随着互联网的发展，宏观经济环境和行业竞争环境发生了巨大变化，互联网企业对内部数据体系的需求也发生了很大变化。本文将从相对宏观的角度，分享关于互联网企业数据体系建设如何变革的一些思考和总结。
作者：王成栋 京东集团 产品总监
01 迎接"慢"增长时代带来的新挑战
1. 迎接"慢"增长时代
左图描绘了国内 2000 年至 2023 年 GDP 增长率及一、二、三产业对 GDP 的贡献率。之所以选这个时间区间，是因为它与互联网重大变革的时间线是相吻合的，从 2000 年互联网泡沫破灭，到 21 世纪 10 年代移动互联网兴起到蓬勃发展，再到 2019 年疫情给互联网带来短暂的发展机会。过去的 20 多年，大家看红色的曲线，由于疫情冲击、国际环境的恶化以及国内发展阶段的变迁，GDP 增长进入了一个增长率不断下行的时代。
右图描绘的是 2000 年至 2023 年 11 月社会消费品零售总额及增幅，可以看到，除了 2020 年消费总额受到疫情影响比较大，2022 年和 2023 年，柱状图显示基本是持平的，这反映了经济已进入存量消费时代。通俗来讲就是老百姓口袋里就那么多钱可以花，或者说没有更多的钱花。
不可避免的，互联网行业受到了宏观经济环境下行的显著影响。
2. 互联网在经济下行周期中迎来行业成熟期
上图是一个经典的描述行业生命周期的图，其中把一个行业的发展划分为进入期、成长期、成熟期和衰退期四个阶段。
映射到过去的这 20 多年，互联网行业走过了进入期和成长期，目前处在了行业的成熟期。进入期的明显特征是，企业会进行很多的投入，进行商业模式和盈利机会的探索，但是整个营业额在缓慢增长，并且利润通常是负的。到快速成长期，一旦之前摸索出的模式被市场接受之后，营业额会快速飙升，企业就会进入一个非常快速的利润拉升期。在过去几年，大家应该能非常明显地感受到整个互联网行业的蓬勃发展。
而到了今天，互联网已进入成熟期，这个阶段依然有很高的营业额，利润也是非常高的，但是增长率会降下来，慢慢从一个非常大的增量市场进入到存量市场。以电商行业为例，在电商兴起时，互联网快速扩大了供给和需求的接触机会。一方面是带来了交易增量，原来很多不能达成的交易由于电商的出现成为可能，如消费者在线下可能看不到那么丰富的商品品类，现在可以在网上快速接触到，形成交易；另一方面，存量的转移，原来线下消费的很多场景也迁移到线上，两方面因素合力带来了线上交易的爆发式增长。而现阶段，行业发展已经成熟，整体增速都开始下降，行业竞争更加激烈。然而这并不代表着不增长，所以这里用了"慢"增长来描述当前的态势。
3. 互联网企业在"慢"增长时代的新挑战
整体经济形势的下行是难以逆转的，只能跟随经济周期来走，这是企业面临的第一个挑战。第二个挑战是，经济形势下行带来的消费能力减弱，使企业生存空间受到挤压，导致各个行业的竞争加剧。第三个挑战是组织的惯性，互联网公司从进入期到成长期所摸索出来的运营方式、经营理念、组织划分和协作方式，已不足以应对当前的环境，如何改变组织惯性，重新激活来适应新的形势，这是每个企业都面临的挑战和难题。
因此，企业需要变革，转换增长模式，以应对"慢"增长时代的这些挑战。
02 构建企业增长的数字化驱动力
1. 变革增长模式：开源更要节流
近年来，"降本增效"、"开源节流"、"去肥增瘦"这些词在各种企业的行业新闻中屡见不鲜，其背后都是关于如何变革增长模式的。原来的增长模式大多是高调的攻城掠地，广泛投资，不停开拓新的业务领域，如果在新的业务领域摸索出新的商业模式，那么就有可能在这一领域站稳脚跟，并且快速利用互联网优势去做复制。
现在，互联网公司依然在开源，在做新的业务模式的尝试，但会变得越来越谨慎，会细致考核新业务的 ROI（投资回报率）。同时，会有很多强节流的措施，在降本环节上大刀阔斧。基本上所有公司都在以稳开源、强节流这一新增长模式来应对当前的形势。
稳开源和强节流对数据体系提出了新的需求，新的数据体系需要具备哪些特征，在后文中将会详细讨论。
2. 超越数据中台：构建企业增长的数字化驱动力
在讨论新的数据体系之前，我们可以先回顾下企业数据体系建设发展的历程。整体可以分为三个阶段。
第一个阶段是前数据中台时代，前数据中台时代的关键字是"分"。这时行业正处于进入期，大量互联网创业公司涌现出来，很多企业在持续商业模式创新、不断试错，这时对数据体系的一大要求就是要能够非常快速地去支持业务探索，要敏捷、灵活才能支撑企业快速抢占新的市场机会。这一时期的典型特征就是数据和能力建设都是"分"的，每个业务都在做各自的数据能力和数据基础建设，跟随着业务快速迭代。
第二个阶段就是数据中台时代，数据中台这个概念是阿里最早在 2015 年提出来的，紧接着行业就进入了一个广泛跟随和创新的时代。之所以要建数据中台，可以归结为一个字："合"。这时行业已经进入成长期，很多大型互联网公司已颇具规模。这时就会发现一个问题，在攻城略地阶段做了大量分离的数据基建，带来了很多数据烟囱，一方面数据不能很好地融合以充分发挥其价值，另一方面也带来了很多运营和管理上的问题。这时就提出了数据中台的概念。在大背景之下，很多数据基建在做整合，数据也是在做整合。在前两个阶段中，数据基建在公司投入中占了相当大的比重。
第三个阶段，也是我们当前所处的时代，我们将其定义为超越数据中台的时代。此时整个行业进入成熟期，互联网公司间竞争愈发激烈。在这一环境之下，要求数据体系重新回到业务里面，用一种更敏捷的方式去支持业务。因为在激烈的市场竞争中，即使是大的互联网公司，如果应对很慢，依然会有非常高的风险。因此数据体系需要分合互利，不仅要以"合"的形式来做，降低基建建设成本和提高数据资产统一和质量，而且要更加敏捷的满足业务需求以应对激烈的竞争变化。换言之，为了更好地应对稳开源、强节流的增长模式，数据体系建设也要去做相应的变革。
03 企业数据体系建设变革的四个维度
这里从四个维度来探讨企业数据体系建设应如何进行变革，首先是顶层策略变革，在顶层策略的指导下，再从三个方面去展开，即数据组织变革、数据产品矩阵变革和数据产品经理技能变革。
1. 顶层策略变革
战略层面，随着整个互联网行业增速下降，每个公司也会慢慢适应这种大环境，告别过去动辄百分之几十甚至百分之几百的这种增长率，进入一个慢增长时代。这也意味着企业需要进一步强化数据驱动决策，实现精细化运营。数据体系的建设最终还是会回归到通过精细化运营以驱动业务增长这一目标上。
具体到战术层面上，首先在稳开源环节上，互联网公司的整个业务体系需要回归到以用户为中心来去找增长，我们面临的环境是不再像以前一样会有很多新用户，因此需要针对存量用户不断优化产品体验，以用户为中心，持续建立与用户的长期关系，提高每个用户的 ARPU 值。在强节流环节，需要改变单点式的提效模式，要从业务流程视角，来看公司内部业务流程上是不是存在浪费，系统化地提升效率，降低成本。在稳开源和强节流的基础上，引入智能化能力，构建一个更加敏捷的能够响应业务快速迭代的数据体系。
2. 数据组织变革
在上述战略战术的指导下，首先要进行数据组织变革。
大多公司的基本组织结构包括两部分，一部分是业务部门，往往会有业务分析师、商业分析师的角色；另一部分是数据中台的产品研发。业务分析师向数据中台产研提出需求，数据中台产研则负责完成相应的数据资产建设和数据产品沉淀，这样形成了一个单向的瀑布流模式。
这一模式在今天看来有着明显的弊端，产研体系难以快速响应业务需求，难以将先进的技术赋能于业务；另一方面，业务分析师偏业务背景，不能很好地理解技术，所以二者之间会产生很大的鸿沟，最终导致数据体系对业务的支持变差。为了解决这些问题，出现了数据 BP 这一角色，即 Business Partner，也就是有数据科学背景又走入业务的人才，希望借助这一角色去更好地连接业务部门和数据中台部门。
数据 BP 需要承担两方面的责任，一方面从业务视角来看，他需要把数据科学引入到业务中，通过数据能力的应用帮助业务找到业务增长和降本增效的机会；另一方面，他们又需要能够把业务部门看到的问题和需求传递给数据中台，然后沉淀为数据产品。以这种新的组织形式，实现对业务更加敏捷的支持。
3. 数据产品矩阵变革（数据应用产品）
关于数据产品矩阵的变革，这里更多是从应用角度进行探讨，要找到更多为业务赋能的机会，这些偏应用向的数据产品的创新会成为接下来的重要趋势和热点。
首先，会特别强调用户数据和产品体系建设。前文中提到，为实现开源需要围绕用户去做更深的洞察，建立与用户的长期关系并不断优化用户体验，这是维系长期增长的重要手段。如上图中，通过两个 GMV 公式反映了背后产品建设思路的转变。原来更看重短期转化，会拉更多 UV（独立访客）进来，提升 UV 的转化率，提升每一次的客单价；而现在需要转变为针对不同用户群提升 LTV（客户终生价值），长期助力客户收益的提升。
第二部分是 AI-powered BI 产品体系。在原来的自助式 BI 工具的基础上，加入 Copilot、Agent 等 AI 技术，使 BI 工具得到进一步提升，让更多业务人员能够便捷地利用 BI 工具去做决策，实现人人都是分析师。
第三部分聚焦于提效环节。过去数据产品更多是对业务单点场景下提效点的挖掘，而现在的趋势是如何针对整个业务流程进行系统性挖掘与优化，从而提升整体效率。如 Process Mining & RPA 等技术将成为重点关注的一个方向。
4. 数据产品经理技能变革
数据产品经理维度也需要做出相应的技能变革。
首先，数据产品经理需要重新定位自己。数据产品经理不仅是数据需求的承接者和业务产研的连接者，更是数据产品的主导人。你创造的数据产品不仅能够提效，还可以改变一个企业的增长模式，甚至决定企业的成败。
第二，数据产品经理应改变原来仅做底层工作的模式，而是需要去了解业务，相比懂数据还要更懂业务，甚至比业务还要更懂业务。只有这样，一个好的数据产品经理才能够把新的业务操盘模式背后的数据逻辑提炼出来，做成一个数据产品，让更多业务人员能够实现业务操盘能力的大幅提升。
第三，要永葆学习的热情和能力。未来的数据产品一定是跟 AI、智能化这些新技术相结合的，因此数据产品经理要不断突破技能舒适区，更多地学习和提升个人技术能力，从而创造出更加智能且易用的数据产品。
04 总结与展望
前文中对当前互联网企业数据体系建设趋势进行了解读，也希望借此机会与众多的数据产品经理进行交流。很多数据产品经理对于职业发展存在困惑，经常承接很多数据需求，需要做很多支持性的工作，很难清晰明确地评估其中的价值。作为数据产品经理，应该摆脱工具人的角色，为职业发展创造更多的可能性。
我们要从大处着眼，理解宏观环境和行业的变化，看清我们自身所处的发展阶段，才能理解为什么我们曾经致力建设的产品受到了诸多挑战，未来需要怎样的数据产品，进而才能针对性地进行变革。
还要从小处着手，从改变自己的认知开始，从加深离自己最近业务的理解开始， 从学习一个新的产品或跟踪一项新的技术开始，每次多问一个为什么， 每次多付出一点超过别人的努力，日积月累，改变一定会发生。
05 Q&A
Q1：关于用户数据产品体系和流程优化产品体系，可以举几个实际的例子吗？
A1：关于用户数据产品和产品体系，市场上其实有一些偏商业化的产品，大家可以去借鉴。比如京东数坊、京东营销云下面的一些用户相关的产品，以及阿里的数据银行这类用户向的产品。但是这些都是偏商业化的产品，目的是与商业化体系配合促进商业变现。还有很多企业内部的产品，围绕着用户增长、用户洞察、用户分析的一些产品，这些产品一般都是各大企业内部在用的，未必是一个具体的产品形态，大家也可以去进一步了解。
关于流程优化产品体系，目前国内有一些，但还不是特别成熟，国外有一些产品，比如 process mining 和 RPA 相关技术，在市场上已经比较成熟了，但是对于企业内部应用而言，往往不会直接去用这些现成的产品，尤其是互联网类的公司，很多是自己去做一些能力的探索，或应用的集成。大家可以结合自身实际情况，探索相应的技术和产品。
Q2：介绍中提到 BI 应用向着 Agent 的方向发展，目前在企业中有没有一些实际的落地应用？
A2：很多公司都已经开始在做相关尝试，从最基础的怎样快速查找数据，到如何快速地基于这些数据的变化趋势做一些诊断和分析。一方面，很多商业化产品上都会有类似能力的建设，目前几家主流云厂商的 BI 产品都在做一些 AI 增强方面的能力建设。另一方面，很多公司内部，比如京东，也在一些具体场景上有应用。
Q3：对于数据产品经理来说，商业化变现的产品是否为更好的发方向？而不是只做对内的服务？
A3：不能简单地比较这两个方向哪一个更好。其实在分享里也提到，互联网公司在应对这种新的形势的情况之下，内部的数据体系建设依然有很多需要变革的地方，所以对内依然有很多重要的机会。甚至在当今这样的环境下，对内的机会更大了。
对外的话，商业化变现是一个新的命题，之所以数据中台这个概念依然很火，是因为很多互联网公司希望利用这套理念和相关产品去赋能到传统行业里面去，当然并不是简单的复制，在这个方向上可能不能很快地带来大规模的商业化，还是要结合传统企业的实际情况，结合业务进行创新，这也是一个非常有挑战的领域。
总而言之，对内随着现在的形势会有更大的机会，但前提是需要去变革对内做数据产品体系的思路；对外也会有很大的机会，但不能脱离目标公司的实际业务，空谈系统能力的复制。