企业业务都可以被数据化，但所有的本质都是人来操作，哪怕AI、大模型，这些底层数据也都是最小颗粒度的“人”来产生的。如今，我们不止应该简单停留在“数据”这两字的表面，比如行业里经常说的公共数据，企业数据等，都是脱离了本源，寻根到底，还是人与数据。

本次[数据交易网]深度对话吴大有、彭国超，让我们拨开迷雾，以全球数据要素50人论坛、数字化转型、数字经济、数据要素等相关议题为切入背景，对两位论坛的发起人展开提问，深度探寻“人与数据”的本源。

产业数字化、数字产业化、价值数据化

请问全球数据要素50人论坛发起的背景、宗旨和目标是什么呢？

吴大有博士：全球数据要素50人论坛的背景最早是依托于DAMA中国的，由国际数据管理高级研究院、数据交易网、有数企业管理咨询公司以及国际数联易通数据投资顾问管理平台共同成立。论坛旨在促进数字经济发展和推动数据产业的发展，通过数据赋能实现产业数字化和数据产业化，帮助企业上云数智赋能。

彭国超教授：全球数据要素50人论坛聚集了全球范围内顶级数据研究和服务机构，举办国内外面向业界、学术的学术会议和国际层面会议，同时也引进了全球顶尖数据专家。我们希望以一种更加开放包容合作的态度，赋能国家数字经济和数据交易市场的发展。我们论坛希望成为国际视野和影响力的，并且能够解决实际重点问题的全球组织，将论坛打造为世界一流的数字经济学术交流平台和国内领先的数据应用创新孵化中心。

目前论坛做了哪些工作，有什么阶段性的目标呢？

吴大有博士：我们现在做三个不同方向的赋能，包含我们对社会的服务及合作，还有对学术的交流及科创，以及对数据产业化的建设，我们有三大轴心目标的设计。首先对于我们发起的单位，我们都是计划展开合作与赋能的。

比如DAMA China在20多年前就出版了《数据治理手册指南》，那现在国内国际的数据场景不断在创新，包含区块链、元宇宙、web 3.0等等，各种新型的数据场景不断在出现，可是在整个的数据治理领域当中，我们并没有更多方法论或者数据框架的新指南手册出现。所以我们全球数据要素50人论坛希望可以透过我们的研究和实践，去发布更多的全球性研究报告，去支持数据研究，能帮更多的组织实现场景的数据对接。我本人也是联合国ESG的策略专家，如何去对接到国际的会计数据，气候数据以及ESG数据的场景对接，这些都是我们未来希望可以去支持的。

我们现在也和香港的有关机构有一些场景的配合。6月1日，香港已经通过了web 3.0的合规合法，所以我们也有香港的一些平台公司未来也会在产学研展开深度共建。我们有一家很重要的官方媒体数据交易网，我们合作去将国内的数据产品信息打通，保证国内数据交易进行信息开放透明，使得供需双方的需求能被充分看见，使得信息流通能够真正被释放，需求被释放、被理解。

我们也与有数咨询进行数据战略的赋能，帮助国内的数商进行数字化、数据化转型的深入。与黑鲨平台做合作，把信息和成果不断地和各个不同的组织去共享。使得数字经济以及数据研究更好地普及。同时，我们在香港还有一个国际数据管理高级研究院的组织，也是在不断进行各种的主题交流和学术协作，希望可以不断赋能到大家。我们论坛的专家在不断进行数据领域相关的研究，像我也与彭教授共同完成了一本叫《数据交易》的数据价值全周期指南，给企业与大家一个参考。

数据交易价值，是企业实际降低的成本及增加的收益

请问彭教授对目前国内数据管理的未来有什么见解与看法呢？

彭国超教授：我觉得其实在我们当下的数字经济大背景下，其实各行各业的数字化转型已经是迫在眉睫，通过各行各业的数字化也沉淀了大量的数据。所以现在其实无论对于企业，还是对于相关的政府部门、各级的一些单位，都是非常需要拥有数据治理，数据分析等等一些能力的专业人才，然后在这个基础之上，再进一步形成数据交易产品的设计。从高校的教学体系的角度出发的，其实我们在最近的几年，在国家相关的政策文件的支持下，高校做了很多教学方面的改革。改革当中很重要的一个环节，就是要进行产学研的深度融合，回到这个问题，就在数据管理的领域，我们现在在高校里面也是非常地强调产学研这个深度融合，让年轻的学生们，不单单只是学习理论的知识，同时也跟业界的实践问题相互借鉴、融合，希望对我们业界未来输出一批既有理论高度，同时也是有实践能力的专业人才。

传统企业可以拥有有价值的数据吗？数据为什么可以产生价值？

彭国超教授：就我个人而言，我也跟许多企业进行过接触与合作，在过程中我就发现，大多数企业都认为需要先完成高度的数字化转型，才能拥有充足的数据，进一步开发数据产品。

但是实际上很多企业在信息化过程中就已经产生了很多的信号化成果与数据，并且企业其实拥有很多渠道去获取内外部数据，比如政府开放数据和营销端数据，例如现在的小红书、抖音、微博等等。所以当下的企业基本都是拥有有价值的数据的，企业本身却不知道这些数据在哪里或者如何去释放这些数据价值，如果要做到数据价值充分释放、打造理想数据交易的话，有可能企业需要在内部数据基础上去购买、整合外部数据，这其中又会有数据确权、定价、隐私安全等相关问题，这也是目前我和吴博士在做的内容。当然，也有部分企业发现了有价值的数据并且尝试去挖掘数据价值，但是在过程中遇到了困难和障碍，难以去突破和解决。

近些年业界流行着一句话叫做数据是新石油，这句话的解读其实就对应着数据价值的挖掘与释放。我们先抛开数据不谈，看石油本身，石油是一个具有高度经济价值的物质，可以被买卖并且能被转算为会计价值，进行石油定价。除此之外，我们也会统计不同国家地区的石油储备量，当我们了解了石油的特征后，我们就可以类比到数据层面。数据在数据要素市场化的背景下，也被赋予了经济价值，能被转算为会计指标并定价，数据可以转化为资产，在合法合规的前提下进行数据产品交易，并且推动国家经济的发展。

在此前提下，我们还会去探索未来哪个国家的数据拥有量尤其是优质数量的拥有量是最多的，其实很有可能是我们中国。因为我们14亿人口的基数非常庞大，同时我们的优秀企业数量也特别地多，我们国家现在也从经济、政策上大力扶持数字经济的发展，所以很有可能在未来整个数据交易的市场当中，我们国家会是数据拥有量最多的国家之一。

吴大有博士：刚刚彭老师谈到数据是新石油，包括很多企业它都是具有数据，只是不会拿来去进行交易，因为不知道到底如何挖掘数据价值等内容，我觉得我们可以再继续聊一聊。现在企业最大挑战其实是对数据的理解并不太深刻，所以导致企业并不知道如何将数据进行交易。

我自己个人对石油跟数据的理解，可能就是有另一个角度的看法。数据其实跟其他实际物品有一个不同点在于，大部分的实际物品它具有消耗性，或者说它具有不可再生性，石油也是这样，交易掉就没有了。可是数据的特点在于它可以不断再生，并且数据在交易后还可以再复制，可以进行多方交易。所以我们在做数据交易的时候会有个挑战，即需要进行数据确权与合规，这是为了避免数据重复交易，但有些数据是允许多次交易的，所以这也导致了数据交易的复杂性，以及制定许多规则和标准的必要性。总的来说数据是新石油这个观点其实就是在说数据具有高度价值。

现在很多企业无法沉淀数据资产、无法发挥数据的价值，是因为很多企业在进行数据运营时并不具有数据战略作为规划。数据资产的沉淀与数据敏感度有绝对的相关性，比如很多老板打车是不习惯拿小票的，认为钱不多也不需要报销，这种行为模式就是典型的数据不敏感。小数据最后聚沙成塔也是具有高度价值的，数据价值具有累积性，很多企业不具有拆解数据、确权落地和细节把控的能力。现在的企业战略多数以数据驱动，如果对数据不够敏感，就无从谈数据积累、数据沉淀、数据战略驱动了。我们再回到更本质的问题，数据是什么？从数据的四大特性出发，第一是陈述事实，第二是生产，第三是发现规律，第四是产生算力从而预测和解决问题。所以当我对数据敏感的时候，我就能帮我的企业降本增效，进而预测未来去节省我的生产浪费风险及成本。我们常说数据能产生价值，数据能够交易，交易的内容是什么呢？交易的是“算力”，是企业当中实际降低的成本及增加的收益。

工业4.0进化，人机协同

企业中的数字化转型落脚点是什么，该如何展开呢？

彭国超教授：从数字化转型的目标出发来看数字化转型工作，如果只把思考角度放在“提质降本增效”，其实这是信息化也能做到的，信息化与数字化在这一点是难以区分的，但是如果把思考角度放在数据上，发现数据可以交易，就能体会到数字化和信息化的区别，把认知提升到数据交易的高度。

我在与很多业界人士交流之后发现，很多企业都会以自上而下的方式来展开数字化转型，是在很多企业都进行数字化转型的趋势下不得已跟随潮流而为之。但是企业领导着急于转型，下层人员却不着急，企业的上下部是没有达成共识一致的，更无论基本员工的数据思维与数据敏感度了。反过来如果企业基层的员工具有数据分析的能力、有数据思维，就会主动推进数字化转型任务，数字化转型就会呈现出由下而上的趋势，从而上下结合，效率和成果都会大幅提升。

吴大有博士：针对彭教授说的这个现象，我也是有话说的，为什么现在这么多产业不理解数据产品的重要性，不能够去拥抱数据要素产业。我觉得是因为大多数企业还没有真正明白所谓的第四产业周期已经到来。在2020年之后，我们国家谈数据是第五生产要素之后，就真正进入了所谓的数据服务业。简单一点讲，现在最赚钱的公司到底是什么公司，其实往往是那些能够以数据作为主要的销售产品或服务内容的企业。很多公司都开始做产品+服务，服务本质又是数据。有数据就能进行市场的归类预测，就能把握市场的走向，进一步拥有算力、算法，指导生产，实现以销定产，这也是工业4.0的逻辑——柔性制造，按需生产。最终发展业务，实现收入增长。这一切的本质就是以数据为驱动，以人为核心。这里的人不仅包括客户，也包括内部员工，联系到彭教授刚刚说的内部员工没有数据敏感度的问题，其实这里就可以提到Chat GPT和人工智能了。以往的上系统是很机械的，员工需要耗费时间精力去学习系统的使用，是人在学习机器。但是Chat GPT的出现使得人被解放了，Chat GPT作为一个辅助性工具，它去适应人、学习人，并且辅助人工作，这顺应了工业5.0也就是所谓的人机协同时代的趋势，这才是理想的数字化工具，以人为中心，以员工为中心，以市场为中心，这才能达到真正的数字化转型。这也对应于彭老师刚刚提到的由下而上转型的开端，让员工能轻松地上手使用。

但是目前很严重的一个问题其实就是目前很多公司的转型都还处在初步阶段，多系统、数据封闭、数据孤岛、数据安全隐私等问题也阻挡了企业数字化转型的步伐，数据资产的沉淀就更加遥远了。这些重重迷雾都需要拨开，先搞清楚什么叫数据战略，如何产出有价值的数据资产。包括我们的论坛也在做很多的工作，去打通各类标准。

彭国超教授：我和吴博士都与很多企业有交流，我个人的接触中感到中小企业中最困难与令人痛心的问题应该是从企业老板到员工，对数字化的认知都是非常局限的，有些企业甚至连IT部门都没有，我也能感受到很多员工和企业朋友的焦虑与压力。现在不论是同行还是龙头企业，都在推进数字化转型，导致很多企业都面临数字化转型的压力，但是在落地上都存在多重困难，包括资金和技术等。最大的问题是高管和领导团队对数字化转型的认知是缺乏的，很多时候连规划都无法做出。并且有些企业会全权交给IT部门去负责，这是不合理的，应该需要聘请外部人员来进行专业的咨询，并且要让整个企业从上至下形成数字化的共识。我建议企业在数字化转型过程中，一定要谋定而后动，要对问题和需求充分认知，并且步子不宜迈得过大。

人，数据，人工智能，人与数据

关于人与数据的关系，两位专家有什么看法与见解呢？

吴大有博士：在中国，我们在数据上的认知其实是有一些缺陷的。这里就要提到Data science和Dataology两个名词了。目前我们国内有很多数据分析专家DBA，有互联网公司会利用黑客逻辑，引流、获取、维护、转化、稳固用户等的用户转化逻辑。或者是每日的流量转化与数据逻辑等等。这些算法数据，数学公式应用其实就是数据应用分析的科学方式，也就是Data science。彭教授在中山大学信息管理学院，也有信息计量一些相关的课程，彭教授应该是比较了解的。

彭国超教授：那我先分享一下有关Data science的知识。大概是从2010年的时候英国一些商学院、计算机学院，包括我们的信息管理类的学院，陆陆续续地开始出现了叫Data science的专业。Data science专业本质其实是围绕着数据相关的算法，相关的技术使用等一些更加应用层面的知识来进行教导和传播。而数据学也就是Dataology是一个比Data science更加底层的学科，它会更深入地研究人与数据相关的核心问题。与Dataology相关的另一个交叉型学科叫认知科学，认知科学把很多自然学科，包括哲学社会学，人文学科，以及理工类的学科进行了融汇交叉贯通。它考究一系列问题的核心就是人的认知，人对自然界的认知，人对社会的认知，人对理工学科的认知，这个过程是需要大量的数据积累的。整个人类社会过往的发展其实都离不开数据，人类认知的源头都是以数据进行赋能的。刚刚吴博士提到的人工智能，它的核心其实就是在人类的认知的基础之上，通过机器和计算机的技术来去模拟人类的思考模式。所以人类对自然界、对社会、对自身的认知都会搭建出各式各样的人工智能。总的来说，当我们考虑Data science的时候，我们会更加注重数据以及算法相关的技术在不同领域的应用。可是当我们考虑到Dataology的时候，我们会更加思考一些更加深层次的问题，人与数据的关系，数据与人工智能的关系，人与人工智能的关系。

吴大有博士：我们讨论Dataology其实是试着找到每一个数据和我们之间最底层的关系，进而产生最大的价值。如果我们在讨论数据确权、数据定价时没有这底层的数据关系的确立，所有的价值都可能会错乱。我们可能会把一个价值确立在一个错误的关系上。我们现在国内很多技术都还存在欠缺，存在卡脖子现象，其实原因就在于我们很少去做这种底层的研究，当下我们进行数字经济的过程中，我们需要形成Dataology more than Data science的共识，所以我们数据要素50人论坛的一个目标就在于此，我们希望可以不断地去赋能国内各种场景的研究，同时也去把底层的Dataology的研究去做扎实。

数据辅助公司决策的过程有哪些步骤呢？

吴大有博士：其实很早之前IBM专家提出Snap模型就已经在思考数据驱动和经验驱动的问题了，通过“感知－分类－回应”的模式去寻找到最佳决策best decision。随着时代变化，现在我们不谈分类分析，谈感知，谈风险预测、分析、追踪、管控等。在模糊变动的VUCA时代，决策就变成数据驱动了，当环境不定因素增加，数据的主导因素就变强了。我们在混沌时代，在At ＆ Respond时代，我们发展敏捷开发，3D模拟，数字孪生，我们希望在仿真环境中先测试，从而实操时就有依据，这就是数据驱动。

那什么时候用数据模拟决策呢？经验决策存不存在呢？第一步需要去判断决策环境当中动态与静态的比例，来决定何时以经验驱动，何时以数据驱动，使用经验加数据的动态混合决策模式，掌握混合决策的逻辑；第二步就是根据动静态比例决定经验驱动部分和数据驱动部分；第三步取得需要数据驱动部分的数据来决定如何进行决策；第四步将这些数据加以结合并进行动作判断；第五步进行决策之后，评量结果与目标的差距完成迭代。

彭国超教授：吴博士的建议非常好，其实吴博士透露出了一个很核心的想法，这也是我想提出的。如果我们一开始就提出数据辅助决策，实践中往往会出现一个问题，就是你采集到的数据很有可能是没有任何针对性的，所以也不可能对公司的决策进行有效地辅助。所以其实从数据的分析到辅助决策之前，我们首先要把现实场景当中的业务痛点先梳理清楚，再接上刚刚吴博士的步骤。突出以业务的痛点问题驱动数据获取以及分析，形成一个高效的数据赋能业务决策的效果。

专家介绍

研究机构