紀錄片《大國崛起》中描述了9個國家崛起的過程，他們都是把握住了戰略窗口期，然後實現了自身崛起。

值得注意的是，這些國家崛起的過程並不漫長，往往是突然實現了商業制度的突破，然後在形成循環後複制到各個領域，然後整個國家在一二十年內就突然實現了跨越式發展。

這也是節目組“讓曆史照亮行程”的初衷，對我們這一代人都有借鑒意義的地方。

其實，對于“發展”這件事的研究在西方也很廣泛。那麽“發展”的本質是什麽？現代經濟學上的主要觀點是對資源的高效配置與利用——所以其主要代表人物亞當·斯密才會強調市場的配置作用。

在解構“發展”過程這件事上，美國著名經濟學家吉姆·柯林斯從現代公司制度出發，曾經提出過“飛輪效應”。回顧科技革命曆史，工業飛輪、資本飛輪曾經發揮過關鍵作用。在今天這個數智時代，數據飛輪也一樣至關重要。

今天我們說的數據飛輪，仍然符合飛輪效應的經濟學原理。

爲了揭秘公司發展的本質，吉姆柯林斯曆時5年，閱讀並系統整理了6000篇文章，記錄了2000多頁的專訪內容，收集了 28家公司過去50年的經營數據，創建了3.84億字節的電腦數據，進行了大範圍的定性和定量分析，終于編著了著名的《從優秀到卓越》，後來他幹脆提取精華寫了一本新書就叫《飛輪效應》。

在這些著作中，他反複論證了一家優秀公司是怎麽利用“飛輪效應”跨越到卓越公司的。

那麽飛輪效應是什麽？

在吉姆·柯林斯筆下，飛輪效應的本質是增強回路，即通過觀察事物各要素之間的連接關系，然後發現系統規律，以推測系統的走勢。

企業發展過程中，最關鍵的部分就是讓飛輪轉起來。

如何讓飛輪轉起來？這就要回到飛輪效應的本質“增強回路”上，“因”增強了“果”，“果”又反過來增強“因”，形成回路，一圈一圈循環增強，這就是“增強回路”。

比如，一個人越成功，就會有越多優質資源和他合作。他如果能充分消費這些優質資源，也就是充分運用這些資源，這樣他就越能取得更大成功。

成功和優質資源之間，互爲因果，彼此刺激，循環增大。

其實這樣的飛輪效應早就貫穿了每個時代，每個行業甚至每個企業。

1910年代是美國的鐵路鍍金時代。彼時，美國人制定了項規定，即鐵路修到哪裏，沿線的土地資源、礦産資源等工業資源就歸鐵路公司所有，隨後美國鐵路公司掀起了瘋狂修鐵路的熱潮，利用這些資源發展工業。結果我們也看到了，這一時期，美國的鐵路、鋼鐵、石油等工業迅速崛起，資本主義經濟體系初步形成，由此誕生了洛克菲勒、卡內基、摩根等超級巨富，也帶動了美國經濟的大部分發展。

這裏面的關鍵點就在于，美國通過利用制度工具，轉起了工業飛輪。

當然，科技領域也存在這樣的飛輪效應，硅谷尤爲明顯。

1960年左右美國硅谷出現了許多風投機構，于是他們開始用最少的錢來投資一些科技創業公司，在這個過程中，因爲有了資本的加持這批創業公司得到了很好的發展，這樣資方有了大的回報，于是他們再用一部分錢投資小公司，由此形成了一個正向循環，結果就是資方口袋裏的錢越來越多，但更重要的是——美國的計算機科技産業實現了巨大發展。

美國硅谷的崛起，不僅在于高科技人才的湧入，更重要的是成功的利用了資本飛輪。

總結下來，飛輪效應就是要正視每個獨立環節之間的聯系，互相影響互相促進，形成一個正向的循環。

飛輪的作用是慣性增長，所有飛輪的實現都是對資源的充分利用。

這裏必須要注意，飛輪效應的關鍵不是積累資源，而是消費資源。工業資源和資本資源的搜集再多，如果不能得到高效消費，也不能帶來自身發展。

站在當下這個新時代，數字經濟正在高速發展，數據本身已經成爲了各行各業的重要資源。

不過，當前大部分公司仍然停留在搜集數據的階段，他們考慮的是如何更快地把數據搜集上來，如何打通各部門間的數據實現互聯互通。

但並不知道如何利用這些數據，消費這些數據。正如行業裏流傳的名言所說，“數據不是萬能良方，發揮不出價值就只是一片墳墓。”

他們就像與美國鍍金時代同時期的一些落後國家，手裏有豐富的資源但不知道怎麽用，這樣的結果就是手裏的數據越來越多，但並不能發揮其價值，到頭來剩下的只是一堆廢棄的數據。

在2020年發布的《電子與機械行業存儲應用態勢調研報告》中顯示，70.6%的電子信息制造業企業和61.6%的機械裝備制造業企業表示，較低的數據利用效率無法有效支撐工業智能化應用。

因爲，他們缺少的是數據飛輪。

缺少數據飛輪，其實最大的症結是企業的意識不到位，數據産品使用門檻高。

近兩年伴隨著數字經濟的發展，國內大大小小的公司紛紛擁抱數智化。何爲數智化？大致可以用一句話概括：利用數字技術、數據産品、數據分析來改善業務流程、決策和績效的過程。

注意“利用數據”是出現頻率最高的詞。

反觀國內數智化轉型大軍，很多公司都是披著數智化的外衣，表面上是在擁抱數智化，利用各種數據工具不斷地建設數據資産，但因爲意識不夠，以及數據工具使用不夠便捷，沒有構建數據文化體系。實則還是靠拍腦袋、上行下效的方式做重大決策，他們更傾向把積累數據資産，並沒有有效利用資産，發揮數據的價值。

這種情況在中小企業身上表現的更爲明顯，有機構曾做過調研，在走訪的企業中，76.3%的企業認爲，缺乏數據文化是企業數據管理落地的主要障礙，大部門企業的數據意識仍薄弱，未能充分認識到數據的重要性，阻礙了數據管理的有效實施。

國內一些頭部互聯網公司都有一句話，“有數據講數據，沒數據不說話”；字節跳動則倡導員工在解決所有問題時都盡可能采用A/B 測試，先得到量化的結果再決策。這些則是企業高度重視數據價值的正面案例。

其次，使用門檻過高也是原因之一。數據其實更像是企業內部的生産資料，如果被長期擱置的話，很大程度上不是因爲不重視，而是因爲其使用門檻過高。

當然門檻過高，很大程度上是因爲沒有敏捷高效的數據産品，或者工具與使用人不匹配。爲了能夠更好的利用數據，很多公司選擇買各式各樣的數據工具，各種框架以及自動化工具。

在衆多工具的加持下，確實能解決一些問題，但聚焦到數據開發層面，對同樣的數據源，不同水平的人開發出來的數據結果不一樣，造成各種問題。數據建模質量不高、數據重複存儲，數據冗余，工作人員無法及時獲取最准確、最全面的數據分析。

所以就會出現數據工具和人才不匹配的情況，工具太難不能真正提升使用者的效率，最後只能是“差生文具多”，越搞越低效。

再者，大部分企業做數智化轉型其實就是三分鍾熱度，就像互聯網+到來時，因爲當時是一個潮流，很多傳統企業選擇擁抱互聯網＋，似乎只要用了互聯網就能進入互聯網時代，但實際情況是他們連最基本的信息化都沒有做到，最後就變成了形式上的互聯網+。

大模型來的時候也是一樣，又一窩蜂地搞大模型＋，實際上只是在原有視頻産品的基礎上加了一個AI端口。

反觀數智化，其本身門檻就高，如果不能降低一些先進技術的使用門檻，不能將其真正融入原來員工已經熟悉的工作流程中，人們就不會充分使用。他們就無法爲企業創造更多價值。

字節可以說是數據驅動最有代表性的踐行者之一，其不僅有數據驅動意識，還能充分能把數據驅動應用在業務的各個“角落”。

緣何字節能做到？

其一，與其他公司不同，字節一直把公司當作産品做而非資産，包括今日頭條、抖音、飛書等都是字節跳動這個産品的運轉結果。這一點張一鳴也曾多次對外表示過。所以字節從一開始就意識到了數據驅動的重要性，並利用其洞察、決策。

衆所周知，字節內部一直有A/B文化，就是說啥東西都要A/B一下：比如抖音視頻畫質的優化效果好不好，會用A/B測試；推薦算法策略優化准不准，會用A/B測試，甚至今日頭條的名字，也經過A/B測試。在字節跳動，評估效果的好壞一定不是只憑感覺，而是要用A/B測試等客觀的分析評估方法。

字節提倡所有場景盡可能的數字化，即使一些不容易數字化的領域，也會做嘗試，比如HR系統，字節的績效評估是360度打分的，打分人的排序是根據這個人和評估對象的重要度排列。根據HR系統打分反饋，管理者或績效複核人可以看到打分人的風格是偏松、偏嚴，顆粒度是粗、是細……字節在這些地方都會做數據化分析。

其二，字節是除BAT之外的又一家大公司，坐擁十多萬員工，數百條産品線，任何一項決策都可能出現“牽一發而動全身”的連鎖反應，所以重大決策決不能靠拍腦袋決定，而是要追求依據性和科學性。

據悉，字節內部從高層到底層都強調看數據，高層領導需要依靠數據解決很多宏觀層面的問題，比如公司的經營狀況，收支狀況，團隊組建情況、宏觀經濟走勢、戰略是否調整等……在字節內部，這類信息必須用數據指標描述和支撐，然後分類整理到供管理層看數據的産品管理駕駛艙Plus；

中層幹部不僅需要關注某個業務板塊的進展，還要尋求業務的突破創新，當然也需要管理團隊日常工作。對此，很多企業會用數據來監測各項業務指標。但字節不僅會監測業務指標數據，還會把數據驅動用在日常管理工作中。比如，目標制定、OKR追蹤管理、周報周會的進展同步、組織效率等。

而底層員工需要看數據的場景就更多了，在日常的開會討論中，不可能出現沒有數據的情況。在不同場景下，數據使用頻率也非常高，甚至會有一些意想不到的地方。舉個例子，比如，在劣質內容的治理上，他們不只用數據快速分析識別哪些是劣質內容，在對這些內容的處罰中，也會用A/B測試來進行判斷，從而選擇更有效的處罰策略。

其三，字節善于且能充分利用智能化工具，因爲工具往往會決定人的思維。

據悉，早期字節的數據工具也很簡單。但是隨著隊伍的壯大，2014年，爲了解決自身的業務痛點，字節開始了數據平台的建設。

從最初的A/B測試到數據BP+中台的模式的搭建，字節用了多年的時間。在這個過程中，字節發現頻繁的數據消費是可以激發企業業務和數據資産的飛輪效應。對于數據消費程度，字節內部有2個量化的指標，一是數據資産能覆蓋80%的業務日常分析需求，二是80%的員工直接使用數據産品輔助日常工作。

基于字節跳動十余年的數據驅動的實踐經驗，爲了將自身的數據運用能力對外延伸，火山引擎提出了數據飛輪的概念。字節跳動數據平台負責人羅旋曾經說過：“增長，源于每個人做的每一次正確的決策，而決策是否正確，在沒有數據驅動的情況下，更像是一種玄學。數據驅動能夠讓決策方法變得更科學，而更科學的決策也就會無限趨近于正確。”所以火山引擎的數據産品也主要突出兩個方面：一是敏捷、二是易用。

敏捷方面，強調的是更快、更靈活。更快是讓數據的各環節都變快，不論是采集加工還是消費分析。更靈活則主要體現在數據處理模式、使用場景的靈活性上。

易用方面，強調的則是門檻低、上手快。沒有任何技術背景的同學可以無代碼搭建數據門戶，沒有統計學背景的運營也能開啓AB實驗，不會SQL的同學也能5分鍾就能搭建分析圖表。觀察下來發現，在數據技術方面，由于字節內部的特性，其要比任何一家公司走的更早些，視野也更開闊些。而火山引擎提出的數據飛輪概念，則是把自身的經驗對外開放出來，解決的是諸多企業數據使用門檻高、效率低等等問題。

意識到了數據飛輪的價值是不夠的，現實情況中，如何讓數據飛輪轉動起來是最難的。

其實飛輪效應和力學概念裏的轉動類似，想讓一個物體從靜止達到運動狀態的時候，首先要克服它的最大靜摩擦力。

對于企業也是如此，數據飛輪轉起來的難點在于，必須要有初始動力，來克服飛輪轉動前的靜止摩擦力。就像人徒手轉動一個輪子一樣，起初很費力，但當過了第一關之後，人不用費更多的力氣，輪子自己就會轉動起來。

那麽有沒有可能降低門檻，減小這個最大靜摩擦力呢？有的，力學中有一個外挂——潤滑劑，強大的潤滑劑甚至可能讓一個普通人推動飛機轉翼。

當前時代的數據飛輪也有一個潤滑劑——人工智能，人工智能領域最頂尖的大模型技術可以極大降低數據産品使用門檻，讓普通人也能輕松利用數據工作，更充分的釋放企業的數據價值。

基于此，近日，火山引擎宣布數智平台VeDI融入應用大模型的能力。

産品升級後，不會寫代碼的運營人員使用自然語言對話就能取數、看數和歸因分析，數據消費門檻大大降低。 據介紹，VeDI本次升級的數據産品是大數據研發治理套件DataLeap、智能數據洞察DataWind，覆蓋數據生産與消費的全鏈路場景，包括數據資産查詢、開發運維和分析洞察。 數據資産的查詢和開發，是數據消費的前置步驟。由于數據結構化管理，資産的檢索和開發，強依賴專業人員。大模型能力的加持，極大地降低了數據檢索和開發的准入門檻。

非研發行業的人員利用DataLeap-找數助手模塊，通過擬人化的查詢方式，能高效准確找數，實現員工自助數據消費第一步。

基于DataLeap-開發助手模塊，非研發行業的人員使用文字描述或數據模型，就可以自動生成、優化SQL代碼，以及對話式咨詢SQL使用問題等，打破技術阻礙，讓數據開發簡單高效，取數便捷。

在數據分析環節，利用DataWind-分析助手，非分析行業的人員通過自然語言對話，可完成數據可視化查詢與分析等一系列業務探索，解決過去分析洞察上需要大量專業知識的痛點，縮短數據分析周期。

同時，DataWind還聯通飛書等辦公協同工具，使用者通過IM消息訂閱、自然對話，進行更多延展分析，實現隨時隨地的靈活分析。

由此可見，升級後的數據産品，不僅能降低了非專業人員數據消費的門檻，讓數據産品變得人人易用易懂，還能解放專業人員，讓其可以聚焦複雜場景的需求，提高研發生産效率與代碼質量。在降低數據消費門檻之上，火山引擎還在通過大模型＋數據飛輪這套組合拳，讓企業的數據價值得以充分釋放。

據了解，目前，VeDI相關數據産品已經啓動邀測。

這裏有一個很形象的對比，在當前這個時代：力學中“飛輪+潤滑劑”形成飛輪效應的組合表現在企業經營中就相當于，數據飛輪+大模型加持=充分釋放企業的數據價值。

放在具體企業運營裏，也可以想象一個場景：一個農莊（公司）裏有100人幹活，之前只有不到10個人用鋤頭（數據工具），因爲鋤頭使用難度太高了，其他90個人都用手；現在大模型降低了工具難度，100個幹活，其中有50乃至更多人使用鋤頭，這個農莊的勞動效率和競爭力無疑是巨大提高的。

這是一個“數據+智能”的時代，不少企業還習慣性于比拼誰手裏的數據最多，但其實是不對的，因爲他們最終發揮作用的數據卻不多，數據飛輪並沒轉動。

大家都想成爲數據大亨，但是數據大亨並不是擁有數據最多的人，而是消費數據最多的人。利用更智能的工具，更充分運用數據才能讓數據飛輪轉動，産生足夠價值。