来源：朱晶裕

人工智能的出现改变了整个世界经济发展的节奏，对企业的发展也是颠覆性的技术变革。企业要发展，就一定要突破目前的增长瓶颈，首先是要改变认知，建立起“数据第一”的意识。

那么什么是“数据第一”的认知？简单来讲，就是能够将“数据业务化”，以及“业务数据化”，也就是说，“数据第一”的意识包含以上两方面内涵。而以上这两点也是企业进行数字化转型的关键实现路径。

数据已成为继土地、劳动力、资本、技术之后的第五大生产要素。 并且无论人工智能技术如何发展和演变，其底层逻辑始终是数据，然后中层是算法和算力，再上面才是各种大模型，应用于各行各业和各个场景，因此数据的抓取和有效利用也成为最关键的驱动AI变革的先决要素。

对于企业来讲，底层数仓的搭建，培养企业管理人员和相关数据专家能够将业务转化成数据，同时又将数据转化成业务洞察的能力也成为企业的核心竞争力之一。

问题来了，企业在生产经营的过程中会产生哪些数据？

其实，企业在经营活动中会产生各种各样的数据，而这些数据通常散落在各个角落，容易被忽略，同时企业现如今存在的挑战是如何将散落在各个地方的数据充分收集，并整合起来，并帮助提升企业的收入和景应效率。整体企业的数据资产可以分为以下几类：

01

客户数据：客户数据又分为重点类客户和一般客户数据，重要客户企业根据实际情况可以进行自定义，比如年收入超过100万人民币的算重点客户；客户自身规模比较大的，年营业额超过100亿，虽然目前贡献的销售额还比较少不到100万人民币，但是未来有机会在该客户身上拓展业务机会的也可以定义为次重点客户。

因此在重点客户的定义上可以以横轴为销售收入，纵轴为发展潜力分为四个象限进行定义，高收入，高发展潜力的为重点客户，低收入高发展潜力的也是重点客户，高收入低发展潜力的为一般维系客户，而低收入低发展潜力的则为可放弃客户，仅作最简单的跟进即可。

那么这个数据有什么用？针对不同类型的客户，企业需要投资的维护人力和资源是不一样的，也就是说对于资源的投入必须战略差异化，有重点地展开。

客户数据从个体化的角度，又可以涵盖很多的数据维度，比如客户的基本信息，姓名，公司名称，所处行业，在公司的职能，联系方式等基本信息。这些基本信息也成为企业在营销活动中获得客户线索的基本信息，能为将来的市场营销活动如客户激活，线索孵化和效果营销转化等活动所用。

在客户的基本信息之外，需要有更多的深层次数据，比如单个客户的行为，和品牌的互动行为，和品牌方的互动频次如何，在什么时间和渠道购买了什么产品，单笔订单的金额有多大，客户本身在行业的影响力如何，这些关键数据帮助品牌方，一方面去定义重点和非重点客户的性质和特点，以便决定接下来针对客户如何开展有目的高效且个性化的营销活动，这里面的关键词在于“个性化”。

而现如今的AI技术在客户个性化的行为分析和预测中发挥决定性的作用。在AI时代到来之前，这一切都不太可能实现。

02

营销数据：营销类数据可分为总量数据和个体数量，总量数据包括市场调研数据以及广告营销数据。

调研数据包括行业整体规模，市场竞争格局，竞品的市场份额大小，竞争对手的战略研究，整体消费者趋势的变化和行为研究和产品，这些数据能够为企业提供市场趋势分析和预测，帮助企业把握市场机会和应对市场变化。这类数据也是让市场营销人员在开展营销活动之前必不可少的步骤，帮助其制定营销战略。

广告营销类数据按照不同渠道又可分为品牌网站，社交媒体，电视媒体，户外媒体，电子商务网站等不同广告营销渠道产生的各类数据，包括印象度，点击量，点击成本，转化率，留资率等常见的用来分析媒体投放或者广告营销效果的数据。

但随着人工智能技术的发展，这类数据的价值在不断降低，很多广告公司在向甲方进行汇报中仍然在用这些数据以证明其提供的服务是有价值，且行之有效的，但其实越来越缺乏说服力。这类数据的缺陷在于除了得出结论，“营销活动好还是不好”之外，很难产生真正的“数据业务化”价值，也就是接下来到底该怎么做？营销资源分配是否需要调整，如何调整？

相较于此，更加能产生价值的是营销个体数据，比如通过一次营销活动，你吸引的客户，产生高转化的客户画像是什么样的，他们拥有什么样的特点，这个对于营销的价值是什么？

那便是预测未来，在定义了这一类拥有较强意向的潜在客户群体之后，能否通过算法对未来的潜在客户做出预测，触达更广泛具有相似群体特征的潜在客户，一方面拓宽精准人群的覆盖率，另一方面提供更加个性化的内容和转化方式，这里面的关键词仍然在于“个性化”。

个性化营销数据典型地还包括用户在社交媒体上对产品发表的评论，看法，正负面信息分别有哪些，企业品牌和关键产品在搜索引擎的排名，这些数据对于品牌的价值是什么呢？其关键在于对这些“口碑”数据的分析，企业可以了解消费者对于企业品牌和产品的反馈，维持良好的声誉，建立消费者信任。

03

企业其它的数据资产还包括供应链数据，生产数据，财务数据，人力资源数据。这些数据在不同阶段的经营活动中产生，分属于不同的职能部门管辖，对于大中型企业来讲，建立企业最底层一体化的数仓是重中之重。

将企业在生产运营过程中各个类型的数据能够充分整合起来加以利用是一项非常具有挑战的任务，无论是从数字化基建的层面，还是不同部门之间的人员协同，相关数据人员岗位的设置都具有极高的要求，而企业数字化转型的关键实现路径正是由数字化基建的构建，数据的收集和利用能力所体现的。

业务数据化正是将企业的经营活动中所产生的各种数据利用数字化工具进行收集和留存的过程，而接下来更为关键的是将数据进行业务化，即将数据转化为核心业务洞察的过程，也就是将数据进行有效利用。

借助AI工具的能力和人员的智慧对数据进行解读，转化为销售增长，提升利润，提高运营效率等对企业发展关键指标有价值的战略性营销和经营步骤，从数据中企业能够判断哪些应该做，哪些不应该做，哪些地方必须进行方法创新，从而将数据拆解成可落地，可实现，可衡量，精准有效的战略步骤。而这也正是AI产品在商业增长上最富有想象的落地场景之一。

但也应该看到的是，随着Sora视频大模型的出现，AI呈飞速发展态势，Sora可谓是AI技术的又一项颠覆性进步，但AI短期内并不能替代很多仍需人类从事的工作，业务数据化和数据业务化的过程仍然需要很多人为的干预，因此Copilot的工作模式将是接下来很长一段时间会存在的工作方式，这也意味着无论是管理人员还是专业性人员都需要开始学会使用各种AI工具，帮助其进行日常工作的管理。

未来五年，AI的发展和应用可能会替换很多的企业基础岗位，淘汰掉还没有学会使用AI工具，或者不愿意也没有尝试将AI工具融入日常工作的人，这不是危言耸听。

与时俱进，与AI发展同步，主动拥抱和吸纳最新技术，保持理性客观，让AI

为我所用并发挥积极的作用将成为每个职场人员的必修课。

最后，在此祝广大妇女同胞们国际妇女节快乐！