本文我们讨论一下，如何理性看待数据的价值，以及如何有效地利用和发挥数据的价值，赋能各行各业的数字化转型实践。
观点1：数据有价值，不等于数据能带来价值
价值属性是数据的天然属性，这一点是毋庸置疑的，但是有价值和能够挖掘出价值，利用好价值，又是两回事。
这一点就好比，自然界中的石头里含有翡翠和黄金，翡翠和黄金都是价值不菲的，但是从原石中提炼宝矿，又是十分费力的事情，不是谁都做得到的，如果太难，去挖掘这些价值也就不划算。
这就是为什么，尽管人类历史的发展过程中，早就有记录数据的习惯，但是数字化的产业实践，也只是近十几年才逐渐“铺展”开来。
其背后主要的驱动力，就是在于数据分析技术普及了，更多的数据分析技术可以使用，并且使用这些技术的软硬件工具越来越多，使得数据价值开发的成本越来越低。
因此，如果数据中的价值不能被开采，那么数据就无法带来价值，此时，数据的价值就只是潜在的价值，不是真正意义上的价值。
很多企业在数字化转型时，都积累了大量的数据资源，但是这些数据资源并不能当作数据资产，因为没有被用起来，即没有价值性。
在挖掘数据的价值时，要进行相应的“成本-收益”分析。当挖掘数据所带来的收益大于成本时，就可以得到数据的价值，反之，如果挖掘数据带来的收益微薄，而投入的成本巨大，那么数据中的价值就不会在生产实践中被“汲取”。
此时，即便数据本身是有价值的，但也是无意义的，因为价值不会被“看见”。
观点2：数据的价值不具有“排他性”
在数字经济时代，数据是一种非常重要的生产要素，数据与其他生产要素的一个非常重要的区别在于，数据不具有排他性。
数据的价值不会因为某个人或者组织使用了，其他个人或组织就不能再加以利用。也正是基于这样的原因，数据的共享和交易活动更加值得鼓励，也更加容易产生。
从“经济学”的角度来看，数据构建的初始成本也许很大，但是复制数据的边际成本几乎为零。
当构建出有价值的数据资源时，可以通过传播行为，大规模地复制数据的“价值”，这种特质也是整个数字经济生态快速发展的重要原因之一。
值得注意的是，数据不具有排他性是“相对的”。
毕竟，最先使用数据资源的一方，可能会因为提前发现数据背后的业务洞察，从中获得一定的商业竞争性壁垒。
观点3：数据的价值与使用场景相关
数据是客观的，但是从数据中获取的价值是主观的。
同样的数据，不同分析者由于认知水平不同，业务知识背景不同，观察数据的视角不同，以及分析和使用数据的目的不同，从数据中挖掘、解读出的信息价值也不一样。
数据的价值必须依赖于一定的业务框架视角，是相对的而不是绝对的。也正是基于此，数字化实践必须以业务驱动才能落地。
因为只有数据资源最终所服务的业务方，才能给出真正准确的“数据价值”投影维度。
在数据中台的建设中，就充分地体现了数据价值场景化落地的战略思路。
通过在数据中台上对企业的数据能力进行“服务化”封装，可降低业务人员对数据的使用门槛，提高业务人员对数据进行“场景实验”的尝试数量规模，从而更大概率地寻找到使数据价值充分释放的“完美”场景。
观点4：数据的价值具有时间效应
有些数据的价值是时间敏感的，尤其是数据背后的信息旨在服务于用户“即时”的判断和决策。
例如，分析一个用户的购买偏好，通常参考过去一个月的消费记录，而三年前的消费记录，往往没有太大的参考价值。
也正是基于此，很多数据分析应用中，需要满足“当下分析”的需求，在大数据技术的普及下，流数据分析已经成为十分关键的数据分析框架。
建立在流数据分析上的实时量测、实时监控、实时预警，已经成为典型的“时间敏感型”数字化业务应用模式。
观点5：数据的价值具有“非线性”叠加属性
何谓非线性，数据之间的融合不是简单的线性加成关系。简单来说，就是“1+1”不一定等于2，可能大于2，也可能小于2。
当1+1>2时，体现了不同数据维度在融合的时候，形成了更多“跨主题”的综合业务场景，可以支撑更广泛的数据关联分析、数据计算推理等数字化应用实例；
当1+1<2时，一种典型情况是，不同渠道来源的数据在融合时会带来不一致性，当这种不一致性很大时，会带来对数据查询和选择的困惑，导致数据资源的可用性被“削弱”。
观点6：数据可以有“负”价值
数据的价值不一定是“正向”的，也可能是“负向”的。从数据中提取的信息可能具有误导性，也可能是虚假或恶意的。
不管是有意或无意的因素，当数据的整体质量不高时，通过数据分析得到的结论往往会给业务带来负面的影响。
比如，用户可能基于数据做出错误的决策，或将关键事件的发生归结为错误的原因，从而导致管理失能。
为了避免数据对企业带来“负”价值，持续的数据治理是非常关键的管理举措。在这其中，包括两个十分重要的环节：一是识别有害数据，二是对有害数据进行剔除或整改。
观点7：数据越分享，越有价值
数据的分享会带来更多价值，单个业务方对数据进行分析的能力和相关认知是局限的，因此，对于数据价值的开发水平也是十分有限的。
对于同样的数据，如果可以开放共享给更多企业内外的主体进行价值的挖掘，那么就可以充分地利用数据资源，在不同领域创造更大范围的价值。
数据分享，除了基于拓宽数据的使用场景来提升数据价值，还可以通过与不同领域的外部数据进行融合，创造出更丰富的数据模型。
在极端的情况下，有些数据虽然自身难以挖掘出有意义的业务结论，但是在融合的过程中可能为其他领域的业务，带来“意想不到”的交叉信息赋能。
