当企业把降本增效写入年度经营议程，人效分析就不再是HR报表，而是经营管理的基础能力。问题在于，很多企业并非不重视人效，而是缺少支撑人效判断的数据能力。本文面向HRD、CHRO、组织发展负责人及企业经营管理者，围绕“企业怎么提升人效”这一问题，拆解人效分析看不清的根因、四层数据能力模型、六项补齐清单与三阶段落地路径。

近两年，企业经营分析会议中出现频率最高的词之一，是人效。市场增长放缓、成本约束增强、组织编制趋严，使管理层越来越关心一个问题：同样的人力投入，是否创造了足够的经营产出。

但在实践中，人效往往是一个“看起来有数、实际上难用”的指标。财务部门算出一套人均营收，HR部门拿出一套人均成本，业务部门又强调不同区域、产品线、项目周期的差异。数字并不少，真正能支持经营判断的结论却不多。

公开研究与行业实践普遍显示，许多企业的人力资源数据分析仍停留在描述性统计阶段，即能够回答“发生了什么”，但难以解释“为什么发生”，更难进一步判断“接下来会怎样”。这意味着，人效管理的瓶颈并不只是分析工具不足，而是数据能力没有跟上经营管理的要求。

本文要回答的问题是：经营分析要看清人效，企业需先补齐哪些数据能力？从研究视角看，答案不能停留在“上一个看板”或“做一套报表”。看清人效的前提，是把指标、数据、分析、治理四件事连成闭环，让人效从事后统计变成经营决策的一部分。

一、诊断：为什么看不清人效？四大数据能力缺口

企业人效分析看不清，通常不是单点问题，而是指标、数据、分析、治理同时存在短板。只要其中一环缺失，人效数据就容易从管理依据变成争议来源。

1. 指标层缺口：定义模糊，口径不一

人效分析的第一道难题，是企业内部对“人效”本身没有形成统一定义。常见情况是，管理层问人均产出，财务部门按收入或利润口径计算，HR部门按在册人数或平均人数计算，业务部门又希望剔除新开区域、试点项目、长期病假、外包人员等特殊因素。每一方都有理由，但放在经营分析会上，就会出现“同一个指标、多套结果”的局面。

这类问题的本质，不是公式复杂，而是指标没有被制度化。人均营收、人均利润、人力资本ROI、人效杠杆率、人工成本投入产出比等指标，都需要明确五类要素：业务定义、计算公式、分子分母口径、数据来源、统计周期。只要其中任何一项不清楚，指标就难以横向比较，也难以纵向追踪。

例如，同样是人均营收，如果分母采用期末人数，企业在年底集中招聘时，人效可能被低估；如果采用月均人数，又需要确保人数数据与收入周期一致。再如，人力资本ROI如果只纳入薪酬成本，而忽略招聘、培训、福利、外包替代等投入，结论就会偏向短期成本视角，无法反映真实的人力资本投入产出关系。

适用条件也需要说明。对于业务模式稳定、收入确认周期较短的企业，人均营收等结果型指标较容易使用；但对于研发周期长、项目交付跨度大的企业，若只看短期人均收入，可能误判研发、交付和市场开拓岗位的价值。因此，指标标准化不是把复杂管理问题简化成一个数字，而是明确每个数字在什么场景下有效。

2. 数据层缺口：多源异构，孤岛林立

即使指标定义清楚，如果数据分散在不同系统，人效分析仍然难以落地。现实中，人事信息可能在HR系统，考勤数据在考勤系统，薪酬数据在薪酬模块，绩效结果在绩效系统，业务收入在ERP或CRM，项目工时又在项目管理平台。系统之间缺少统一编码，导致HR想做一张人效分析表，往往要依赖人工导数、Excel匹配和反复校验。

多源异构带来的问题，不只是效率低。更关键的是，企业无法形成“人—组织—业务”的稳定关联关系。经营分析真正关心的不是某个员工的孤立数据，而是不同组织单元、岗位群体、业务条线的人力投入如何影响收入、利润、交付周期、客户满意度和战略任务完成情况。如果人员ID、组织ID、岗位编码不统一，数据之间就无法可靠连接。

从实践看，很多企业在人效分析中会遇到类似场景：区域收入可以按财务组织归集，但人员编制按行政组织管理；项目利润按项目编码计算，但项目成员跨部门调配；销售业绩按客户归属统计，但人员归属又受组织调整影响。没有统一主数据和关联模型，人效分析只能停留在大盘层面，难以支持具体管理动作。

这也是为什么数据底座比报表界面更重要。一个漂亮的看板如果建立在手工拼接的数据之上，只能解决展示问题，不能解决可信度问题。对于经营管理而言，不可追溯的数据越直观，误导性反而可能越强。

3. 分析层缺口：停留在描述，缺乏诊断与预测

许多企业已经能够定期输出人效报表，例如人均营收、人均利润、人工成本率、编制使用率、离职率、招聘达成率等。但这类报表大多回答的是“结果是什么”，难以进一步解释“结果为什么变化”。

真正的人效分析至少应经历三个层次。第一层是描述性分析，呈现人效现状，例如某事业部人均收入下降。第二层是诊断性分析，拆解变化原因，例如收入下降来自客单价变化、客户结构变化、销售人力扩张过快，还是新人爬坡周期延长。第三层是预测性分析，判断未来趋势，例如如果继续扩编，三个月后人工成本率是否会突破经营阈值。

企业之所以停留在描述层，往往有两个原因。其一，缺乏稳定的分析模型，指标之间没有形成因果或准因果关系。其二，数据颗粒度不足，无法从组织、岗位、区域、产品线、人员结构等维度进行交叉分析。结果是，人效数字看上去下降了，但管理者无法判断应当控编、调薪、优化流程、提升销售转化，还是调整产品结构。

需要强调的是，预测性分析并不意味着所有企业都要立即引入复杂算法。对于数据基础薄弱的企业，先建立趋势监测、异常预警和敏感性分析，往往比直接追求AI预测更有效。分析能力的进阶，应建立在可解释、可验证、可复盘的基础上。

4. 治理层缺口：无标准、无质量、无权责

人效分析最容易被忽视的能力，是数据治理。很多企业会把数据问题归因于系统不好用，但深入看，根源往往是没有数据标准、没有质量机制、没有权责体系。

例如，组织名称由各部门自行填写，就会出现同一部门多个名称；岗位名称没有标准，就难以做岗位族群分析；人员状态更新不及时，就会影响编制、人力成本和离职率计算；历史组织调整没有版本管理，就无法追溯某一时期的人效变化。数据一旦长期缺少治理，就会形成“脏乱差”的惯性，后续再做分析只能不断补丁式修正。

治理层的关键，是明确谁对数据负责。数据Owner通常承担业务定义与管理责任，数据Steward负责日常维护、校验与问题跟进，IT或数字化团队负责系统规则、接口和权限实现。没有这个分工，数据质量问题就会在HR、财务、业务和IT之间来回流转，最后变成无人真正负责的公共问题。

四大缺口彼此相互影响。指标不清，数据采集没有方向；数据不通，分析没有基础；分析浅层，经营决策得不到支撑；治理缺位，前面所有建设都难以持续。企业要看清人效，必须把这四类问题作为系统性工程处理。

二、框架：人效数据能力的四层模型

补齐人效数据能力，需要构建“指标体系—数据底座—分析引擎—治理保障”四层模型。它不是技术部门的单独项目，而是HR、财务、业务与数字化团队共同参与的经营管理基础设施。

1. 第一层：人效指标体系化能力

人效指标体系的建设，应从经营目标反推，而不是从HR现有数据出发。经营目标决定企业关注增长、利润、现金流、交付效率还是客户质量；组织目标进一步拆解到业务单元、区域、项目和岗位群体；人力指标再对应到编制、成本、能力、绩效、流动和组织效率。

这一路径可以概括为“经营指标→组织指标→人力指标”。例如，企业要提升利润率，不能只看人工成本率，还要同时观察人均毛利、关键岗位产出、销售转化效率、交付人力利用率以及管理层级效率。否则，人效管理容易变成单纯压缩成本，短期看改善了费用率，长期可能损害增长能力。

在指标设计上，企业至少要区分结果型指标与过程型指标。结果型指标包括人均营收、人均利润、人工成本投入产出比等，适合用于经营结果评估；过程型指标包括关键岗位到岗率、新人爬坡周期、绩效分布、培训转化、人员流失风险等，更适合用于过程干预。只看结果型指标，管理动作往往滞后；只看过程型指标，又可能缺少经营牵引。

指标体系化还意味着形成企业级指标字典。每个指标都要写清楚定义、公式、数据来源、计算周期、适用范围和责任部门。对于跨部门共用指标，应由HR与财务、业务共同确认口径，并在系统中固化。这样，人效分析才不会在每次经营会上重新讨论分母应该怎么算。

2. 第二层：数据底座打通能力

数据底座的任务，是让企业能够稳定、准确、可追溯地连接人、组织和业务。它不是简单的数据汇总，而是围绕核心主数据建立统一标准，包括组织、人员、岗位、职位、职级、成本中心、项目、区域等关键对象。

HR主数据是人效分析的基础。人员ID要唯一，组织编码要稳定，岗位体系要可分层，人员状态要及时更新，组织变更要保留历史版本。只有这些基础数据可信，企业才能进一步分析某个组织单元的人力投入、岗位结构、成本变化与业务产出的关系。

跨系统集成则是数据底座的另一项关键能力。人效分析需要连接HR系统、财务系统、ERP、CRM、项目管理系统、绩效系统和考勤工时系统。连接的核心，不是把所有数据搬到同一个地方，而是建立清晰的数据模型与关联键，例如人员ID、组织ID、成本中心、项目编码等。没有稳定关联键，跨域分析就只能依赖人工映射。

在企业落地中，建议优先建设“人—组织—业务”三维模型。人维度回答谁投入了能力与时间，组织维度回答投入归属在哪里，业务维度回答投入产生了什么产出。三维模型一旦建立，人效分析就能从单一指标展示进入多维拆解，例如按组织看人均利润，按岗位族群看投入产出，按项目看人力成本结构。

上述系统示意可以帮助理解数据资产管理在数据底座与治理保障中的作用。对企业而言，关键不是把所有数据都沉淀下来，而是把高频使用、影响决策、跨部门共享的数据资产化，并形成标准、质量、权限和使用场景的持续管理。

3. 第三层：分析引擎进阶能力

当指标体系和数据底座具备后，企业需要构建分析引擎。分析引擎并不等同于一个报表平台，而是一组可复用的分析模型、分析规则和洞察机制。

描述性分析是起点。它回答企业当前人效水平如何，不同组织、岗位、区域之间有何差异。诊断性分析进一步拆解差异来源，例如人工成本上升来自薪酬结构变化、人员规模扩张、绩效奖金波动，还是外包替代不足。预测性分析则关注未来趋势和经营风险，例如在现有招聘计划下，未来两个季度人工成本率是否会超出预算边界。

在人效分析模型上，企业可逐步建立几类基础模型。人效杜邦分解模型用于拆解收入、利润、成本、人力规模之间的关系；人力资本投入产出模型用于观察不同岗位群体和组织单元的投入回报；敏感性分析用于模拟薪酬调整、编制变化、产能波动对人效指标的影响。对于数据基础较好的企业，可以进一步探索AI驱动的异常识别、智能归因和趋势预测。

不过，AI在人效分析中的应用有边界。若历史数据质量不足、业务口径频繁变化、样本量较小，模型输出就容易不稳定。此时更稳妥的做法，是先把分析逻辑规则化、指标口径标准化，再逐步引入算法能力。经营分析需要的是可信洞察，而不是无法解释的复杂结果。

4. 第四层：数据治理保障能力

数据治理贯穿前三层。没有治理，指标会重新分裂，主数据会逐渐失真，分析模型会因为输入不稳定而失效。治理保障能力主要包括标准管理、质量监控和安全合规三大支柱。

标准管理解决的是“按什么规则管理数据”。企业要建立HR数据标准，包括字段名称、字段定义、枚举值、编码规则、数据生命周期和变更流程。质量监控解决的是“数据是否可信”。常见维度包括完整性、准确性、一致性、及时性和唯一性。安全合规解决的是“谁能看、怎么用、如何留痕”。人力数据涉及个人信息和敏感薪酬绩效信息，必须建立分级分类、权限控制、脱敏处理和审计日志。

治理权责同样重要。数据Owner应对数据定义和业务口径负责，数据Steward应对数据维护和质量整改负责，系统管理员和IT团队应对技术规则、接口、权限和日志负责。对于跨部门数据，如组织成本、人力预算、业务收入，应建立HR、财务、业务共同参与的治理机制。

表格1：人效数据能力四层模型拆解

图表1：人效数据能力四层模型

四层能力不是选做题，而是递进关系。指标体系决定方向，数据底座提供基础，分析引擎形成洞察，治理保障确保持续有效。企业可以分阶段建设，但不能长期缺失其中任何一层。

三、拆解：六项关键数据能力补齐清单

将四层模型落到企业行动，需要进一步拆解为可执行能力。六项关键数据能力分别对应“定义、主数据、关联、质量、分析、安全”，企业可据此判断自身人效分析处于什么阶段、优先补什么。

1. 能力一：人效指标标准化定义能力

指标标准化是人效数据能力建设的起点。很多企业之所以看不清人效，第一步就卡在指标口径不统一。不同部门基于自身管理需要形成不同口径并不罕见，但如果这些口径没有被明确区分和管理，就会在经营分析中产生冲突。

目标状态是形成企业级人效指标字典。字典不只是指标名称列表，而是包含业务定义、计算公式、数据来源、统计口径、更新频率、适用范围、责任部门和版本记录的管理工具。对于核心指标，还应明确展示层级，例如集团层、事业部层、区域层、项目层分别采用什么口径。

核心动作包括三步。第一，梳理现有人效报表和经营分析材料，识别重复指标、冲突口径和无人负责的指标。第二，组织HR、财务、业务共同评审，确定企业统一指标与场景化指标的边界。第三，将指标字典纳入系统管理，避免停留在文档层面。需要注意的是，指标统一不等于取消业务差异，而是让差异有定义、有解释、有使用边界。

2. 能力二：HR主数据统一管理能力

主数据统一管理解决的是“企业到底以哪一份数据为准”。在人效分析中，组织、人员、岗位是最基础的三类主数据。如果这些数据多头维护、版本混乱，后续所有分析都会反复返工。

目标状态是建立单一事实来源，即关键HR主数据有唯一可信来源，并能同步到相关业务系统。人员ID应贯穿招聘、入职、薪酬、绩效、培训、离职全周期；组织编码应与财务成本中心、业务单元形成映射；岗位体系应支持岗位族群、职级、序列等多维分析。

核心动作包括制定主数据管理规范、统一组织架构编码、规范人员状态、清理岗位名称与岗位编码、建立变更审批机制和历史版本管理。对于组织调整频繁的企业，尤其要保留组织关系的时间维度，否则很难解释某一时期人效变化到底来自经营波动，还是组织口径变化。

这项能力的适用范围很广，但建设节奏要现实。中小企业不必一开始就追求复杂的主数据平台，可先从人员唯一ID、组织编码和岗位标准三件事做起。大型集团则需要更强的主数据治理机制，否则跨区域、跨法人、跨业务线的人效分析很难稳定运行。

3. 能力三：跨域数据关联与集成能力

人效是经营结果与人力投入之间的关系，因此天然需要跨域数据。只在HR系统内部看人效，最多能看到人员数量、成本、绩效和流动情况，却很难解释这些变量如何影响收入、利润、交付和客户。

目标状态是形成“人—组织—业务”三维关联。企业需要打通HR系统与ERP、财务系统、CRM、项目管理系统、生产系统等关键系统，并建立以人员ID、组织ID、成本中心、项目编码为基础的关联模型。关联不是一次性接口开发，而是要确保数据周期、口径和权限规则一致。

核心动作上，企业应先选择高价值场景切入。例如销售型组织可优先打通销售业绩、客户线索、人员编制和薪酬激励数据；制造型企业可优先打通工时、产量、质量和人工成本数据；项目型企业可优先打通项目工时、项目收入、交付成本和项目成员数据。不同场景的数据模型不同，不宜套用同一张通用报表。

副作用也需要提示。跨域集成会暴露部门之间原本隐藏的数据口径差异，初期可能增加沟通成本。管理层需要把这种冲突视为治理过程的一部分，而不是简单要求技术团队快速合并数据。

4. 能力四：数据质量可度量与可改进能力

很多企业知道数据质量差，但不知道差在哪里、差到什么程度、谁来整改。这种状态下，人效分析只能依赖人工经验判断，难以形成可持续机制。

目标状态是数据质量可量化、可追踪、可改善。企业应围绕完整性、准确性、一致性、及时性、唯一性等维度设置质量规则。例如，人员ID不能为空，岗位编码必须来自标准岗位库，组织编码应与组织主数据一致，离职日期不能早于入职日期，关键字段更新应在规定时间内完成。

核心动作包括建立质量评估规则、设置质量阈值、配置自动巡检、输出质量报告、分派整改责任、验证整改结果。对于影响人效分析的关键字段，应设置更高质量要求，例如人员状态、组织归属、岗位编码、成本中心、薪酬归属周期等。

数据质量治理不适合只靠阶段性清洗。一次清洗可以解决历史问题，但如果源头录入、审批流程和系统校验规则不改变，脏数据会继续产生。因此，质量管理要前移到业务流程中，在入职、调岗、调薪、绩效确认、离职等关键节点设置校验。

5. 能力五：人效分析模型构建能力

当指标和数据具备基础后，企业需要从“看数字”走向“找原因、看趋势”。这要求HR不只是制作报表，而要建立分析模型，把人力变量与经营变量放在同一套逻辑中解释。

目标状态是形成一组可复用的人效分析模型。人效杜邦分解模型可将人均利润拆解为收入、毛利、费用、人力规模等变量；人力资本ROI模型可观察不同人力投入带来的经营回报；敏感性分析模型可模拟编制增长、薪酬调整、人员流失对人效结果的影响。对于高频经营场景，还可以建立预警模型，例如人工成本率异常、关键岗位缺口、低绩效高成本组合等。

数据分析产品架构的价值，在于把数据底座、指标体系、模型计算、可视化呈现和权限管控串联起来。企业在建设时应避免把模型做成一次性分析项目，而应沉淀为可配置、可复用、可迭代的分析能力。

模型建设也要避免过度复杂。对于管理基础较弱的企业，先建立清晰的拆解逻辑和规则引擎，比直接追求机器学习更稳健。只有当历史数据稳定、样本量足够、业务口径连续，预测模型才具备更高参考价值。

6. 能力六：数据安全与合规管控能力

HR数据天然具有敏感性，涉及身份信息、薪酬、绩效、考勤、健康、家庭信息等内容。人效分析越深入，数据连接范围越广，安全与合规风险也越高。

目标状态是分级分类、可审计、可追溯。企业应建立HR数据分级分类标准，明确哪些数据属于公开管理数据，哪些属于内部敏感数据，哪些属于高度敏感个人信息。不同级别的数据应匹配不同权限、脱敏规则、审批流程和留痕要求。

核心动作包括权限最小化配置、敏感字段脱敏、数据访问审批、下载导出限制、操作日志留存、异常访问监控等。对于跨部门使用的人效看板，要区分集团管理层、事业部负责人、HRBP、财务分析人员和直线经理的可见范围，避免为了分析便利而扩大敏感数据暴露面。

合规不是阻碍人效分析，而是保证分析可持续的边界。若企业忽视个人信息保护和数据安全，一旦出现泄露或滥用，不仅带来法律风险，也会削弱员工对组织数据化管理的信任。

表格2：六项关键数据能力补齐清单

六项能力不是一次性完成的建设清单。更稳妥的路径，是先补指标标准化和主数据统一，再推进跨域集成与质量治理，最后逐步发展分析模型与智能预测能力。

四、路径：从看不清到看清并驱动的落地三阶段

人效数据能力建设不适合一步到位。企业应采用“筑基—贯通—智驱”的三阶段路径，每个阶段都有明确目标、关键动作和验收标准，避免项目变成长期无结果的系统工程。

1. 阶段一：筑基期（0—6个月）——让数据有定义、有标准、有质量

筑基期的重点，是解决人效分析最基础的可信度问题。这个阶段不宜追求复杂看板和高级算法，而应优先完成人效指标字典、HR主数据标准统一、数据质量基线评估和首轮数据清洗。

具体动作包括：确定核心人效指标清单，统一计算口径；梳理组织、人员、岗位三类主数据，明确编码规则；对关键字段进行质量评估，识别缺失、重复、冲突和滞后问题；建立首轮整改计划。这个阶段的产出应当是可检查的，例如核心指标是否都有统一定义，主数据一致性是否达到内部设定阈值，是否形成数据质量基线报告。

大纲中规划的“核心人效指标100%有统一定义、主数据一致性≥95%、数据质量基线报告产出”等标准，可以作为企业设计内部验收机制的参考。实际落地时，企业应根据自身数据基础设定合理阈值，避免为了追求数字好看而忽略问题暴露。

2. 阶段二：贯通期（6—18个月）——让数据能关联、能分析、能呈现

贯通期的重点，是把HR数据与财务、业务数据连接起来，并形成可复用的人效分析场景。这个阶段开始从数据治理走向经营分析，但仍要控制范围，优先选择对经营影响最大、数据可得性较高的场景。

核心任务包括跨系统数据集成、人效分析看板搭建、核心分析模型构建、数据质量自动巡检。企业可以围绕几个典型问题设计看板和模型：不同业务单元人均利润为何差异明显，销售扩编是否带来收入增长，关键岗位缺口是否影响项目交付，人工成本率变化由哪些因素驱动。

验收标准可以包括关键跨域数据是否打通，人效看板是否上线并被经营会议使用，质量巡检是否覆盖核心字段，模型分析结论是否能够被业务部门复盘验证。这里的关键不是看板数量，而是看板是否进入管理流程。如果报表只是HR自用，尚未进入预算、编制、绩效、组织调整等决策环节，就还没有真正贯通。

3. 阶段三：智驱期（18—36个月）——让数据能诊断、能预测、能决策

智驱期的目标，是让人效数据从支撑分析进一步进入决策闭环。企业可以在稳定数据底座和分析模型的基础上，引入AI驱动的智能归因、趋势预测、异常预警和决策建议。

这个阶段的典型场景包括：预测未来几个季度人工成本率变化，识别高流失风险岗位群体，判断不同扩编方案对收入和利润的影响，自动发现某个组织人效异常的关键驱动因素。相比前两个阶段，智驱期更强调模型反馈机制，即分析结果是否在后续经营中被验证，模型是否根据实际结果不断校正。

大纲中提到的“人效变化归因自动化率”“预测准确率可度量”“经营决策中人效数据驱动占比提升”等，可作为方向性验收指标。实际管理中，不建议企业机械追求某个比例，而应重点观察三件事：预测是否可解释，预警是否有行动责任人，决策结果是否能回流到模型中复盘。

图表2：人效数据能力建设三阶段路径

三阶段路径并非僵化模板。数字化基础较好的集团企业，可以并行推进部分数据集成和分析模型；基础较弱的成长型企业，则应把更多时间放在指标和主数据上。但无论企业规模如何，筑基阶段都不应跳过。没有标准与质量，后续分析越复杂，偏差可能越大。

红海云总结

回到开篇的矛盾，企业并不是不知道人效重要，而是常常缺少把人效讲清楚、算清楚、用起来的数据能力。指标无标准，数据无关联，质量无保障，治理无体系，再先进的分析工具也很难输出可信结论。人效分析要成为经营分析的一部分，前提是HR数据能力从后台支撑走向经营前台。

从管理逻辑看，人效数据能力建设本质上是HR数据治理的深化，也是人力资源管理经营化的延伸。HR不能只做数据保管者，而要成为数据资产经营者：既理解组织与人才，也能把人力投入、组织效率和经营结果放在同一套分析框架中讨论。

对企业HRD、CHRO和经营管理者而言，2026年推进人效分析，可从以下几项行动开始：

• 先盘点指标口径：梳理现有人效指标，识别同名不同义、同义不同名、分子分母不一致等问题，启动企业级人效指标字典建设。
• 先治理关键主数据：优先统一人员ID、组织编码、岗位体系和人员状态，建立主数据责任人机制，为后续跨域分析打基础。
• 先选择高价值场景贯通数据：不要一开始追求全量打通，可优先围绕销售人效、项目人效、人工成本率、关键岗位供给等场景连接HR、财务和业务数据。
• 把质量管理前移到流程：数据质量不能只靠事后清洗，应在入职、调岗、调薪、绩效、离职等流程中设置校验规则和责任闭环。
• 让人效分析进入经营决策：红海云认为，人效数据能力建设的价值不在于报表数量，而在于能否支持编制、预算、绩效、组织调整和人才配置等关键决策。

当企业完成从指标标准化到数据贯通、从描述分析到诊断预测、从单点报表到治理闭环的转变，人效就不再只是算出来的数字，而会成为驱动经营的数据资产。