大模型加持，火山引擎加速数据价值的“飞轮效应”

在数据价值驱动企业数智化转型的当下，数字化建设已是共识，大部分企业有所布局。但如果深入产业后会发现，即使企业目前数据量不少，尽管使用了数据工具，但数字化建设仍不尽如人意，业务和数据之间缺少双向良性互动。

例如，对于企业里不同职能岗位的不同参与者，可能缺乏使用数据的意识，缺乏敏捷、易用的工具。导致在项目推进过程中，大部分人主动或者被动地凭经验、拍脑袋决策，这会导致业务结果存在不确定风险。有些企业管理者可能会问，为什么花了大量的人力、物力、财力，花费很长时间建设数据中台，但在业务侧却没有明显成效？

9月19日，在“数据飞轮·V-Tech数据驱动科技峰会”上，我们看到了火山引擎的答案。在数智平台VeDI上，迭代升级大模型能力，进一步释放数据价值。

有数据，不驱动？

进入数据爆炸时代，不少企业意识到了数据的价值，开始大量地囤积数据，部署数据分析产品，试图用数据来改变业务现状。但依然有很多试图拥抱数据的企业，没有实现真正的数据驱动。

对此，火山引擎总裁谭待表示“数据驱动本就是一件难而正确的事。”

火山引擎总裁谭待

为什么企业有丰富的数据，却不能让数据实现价值？关键原因在于数据是否用活。而我们知道，字节跳动的迅速发展离不开两大法宝，推荐算法和数据驱动。既然数据驱动这么难，字节跳动又是怎么做这件事的呢？

谭待介绍道：“2012年公司创业，我们最初做A/B测试，当时还是手写代码，后来发展成支持大规模测试的平台。我们发现只看一个结果是不够的，需要有数据分析提供策略依据，有指标验证。所以我们开发了数据运营平台（代号“风神”），数据集成、数据开发、数据治理一系列的配套工具。”在那时，字节内部有一句流行的话术：A/B是一种信仰，风神是一种习惯。

一两年之后，字节跳动开始开发客户数据平台，包括ABI等工具。与此同时，云、AI、数字化转型等技术开始掀起应用风潮，数据规模急速增大，数据分析的速度开始面临上升瓶颈。字节跳动又基于ClickHouse进行了深度优化与自研改造，开发了极速OLAP引擎（对外产品叫ByteHouse），支持内部数万员工每天的日常工作，让创新不再有延迟。

但随着数据中台在业务实践中逐渐有了雏形，问题逐渐显现——究竟是构建面向应用的数据中台，还是构建面向底层基建的数据中台？谭待表示：“我的看法是面向应用更有目标性，能更早发挥数据价值，好比说先找到了钉子，然后再去看哪个工具钉更适合。”

三次发展，三段时期，字节跳动实现数据驱动的秘密，那是业务增长和数据建设需要让数据真正使用起来，每一个角色、每一个岗位都能成为数据产品的使用者。由此，我们也不难理解为什么会出现“有数据，不驱动”的问题。因为数据，没有被用活，没有被消费。

数据驱动为什么如此艰难？火山引擎数据产品负责人郭东东表示，因为很多企业没有做好数据消费：“大部分企业主要是看最核心的几个数据，但在业务整体流程中，还需要更多的数据跟踪、观测和决策，目前还是远远不够。”

他观察到，不同职能岗位使用数据产品的意愿也不高，主要因为数据的查询还不够简单便捷，很少人会主动使用。如果企业如果没能做好数据消费，那么数据作为资产就很难真正使用起来发挥价值；如果不能高频使用或者使用不当，会让其在一定程度上成为企业的负资产，消耗巨额的无效成本。

数据飞轮：从数据消费到双轮驱动

企业不想完成数据消费？当然不是，企业既然希望数字化升级，部署数据产品，他们一定想用好。怎么才能让数据用活用好，真正实现数据驱动？

今年4月，火山引擎基于字节跳动十余年数据驱动的底层思考和实践经验，提出了数据飞轮的概念。数据飞轮是推动企业进行数智化转型升级的新范式。其核心理念：数据消费是核心驱动力，以数据消费助力业务发展，以数据消费促进资产建设。

火山引擎数据飞轮

“数据飞轮”，是围绕数据消费形成了从数据资产到业务应用的双向正循环。

• 数据消费是解锁数据驱动的钥匙。以数据消费为核心，每一个具体业务中可以代入数据消费的理念，这能加速决策洞察，让数据真正赋能业务，提升业务价值，进而推动更多、更频繁的数据消费行为，这是第一个飞轮。
• 数据的频繁消费会为企业的下一步发展囤积更多的数据资产。业务的蓬勃发展也带来更大规模的数据，从而推动数据资产的建设，提高数据研发效率。更好更快的数据产品，自然也就让业务员工更愿意使用，成为第二个高速旋转的飞轮。

“我们的数据飞轮和传统数据中台最大的不同在于，中台本身的理念是数据统一，但数据统一之后并不代表业务端就会使用。那我们要做的是数据和业务的双向良性驱动，让数据真正消费起来，应用的场景就会越多，在业务中发挥的价值就越大。”郭东东表示。

数据飞轮有效吗？

数字化升级的目的是基于数据驱动业务增长，但是很多企业纠结的点反而在此：因为数字化本身的效果很难量化。那么我们不禁要问一句，数据飞轮是否真的能实现预期效果？数据飞轮真的有效吗？

如前文所说，企业数字化的过程中不是缺乏数据建设，而是缺乏数据消费。因此，衡量数据飞轮效果的标准，就不可能是企业购买了多少数据产品，而是完成了多少数据消费。

数据飞轮从字节跳动数据驱动经验中提炼出来，字节跳动内部情况是怎样的？其实践经验可以概况为“两个80%”：

• 在业务应用上，80%的人可以直接使用数据产品；
• 在数据资产上，统一的数据资产建设能覆盖80%的日常分析需求。

除去与公司产品非直接关联，或是基本没有数据需求的业务岗位，大概80%的员工可以直接使用数据产品，这个数据是从字节日常业务经验中得出的。

另一方面，在资产的建设管理上，从最开始就划定交付的数据指标，包括报表、数据集等交付物。对于日常业务场景中经常使用的GMV、DAU以及转化率等指标，是否充足交付最直观的判断就是能否覆盖到80%的日常分析。

“这个数据为什么是80%，而不是100%呢？关键原因在于很多业务是长尾的，还有一些不太常用的场景，这类偏小量的边缘需求就不会覆盖很细节的业务指标。”

即便要求不是100%，想要实现两个80%的目标依然不简单。字节跳动能完成两个80%的目标，主要采用了“三个All”的方法论：All Business（业务应用）、All journey（资产运营），All in one（产品普惠）。从业务应用、资产运营到产品普惠，这套方法的核心思想就是：数据应用更懂业务、对数据资产的全盘管控，高度一体化构建数据产品。

郭东东通过抖音电商的案例来解释“三个All”的逻辑是如何运作的：

• 假设有一位抖音电商的运营人员，在活动大促时他需要一天盯100场直播，在100个页面中来回切换的同时，还得不停地手工捞数据和汇总。当一天结束后，他发现没有时间对任何一场直播进行业务上的指导性操作。
• 发现以上问题后，字节提供给运营人员一款将所有直播数据可以打通汇总的产品。除了整合数据，这款产品还可为所有直播数据诊断和分析，包括直播是否符合预期、优缺点、优化策略，这些可以帮助和指导运营人员，整个流程下来即是“All Business”。
• 数据发挥需要体现在数据资产的沉淀上，包括后续的数据再加工、数据消费、打标情况、业务应用、业务评价等，需要从数据全链路流程中分析数据资产在业务中的使用、消费和流通情况，最终完成数据给业务带来哪些价值的评价，就是“All joureny”。
• 给到用户的产品尽量做到“All in one”，通过可视化、智能化、一体化，让产品的使用门槛降到足够低，即使是刚刚入行的运营人员也可轻松掌握、快速决策。

大模型：数据飞轮的进一步探索

如果说，使用门槛是阻碍数据消费的关键难关，那么“All in one”就是突破这道难关的一柄利刃。

新的技术带来新的理念，也为原本难以解决的问题带来新的答案。火山引擎不断探索新的技术，推出新的数据产品，其核心的驱动力基于“All in one”的产品普惠理念。

将新兴技术赋能产品升级迭代，不断构建对外开放的数据产品联动能力，正是All in one的产品普惠理念。去年，火山引擎发布了数智平台 VeDI，覆盖数据引擎、数据建设与管理、数据应用等全链路相互协同的数据产品。在今年4月的发布会上，进一步升级了湖仓一体分析服务 LAS，Serverless流式计算Flink服务，并发布管理驾驶舱 Plus。

今年6月，火山引擎推出了大模型服务平台火山方舟，来拥抱大模型时代的到来。在此次大会中，火山引擎数智平台VeDI对数据产品大数据研发治理套件DataLeap和智能数据洞察DataWind进行了升级，以AI加持，降低企业数据消费门槛。

字节跳动数据平台负责人罗旋表示：“无论何种技术赋能，其核心都在于进一步降低业务使用门槛，更好地探索数据价值。此次为数据飞轮引入大模型能力，主要基于对数据链路上各个环节的探索。”

字节跳动数据平台负责人罗旋

想要消费数据，首先要找到数据。

“‘找数’是资产管理的一大场景。在过去，当要查询某个不常见的数据指标时，可能需要随时查用哪张表、哪个字段，一个数据指标可能经手很多人，其中有人员更迭的情况，这个过程的成本就很高。”罗旋说。

DataLeap-找数助手，让资产查询的方式变得更加“拟人化”：通过大语言模型的嵌入，在与用户进行对话的过程中，模型可以理解用户真实意图，实现包括Hive表、数据集、仪表盘、数据指标、维度等多种数据类型及相关业务知识的问答式检索。相比关键词的检索，基于大模型方式的检索的整体准确率无疑会更高。

原始的数据是没有任何价值的，是数据的生产和加工给予了数据新的意义。

在数据研发的日常工作中，有较大部分的精力被各类基础需求所充斥，比如经常帮各个业务部门从多张数据表中，通过关联，自动查询、统计指标数据。这类工作虽然基础，但往往多且繁杂，占用数据研发不少精力。

针对这样的问题，此次升级的DataLeap-开发助手，借用大模型的能力，在很大程度上帮助数据研发人员从繁杂的需求中释放出来。比如业务部门可以通过代码生成的功能自己探查数据。当面临“忘了某个函数怎么写”这类问题时，也可以直接通过智能问答功能得到答案。

对于有一定SQL查询基础但不十分精通业务的同学来说，SQL查询修复功能可以帮助业务一键修复代码中的问题，从而提升查询效率。

不同的数据有不同的答案，唯有真正洞察数据背后的意义，才能做好数据消费。

虽然传统采用拖拉拽等操作方式的BI工具已在很大程度上降低了数据的使用门槛，但在使用中还是能感受到智能化程度的欠缺。

此次升级的DataWind-分析助手，一方面，可以通过大模型的能力帮助业务从自身配置报表一步步下钻分析，凭借自然语言对话快速完成取数和图表搭建，通过进一步解读分析直接得出结果，缩短数据分析的时间；另一方面，通过与飞书等IM的联动，可以实现订阅提醒、消息推送、监控提醒等功能，在与DataWind分析助手的对话过程中实现快速查询，同时该功能也支持自言语言自由提问。

可以说，大模型的出现进一步帮助企业降低了数据消费的难度。罗旋这样解释：“这次将数据产品与大模型结合，帮助企业在找数、加工处理、取数、用数等数据链路中，更全面应用到AI的能力。而产品之间本身的联动性，也就是产品All in one这个理念，也是我们一直追求和不断提升用户体验的地方。从发布的能力上也可以看出，用户可以通过自然语言实现在数据资产找数，到数据生产自动写SQL取数和加工，再到数据洞察探索分析拿到结果，形成这样一个完整的链路，降低了数据消费的门槛。”

有数据，更能驱动

目前火山引擎的数据产品在汽车，金融、大消费等行业的一些头部标杆客户中落地。数据飞轮落地标准主要有两个：数据驱动是否覆盖到足够多的场景？能否让大部分的职能岗位使用起来？

以运动健身品牌乐刻为例，通过数据消费确定最佳策略，让乐刻App内容社区的用户点击率提升65.1%，用户停留时长实现翻倍，人均点击提升了130%。

而博西家电基于火山引擎VeDI，在数字化营销与用户运营上更为便捷、频繁地实现数据消费，以金刚位运营为例，博西家电运营位的点击转化率提升可达到50%以上。

还有汽车行业，奇瑞控股旗下的汽车品牌捷途，通过火山引擎数据产品，运营人员的数字化分析更独立自主，APP运营数据分析场景从过去的7天缩短到目前的秒级响应，并从0到1拓展了不少精准分层运营场景，例如在保养包售卖场景中，短信实现90%以上的打开率。

这样的例子还有很多。当然，不同行业在数据的消费选择上存在差异。汽车行业，对数据的关注主要在重复客户的运营；互联网行业，往往更关注客户DAU的增长；金融行业，一般会关注产品通用性能的问题。不同行业的不同需求，这也使得数据产品呈现出不同的行业形态。郭东东认为，面对行业需求差异性带来的问题，一方面需要在产品矩阵、解决方案、交付体系上做好分层设定和把控；另一方面也需要结合字节跳动的实践经验，与行业标杆客户进行共创，打造更合适的产品内容。

由此不难发现，数据飞轮虽然转了起来，在很多行业取得了不错的成果，但未来的路依然道阻且长。但正如谭待所说，“数据驱动本就是一件难且正确的事”，只要路的方向是正确的，越来越多新技术会成为数据驱动路上的助力，越来越多的行业客户会践行下去，并发现新的思路。

数据飞轮在转，火山引擎也不断演进，沿着艰难但正确的方向，路总会越转越宽。

点击阅读原文，了解更多资讯~