每個時代都期盼一個英雄來拯救，就如同IT界每個時期需要一個新理念來承載所有人的夢想一樣，哪怕有些夢想注定難以變成現實，也能讓夢想得以延續。

數據中臺的演變

企業數字化轉型的初期，阿里云的“數據中臺”橫空出世，它激勵了一批人為之爭斗，不惜投入大量人力物力。一度，人們認為建起了數據中臺，就能解決數字化轉型遇到的所有問題，企業就能一步邁入數智化時代。

后來的演變大家都知道了。一個個耗費大量財力物力搭建起來的數據中臺，用起來就像啟動一頭龐然大物，嚴重拖慢了企業數字化轉型的進程。在“拆中臺”的過程中，大家才開始不斷反省，企業最核心的目的不是建中臺而是要把數據用起來。

任何一個行業的發展都是如此，當遭遇到夢想與現實的巨大鴻溝，而見招拆招就是最好的招。IT行業亦如此。于是，原來信誓旦旦要建中臺的企業主逐漸覺醒，大而全的數據中臺對大部分企業用戶來說完全沒有必要，原本那只是專屬于BAT這樣的互聯網巨頭的池中物。

最有趣的是，原本數據中臺這個新理念的始作俑者阿里云，在2021年將原來的技術中臺拆分成兩個中臺。其中，“業務中臺”并入了淘寶，“數據中臺”則被重新注冊成立一家獨立公司——瓴羊，保留了原來阿里云“數據中臺”的強大基因。

不過自此，瓴羊將其核心產品服務定位為DaaS（Data intelligence as a Service，數據智能即服務），明顯沒有以前那么高調了，不再留戀造新概念的執念，而是務實地為提供數字化改革的工具。

只是，重新定位為DaaS數字化改革的工具，瓴羊至今其實并沒有在業界激起多大的浪花。理由很簡單，原來數據中臺沒有什么競品能出其右，但是現在DaaS的賽道太寬泛了，很多服務都可以稱為數據即服務，而且概念上也是老生常談。比如，提供數據傳輸能力的叫做數據傳輸服務，提供數據存儲能力的叫做數據存儲服務，提供各種類型數據分析的叫做數據分析服務，還有提供數據安全管理的叫做數據安全服務等等。

數據飛輪會是數據中臺的接力棒嗎？

IT行業從不缺乏新理念，很多人感嘆數據中臺之后還有誰可以拿下接力棒。2023年4月，火山引擎提出了數據驅動的新范式——數據飛輪，以數據消費為核心，通過頻繁的數據消費，讓數據活起來用起來，用消費數據再反哺原始數據，進而形成雙輪驅動，使企業數據流充分融入業務流，增強業務發展動力。

近期，筆者詢問一位還在瓴羊就職的朋友，讓他談談對數據飛輪的看法。他覺得“數據飛輪”這個新概念蠻貼切，通過消費數據促進業務發展，使用數據過程中又會產生新數據反向促進業務，這種雙輪驅動的邏輯是非常認可。其實，很多原來的數據中臺都在朝著這方向延伸，只是這個概念是最先由火山引擎把它提煉之后定義為“數據飛輪”。

每個數據中臺的本質只意味著完成了數據資產的初步建設。再往后，大家勢必都在朝著各種數據應用方向拓展，必然會出現類似飛輪的應用場景。比如，促進營銷增長、促進供應鏈優化，達到降本增效的目的。然后，通過數據消費帶動業務增長和變化，在業務發展過程又會產生新數據的留存，新數據會補充到數據中臺中被循環使用起來。

所以，從這個角度來看數據中臺與數據飛輪的區別。數據中臺更強調做數據資產的統一和積累，有人打比方數據中臺像一個中央廚房，前臺負責收集顧客需求，后臺就像一個材料粗加工場，數據中臺根據前臺的需求將后臺預加工后的材料，經過烹飪直接提供給前臺端給顧客享用。

而數據飛輪就是幫助企業最大化利用數據資產的價值并形成慣性增長。數據飛輪不管企業有沒有建成數據中臺，它解決的是如何把數據用起來，并且是以數據消費為核心驅動力，以此驅動數據能夠形成慣性增長，就像一個自轉起來的飛輪。

數據的飛輪效應

談數據飛輪不得不提一下飛輪效應（Flywheel Effect）。有一種看法認為，飛輪效應是指為了使靜止的飛輪轉動起來，一開始必須用很大的外力反復地推動。飛輪轉動越來越快，當達到某一臨界點后，飛輪的重力和沖力會轉化成一種自驅力，即便停止施加外力，飛輪依舊可以自發地不停快速轉動。

這個場景，筆者想起小時候在農村生活的日子，每次要冷啟動拖拉機的時候，都會通過一個金屬搖把用手搖帶動轉輪高速旋轉，隨著逐漸加大手臂力量和轉動慣量，使活塞迅速壓縮產生高溫，當轉速達到一定臨界值，噴油遇到高溫即可燃燒后產生推力，推動發動機繼續轉動。

筆者認為，正如手搖拖拉機施加的外力致使轉輪產生的自驅力，數據飛輪也是希望通過特色工具促使企業內部的數據形成的飛輪效應。

以當前如火如荼的汽車自動駕駛為例。自動駕駛最核心模塊是感知系統和決策系統，汽車通過感知系統實時采集路況數據，并實時傳輸給決策系統進行判斷，接下來是繼續正常行駛、剎車、還是轉彎。

一般情況下，汽車廠商都會提前在實驗室訓練好一批數據輸入決策系統，讓汽車具備一些常見場景下的判斷能力。如遇到紅綠燈、行人過馬路、路障等，便于決策系統以最快速度做出反應。下個階段，為了更接近實際生活，汽車廠商還會讓自動駕駛汽車走上試驗場地甚至是真實路況，進一步嘗試新的應用場景并同步收集各種新數據。比如遭遇氣球、假人、建筑物陰影、漂浮的塑料袋等特殊場景。汽車廠商通過搜集新應用場景下的新數據，從而豐富了新的數據模型，拓展了決策系統的決策能力。同時，新數據又能推動形成更加優良的數據產品，消費新的數據產品又能帶來應用層面的創新和高效，相互促進。

這就是火山引擎“數據飛輪”一直所推崇的以數據消費為起點，一方面讓數據賦能業務，加速洞察決策，另外一方面，數據得以持續迭代優化，提升了數據研發效率，產生更優良的數據產品讓業務人員獲益更大。

不過，為了更好利用數據的飛輪效應。火山引擎的做法更值得稱道，通過與大模型結合，利用大模型帶來的邏輯推理能力，降低數據消費門檻，使得業務更容易被數據驅動，從而實現數據資產和業務應用的提升，激發企業活力。通過固化這樣的機制，讓數據飛輪能夠帶動企業高速發展，實現業務與數據的良性循環和持續優化。

事實上，早在數據飛輪被火山引擎定義之前，很多國際互聯網大廠都在利用數據的飛輪效應來提升他們的產品和服務。如亞馬遜的推薦系統就是通過不斷收集和分析用戶的購物數據，來不斷優化推薦商品的個性化展示，進而提升用戶的購物體驗，吸引更多的用戶使用，形成一個數據飛輪。

只是，最近幾年很少再看到亞馬遜再對Data Flywheel做進一步的解讀和宣傳。筆者詢問一位亞馬遜就職的朋友得到印證，亞馬遜確實很多年不提數據飛輪了，不清楚具體原因。

從2023年4月至今，火山引擎推出數據飛輪至今一年多的時間里，IT界人士也開始逐漸認同和接受了這個新理念。

但是實話說，數據飛輪在互聯網上并沒有激起太廣泛的討論。比如，通過互聯網大廠對數據飛輪的搜索結果來看，網友對“數據飛輪”這個關鍵詞的相關搜索量遠不如已經成為明日黃花的數據中臺。從百度付費搜索推廣中來看，除了火山引擎還沒有其他廠商購買數據飛輪這個關鍵詞的搜索推廣。

但是無需著急，既然數據有飛輪效應，商業何嘗沒有飛輪效應，可以讓數據的飛輪再轉一會，當臨界點到來的時候，一切就會水到渠成。