近日，清华大学经济管理学院副院长、管理科学与工程系教授徐心，清华大学经济管理学院人工智能与管理研究中心访问学者、新加坡国立大学助理教授、博士生导师孙辰朔，清华大学经济管理学院管理科学与工程系教授郭迅华在哈佛商业评论发表文章，谈数字经济时代企业如何建立“数智价值链”。

企业价值是通过“价值链”创造出来的。在数字经济时代，企业需要建立“数智价值链”。

迈克尔·波特提出，一个企业的价值链由一系列价值创造活动组成，企业的总体价值，就是所有价值创造活动创造出来的价值的总和。这些价值创造活动可以分为基础活动（包括面向上游的供应链和物流、内部的生产、再到面向下游的销售和服务）以及支持活动（包括金融、财务、人力资源管理等）。

数智价值链就是在波特提出的价值链基础上，增加一个数智活动。“数”指使用大数据，“智”指使用智能分析技术（机器学习等）。在数字经济时代，数智活动将成为企业价值链必不可少的价值增值活动，就像营销、生产、人力资源等等，成为企业价值链中的关键一环。

走出数字化建设误区

提出建立数智价值链，是因为在数字化转型过程中，我们观察到很多企业陷入了“只见树木不见森林”的误区。所谓树木，就是具体的数字化转型项目。很多企业为了推进数字化转型，瞄准业务痛点，积极推进具体的数字化运营项目，例如智能营销、数字化物流等（树木），但是忽略了从根本上对企业价值链进行数智化变革（森林）。

企业推进数字化转型中遇到的挑战，往往就是因为“只见树木不见森林”导致的，例如：

数据孤岛：一个需要跨整个价值链数据支持的数智项目，却因为企业内部没有一套完整的数据要素流通机制而无法落地。

重复基建：多个项目分属价值链的不同活动，由不同的业务部门负责管理，结果导致重复基建。例如，多个部门在收集同样或类似的数据，导致大量软硬件的重复投资，以及沉重繁琐的重复劳动负担。

人才缺失：业务部门缺乏处理大数据并进行智能分析的专门人才，对大数据的分析往往流于表面，无法深度加工利用数据要素，无法实现数字化资产的价值增值。

激励错位：由于难以衡量数智项目的经济价值，从而难以在部门间进行合理的价值分配，导致参加数智项目的数智部门和业务部门无法形成高效协同。

如今，许多企业已经经历了相对长期的数字化转型过程，基本完成了“数字化基建”的阶段。然而，当这些企业想要进入下一阶段，也就是“数字化价值变现”阶段时，上述挑战便凸显出来。这时，企业需要尽快系统化建设数智价值链，重塑数字化管理、运营逻辑，从而使数字化基建的投入产出最大化。

总结来看，数智价值链中的数智活动包括三个职能：

数据整合：完成三项整合目标

数据整合职能即从价值链各个活动中采集并整合数据资源，并在此基础上完成数据加工和特征工程，促进企业内部数据要素的流通使用。例如，银行业实施智能营销项目，需要整合顾客的账户活动、投资理财、消费、过往的营销互动、在网银上的点击流等数据，再进行智能分析。

基建阶段，数据整合职能面对的突出挑战是纯粹技术层面的，例如如何有效存储海量数据。进入价值变现阶段，数据整合职能应完成数据采集、数据加工和特征工程三个目标。数据采集和数据加工的概念相对清晰。特征工程指从原始数据中提取具有商业价值和管理意义的数据特征项，从而让智能分析项目直接使用这些特征，大大加速智能分析的效率。同时，这些工作应该集中在企业层面完成，避免某个业务活动缺乏全局数据、不同业务活动对数据重复提取的问题。

当下，数据整合职能面对的一个突出挑战是如何合规采集数据，如何在数据整合以及内部流通过程中保护隐私信息。这一挑战直接影响着三类数据整合目标的实现。面对这一挑战，企业往往为了保证数据安全（例如使用物理安全房等），而损失了数据使用效率。

企业应该积极拥抱科技赋能的新方案，例如利用最新的技术，如差分隐私技术（differential privacy，DP）。DP可以促进不同商业组织和部门间的数据打通与隐私保护。例如，当一家金融集团的个人信贷部门需要使用信用卡部门的顾客消费数据，而信用卡部门又对共享顾客消费数据（隐私信息）有担忧时，就可以使用DP对要共享的数据进行处理。处理后的每一条消费数据已不含有顾客个人隐私信息；与此同时，一个顾客群体的统计属性（例如消费能力、购物习惯等）依然被很好地保留了下来，可以为个人信贷部门基于顾客群体制定信贷政策提供决策依据。

智能计算：融合业务知识与计算能力

智能计算职能是以业务需求为导向，基于以机器学习为代表的计算方法，从大数据中挖掘商务智能，赋能科学决策。智能计算以服务业务为目的，提供所需资源，包括人员配置、专业知识和计算能力。

基建阶段，企业可能更多关注计算能力的提升。而进入价值变现阶段，突出的挑战是如何融合业务知识和智能计算能力。从企业资源观的视角看，这种融合性能力难以被模仿，有潜力构成企业的长期竞争优势。然而，要实现二者的深度融合，关键挑战在于如何让数据分析人员融入到业务活动之中，形成对业务需求的敏锐洞察，培养起积极探索分析方向的主动意识和有效梳理分析逻辑的综合能力。

在现实中我们经常观察到，面对同样的业务问题，有经验和有主观能动性的数据分析和建模人员可以更快地理解业务特点，主动学习和掌握业务知识并将其应用在分析和建模过程中。智能分析和建模的结果往往依赖于建模过程的调参和试错过程。另外非常重要的一点是，如何有效协同业务部门和数智部门的激励与分配机制（这直接影响了数据分析和建模人员的激励），是建立并治理好数智价值链的一个关键。

解决方案的关键是针对企业数智部门提供的数据和计算服务设立有效的成本分摊（chargeback）机制：即建立一套有效的机制，让使用了数智服务的业务部门为所使用的服务“埋单”。

为此，企业需要制度创新。比如数智部门作为独立公司运营，各业务部门以数据参股并获得分红，这样可以激励各业务部门参与数智部门的数据搜集和整合工作。数智部门为业务部门实施智能项目，业务部门付费，这个机制可以强化业务部门以价值创造为导向并有效使用企业数智资源的意识，并以市场机制为数智部门提供的服务“埋单”。

价值评估：科学衡量无形资产价值，完善价值贡献激励机制

科学衡量智能管理项目产生经济价值，需要建立企业统一的价值评估平台。它将帮助企业更好地解决智能计算职能中面临的挑战：数智部门提供的数据和计算服务是无形资产，衡量无形资产的价值是企业长期面对的难题。不解决这一难题，企业很难建立起基于价值贡献的激励机制与分配机制。

以对照实验为代表的因果推断方法，为科学评估数字化运营的经济价值和投资回报率提供了有效途径。对照实验的核心逻辑在于通过完全随机化过程，将项目单元分为若干个实验组和对照组，并在每个组实施不同的策略，从而观察对比不同组最终实现的业务目标，得到不同策略的经济价值估计。

线上对照实验作为数据驱动因果推断的黄金准则，在过去20年内推动了包括谷歌、亚马逊、微软、脸书在内众多科技公司的数字化运营。例如，谷歌在改进广告排序系统算法时，要依靠上百个对照实验和多次迭代；微软搜索引擎团队每年要运行上千个实验，目的是为了将相关任务营收指标提升2%；在我国，越来越多的科技公司都开始建立专门用于对照实验的企业级基础设施。一些企业，如腾讯和快手，通过每年几万至几千万次的对照实验来改善产品、优化决策、评估效益，进而增强企业的盈利能力。

传统行业在数字化转型过程中需要拥抱对照实验，它是理解复杂现象和评估“数智价值链”活动价值的理想工具。科技公司也应该主动进行科技输出，推动数实结合，加快传统企业建立和应用以对照实验平台为代表的科学管理平台。

数智价值链是对企业价值链的一个根本改造，建立数智价值链需要有效融合长期主义和短期价值。在企业层面建立数智活动的三个职能，涉及到企业所有部门，需要制度创新并建设企业层面的科学管理平台，缺乏长期主义是难以成功的。也正是因为建设数智价值链不会一蹴而就，企业需要选择易于实现数智价值的业务活动作为突破点，围绕这个突破点试点数智职能，从而建立起全企业对数智变革的信心和文化。

作者：

徐心：清华大学经济管理学院副院长，管理科学与工程系教授；

孙辰朔：清华大学经济管理学院人工智能与管理研究中心访问学者，新加坡国立大学助理教授、博士生导师；

郭迅华：清华大学经济管理学院管理科学与工程系教授。

本文来源：哈佛商业评论微信公众号

编辑：梁萍