来源：人大CMF
林琳 中国移动研究院用户与市场所所长
以下观点整理自林琳在CMF宏观经济热点问题研讨会（第83期）上的发言
本文字数：4400字
阅读时间：11分钟
一、关于市场流通体系建设的思考
数据要素因其具有强流动性、非均质性、强融合性、安全敏感性等特征，使得数据要素市场体系的构建相对复杂，涉及的主体众多，产品类型多样，技术含量高，安全风险也相应增大。构建有效的数据要素市场交易和流通体系并解答好其中的基本问题，是发挥数据要素重要作用的关键，也是解决市场动能不足的根本途径。
马克思在《资本论》中分析了社会再生产的四个环节：生产、交换、消费（流通）、分配。随着社会生产力的发展和社会分工的深化，流通从简单的商品流通转化为货币流通，并进一步演化为资本流通。在信息时代，数据要素的流通是一个全新命题。解决这一问题，需要考虑以下问题：第一，数据要素市场流通的是数据资源还是数据产品和服务？第二，数据要素市场流通是完成商品的转移，还是数据要素由供给端向需求端流动的过程？
第一，数据要素的流通市场既包括数据资源的流通也包括数据产品和服务的流通。与短链条的商品交易不同，数据要素的交易是一个长链条过程。数据资源通常是原始、无序的，只有经过开发变为可用、可信、符合标准的高质量数据资源，才具备流通的基础。而数据产品和服务则是以使用方需求为导向，整合多元数据及技术方案形成的。这两者虽然都属于数据要素流通市场的一部分，但具有不同的特点。所以，在考虑流通市场建设时，应把这两类予以区分作相应的制度建设。
第二，数据要素流通不一定要完成商品从生产侧到消费侧的转移，完成了数据要素使用价值的实现过程也是数据要素的流通。因此，需要探讨数据资源、数据产品和服务这两类流通。从数据资源到数据产品和服务，如果看作自下而上的两层，数据资源在下层，数据产品和服务在上层，则存在这样的特征：越往下越依赖资源，越往上越依赖技术；越往下附加价值越低，越往上附加价值越高；越往下安全敏感性要求越高，越往上安全敏感性越弱；越往下可复制性越强，越往上可复制性越弱。因此，这两种市场属于不同的流通类型。
在数据资源产品流通市场中，主供给体多为数据资源富集型企业或政府。这类数据供给方数据不出域，自身对合规和安全负责，数据单价低，数据调用量大，适合采用政府指导价的定价模式。而数据产品和服务的流通市场通常由数据服务商或技术服务商根据客户需求设计产品和服务，并从数据资源市场购买必要的使用权，采用多方安全计算等模式完成供给。这种市场的价值只有在最终客户愿意买单时才能实现，流通过程也通过市场化的价格形成机制来完成。也就是说，通过市场化手段最终完成价值交付过程，而该过程当中的利益分配也通过市场化机制实现。
因此，合理设计这两类市场的流通模式，有助于解决以下问题：第一，供应端的“放心供”、“供得出”问题，如合规成本、数据安全问题，各类供给各负其责；第二，数据的二次流通不可控问题，避免数据的复制和多次流通所带来的安全问题；第三，提高供方市场的数据可信度，例如，在数据资源市场，可以采用登记运营的方式，借鉴媒体采编权的管理模式，实行审批制度，以提高数据恶意造假或虚假供给的壁垒。
如果能够有效解决数据资源市场与数据产品和服务市场的流通问题，许多当前面临的难题，例如公共数据的授权运营问题和科研数据共享激励问题等，也能得到较好的解决。公共数据的授权运营可以主要考虑放在数据资源市场流通范畴内登记供给，而授权运营后的产品或服务则进入数据产品服务流通市场，从而满足价值链的实现过程。
关于定价问题，从电信行业的业务资费管理实践来看，经历了从政府定价到市场定价的转变历程，对数据要素定价也是具有借鉴意义的。电信行业在1995年确立了政府定价原则，随后在2009年实施了政府指导价进行上限管理，再到政府指导价与市场调节价的双轨制，最终在2014年确立了“市场调节价”原则。这一经验可以应用于数据要素市场的定价策略。数据资源市场，适宜采用政府指导价，并实行价格上限管理；而数据产品和服务市场，则适宜应采用市场调节价，让市场决定价格，根据需求方对产品价值的认知和需求的强度来决定价格。此外，考虑到数据要素市场与电信业务的相似性，尤其是在成本结构方面，采用成本加成定价模式在数据要素市场中的适用性也值得探讨。电信业的成本主要包括基础设施、人员运维和电费等，这些成本难以直接折算到每项具体服务上。同时，技术迭代的快速变化也会使得成本变动周期短，对价格管理带来挑战。
二、数据要素赋能经济发展的实践观察
1、从产业数字化角度看数据赋能经济发展
数据实际上贯穿于企业的研发、采购、生产、运营、管理、销售、服务等各个环节，产业数字化进程实际上是数据要素应用不断深化拓展、数据要素的价值逐步得到释放的过程。从产业数字化的视角来看，数据要素作用的发挥经历信息化、数字化和智能化这三个发展阶段。1）信息化阶段始于上世纪90年代，主要实现业务数据化，数据线上化。2）在数字化阶段，主要解决了多元数据互通和数据智能分析问题。受益于云计算、大数据、人工智能、物联网等新技术的发展，海量数据上云，打破信息化阶段的系统壁垒、部门壁垒，实现跨部门、跨业务单元的系统互通、数据互联。数据在生产管理决策、市场客户洞察、运营效率改善等诸多方面发挥了重要作用。此阶段数据的深度应用展现了三个主要趋势：第一，数据应用的规模逐渐提升，从业务数据、用户数据、流程数据的应用转向全域数据的应用；第二，数据应用的深度逐步增强，实现了更快捷的应用连接和更强大的数据智能分析；第三，数据应用的协同程度得到了提升，从本地业务域单点数据的应用，转向跨空间、跨业务域、跨逻辑架构的数据集成和协同应用。3）下一步产业数字化将走向智能化阶段，实现数据驱动运营，精准高效决策。该阶段特征主要是人工智能等相关技术的引入，以“数智驱动”代替“人智驱动”，来实现系统设备、机器、终端的自适应和自校正等功能。根据工信部《十四五智能制造发展规划》，到2025年，重点骨干企业将初步应用智能化，到2035年，重点骨干行业企业将基本实现智能化。
2、数据要素在制造业的运用带来的范式跃迁
1）生产制造范式从人工驱动向智能决策跃迁
在生产制造过程中，分析、决策控制和执行环节均逐步由数据驱动替代传统的人工驱动，实现精益化生产的目标。例如，在设计研发环节来提高工作效率和降低时间成本，海尔与亚马逊云科技联合打造了一个AI解决方案，应用于新品设计和改款设计等工业设计环节。该解决方案使海尔创新设计中心的整体概念设计速度提升了83%，集成渲染效率提升了约90%。此外，百度文心大模型在应用于TCL的生产线后，新生产线的开发周期缩短了30%。据咨询公司Gartner预测，到2027年，30%的制造商将采用生成式AI技术来提高产品研发效率。
在生产制造环节中，数据用于提高自动化和质量控制水平，降低人工和材料的损耗成本。例如，上海传之神公司开发的多模态大模型，结合视觉、工艺、工况数据，用于指导单晶炉的自动化控制流程，测试结果显示，在90%的识别判断需求中实现了近100%的准确率，解决了之前需人工介入判断的问题。一家数控机床制造企业利用数据，将非正常断机的端到端时延缩短至5ms，避免了主轴工作异常对设备造成的损害，每年可节约成本约3000万，停机时长减少约200小时。
在营销服务环节低人工成本。例如，中国移动客服体系通过引入九天大模型，原先需10万人服务的10亿客户，现在仅需4万人即可胜任。
2）管理运营范式从分散管理到统筹管控跃迁
企业逐渐打破系统割裂、数据孤立的烟囱式管理框架，通过集成全流程、跨系统的数据来实现统筹的规划管理。中国移动研究院在对多家企业进行调研后发现，引入数字化技术显著助理企业运营管理，64%的企业认为能节省办公、管理和营销费用，52%的企业认为对保障数据安全有显著改善，46%的企业认为可以提升其内部运营管理效率。例如，创新奇智公司的工业大模型能够打通MES制造执行系统、QMS质量管理系统、EAM设备管理系统等多个系统的数据，通过多轮自然语言对话汇总数据，形成实时分析功能，目前已在面板半导体、汽车装备等领域实现了商业落地。
3）产业协同范式从信息互联到运营协同的跃迁
即从基于订单的点状信息到信息互联，再到研发、生产、采购、仓储及物流等各环节的产业链上下游数据的贯通与协同转变，支撑各环节上下游的协同运营与决策，推动产业向资源虚拟化配置、平台化运营和网络化协同发展，促进产业内信任合作与价值共创共享。以汽车制造业为例，前期调研显示，一些大型车厂在其供应链管理中，已实现基于数据互通的产业链协同生产运营管理。
4）业态创新范式从局域应用到广域应用跃迁
新型智能终端应用范围由局域网向更广阔的范围拓展，实现广域网内终端与终端间、终端与环境间的实时交互，突破地域与空间限制，拓展新场景、新服务。这反映了数据要素在产业数字化中带来的价值贡献。
然而，制造业在产业数字化的深化实施中也遇到了发展瓶颈，主要表现为转型慢和转型难。这些问题主要源于供需双方的知识储备差异以及解决方案规划和实施中的高成本和长周期。数据问题在两个方面尤为突出：首先是数据集成问题，工业数据的多元异构性使得数据互通困难，Gartner调研显示82%的制造企业存在数据孤岛，所以在响应效率和运营效率方面仍存在问题；其次是数据流通问题，企业对数据安全和隐私的顾虑程度更高，制约了数据的有效流通，需要进一步挖掘如何实现数据价值的流通。下一步，在制造业产业数字化转型的深化进程中，若无法有效利用数据和模型发挥知识与经验的通用价值，则难以突破现有瓶颈。因此，数据要素在产业数字化的应用必须进一步推向数字化和智能化，这是未来需要解决的关键问题。
3、数据要素在营销领域是数据资源与数据产品服务的发挥数据要素价值的典型应用领域，大量实践案例也凸显了数字技术服务商的重要作用。数字化营销以“数据+技术”的双重驱动模式，融通多源数据并，依托多种智能技术，实现了营销各环节的智能化，全面实现更广域的数据、更精准的触达、更敏捷的营销。与传统营销模式相比，数字化营销的第一个显著特征是从“以产品为中心”的单向、线性模式，转变为“以客户为中心”的闭环模式；第二个特征是依托技术融通客户全旅程的数据，协同全渠道触点，解决了传统模式中数据与渠道相对割裂问题；第三个特征是基于数据，结合智能营销技术工具，实现了营销全流程的智能化，包括客户精准的触达以及效果实时评估与策略动态调整。这样，整体的营销效率得到了大幅度的提升。
在数字化营销的应用中，我们常面临数据问题。这些问题在不同类型的企业中有不同的解决策略。例如，像抖音、BAT等头部科技公司，作为具有原生数字化基因的企业，具有强大的数据和技术能力，对他们而言，数据问题较容易解决。对于数据富集但技术能力相对较弱的企业，如银行和保险公司，通常通过自主研发或引入外部能力来提升其数字化营销能力。而对于那些数据和技术基础较弱的传统企业，如快消品和餐饮公司，数据的获取与整合则更为困难。这种场景下，数据服务商发挥了关键作用。在数据方面，他们借助数据管理平台，整合公域和私域数据来形成数据沉淀；在技术能力的方面，通过技术服务商的工具和单次单场景营销活动逐步沉淀数据和能力。一些IT统筹能力比较强的公司也在此过程中逐步建立起了自己的技术能力和系统，盘活整个服务的数据链条。
实践中，数字化营销服务成效显著。例如，在某些省份实施的号、卡端到端数字化营销方案，开卡的月均提升率能达到15%。在一些省公司实施的数字化营销方案，融合业务的转化率有时能达到200%以上。这些都是典型的数据要素在赋能经济方面发挥的价值和作用。
特别声明：以上内容仅代表作者本人的观点或立场，不代表新浪财经头条的观点或立场。如因作品内容、版权或其他问题需要与新浪财经头条联系的，请于上述内容发布后的30天内进行。
