依据IDC发布的《数据时代2025》报告，全球数据量呈现出快速增长的态势，到2020年，全球数据量达到了60ZB，2025年将达到175ZB，接近2020年数据量的3倍。

　　《数据时代2025》报告 数据来源：IDC

　　随着数字化的深入推进，也出现了一系列新的问题，比如，数据作为新的生产要素，与资本、土地等传统生产要素有什么区别;数字化、智能化与原来的信息化有什么不同;如何从技术和规则层面保障用户的数据安全和隐私;企业在数字化时代如何更好的生存，如何用数据来赋能营销、经营管理、产品研发等业务;政府如何提升社会治理能力，适应数字化社会;不同行业的数字化升级有什么差异，如何制定有针对性的行业解决方案等。

　　要帮助企业、政府实现更好的数字化转型，我们需要回答上述一系列问题。然而，我们对于数据的认知还远远不够。

　　为此，数据猿推出《2021中国数据智能产业发展报告》，报告从数据和技术进展、业务场景、行业应用、未来趋势四个方面梳理数据智能产业近期的发展情况，致力于厘清数据智能产业的发展脉络，总结产业实践，为业界了解数据智能行业发展情况提供一份有价值的借鉴。

　　为了提升报告质量，数据猿采取桌面研究+行业专家访谈+问卷调查相结合的方法：

　　数据猿数据智能产业研究团队基于长期的行业观察，建立较为完善的产业资料库，并进行多个行业专题研究，本报告结合了行业研究、企业年报、政府数据、媒体报道等第三方公开数据。

　　此外，数据猿构建包括业界专家、企业高管、高校教授等行业专家库，对报告内容进行充分研讨。为了让报告更具借鉴价值，数据猿深入走访企业，了解业内厂商的典型产品和客户案例，并在报告中以应用案例形式深入解读行业的典型做法。数据猿还通过调研问卷的形式，掌握第一手行业信息，基于数据来分析行业现状和问题。

　　为了帮助大家更好理解报告，数据猿策划了报告系列解读文章。这一篇，主要介绍数据作为新生产要素的特点，数字化与信息化的不同，以及数据智能与大数据、人工智能的关系。

　　数据作为新生产要素，具有新的特点

　　随着数据量增大，数据“侵入”各个行业和领域，数据对于业务的价值越来越大。数据在生产领域的价值释放，让其成为一种全新的生产要素。可以说，数字化时代的重要特点，就是数据的生产要素化。

　　在2020年4月发布的《中共中央国务院关于构建更加完善的要素市场化配置体制机制的意见》，将数据作为与劳动、资本、土地、知识、技术、管理并列的生产要素，这是第一次在中央文件中明确将数据作为一种新型生产要素。

　　数据猿认为，依据生产要素价值的传递方式，可以将生产要素分为显性生产要素和隐性生产要素。显性生产要素包括资本、劳动、土地，其对生产过程的作用比较直接，价值量大小也比较容易衡量;隐性生产要素包括数据、知识、技术、管理，这类生产要素对生产过程的作用具有间接性，其价值量大小不好评估。

　　这些隐性生产要素，就像冰山隐藏在水面下的部分，其价值不容易被人们感知，却在持续发挥着作用。

　　其中，数据作为全新的隐性生产要素，具有一系列新特点，具体包括：

　　边际效用递增：劳动、资本、土地生产要素会随着使用而消耗其价值，而数据并不会因为使用而消耗。相反，数据在流动、应用过程中能得到进一步积累，数据价值会更。也就是说，数据不是边际效用递减，而是边际效用递增;

　　间接价值创造：大部分时候，数据并不能直接创造价值，其价值需要通过赋能业务、管理，通过提升企业效率来体现价值，其价值传到链条具有间接性;

　　价值量度难度大：传统劳动、资本、土地的产权归属清晰，价值大小比较好量度，但数据的产权归属、数据价值大小量度这些问题还没有统一、明确的标准，相关的法律法规体系还远未成熟。

　　正因为数据作为生产要素的价值被社会广泛的认知，各方对于数据的争夺也日益激烈。与资本、土地等传统生产要素一样，数据生产要素也面临一个合理配置的问题。

　　目前，数据的分配还存在严重的问题，其中最为重要的就是数据高度垄断在政府、互联网巨头、电信运营商和金融机构等少部分组织手中。政府目前的数据开放意愿最强，但其数据质量和办事效率还较低，政府数据开放程度并不高。互联网巨头、电信运营商和金融机构，由于其自身的商业利益诉求，开放数据的意愿不强。尤其是随着大家对数据价值的认知提高，这些企业将其积累的数据看作其核心资产，进一步降低数据分享的意愿。

　　为了解决这一问题，亟需推动数据共享，具体方法包括：建立企业之间的数据联盟，厘清利益关系，在充分尊重各自数据权益和利益诉求的前提下，协商可交易、共享的数据范围，规范交易、共享的方式和流程。同时，建立统一的数据标准，尤其是数据接口标准，构建数据共享API，方便进行数据调用。

　　数字化的核心是数据智能，与信息化存在根本不同

　　数据智能(Data Intelligence)，是数据化与智能化的融合，是数字化时代的核心，与传统的信息化有根本的不同。

　　信息化，是一种对物理世界的信息描述，本质是一种管理手段，侧重于业务信息的搭建与管理。此时，业务流程是核心，信息系统是工具，过程中产生的数据只是一种副产品，信息化还是物理世界的思维模式在进行的。例如，OA办公自动化系统，CRM系统，MES系统等等，利用信息系统将管理信息化，助力企业高效管理。可以看到，信息化的重点在于记录。

　　与信息化相比，数字化除了记录数据外，更侧重于对于数据的分析和智能应用，通过应用来赋能业务，进而发挥出数据作为生产要素的价值。

　　此外，数字化比信息化涵盖的范围更广。互联网的普及，加速了整个社会的数字化进程。人们在网上“冲浪”的时候，会留下大量的“痕迹”。移动互联网，对人们生活的“入侵”更进了一步，人们日益依赖手机。同时，手机也成了一个数据收集器，互联网平台上往往汇总数亿人的行为数据。我们目前正从移动互联网快速进入万物互联时代，届时，整个物理世界的数字化会更进一步。在数据中心“复制”了一份现实世界，形成数字孪生。智能驾驶、车联网、智能家居、工业互联网、智慧城市、可穿戴硬件、AR、VR等一系列应用，收集的数据越来越多，也越来越全面。

　　当收集的数据在多样性与数据量方面超过一定临界点的时候，数字孪生就实现了对现实社会的“复制”。我们可以通过对这些数据的分析来了解我们真实生活的社会，观察社会现象，重新了解我们的经济和社会生活。在数据化的基础上，探索智能化应用场景，推动整个社会的智能化升级，这是数据智能的重要使命。

　　大数据+AI，构建数据智能基石

　　从技术层面来看，数据智能是一系列技术创新的结果，其中最为关键的是大数据和人工智能两项技术。

　　数据智能是基于大数据和人工智能(AI)技术，对海量数据进行处理、分析和挖掘，提取数据中所包含的有价值的信息和知识，使数据具有“智能”，并通过建立模型寻求现有问题的解决方案，并实现预测。

　　数据智能技术体系

　　随着大数据技术的持续发展，原来割裂的各个领域技术呈现出加速融合的趋势，比如离线处理与实时处理的融合，事物数据存储与数据分析的融合，这些技术的融合发展，对于突破对海量数据处理的性能瓶颈意义重大。通过数据中台建设，构建统一的数据标准和规范的数据接口，实现不同系统的数据打通。此外，将分散在各个系统中的数据汇总在云端，只需通网络连接即可获得数据服务。

　　此外，AI在数据价值挖掘方面的作用得到更多重视，AI主要由AI技术、算法、框架和基础算法四部分构成，在其发展历程中，先后以机器学习和深度学习作为其主流算法。数据的最终价值在于应用，将大数据平台与人工智能平台深度融合，实现数据在大数据平台与AI平台的无缝衔接，可以帮助企业在数据存储、数据治理基础上，探索更多的数据智能应用。

　　可以预见，随着5G网络的建设，来自eMMB、mMTC、uRLLC三类应用场景的数据量将大大增加，尤其来自视频应用、城市高清监控摄像机、工业摄像机、医学影像等产生大量的4K视频、8K视频等高清晰度视频，以及VR、AR、全息影像等，整个社会将迎来“数据洪峰”。

　　整个社会需要做好足够的准备，提升对数据智能的认知水平，更好应对即将到来的“数据洪峰”的冲击。

　　以上， 我们对从基本概念、技术等方面，对数据智能进行了探讨。在接下来几篇文章中，我们将分析数据智能在金融、政务、互联网、工业、医疗等不同行业中的应用，并具体介绍数据智能如何深入企业的业务场景，探讨数据在市场营销、业务流程管理、经营决策等方面的作用。

　　相关企业：字节跳动&火山引擎、网易数帆、亚信科技

　　【报告获取方式】关注“数据猿”微信公众号，后台回复关键词“数据智能报告”可免费下载完整高清版《2021中国数据智能产业发展报告》