延续之前关于业务数据化与数据业务化的话题，今天专门来谈一谈对于数据业务化的理解。主要回答三个问题：什么是数据业务化、为什么要进行数据业务化、如何实现数据业务化。
1、什么是数据业务化
业内对于数据业务化的概念和内涵并无统一说法。大家普遍的认识都是来自阿里集团内部关于“一切业务数据化，一切数据业务化”的说法的理解。业内普遍的看法是，数据业务化是指：通过对业务系统中沉淀的数据的二次加工，找出数据中的规律，让数据更懂业务，并用数据驱动各个业务的发展，将数据渗透到各个业务的运营当中，让数据反哺业务，最终释放数据价值，完成数据价值的运营闭环。以上定义侧重于从运营的角度来阐释数据的业务化，强调数据对业务的理解、渗透和反哺。然而，这个定义并未揭示出数据是如何驱动业务运营的，也并未解释其原理和作用过程。况且，阿里是基于自身已建立起庞杂的业务群落和成熟的数据生态的基础上提出这个观点的，这个观点是契合其中台战略的背景的。因此，这个定义的普适性有限。
笔者认为，数据业务化重点在“业务”二字，表面意思是将数据做成一项业务，说到底，数据业务化应当属于产品或业务的范畴，应从数据的产品化与商业化角度来定义数据业务化。基于此，笔者对数据业务化进行了重新定义。笔者认为，所谓数据业务化是指：在数据整合的基础上，将数据进行产品化封装，并升级为新的业务板块，由专业团队按照产品化的方式进行商业化推广和运营。从这个定义可以看到，数据业务化的本质是数据的产品化、商业化与价值化。数据业务化实际上强调产品化、新业务和专业化运作，也就是以数据为主要内容和生产原料，打造数据产品，按照产品定义、研发、定价、包装和推广的套路进行商业化运作，把数据产品打造成能为企业创收的新兴业务。
2、为什么需要数据业务化
对于重视数字化转型的企业来讲，数据业务化是一项长期性工程，推进数据业务化是数字化转型战略落地的需要，是赋能业务运营的需要，也是数据价值变现和数据技术团队自身价值实现的需要。
（1） 数字化转型战略落地的需要
数据是企业的战略型资产和重要生产要素，数据业务化是推进数字化转型战略落地的抓手。通过数据业务化能促进数据资产的价值挖掘，发挥其作为生产要素在业务运营中的加速器作用。数据业务化为企业数字化转型清理了障碍，铺就了坦途。企业数字化转型离不开数据业务化，如果脱离数据业务化，企业的数字化转型之路就会变得杂乱无章、偏离轨道。
（2） 数据驱动业务运营的需要
从业务运营角度来看，随着终端用户的数字化，业务的电子化、在线化已势不可挡，企业的业务运营全面数字化已成为大势所趋。企业需要快速、灵活的响应用户的需求变化和应对市场竞争的瞬息万变，而数据则是帮助企业适应这一形势的利器。透过数据的力量，将数据进行产品化和服务化，可以帮助企业洞察用户需求的变化，保持与用户实时的互动沟通，还能洞悉市场风云变化，提高运营决策效率，降低决策风险，同时也能发挥润滑剂的作用、提升业务运营效率。
（3） 数据价值变现的需要
数据如果不能应用于企业经营，不能发挥出价值的话，对于企业来讲就是一项需要长期负担的成本。因为，数据从采集、清洗、存储到治理，整个数据生产与维护的链条需要耗费大量的人力和物力。数据只有融入到业务中才能实际产生出价值，数据闲置不用就会成为垃圾资产。数据价值挖掘首要的是通过数据业务化，将数据打造成企业新的产品，为企业内部的业务运营赋能，其次就是通过适当的方式进行对外价值变现。
（4） 数据技术团队价值实现的需要
如前所述，数据资产的管理和维系需要投入大量的人力和物力，而且养活数据技术人才的成本一直是节节攀升的，数据技术团队由于一般不直接创造营收，长期以来都是企业的成本中心。为了能在企业内部的地位更加稳固，为了更充分的实现自身价值，数据技术团队都有意愿向前跨一步，在与业务团队进行紧密融合的过程中，发挥自身的价值。从长远来看，数据技术团队都有意愿从成本中心向利润中心转型，数据业务化为数据技术团队更快的融入到业务中提供了舞台，满足了数据技术团队价值实现的需要。
3、如何实现数据业务化
笔者通过分析和总结发现，实现数据业务化的途径主要有以下五种方式：
（1）对内产品化
产品化是数据业务化的常见形式，产品化一般先从服务于内部开始。数据产品化的出发点还是为了服务于业务部门的决策与运营。之所以要将数据分析与服务进行产品化，主要是便于应对一些常态化、普遍性的业务场景与应用的需求。比如：各分公司或业务部门经常需要看涉及自身的KPI指标，数据分析与支撑部门就可以将这种常态化的数据需求固化为数据分析报表，这样从数据的获取、指标的生产到图表的展现能实现流水线式的加工，提高了数据分析与支撑的效率。类似的数据产品还有管理驾驶舱、数据大屏、自助分析平台等。
（2）对外服务化
数据除了服务于内部之外，还可以采取适当形式服务于外部客户。将数据加工和封装后服务于外部客户，一方面能满足外部客户的需求，另一方面还能体现数据技术团队的价值。数据对外服务通常采用数据库产品、API服务和订阅制服务的形式。以API形式对外提供服务是征信公司常用的做法。比如：国家电网将企业和个人的用电行为等方面的数据加工为有信用属性的指标，封装为API供外部有征信查询需求的客户进行调用。再如：万德资讯将股票、债券、基金、衍生品、指数、宏观行业等各类金融市场数据整合为数据库产品，以Wind金融终端等形态为其客户提供服务。外部客户还可以基于自身需求，订阅需要的服务内容，万德资讯按照客户的订阅内容进行数据服务的推送。
（3）PaaS平台模式
所谓PaaS模式是指拥有数据资源优势的企业将其数据资源和能力封装为API，对外开放数据服务能力，吸引外部客户以租户形式入驻，并对租户提供必要的数据加工环境。比如：电信运营商拥有亿级用户的行为大数据，但面向垂直领域，电信运营商的行业理解力和服务覆盖能力还是存在不足，为此他们需要引入对垂直领域有深刻业务理解的公司参与进来，让这些公司利用运营商的数据形成更适应行业客户的产品或解决方案。这种情况下，电信运营商将其数据脱敏处理后，采取PaaS模式对外提供服务，把大数据平台的数据处理、操作、存储能力封装为API，开放数据服务能力，对外提供数据加工环境。电信运营商则向租户收取数据使用费和资源耗损费。
（4）投资孵化模式
投资孵化模式可以看做是在PaaS平台模式上的延伸。当数据资源拥有方对入驻PaaS平台的创业公司比较看好时，可以投资入股，以其资金和数据资源帮助创业公司快速成长。当创业公司发展壮大后，甚至可以考虑直接收购。先孵化、后收购是BAT类公司在扩张业务版图时经常采用的套路。
（5）咨询服务模式
在内部积累了丰富数据化运营经验后，企业就可以考虑进行数据服务能力的输出了，咨询服务模式也是进行数据价值变现的常用方式。比如：国内有一些领先的股份制银行在金融科技领域积累了丰富的实践经验后，成立了新的金融科技公司，对比较弱小的城商行、农商行提供“扶危济困”式的咨询服务，在咨询服务过程中输出了其技术服务能力和数据服务能力。
