纪录片《大国崛起》中描述了9个国家崛起的过程，他们都是把握住了战略窗口期，然后实现了自身崛起。

值得注意的是，这些国家崛起的过程并不漫长，往往是突然实现了商业制度的突破，然后在形成循环后复制到各个领域，然后整个国家在一二十年内就突然实现了跨越式发展。

这也是节目组“让历史照亮行程”的初衷，对我们这一代人都有借鉴意义的地方。

其实，对于“发展”这件事的研究在西方也很广泛。那么“发展”的本质是什么？现代经济学上的主要观点是对资源的高效配置与利用——所以其主要代表人物亚当·斯密才会强调市场的配置作用。

在解构“发展”过程这件事上，美国著名经济学家吉姆·柯林斯从现代公司制度出发，曾经提出过“飞轮效应”。回顾科技革命历史，工业飞轮、资本飞轮曾经发挥过关键作用。在今天这个数智时代，数据飞轮也一样至关重要。

今天我们说的数据飞轮，仍然符合飞轮效应的经济学原理。

为了揭秘公司发展的本质，吉姆柯林斯历时5年，阅读并系统整理了6000篇文章，记录了2000多页的专访内容，收集了 28家公司过去50年的经营数据，创建了3.84亿字节的电脑数据，进行了大范围的定性和定量分析，终于编著了著名的《从优秀到卓越》，后来他干脆提取精华写了一本新书就叫《飞轮效应》。

在这些著作中，他反复论证了一家优秀公司是怎么利用“飞轮效应”跨越到卓越公司的。

那么飞轮效应是什么？

在吉姆·柯林斯笔下，飞轮效应的本质是增强回路，即通过观察事物各要素之间的连接关系，然后发现系统规律，以推测系统的走势。

企业发展过程中，最关键的部分就是让飞轮转起来。

如何让飞轮转起来？这就要回到飞轮效应的本质“增强回路”上，“因”增强了“果”，“果”又反过来增强“因”，形成回路，一圈一圈循环增强，这就是“增强回路”。

比如，一个人越成功，就会有越多优质资源和他合作。他如果能充分消费这些优质资源，也就是充分运用这些资源，这样他就越能取得更大成功。

成功和优质资源之间，互为因果，彼此刺激，循环增大。

其实这样的飞轮效应早就贯穿了每个时代，每个行业甚至每个企业。

1910年代是美国的铁路镀金时代。彼时，美国人制定了项规定，即铁路修到哪里，沿线的土地资源、矿产资源等工业资源就归铁路公司所有，随后美国铁路公司掀起了疯狂修铁路的热潮，利用这些资源发展工业。结果我们也看到了，这一时期，美国的铁路、钢铁、石油等工业迅速崛起，资本主义经济体系初步形成，由此诞生了洛克菲勒、卡内基、摩根等超级巨富，也带动了美国经济的大部分发展。

这里面的关键点就在于，美国通过利用制度工具，转起了工业飞轮。

当然，科技领域也存在这样的飞轮效应，硅谷尤为明显。

1960年左右美国硅谷出现了许多风投机构，于是他们开始用最少的钱来投资一些科技创业公司，在这个过程中，因为有了资本的加持这批创业公司得到了很好的发展，这样资方有了大的回报，于是他们再用一部分钱投资小公司，由此形成了一个正向循环，结果就是资方口袋里的钱越来越多，但更重要的是——美国的计算机科技产业实现了巨大发展。

美国硅谷的崛起，不仅在于高科技人才的涌入，更重要的是成功的利用了资本飞轮。

总结下来，飞轮效应就是要正视每个独立环节之间的联系，互相影响互相促进，形成一个正向的循环。

飞轮的作用是惯性增长，所有飞轮的实现都是对资源的充分利用。

这里必须要注意，飞轮效应的关键不是积累资源，而是消费资源。工业资源和资本资源的搜集再多，如果不能得到高效消费，也不能带来自身发展。

站在当下这个新时代，数字经济正在高速发展，数据本身已经成为了各行各业的重要资源。

不过，当前大部分公司仍然停留在搜集数据的阶段，他们考虑的是如何更快地把数据搜集上来，如何打通各部门间的数据实现互联互通。

但并不知道如何利用这些数据，消费这些数据。正如行业里流传的名言所说，“数据不是万能良方，发挥不出价值就只是一片坟墓。”

他们就像与美国镀金时代同时期的一些落后国家，手里有丰富的资源但不知道怎么用，这样的结果就是手里的数据越来越多，但并不能发挥其价值，到头来剩下的只是一堆废弃的数据。

在2020年发布的《电子与机械行业存储应用态势调研报告》中显示，70.6%的电子信息制造业企业和61.6%的机械装备制造业企业表示，较低的数据利用效率无法有效支撑工业智能化应用。

因为，他们缺少的是数据飞轮。

缺少数据飞轮，其实最大的症结是企业的意识不到位，数据产品使用门槛高。

近两年伴随着数字经济的发展，国内大大小小的公司纷纷拥抱数智化。何为数智化？大致可以用一句话概括：利用数字技术、数据产品、数据分析来改善业务流程、决策和绩效的过程。

注意“利用数据”是出现频率最高的词。

反观国内数智化转型大军，很多公司都是披着数智化的外衣，表面上是在拥抱数智化，利用各种数据工具不断地建设数据资产，但因为意识不够，以及数据工具使用不够便捷，没有构建数据文化体系。实则还是靠拍脑袋、上行下效的方式做重大决策，他们更倾向把积累数据资产，并没有有效利用资产，发挥数据的价值。

这种情况在中小企业身上表现的更为明显，有机构曾做过调研，在走访的企业中，76.3%的企业认为，缺乏数据文化是企业数据管理落地的主要障碍，大部门企业的数据意识仍薄弱，未能充分认识到数据的重要性，阻碍了数据管理的有效实施。

国内一些头部互联网公司都有一句话，“有数据讲数据，没数据不说话”；字节跳动则倡导员工在解决所有问题时都尽可能采用A/B 测试，先得到量化的结果再决策。这些则是企业高度重视数据价值的正面案例。

其次，使用门槛过高也是原因之一。数据其实更像是企业内部的生产资料，如果被长期搁置的话，很大程度上不是因为不重视，而是因为其使用门槛过高。

当然门槛过高，很大程度上是因为没有敏捷高效的数据产品，或者工具与使用人不匹配。为了能够更好的利用数据，很多公司选择买各式各样的数据工具，各种框架以及自动化工具。

在众多工具的加持下，确实能解决一些问题，但聚焦到数据开发层面，对同样的数据源，不同水平的人开发出来的数据结果不一样，造成各种问题。数据建模质量不高、数据重复存储，数据冗余，工作人员无法及时获取最准确、最全面的数据分析。

所以就会出现数据工具和人才不匹配的情况，工具太难不能真正提升使用者的效率，最后只能是“差生文具多”，越搞越低效。

再者，大部分企业做数智化转型其实就是三分钟热度，就像互联网+到来时，因为当时是一个潮流，很多传统企业选择拥抱互联网＋，似乎只要用了互联网就能进入互联网时代，但实际情况是他们连最基本的信息化都没有做到，最后就变成了形式上的互联网+。

大模型来的时候也是一样，又一窝蜂地搞大模型＋，实际上只是在原有视频产品的基础上加了一个AI端口。

反观数智化，其本身门槛就高，如果不能降低一些先进技术的使用门槛，不能将其真正融入原来员工已经熟悉的工作流程中，人们就不会充分使用。他们就无法为企业创造更多价值。

字节可以说是数据驱动最有代表性的践行者之一，其不仅有数据驱动意识，还能充分能把数据驱动应用在业务的各个“角落”。

缘何字节能做到？

其一，与其他公司不同，字节一直把公司当作产品做而非资产，包括今日头条、抖音、飞书等都是字节跳动这个产品的运转结果。这一点张一鸣也曾多次对外表示过。所以字节从一开始就意识到了数据驱动的重要性，并利用其洞察、决策。

众所周知，字节内部一直有A/B文化，就是说啥东西都要A/B一下：比如抖音视频画质的优化效果好不好，会用A/B测试；推荐算法策略优化准不准，会用A/B测试，甚至今日头条的名字，也经过A/B测试。在字节跳动，评估效果的好坏一定不是只凭感觉，而是要用A/B测试等客观的分析评估方法。

字节提倡所有场景尽可能的数字化，即使一些不容易数字化的领域，也会做尝试，比如HR系统，字节的绩效评估是360度打分的，打分人的排序是根据这个人和评估对象的重要度排列。根据HR系统打分反馈，管理者或绩效复核人可以看到打分人的风格是偏松、偏严，颗粒度是粗、是细……字节在这些地方都会做数据化分析。

其二，字节是除BAT之外的又一家大公司，坐拥十多万员工，数百条产品线，任何一项决策都可能出现“牵一发而动全身”的连锁反应，所以重大决策决不能靠拍脑袋决定，而是要追求依据性和科学性。

据悉，字节内部从高层到底层都强调看数据，高层领导需要依靠数据解决很多宏观层面的问题，比如公司的经营状况，收支状况，团队组建情况、宏观经济走势、战略是否调整等……在字节内部，这类信息必须用数据指标描述和支撑，然后分类整理到供管理层看数据的产品管理驾驶舱Plus；

中层干部不仅需要关注某个业务板块的进展，还要寻求业务的突破创新，当然也需要管理团队日常工作。对此，很多企业会用数据来监测各项业务指标。但字节不仅会监测业务指标数据，还会把数据驱动用在日常管理工作中。比如，目标制定、OKR追踪管理、周报周会的进展同步、组织效率等。

而底层员工需要看数据的场景就更多了，在日常的开会讨论中，不可能出现没有数据的情况。在不同场景下，数据使用频率也非常高，甚至会有一些意想不到的地方。举个例子，比如，在劣质内容的治理上，他们不只用数据快速分析识别哪些是劣质内容，在对这些内容的处罚中，也会用A/B测试来进行判断，从而选择更有效的处罚策略。

其三，字节善于且能充分利用智能化工具，因为工具往往会决定人的思维。

据悉，早期字节的数据工具也很简单。但是随着队伍的壮大，2014年，为了解决自身的业务痛点，字节开始了数据平台的建设。

从最初的A/B测试到数据BP+中台的模式的搭建，字节用了多年的时间。在这个过程中，字节发现频繁的数据消费是可以激发企业业务和数据资产的飞轮效应。对于数据消费程度，字节内部有2个量化的指标，一是数据资产能覆盖80%的业务日常分析需求，二是80%的员工直接使用数据产品辅助日常工作。

基于字节跳动十余年的数据驱动的实践经验，为了将自身的数据运用能力对外延伸，火山引擎提出了数据飞轮的概念。字节跳动数据平台负责人罗旋曾经说过：“增长，源于每个人做的每一次正确的决策，而决策是否正确，在没有数据驱动的情况下，更像是一种玄学。数据驱动能够让决策方法变得更科学，而更科学的决策也就会无限趋近于正确。”所以火山引擎的数据产品也主要突出两个方面：一是敏捷、二是易用。

敏捷方面，强调的是更快、更灵活。更快是让数据的各环节都变快，不论是采集加工还是消费分析。更灵活则主要体现在数据处理模式、使用场景的灵活性上。

易用方面，强调的则是门槛低、上手快。没有任何技术背景的同学可以无代码搭建数据门户，没有统计学背景的运营也能开启AB实验，不会SQL的同学也能5分钟就能搭建分析图表。观察下来发现，在数据技术方面，由于字节内部的特性，其要比任何一家公司走的更早些，视野也更开阔些。而火山引擎提出的数据飞轮概念，则是把自身的经验对外开放出来，解决的是诸多企业数据使用门槛高、效率低等等问题。

意识到了数据飞轮的价值是不够的，现实情况中，如何让数据飞轮转动起来是最难的。

其实飞轮效应和力学概念里的转动类似，想让一个物体从静止达到运动状态的时候，首先要克服它的最大静摩擦力。

对于企业也是如此，数据飞轮转起来的难点在于，必须要有初始动力，来克服飞轮转动前的静止摩擦力。就像人徒手转动一个轮子一样，起初很费力，但当过了第一关之后，人不用费更多的力气，轮子自己就会转动起来。

那么有没有可能降低门槛，减小这个最大静摩擦力呢？有的，力学中有一个外挂——润滑剂，强大的润滑剂甚至可能让一个普通人推动飞机转翼。

当前时代的数据飞轮也有一个润滑剂——人工智能，人工智能领域最顶尖的大模型技术可以极大降低数据产品使用门槛，让普通人也能轻松利用数据工作，更充分的释放企业的数据价值。

基于此，近日，火山引擎宣布数智平台VeDI融入应用大模型的能力。

产品升级后，不会写代码的运营人员使用自然语言对话就能取数、看数和归因分析，数据消费门槛大大降低。 据介绍，VeDI本次升级的数据产品是大数据研发治理套件DataLeap、智能数据洞察DataWind，覆盖数据生产与消费的全链路场景，包括数据资产查询、开发运维和分析洞察。 数据资产的查询和开发，是数据消费的前置步骤。由于数据结构化管理，资产的检索和开发，强依赖专业人员。大模型能力的加持，极大地降低了数据检索和开发的准入门槛。

非研发行业的人员利用DataLeap-找数助手模块，通过拟人化的查询方式，能高效准确找数，实现员工自助数据消费第一步。

基于DataLeap-开发助手模块，非研发行业的人员使用文字描述或数据模型，就可以自动生成、优化SQL代码，以及对话式咨询SQL使用问题等，打破技术阻碍，让数据开发简单高效，取数便捷。

在数据分析环节，利用DataWind-分析助手，非分析行业的人员通过自然语言对话，可完成数据可视化查询与分析等一系列业务探索，解决过去分析洞察上需要大量专业知识的痛点，缩短数据分析周期。

同时，DataWind还联通飞书等办公协同工具，使用者通过IM消息订阅、自然对话，进行更多延展分析，实现随时随地的灵活分析。

由此可见，升级后的数据产品，不仅能降低了非专业人员数据消费的门槛，让数据产品变得人人易用易懂，还能解放专业人员，让其可以聚焦复杂场景的需求，提高研发生产效率与代码质量。在降低数据消费门槛之上，火山引擎还在通过大模型＋数据飞轮这套组合拳，让企业的数据价值得以充分释放。

据了解，目前，VeDI相关数据产品已经启动邀测。

这里有一个很形象的对比，在当前这个时代：力学中“飞轮+润滑剂”形成飞轮效应的组合表现在企业经营中就相当于，数据飞轮+大模型加持=充分释放企业的数据价值。

放在具体企业运营里，也可以想象一个场景：一个农庄（公司）里有100人干活，之前只有不到10个人用锄头（数据工具），因为锄头使用难度太高了，其他90个人都用手；现在大模型降低了工具难度，100个干活，其中有50乃至更多人使用锄头，这个农庄的劳动效率和竞争力无疑是巨大提高的。

这是一个“数据+智能”的时代，不少企业还习惯性于比拼谁手里的数据最多，但其实是不对的，因为他们最终发挥作用的数据却不多，数据飞轮并没转动。

大家都想成为数据大亨，但是数据大亨并不是拥有数据最多的人，而是消费数据最多的人。利用更智能的工具，更充分运用数据才能让数据飞轮转动，产生足够价值。