：//doi.org/10.1186/s40537-019-0281-5.
［40］ AMIT R， HAN X. Value creation through novel resource configurations in a digitally enabled world［ J］. Strategic Entrepreneurship Journal， 2017， 11（3）：228 - 242.
［41］ MCARTHUR J J， SHAHBAZI N， FOK R， et al. Machine learning and BIM visualization for maintenance issue classification and enhanced data collection［ J］. Advanced Engineering Informatics， 2018， 38：101 - 112.
［42］ 刘杰. 企业如何领略与释放数据要素的价值［J］. 清华管理评论， 2021（11）：64 - 73.
［43］ 陈国青， 吴刚， 顾远东， 等. 管理决策情境下大数据驱动的研究和应用挑战——范式转变与研究方向［J］.管理科学学报， 2018， 21（7）：1 - 10
第一作者：单 宇（1990—），男，博士，副教授，研究方向为跨国企业管理及数字创新，nkushanyu@163.com。
通信作者：王 鲲（1992—），女，硕士，研究方向为数字创新，13934683472@163.com。
【免责声明】《现代财经》微信公众平台所转载的专题文章，仅作佳作推介和学术研究之用，未有任何商业目的；对文中陈述、观点判断保持中立，请读者仅作参考，并请自行承担全部责任；文章版权属于原作者，如果分享内容有侵权或非授权发布之嫌，请联系我们，我们会及时审核处理。
《现代财经-早读分享》是由《现代财经》天津财经大学学报编辑部编辑出版（总第2756期）
编辑整理：蔡子团队
团队成员：陈晨、张晓丹、白晓萌、李茸茸、梁晓娟、王建飞、吴玉婷、王晴晴、丁慧、李炳杰、杨国臣、孙桂萍