01 理念升级：从数据中台到数据飞轮

　　当前，数据作为数字经济时代的关键生产要素，逐步融入生产生活各方面，去年国务院也发布了《关于构建数据基础制度更好发挥数据要素作用的意见》，且国家数据局于今年成立，进一步说明数据是新的生产要素，是基础性资源和战略性资源，也是重要生产力。

　　对于企业来说，随着互联网、大数据、人工智能等技术的快速发展，数字化转型也成为企业实现更快发展、降本增效的重要手段之一。数字化转型能够使企业更加高效、灵活和适应市场变化。通过利用先进的技术和数据分析，企业可以优化业务流程，提高生产效率，降低成本，并更好地满足客户需求，不仅有助于提升竞争力，还可以带来更多的商业机会和收入来源。

　　数据驱动，也是字节跳动的企业文化基因。据介绍，80% 的字节员工每天在通过各种各样的数据产品使用数据，进行数据消费。这其中既包括大家传统认知中的数据工程师、数据分析师这些需要直接和数据打交道的人，也包含产品、运营、市场，甚至行政、HR、UED 这些传统意义上离数据比较远的人。

　　经过十多年数据经验沉淀，从数据工坊、数据中台，字节跳动也衍生出数据飞轮模式。我们认为，在企业数据建设发展过程中，经历了从数据工坊、数据中台到数据飞轮的三个阶段。

　　第一阶段：数据工坊，主要指在企业内各个子公司、子业务各自进行数据建设，形成数据孤岛，并且将导致数据处理效率低下，无法处理大规模数据。

　　第二阶段：数据中台。这是一种集约化的数据管理方式，主要是通过构建统一的数据平台，实现数据的采集、存储、处理、分析和共享。数据中台可以有效地提高数据处理效率，降低成本，并提供更准确、更及时的数据支持。同时，数据中台的建设也需要大量的资金和技术支持，而且需要长时间得规划和实施。

　　第三阶段：数据飞轮。数据飞轮是火山引擎提出的企业数智化升级新模式，强调“以数据消费促数据生产，以数据消费助业务发展”，通过“数据消费”这一出发点，转动企业业务应用层和数据资产层的两个飞轮。　　

企业大数据建设的三个阶段

　　数据飞轮与数据中台并不是完全替代的关系，而是继承和升级的关系。数据中台提供了企业所需的底层数据支持和数据处理能力，而数据飞轮则是在此基础上，指出数据消费的重要，并提供配套的便捷、易用的数据消费工具，帮助企业形成数据应用和业务价值提升的良性循环。

　　02 案例解读：大型赛事项目

　　无论是春节、双十一等节日事件，还是世界杯、冬奥会等大型赛事，抖音集团需要承接大量大型项目的需求。数据在其中的重要性不言自明，从决策层到一线员工，都需要依据数据来进行决策。

　　以赛事项目为例，业务团队以及运营人员在赛事运营、热点运营、直播间分析、资源投放等有大量数据消费的需求，基于数据BP的组织模式，数据流和业务流充分地融合，让处于业务流各个环节的不同角色，有充分机会使用到数据。同时由于数据研发治理、A/B 测试、CDP 等数据工具进一步降低使用门槛，推动业务层产生更多数据消费，进而产生飞轮效应，更好实现赛事项目的业务目标。特别是对于一些国民级的大型赛事来说，累计观看人次往往达到百亿级、累计活动参与人数千万级，涉及多端、多场景、多业务联动，对技术实力、组织效率、产品能力都是一次“严考”。

　　面对庞大的数据量级，在大型赛事项目上如何用好数据上，面临这两个问题：

　　横跨大量需求方，如何实现组织协同？

　　大型活动的成功不仅仅依赖于技术团队的努力，还需要市场、运营、内容创作等多个部门的紧密合作，有的甚至需要协同公司内数 10 多个数据团队、协同百余位需求方。

　　如何让组织协作方都能又快、又准、又全地使用数据？

　　例如，对于直播赛事，需要实时分析观众兴趣偏好等数据，以便为观众提供更好的观看体验和个性化推荐。这需要对大量实时数据进行快速、准确地分析和处理。

　　1. 数据 BP 的组织协作模式

　　为了给用户提供更丰富观赛体验，大型赛事项目往往会针对比赛做大量创新，不仅仅有赛事运营中常见的积分榜、有奖预测等，更有实时的运营项目，比如赛事热点榜单、热门球星等等。除此之外，大型比赛也会涉及到多端同步直播。

　　丰富的赛事内容、运营活动以及多端联播，意味着赛事项目需要多业务线、多团队、多角色介入与合作，更意味着他们将产生复杂的看数、用数需求。比如，每个团队监测的数据指标不一致，对数据实效性需求不同，统计口径或埋点不一致，该如何满足？

　　字节跳动的数据 BP 机制则可以解决这一问题。数据 BP 来源于 HRBP(Human Resources Business Partner,人力资源业务合作伙伴)，其职责是向上支撑不同类型的业务线，向下兼容数据平台底层的各项能力，具备对数据工具和引擎的高效使用能力。数据BP 作为数据平台与业务的桥梁，对业务直接输出平台已沉淀的能力，把业务场景方向反馈给中台建设，实现能力的动态互哺。

　　除此之外，为了能统一服务标准，数据BP还总结了一套服务评估体系，称之为“0987”：

　　0 代表稳定性，即产生数据是否稳定。通常，SLA 破线的故障数要清零。

　　9 代表需求满足程度。即要满足 90% 的业务数据需求。

　　8 代表数仓构建情况，即数仓完善度。是否可以满足分析师查询覆盖率达到 80%，也就是说分析师查询日常数据都可以找到数据。

　　7 代表用户满意度。通过 NPS 评估服务满意度不低于 70%。

　　另外，大型赛事更需要横向团队支持来保障数据质量。比如比赛产生的数据量特别大，上线前可能出现数据大面积延迟，数据 BP 则能根据情况灵活申请资源，上线前做整体监控及全面优化。除此之外，大型赛事也面临核心直播数据质量风险高的问题，通过上线前演练，数据 BP 团队最大程度模拟真实数据和场景，全面保障数据的可用性、准确性。

　　2. 场景一：大型赛事中的实时数据分析

　　在大型赛事项目中，业务有非常多关于实时数据的需求反馈，例如直播间分析、专项看板、核心大屏等，实时数据能够帮助运营人员更快、更准确地制定或调整赛事运营策略，而“赛事运营资源投放“就是重要的实时需求之一。

　　为了最大化大赛覆盖面和影响力，项目组一般会根据赛事进程为每场比赛匹配广告投放资源。那么，在有限资源下，如何才能最大化广告投放效果，成为赛事运营团队考核的核心指标？运营团队需要找到投放时间、投放人群、投放量级等变量的更优组合，这也需要通过实时数据看板辅助决策。

　　从用户的实时点击到最终呈现给赛事运营的一个个数字看板，背后涉及复杂的数据采集、加工等流转过程，其中技术难点在于对数据实效性要求高、更新频率高、准确性要求高。这主要依赖火山引擎大数据研发治理工具 DataLeap 来实现。DataLeap 具备实时全栈能力，涵盖数据采集、数据处理、运维管理、监控告警等全链路。　　

　　数仓研发人员会基于 DataLeap 对不同任务进行分级，并匹配任务监控能力。如果该任务有延时，即被判断为高危任务，并把风险推送给相关人员，由此保障数据实时性。除此之外，火山引擎 DataLeap 还对 Flink 引擎进行深度优化，大幅度提升计算能力和计算性能，能让数据采集、加工等流程缩短到秒级，带来更快的数据响应，帮助赛事运营团队更好实现实时决策。通过 DataLeap 采集、加工的数据最终会通过数据中心展现给赛事运营团队，数据中心能提供一套标准化的看板能力，帮助赛事运营团队根据实时数据曲线来制定投放策略。

　　项目组会通过历史比赛数据来做赛前预判，当到计划投放的时间点或场景时，监控数据中心提供的 PCU、进房人数等实时数据趋势，来判断是否投入更多资源。如果数据趋势达不到预判趋势，就会投入资源。最终赛事运营团队也总结出一套投放策略——聚焦于开播、上下半场结束前 15min 的 pcu 高点这几个关键节点进行资源投放。

　　3. 场景二：基于 A/B 测试的产品能力优化

　　如果有朋友细心，便会发现很多产品 app 首页对不同人的tab展现情况、时间、位置是不同的。这是基于大数据的能力，洞察用户偏好，根据数据分析进行精准推送。

　　为了获得更好的曝光，大型赛事往往也会在产品 APP 首页等关键位置上线推广资源。优质推广资源有限，如何才能最最大化推广资源价值，需要用科学、严谨的方法来评估，项目组主要通过 A/B 测试来解决这一问题。　　

　　以赛事团队在 APP 首页的 tab 展现为例，项目组通过两个阶段的 A/B 测试，最终制定了最优的赛事展示方案。

　　阶段一：预赛期。由于这一阶段比赛还处于热度不断攀升的阶段，数据 BP 团队将 APP 用户分为“展现顶部 tab”和“不展现顶部 tab”两群人，根据经验初步判断，将赛事 tab 展现给兴趣度最高的一部分人群，能实现收益最大化。为了这部分展现人群，数据分析和数仓团队根据历史数据做人群分析，定位基本人群画像，通过客户数据平台 VeCDP 圈选人群，再导入 A/B 实验平台 DataTester，由数据分析师设计实验规则，命中实验规则的人群即可看到赛事 tab。

　　阶段二：比赛期。这一阶段，随着决赛名单出炉，赛事热度被推至顶峰，顶部 tab 也将被全量展现给 APP 用户。为了进一步平衡顶部 tab 带来的收益和影响，数据 BP 团队上线了“动态调整”能力。“动态调整”能力意味着，结合比赛进程、用户兴趣变化等因素，不同人在不同时间，看到顶部 tab 位置是不同的。而之所以能实现灵活调整，也离不开对 VeCDP 和 DataTester 的组合使用。

　　通过 VeCDP 圈选不同人群，再到 DataTester 建立不同对照组进行测试，并实时复盘，不断修正结果，具体而言，第一是做数据分析，比如通过 VeCDP 圈定的人群点击率到底有多少。第二是看活跃情况，例如，一个用户顶 tab 展现在第四个位置，即该 tab 是被隐藏起来的，因为前期判断该用户兴趣度不高。但比赛期间，赛事团队通过 DataTester 实验数据发现，他主动搜索赛事相关内容、或者手动把顶 tab 展现出来，我们则会认为他高活跃，把顶 tab 挪到第三个位置。

　　03 核心结论：数据飞轮，让数据活起来

　　反观大型赛事项目中的数据建设方式，我们主要可以总结如下几点：

　　第一，数据消费是数据飞轮的核心驱动力，也是企业数字化转型的核心。消费繁荣可以促进数据资产的建设，消费繁荣能促进业务的发展。这样企业的数据流就逐渐地跟业务能够进一步地融合，数据资产、业务应用，最终形成双飞轮的效应。

　　提升决策效率：数据消费能够让业务在进行决策与运营的时候，更快、更有效。例如，大型赛事项目的运营同学会根据实时数据看板，来制定广告资源投放策略。基于这种实时的数据消费，能让决策更高效、更有效。

　　驱动业务价值提升：一旦业务参与方发现借助频繁的数据消费能做出高效决策，并带来更好的业务价值后，会促生出更多、更频繁甚至延伸到更宽领域的消费。当数据消费盛行时，企业会加大在数据建设、数据治理和数据查询能力的投入，那么飞轮的转动便会推动数据在各个应用场景的快速渗透，并促进数据消费。

　　第二，产品普惠，数据产品做得足够简单易用，需要尽量少的专业知识，降低使用门槛。例如，为了确保数据产出的及时性，赛事项目的研发人员会基于 DataLeap 对不同任务进行分级，并匹配任务监控能力。如果该任务有延时，即被判断为高危任务，并把风险推送给相关人员，自动化监控的能力则能降低使用产品门槛。

　　除此之外，我们也在推动数据飞轮与 AI 能力结合，进一步降低用户的使用门槛。例如，DataWind 找数助手，可以使用自然语言问答的方式来检索多种数据源，包括数据集、数据指标维度、业务知识库等，并做出拟人化的总结响应。在这种交互过程中，大语言模型可以更好地理解用户的真实意图，让“找数”本身的成本变得非常的低。另外，DataLeap 开发助手能够降低编程语言带来的障碍和门槛，一方面让不精通 SQL 语法的人也可以做简单的数据开发工作；另一个方面，让特别专业的数据研发人员从大量繁杂的需求中解放出来，更聚焦在复杂场景中。

　　第三，资产运营，即实现数据资产的可治理、可落地和可运营。通过制定明确的数据治理策略、规划实施计划、加强元数据管理和优化数据湖资源管理，我们实现了对数据的全面管理和有效利用，为企业的发展提供了有力的支持。

　　例如，在大型赛事项目中，为了确保数据的质量、一致性和可用性，通过数据BP的组织模式，对各个团队的指标口径进行统一，并通过数据研发治理平台等产品，制定明确的数据治理策略，不仅保证在后续的数据分析和决策中得到准确的结果，还可以确保数据的合规性和安全性，避免数据泄露和滥用。

　　数据驱动已经成为数字化转型中企业的基本认知，但是如何“用活”数据，进一步提升企业活力，还需要持续、长期探索。