破局数据要素市场化 攻克数字建设难题 3月5日,国务院总理李强在政府工作报告中指出,今年要加快完善数据基础制度,深化数据资源开发利用,促进和规范数据跨境流动。 今年是“十四五”规划的收官之年,也是进一步全面深化改革的重要一年,更是数据工作“改革攻坚年”。在此重要节点,如何持续推进数据要素市场化配置改革,强化对数字中国、数字经济、数字社会规划建设的统筹,不断完善政策制度与体制机制,重点攻克数据要素市场化、价值化进程中的难点、堵点、痛点,成为亟待解决的核心问题。 释放数据价值的关键突破口 随着数字经济时代的到来,数据已成为新型生产要素。公共数据资源作为要素投入生产,对经济、政治、文化、社会和生态文明建设等具有巨大价值。麦肯锡公司预测,数据流动量每增加10%,将带动GDP增长0.2%。 用“数智化”等先进技术改造提升传统产业成为我国老工业基地黑龙江省近年来发展新质生产力的重要路径。图为在哈尔滨汽轮机厂有限责任公司叶片分厂,中小叶片智能生产线上的机械臂在安装卡紧汽轮机叶片。新华社 “今年,数据价值将会实现真正的大爆发。”全国政协委员,全国工商联副主席、奇安信集团董事长齐向东对本报记者表示,大模型推动人工智能高速发展,这是数据价值变现的重要途径之一。人工智能大模型相当于“倍增器”和“发动机”,把数据“灌”进去,就会产生出动力。 3月1日,国家公共数据资源登记平台正式上线运行,凡是已经授权、计划授权运营的公共数据资源产品,需要到该平台上进行登记。这标志着数据要素市场化配置改革迈出重要一步。 面对公共数据在早期市场化中存在“流不动、供不出、用不好”的问题,国家信息中心大数据发展部数据要素处处长王璟璇告诉本报记者,在助力传统产业数字化转型方面,要鼓励更多党政机关、公共服务机构通过共享、开放、授权运营方式对外供给产业发展所需的公共数据。国家公共数据资源登记平台上线后,全社会都可以了解、查询哪些公共数据对外进行了开发利用以及形成了哪些公共数据产品和服务,未来用数单位还可以提交申请用数需求,促进供需对接。 中国通信标准化协会发布的《数据要素白皮书(2024年)》显示,截至2024年7月,我国已有243个省级和城市的地方政府上线数据开放平台,各地平台上开放的有效数据集达370320个,与2023年下半年相比,新增17个地方平台,平台总数增长约8%。 数据价值化,要在场景应用中得以实现。公共数据是数据要素市场化改革的“试验田”和“加速器”,其开发利用不仅为市场提供基础资源,还通过场景创新带动全要素流通。 山东青岛真情巴士集团打造的充电精益化数据产品“青益充”,实现了公交车辆运营数据、国家电网波峰波谷时段数据等公共数据与“特来电实时充电状态数据”等九类数据深度融合,预计每年可节约充电成本970余万元;福建省依托省市两级公共数据汇聚共享平台,接入全省2000余个政务信息系统、汇聚1800多亿条有效数据,目前平台日均批量交换数据1.5亿多条,有效支撑各地各部门800多个应用场景。 目前,我国数据产业呈现出储量大、增长快、多元化、应用广的发展特征,以政务、金融、互联网、交通电力为代表的行业持续深化数据要素的发展与应用。艾瑞咨询预计2024年全年市场规模将达1662亿元,2025年市场规模将有望达2042.9亿元。 在促进产业协同中实现放大、叠加、倍增效应 数据要素市场化配置改革要解决让数据“供得出”“流得动”“用得好”“保安全”,需要构建良好的供数、用数生态,实现数据要素在促进产业协同中的放大、叠加、倍增效应。而构建良好供数、用数生态,推动数据要素市场化配置改革,对于进一步深化企业数字化转型、挖掘数据要素在产业协同中潜力,具有极为关键的意义。 目前,我国企业数字化转型程度持续加深,但仍有较大发展空间。相关数据显示,98.8%的中小企业已经开始数字化转型,但62.6%的中小企业仍处于数字化转型早期阶段。实际上,数据的价值不能孤立存在,需要在与各类业务的深度融合中得到彰显,要以赋能实体经济为提点,不断拓展数据应用场景。 在大连华锐重工集团股份有限公司智能化实验室,孙元华(左)和同事操作大连港数字化矿石码头系统(2025年2月20日摄)。新华社记者 杨青 摄 “制造业是立国之本、强国之基,大力推动数字经济和实体经济深度融合势在必行。”全国人大代表、伊利集团全球创新中心科学研究总监王彩云对本报记者表示,企业在推动数实融合的过程中会产生大量数据,要实现高质量发展,关键是打通数据从“有”到“用”的过程。比如在消费端,伊利推动“全域、全场景、全生命周期”的消费者数字化运营,搭建覆盖400多个数据源的大数据雷达,开发了与1.5亿消费者在线协同共创新品的智能洞察系统,平均用3.5天就可以完成市场洞察,不断打造满足消费者多元需求的健康产品。 上下联动、横向协同 数据要素市场化配置改革是一项庞大的系统性工程。随着国家数据局和各级数据管理机构的揭牌运行,我国上下联动、横向协同的数据工作体系基本形成。数据基础制度加速释放,一批围绕数据产权、流通交易、收益分配、协同治理等方面的制度正在构建。 2025年2月26日,在位于织里镇的湖州今童王制衣有限公司数字化车间,工人在流水线上加工服装。该公司是集产品研发、设计、生产供应链管理、市场营销为一体的综合性儿童服装企业,年产销量达200万件(套)。新华社记者 徐昱 摄 据统计,截至目前,国家数据局已发布20余份数据要素领域相关政策文件,激活供数动力,释放用数活力。未来,还将围绕企业数据开发利用等出台新政策文件。 此外,工信部、财政部等多部门围绕数据流通交易、数据安全与治理、产业融合等出台了多项政策,持续推动数据要素市场化。 随着数据要素市场日益壮大,数据资产化探索步伐显著提速,企业数据资产入表成为业界关注的热点方向。从2024年1月1日起,财政部制定印发的《企业数据资源相关会计处理暂行规定》(以下简称《规定》)正式施行。这意味着数据要素从会计报表上开始显性化,过去被企业费用化处理的数据资产在资产负债表内有了表达。 “《规定》发布以来,各类经营主体均在积极探索数据资源入表机制,激活数据要素市场发展内生动力。”针对数据资源入表存在的问题,全国政协委员,上海市政协副主席、致公党上海市委主委邵志清表示,目前各类经营主体均在积极探索数据资源入表机制,激活数据要素市场发展内生动力。但仍存在数据资源的合规与确权难度大,对软件、系统和数据资源的异同理解尚未达成一致认识,数据资源的预期经济利益分析论证挑战大,数据资源的后续支出处理尚未达成一致认识,数据资源审计面临挑战等问题。他认为,应加强法律法规建设,细化权属证明流程,出台统一的数据资源审计指南和标准,从而引导企业对数据资源进行更有效的治理。 面对全球数字化竞争的加剧、国内经济高质量发展的迫切需求,数据要素市场化配置工作被赋予了更为重大的使命。对于“十五五”时期数据要素市场化配置如何激活数字动能这一问题,王璟璇认为应注重以下四个方面: 一是加快建立数据产权归属认定制度。传统要素如土地、资本等形成的成熟要素市场,均具备两个特性:要素权属明晰,在流通中增值。当前国家应加快出台数据产权制度,从长期看,建议推进数据产权立法工作。 二是推进全国一体化数据市场建设。全国一体化数据市场是数据要素市场化配置改革的发展目标。应着力构建场内场外相结合、多层次的数据流通交易体系,健全各方收益分配和利益保护制度,建设纵横联通的国家数据基础设施,促进数据要素合规高效流通交易。 三是着力增强全社会数据资源创新应用能力。提高各方治数、用数能力,激发更多数据创新应用场景,培育更多新业态、新模式、新技术,让数据要素的价值被更广泛认可。 四是加强数据要素、数字经济领域国际合作。我国是第一个将数据列为生产要素的国家,我国在数据要素市场化配置改革中积累的经验可以更多分享给海外,为全球数据资源共享开发提供中国经验、中国方案。 (中国发展改革报社前方记者 杜壮) 新质生产力发展需要注重三个关键词 3月5日,国务院总理李强作政府工作报告。透过政府工作报告,可以看到,“因地制宜发展新质生产力,加快建设现代化产业体系”依然是今年政府工作十大任务之一。 笔者从今年的政府工作报告及与代表委员面对面交流中发现,推动新质生产力发展,有三个关键词值得关注。 一是产业集聚。地区产业高质量发展不是“独角戏”,而是“大合唱”。作为现代产业发展的重要组织形式,产业集群是区域经济竞争力的集中体现。 谈到今年工作目标时,政府工作报告中出现了“深入推进战略性新兴产业融合集群发展”“先进制造业和现代服务业融合发展试点”“加快国家高新区创新发展”“打造具有国际竞争力的数字产业集群”“增强国际和区域科技创新中心辐射带动能力”等表述,都不约而同地指向了产业集群建设。 在产业集群创新的当下,多位代表委员都在关注两大问题,一是如何集聚更多的创新资源、高效利用创新要素,二是如何增强供应链的弹性和韧性。目前多地都在积极寻找破解之策,一些集群以龙头企业为创新源,一些通过发挥产业基础或要素禀赋突出优势,还有的通过融合创新实现进一步转型升级。今年政府工作报告对“集群”的关注既表明了加快培育的决心,又提出了重点发展方向。因此,在发挥产业集聚效应过程中,各地要注意在自身产业发展基础上,进一步提高产业关联性和市场融通性。 二是技术突破。让更多的技术实现从“0”到“1”的突破至从“1”到“100”的拓展。从芯片制程的不断精进,到量子计算的崭露头角,技术的每一次突破都打破了既有边界,重塑着行业新格局。在推进高水平科技自立自强上,政府工作报告不仅提到了“做什么”,也提到了“怎么做”。新质生产力所强调的关键核心技术攻关和前沿性、颠覆性技术研发依然是技术发展重点,而在政策落实上,需要人才培养、国家战略科技力量布局、科技经费分配和管理、市场服务、政策性金融等方面的支持。实际上,只有持续推动技术创新突破,我们才能在激烈的国际竞争中抢占先机,实现经济高质量发展,为社会进步与民生改善提供不竭动力源泉。 三是产业应用。推动先进技术从“图纸”登上“生产线”。每年政府工作报告中的“新词”备受关注,今年更是出现了多个“新面孔”,比如具身智能、6G、人工智能手机和电脑、智能机器人。这些产业从应用推广上体现出一些共同点,即具有高度智能、数据驱动、跨领域融合、生产生活效率提升,以及发展前景广阔、市场潜力大等特点。 产业应用的主体是企业。政府工作报告提出,对于新兴产业和未来产业,要“梯度培育创新型企业,促进“专精特新”中小企业发展壮大,支持独角兽企业、瞪羚企业发展,让更多企业在新领域新赛道跑出加速度”;对于传统产业转型升级,要“培育一批既懂行业又懂数字化的服务商”。唯有企业勇立潮头,新质生产力才能在产业落地中释放巨大能量。 以“新”提“质”,以“质”催“新”。在“十四五”规划的收官之年,新质生产力培育让高质量发展成色更足,也将为开启新征程筑牢坚实根基。 (中国发展改革报社评论员 杜壮) 来源(公众号):国家数据、中国经济导报
2025-03-10 10:07 615
来源(公众号):大数据AI智能圈 数据就像流淌在企业血管中的血液,它的每一次流动、每一次转化都留下独特的印记。 作为数据工程师,我曾困惑于复杂的数据链路,直到遇见数据血缘分析这个"数据世界的GPS"。它不仅帮我找到数据流转的每个关键节点,更让我看清数据治理的全新格局。 今天,想和大家分享这个强大工具背后的故事,看看它如何在数据的迷雾中开辟一条清晰的航道。 从混沌到有序的数据治理之路 当数据成为企业的生命线,我们遇到一个棘手的问题 - 数据来自哪里?去向何方?它是如何变化的?企业里的每一条数据都像一个基因序列,携带着独特的"遗传密码"。解读这些密码,追踪数据的来龙去脉,就是数据血缘分析的精髓所在。让我创建一个架构图来展示数据血缘的本质特征: 数据血缘分析就像给每条数据装上GPS定位器,不仅记录它的"出生地",还能实时追踪它的"行踪"。在企业数据资产日益庞大的今天,这种追踪能力变得尤为重要。数据血缘分析系统在实际应用中有着独特的价值: 数据血缘分析是企业数据治理的关键武器。一个优秀的数据血缘分析系统能帮助企业快速定位数据问题,预测数据变更影响,评估数据资产价值。它像企业数据世界的"基因图谱",记录着数据的演变历程,指导着数据的未来发展。要构建这样的系统,我们需要先理解数据血缘的四大核心组成:元数据(数据的DNA序列)、主数据(数据的基因库)、业务数据(数据的表现型)、指标数据(数据的性状特征)这些组成部分相互关联,构成了完整的数据血缘体系。 数据血缘的建设方法和实践路径 建设数据血缘系统就像建造一座现代化的智慧城市,需要从地基到顶层有序规划。 这座"数据城市"分为五层: 1、采集层负责数据收集 2、处理层进行数据加工 3、存储层保管数据资产 4、接口层提供数据服务 5、应用层创造数据价值。 让我们再深入看看数据血缘建设的具体实践路径: 企业在实施数据血缘分析时,面临三种建设路径选择:开源系统、厂商平台、自主建设。选择哪种方式取决于企业的实际情况:技术能力、资金预算、建设周期等核心要素。开源方案适合技术能力强的团队,可以深度定制,成本相对较低,适合特殊场景需求。厂商平台则提供成熟解决方案,能快速落地,但费用较高,定制能力有限。自主建设则完全掌控主动权,可以根据业务需求灵活调整,适合长期规划。 数据血缘建设核心在于建立数据资产全景图,打通数据孤岛。它不仅是技术工具,更是数据治理思维的升级。通过数据血缘,企业能更好地理解数据资产,提升数据质量,实现数据价值最大化。在数字化转型的浪潮中,数据血缘分析正成为企业数据治理的标配。它就像企业数据世界的"导航系统",指引着数据资产的有序流动,推动着数据价值的持续释放... 数据血缘的实践场景和未来趋势 数据血缘分析在各行业已开花结果。 金融机构利用它追踪交易链路,确保合规性;制造企业通过它溯源产品质量;医疗机构借助它串联病历数据;零售商用它构建精准用户画像。 让我们展望数据血缘的未来发展趋势: AI技术将深度赋能数据血缘分析,自动发现数据关联,预测数据变化。实时血缘追踪将成为标配,支持数据变更的即时响应。跨组织的数据协同共享将突破壁垒,构建更广阔的数据生态。打造卓越的数据血缘体系需要注意以下关键点: 明确建设目标,避免贪大求全。从最急需的业务场景出发,逐步扩展。重视数据标准,建立统一的数据规范。血缘分析的前提是数据的规范化管理。平衡技术与业务,技术服务于业务需求。过于复杂的技术方案往往难以落地。持续运营维护,保持系统的时效性。数据血缘不是一次性工程,需要持续投入。 1、明确建设目标,避免贪大求全。从最急需的业务场景出发,逐步扩展。 2、重视数据标准,建立统一的数据规范。血缘分析的前提是数据的规范化管理。 3、平衡技术与业务,技术服务于业务需求。过于复杂的技术方案往往难以落地。 4、持续运营维护,保持系统的时效性。数据血缘不是一次性工程,需要持续投入。 数据血缘分析正在改变企业的数据治理方式。它不仅是技术创新,更是管理思维的革新。精准掌握数据血缘,就掌握了数字时代的制胜密码。 未来,数据血缘将与云计算、大数据、人工智能等技术深度融合,催生更多创新应用。企业应未雨绸缪,构建自己的数据血缘能力,在数字化转型的浪潮中占得先机。数据血缘分析已成为数据治理的必修课,好比一张智能地图,指引企业在数据的海洋中找到前进的方向。掌握数据血缘,就掌握了数据治理的未来。
2025-03-11 09:53 797
在全国两会的热烈氛围中,2025年的《政府工作报告》犹如一盏明灯,照亮了国家未来发展的漫漫征途。这份报告高瞻远瞩,精准锚定了低空经济、人工智能(AI)、数据要素及算力四大关键领域,它们宛如四颗璀璨的星辰,将在未来一段时间成为推动国家发展的核心驱动力,为经济社会的蓬勃发展注入源源不断的活力。万亿级赛道上,谁将在这场变革中脱颖而出,成为引领未来的关键力量? 低空经济:战略性新兴产业的耀眼明珠 低空经济,作为近年来崭露头角的新兴领域,正逐渐成为全球经济发展的新焦点。它以低空空域为依托,涵盖了从低空飞行器制造、运营到相关服务的完整产业链。在《政府工作报告》中,低空经济被委以领衔发展的重任,这无疑为其发展按下了“加速键”。随着政策环境的不断优化和市场需求的持续增长,低空经济的应用场景不断拓展。从无人机配送、空中旅游到农业植保、城市空中交通、安全巡检等多个方面,低空经济正展现出巨大的发展潜力。据中国民用航空局预估,到2025年,我国低空经济市场规模将达1.5万亿元,到2035年有望达到3.5万亿元。 AI技术:赋能低空经济的核心引擎 人工智能作为新一轮科技革命的核心驱动力,其在低空经济中的应用正日益广泛。AI技术可以优化无人机的飞行路线和任务规划,提高飞行效率和任务执行能力。通过大数据和机器学习技术,AI可以根据历史数据和实时环境,智能调整无人机的飞行路径,确保其在复杂环境中的安全、高效运行。此外,AI技术还能为低空经济提供精准的市场洞察和决策支持。通过对大量用户数据的分析,企业可以深入了解市场需求和用户痛点,推动产品和服务的创新。例如,在无人机物流配送领域,AI技术可以帮助企业快速处理订单信息、规划最优配送路线,提高配送效率和客户满意度。 数据要素:低空经济的“新石油” 在数字经济时代,数据要素的重要性不言而喻。对于低空经济而言,数据如同深埋地下的石油,蕴含着巨大的价值。从飞行器的运行数据到市场需求数据,再到用户行为数据,这些数据都是低空经济企业制定商业决策、优化运营管理的重要依据。《政府工作报告》明确指出,要加快完善数据基础制度,包括数据的采集、存储、处理、传输等全生命周期的管理规范,以及数据权属、交易、安全保护等法律框架的构建。这将为低空经济的数据要素流通和价值挖掘提供有力保障。 算力:支撑低空经济发展的基础设施 算力是支撑数据处理和运算的关键能力。在低空经济中,需要处理大量来自飞行器、传感器、气象信息等多源异构的数据。强大的算力能够快速处理和分析这些数据,实现实时监控、航线规划、风险预警等功能。随着低空经济的不断发展,对算力的需求也将持续增长。因此,《政府工作报告》强调优化全国算力资源布局,提升算力的服务效能,为低空经济的高质量发展提供坚实可靠的支撑。 万亿级赛道谁主沉浮? 在万亿级赛道上,低空经济、AI、数据要素及算力四大领域将共同推动经济社会的蓬勃发展。然而,在这场变革中,谁将脱颖而出成为引领未来的关键力量?一方面,企业需要不断加强技术创新和产品研发,提升核心竞争力。另一方面,政府也需要继续优化政策环境,加强市场监管和公共服务,为低空经济的发展提供有力保障。可以预见的是,在未来的发展中,低空经济将与AI、数据要素及算力深度融合,共同构建出一个全新的现代产业体系。在这个体系中,谁能够抓住机遇、勇于创新,谁就将在这场变革中占据先机、引领未来。 来源(公众号):AI战略数字转型
2025-03-12 11:08 1007
一、先别谈技术,先问一句: 你到底要改变什么场景? 这几年,我们被各种热词包围:大模型、算力中心、数据要素、元宇宙、低空经济…… 但如果你冷静问一句:“这些东西最后要落在哪个具体场景里?要改变谁、什么、哪一刻?” ——很多项目就开始含糊了。 国务院办公厅这份《加快场景培育和开放,推动新场景大规模应用的实施意见》(国办发〔2025〕37 号),干了一件很重要的事:把“场景”从一个模糊的 PPT 概念,正式抬升为国家级战略资源和改革工具。 文件开头就给场景做了一个非常清晰的定位: 场景是系统性验证新技术、新产品、新业态以及配套基础设施、商业模式、制度政策的具体情境,是连接技术和产业、打通研发和市场的桥梁。 翻成大白话就是: 新技术好不好用,不是专家拍脑袋,而要在真实场景里跑一跑; 场景是技术与产业之间的“过桥费”,不过桥就到不了真正的产业化; 你所有的“智能+、数据+、AI+”,最后都要在某个生产、生活、治理场景里,产生可感可量的变化,否则就是“概念股”。 所以,讨论数字化转型,不能再停留在“我要上什么系统、买什么平台、用什么模型”,而是要回到一句朴素的问题: 你要改造的那个具体场景,到底是什么? 二、国家在做什么? ——一张巨大的“场景资源地图” 这份文件其实给出了一个“全国场景资源总目录”,逻辑非常清楚,可以简单概括为三层: 新赛道、新空间的前沿场景 比如: 数字经济场景:元宇宙、虚拟现实、智能算力、各类机器人在办公、消费、娱乐中的应用; 人工智能场景:从科研、工业到民生、治理、国际合作,全链条找“AI 能落地”的点; 全空间无人体系:海陆空一体的无人文旅、政务、物流、卫星服务等; 生物技术场景:生物基材料、生物能源、绿色制备; 清洁能源场景:清洁能源车队、车网互动、虚拟电厂、绿电直供; 海洋开发场景:深海探测、深远海养殖、海洋药物等等。 传统产业转型升级的场景 制造业:智能工厂、零碳园区、工业大模型等; 交通运输:车联网、智能调度、空运转运等; 智慧物流:智慧公路、智慧港航、无人仓、无人配送等; 现代农业:智慧农场、育种数字化、畜牧/渔业全链路数字化。 治理与民生场景 应急管理、矿山安全、智慧水利、施工安全、林草生态保护; 智慧政务、智慧城市、数字乡村; 医疗健康、养老助残托育、数字文旅、跨界消费新场景。 用一个比喻理解: 国家在做一件事:把“场景”像矿藏一样标出来,把“场景资源”从隐形的变成显性的,让技术、资本、人才有地方“落脚”和“开采”。 同时,文件还做了两步“制度升级”: 一是把场景纳入要素与制度改革: 场景不只是工程项目,而是与市场准入、要素配置、金融支持、人才政策一起打包设计,用来催生“新质生产力”。 二是把场景当成制度试验田: 在场景里试点规则、监管方式、标准体系,试出来的再升级成更大范围的制度安排。 所以,“场景”已经不再是一个中性名词,而是真正进入了“资源—要素—制度工具箱”的视野。 三、为什么技术越多,很多数字化项目反而越“虚”? 回到企业一侧,我们会看到另一种常见画风: 先做一个“宏大的蓝图”:统一平台、数据中台、AI 平台、数字孪生平台…… 然后一通上系统:ERP、CRM、WMS、MES、OA 全上; 再堆一些“智能”:预测模型、推荐引擎、知识图谱、机器人流程自动化; 最后发现: 一线业务觉得“很麻烦,不如 Excel 好用”; 领导觉得“报告更好看了,但业绩没感觉到多大的变化”; 数据团队每天忙着“救火”和“做报表”。 问题出在哪?出在“先有技术、再找场景”这个顺序本身。 如果没有清晰的高价值场景,再多的技术投入,很可能变成一种“数字化农家乐”: 地自己种(自己搞平台、自己采数、自己建模); 菜自己炒(场景自说自话、不跟外部生态耦合); 饭自己吃(数据不开放、不流动、不可复用); 看着热闹,规模上不去,成本降不下来,外部引不进来。 相反,如果你先锁定高价值的、可复制的场景,再去倒推技术、数据、制度,就会形成一种**“数有引力”**的局面: 一个定义清晰、价值明确的好场景,会像“引力井”一样,把技术、数据、人才、资本主动吸附过来,而不是靠 PPT 和文件“拉人头”。 四、什么是一个“好场景”? ——精益场景 SMART框架 把故事变成工程 那到底什么叫“高价值场景”? 在精益数据方法论里,一个场景要过“五关”——SMART 原则: S:Specific(具体、独特) 越能一句话说清楚“在哪儿、为谁、改什么”,场景就越具体。 不是“要打造智慧城市”,而是“把某个核心商圈高峰期的拥堵指数降低 20%”; 不是“要做智慧工厂”,而是“将某条生产线单位产品的能耗降低 15%”。 M:Measurable(可度量) 这些指标,既是目标,也是验收标准。 办事时长从 15 天缩到 5 天; 交付准时率从 85% 升到 98%; 事故率下降一半; 一次性办结率提升到 90%。 没有数字,就没有共识。 好场景一定有 2–3 个关键指标,比如: A:Actionable(可执行) 哪些流程要改? 哪些数据要采? 哪些系统要改造或新建? 哪些岗位要调整? 场景要能拆成可执行的任务: 如果一拆发现什么都是“别人来配合、上面来支持”,说明场景定义还停留在口号层面。 R:Realistic(现实可行) 现有技术成熟吗? 监管是否允许? 预算撑不撑得住? 组织里有没有靠谱的负责人? 不要“想当然”: 有时候,把目标从“全国推广”收缩到“某一线城市或某个产业园区试点”,反而更现实。 T:Time-bound(有时效) 试点期(比如 6–12 个月); 评估节点(3 个月一次复盘); 推广期(2–3 年内复制到多少单位)。 场景不是无限期“试下去”; 通常需要明确: SMART 的本质,就是把“故事”压缩成“工程”: 讲得动人的不算,能拆成任务、能算账、能验收的,才叫高价值场景。 五、用“精益数据场景画布” 把一个好点子磨成好场景 光有 SMART 还是不够,你还需要一块“画板”,把场景相关的信息全都摊开来。 精益数据方法论里有一个非常实用的工具——精益数据场景画布,包含十个关键要素,可以当成一个共创工作坊的模板来用: 业务目标和价值: 这个场景从业务角度要达成什么? 是降本、增效、提体验、控风险,还是支撑某个政策目标? 用户画像: 谁是场景里的核心用户? 是调度员、医生、司机、客服,还是市民、企业用户? 不同用户在场景中的角色、动机是什么? 场景背景: 现在是怎么做的? 有什么外部变化逼得你必须改?政策?竞争?风险事件? 用户痛点: 一线到底在哪儿喊累、喊烦、喊危险? 哪些地方是关键的“吐槽高发点”? 用户期待: 如果这个场景“成功了”,用户希望发生什么变化? 更简单?更快?更透明?更安全?更可控? 度量指标: 上文的 M——用 2–3 个指标,把“好不好”说清楚。 挑战与阻力: 是组织壁垒?部门利益?技术短板?数据质量? 还是法律合规?人才缺口?预算不够? 解决方案思路: 流程怎么变? 机制怎么改? 数据怎么组织? 系统怎么协同? 培训和考核怎么设计? 不是一句“建一个平台”就完事,而是: 数据资产: 场景中有哪些关键数据? 现在在哪儿?质量怎么样?缺什么? 哪些数据是本单位就能解决的,哪些需要跨部门、跨行业协同? 数字技术: 要用到哪些关键技术组件:物联网、大模型、知识图谱、数字孪生、区块链…… 哪些已经有,哪些需要引入新的伙伴? 一个典型做法是: 把这十个要素印在一张大画布上,让业务、技术、数据、法务、财务、合作伙伴围在一起,从左到右、一项一项写,边写边吵,吵完基本就成了。 这个过程本身,就是“共创”和“筛选”: 写得清楚的场景,会变得越来越扎实、越来越可执行; 写到一半发现答不上来的场景,要么需要重构,要么就先“降级备选”。 六、数据要素的三重角色:底座、连接器、放大器 说到这里,有一个问题绕不过去: 在一个高价值场景里,数据要素到底干什么? 在“数有引力”的框架里,数据有三个角色——底座、连接器、放大器。 1. 底座:没有数据,场景就是空心的 再完美的流程设计、再聪明的算法、再漂亮的界面,如果没有真实、持续、高质量的数据,最终都只能停留在“演示版”。 比如做虚拟电厂场景: 没有各类用电设备的实时负荷数据,就无法知道谁可以灵活调节; 没有历史负荷曲线,就无法做靠谱的预测; 没有合约执行与结算数据,就无法形成市场信号。 所以,每一个场景画布里,都需要回答一个问题: 这个场景的“必需数据清单”是什么?它们现在在哪里?质量如何?如何补齐? 当你围绕场景把数据需求描绘清楚,再往上搭建数据治理、标准、目录、接口、平台,才是真正“以数据为底座”。 2. 连接器:数据把多种要素“织”成一个系统 在现实世界里,生产要素是碎片化的: 人在组织里; 钱在预算里; 设备和土地在资产表里; 算力在机房里; 制度在制度文件里。 场景要想真正跑起来,必须让这些东西协同,而数据正是连接它们的“神经系统”。 举两个简化例子: 交能融合场景 车的运行状态和位置信息来自车联网; 充电桩/换电站的状态来自物联网平台; 电网负荷、价格、峰谷时段来自电力系统; 订单、货物时效来自物流平台。 把这些数据打通,你才能做到: 把车引导到更合适的补能点; 在不影响履约的前提下参与削峰填谷; 既保证物流效率,又优化能耗与成本。 低空经济 + 应急救援场景 无人机状态数据; 气象与地形数据; 通信网络状态; 应急指挥系统的任务数据。 只有数据把这些要素连在一起,你才能做到: 实时改飞行路径; 评估风险; 追溯责任。 在精益数据方法论里,这种“连接”会进一步被抽象成: 一组跨系统、跨部门、跨主体的数据流与事件流。 场景里“谁和谁要对话”“谁给谁发什么信号”,最终都要落在数据模型与接口设计上。 3. 放大器:用算法和机制,把场景拉向“智能”与“演化” 当你有了稳定的数据底座和连通的要素网络,就可以叠加“放大器”: 用预测模型让计划更前瞻,比如: 预测拥堵、预测需求、预测设备故障; 用优化算法让资源更高效,比如: 配送路径优化、能量调度优化、人力排班优化; 用数字孪生做“先仿真后落地”,比如: 先在虚拟城市里调一次信号灯,再应用到真实交通系统; 用 A/B 测试和持续迭代,让制度和流程也能“试错”和“升维”。 此时,数据已经不只是“记录发生了什么”,而是在回答: 如果这样做,会发生什么? 如果换一种做法,会更好吗? 这就是数据在场景里的第三重作用——让场景从“能用”走向“好用”和“会变聪明”。 七、从“一个好案例”到“一张场景地图” 走出“农家乐心态” 很多地方和企业都有过非常成功的单点案例: 某个车间的效率提升了; 某个窗口的服务体验变好了; 某条线路的能耗下降了。 但如果你把视角拉远,会发现一个常见问题: 案例很好,但复制不了。 要走出“农家乐式的数字化”,需要把思路从“项目清单”升级到“场景地图”: 把所有经过 SMART 和画布校验的高价值场景,拼成一张“场景蓝图” 哪些场景是基础场景(例如统一身份、统一支付、统一设备管理); 哪些是业务关键场景(例如关键产业链的生产与物流); 哪些是治理类和民生类场景; 它们之间先后顺序、依赖关系如何。 用场景蓝图倒推三张“配套蓝图” 谁对整个场景组合负责? 场景之间如何共享成果、分摊成本? 怎么设计“开放场景”的准入标准和考核方式? 哪些能力要共建(身份、支付、消息总线、物联网平台、大模型能力平台等)? 避免每个场景单独建一套系统,造成烟囱。 哪些是场景共用的关键数据资产? 哪些数据域必须统一标准? 数据资产蓝图: 数字技术蓝图: 组织与机制蓝图: 把场景“开放出来”,让更多主体参与共建共用 这个场景要达成什么指标; 需要什么数据、什么能力; 有哪些边界和合规要求。 按文件要求:不得用地域、业绩、规模、企业性质等做不合理限制; 用场景公开招募技术方案、数据服务、生态伙伴; 对外说清楚: 这样,场景就不再是个别单位的“自留地”,而是一个可进入、可合作、可扩展的“引力场”。 八、给政府和企业的三条小建议 最后,用三条非常实操的话收个尾。无论你是政府部门、央企国企,还是地方龙头、民营企业,基本都适用: 建议一:先讲“场景故事”,再列“技术清单” 不要一上来就说要建“某某平台”“某某中心”,而是先问: 我要改变的第一个具体场景是什么? 能否用一句话把场景讲给一线员工听懂? 用一个个清晰的场景,去牵引技术、数据、制度,而不是反过来。 建议二:用 SMART 和场景画布,把场景做小、做深、做透 不要怕“小切口”,国家文件也明确鼓励“高价值小切口场景”; 从一个场景开始,用 SMART 原则“压实”,再用场景画布把十个要素填完整; 先在一个部门、一条线、一个区域赢一仗,再复制到更多地方。 这比“全域一把梭”要安全、要高效得多。 建议三:把数据当成场景资产去运营,而不是“报表燃料” 为每个重点场景列出“场景数据资产清单”: 关键业务数据、关键设备数据、关键治理数据; 明确谁负责采集、谁负责治理、谁可以使用、怎么计价、如何共享; 把这些场景数据资产逐步沉淀成“公共数据底座”,服务更多场景。 当你这样做的时候,你会发现: 同一类场景之间可以共享经验和数据; 新技术可以更快插到已有场景里试; 新伙伴可以按场景模块加入,而不是“从头谈起”。 九、精益场景咨询服务 让数据的“引力”,从 PPT 走进真实世界 “数有引力”这四个字,背后有两层意思: 一层是:好的数据本身具有引力——谁掌握了高质量数据,谁就更有能力优化决策、重构流程、创新业务; 另一层是:好的场景会创造引力——它让数据不再躺在孤立的系统里,而是在解决真实问题的过程中不断流动、沉淀、放大。 当我们用国家这份场景政策,叠加精益数据方法论的工具箱,把“场景”当成一种可规划、可运营、可复制的战略资源时: 数字化转型就不再是“技术采购项目”,而是围绕场景的系统工程; 数据要素就不再是“副产物”,而是真正成为其他生产要素的底座、连接器和放大器; 无论是一个城市、一条产业链,还是一家公司,都可以在一张张场景画布上,看清自己正在走向怎样的“新质生产力”。 数有引力,场景为场。 真正的数字化转型,终究要从一个个真实的场景开始——从某条路、某家厂、某个窗口、某个社区开始,让技术、数据和制度在具体的时间、具体的空间、具体的人身上,产生可见、可感、可复用的改变。 来源(公众号):凯哥讲故事系列
2025-11-26 16:57 199
热门文章