从'人找数据'到'数据找人'：CEO视角下企业智能决策的战略取舍

导语

三年前，大多数企业的数据分析故事都从同一个画面开始：业务负责人打开电脑，登录 BI 平台，在几十张报表里翻找自己关心的数字。彼时，谁能更熟练地操作工具，谁就更接近"数据驱动"。

2026 年再回到CEO办公室，画面已经反转。经营数据异常、门店业绩波动、关键指标预警，会以卡片、消息、语音或对话的形式，主动出现在管理者面前——决策者不再主动寻找数据，而是被数据找到。

这个转向，不只是交互方式的改变，更是一次决策权的再分配。过去，分析师是决策链路上的"守门人"，谁能调动谁就拥有解释权；未来，洞察应该第一时间触达需要它的人，而无需经过层层转述。

作为CEO，我更关心的是这条新范式背后的战略取舍：

• 效率优先，还是风险可控？ 让数据主动找人，意味着系统必须更"聪明"——但AI介入越深，企业对算法黑箱、误判代价的容忍度就越低。
• 规模化覆盖，还是决策质量？ "数据找人"可以做到千人千面，但如果每个人收到的都是自己关心的切片，组织层面的全局视野会不会被稀释？
• 短期ROI，还是长期能力沉淀？ 推送型产品见效快，但企业真正的护城河，是把分散的判断沉淀为可复用的指标体系与决策资产。

这一篇，我不打算只讲"数据找人"有多好。我更想从CEO的视角，讲清楚：为什么在当前阶段，这是一道必选题，以及落地时哪些取舍决定成败。

范式之变：为什么「人找数据」正在失效

过去几年，几乎所有企业都在补同一道题：数据"有"了，但决策依然慢。一个典型的业务会议上，店长想看本周销售异常，要先提需求给分析师，分析师在 BI 里找口径、做看板、写结论，链路一拉就是两三天。等结论出来，窗口期早已过去。

问题出在哪？不是数据少，而是业务响应周期与数据获取周期之间出现了严重错配。一线业务的变化以小时计，而传统"人找数据"的模式按天甚至按周运转。需求方与分析能力之间的结构性缺口，是这道题的根本矛盾。

更隐蔽的代价在协作层。当每个人都在各自的看板里找数据，口径不一致就成了常态——同样一句"门店销售额"，A 部门算含税、B 部门算不含税、C 部门按收货时点……数字对不齐，决策就在一次次跨部门拉齐中消耗掉。这种"找不到"的本质，是缺乏统一的指标语言。

所以，"人找数据"不是不好用，而是它的设计假设已经过时：它假设数据稀缺、分析能力稀缺，谁主动找谁就占优。但当前阶段，数据和分析能力都变得相对充裕，真正的稀缺变成了决策者的注意力。模式不改，再多的数据也只是沉睡的资产。

战略取舍一：覆盖广度还是决策深度

这道取舍，本质上是问企业愿意先付哪张账单：让更多人先"看到数据"，还是让关键决策者先"看透数据"。

我见过两类极端。一类企业花大力气做了漂亮的管理驾驶舱，CEO打开手机就能看全集团核心KPI（关键经营指标，如销售额、利润率等），但一旦指标异常想追问"为什么"，屏幕就只剩下静态的数字。另一类企业把分析做得极深，归因模型、多维下钻都到位，可这套能力只服务三五位高管，一线门店店长依然在群里反复问"我这个月到底卖得怎么样"。

前者牺牲了决策深度，后者牺牲了覆盖广度。两种路径都不能算错，但都不是终局。

我们内部更倾向的顺序是：先把"看到"做到位，再把"看透"做出来。原因并不复杂——"看透"是高阶能力，它需要稳定的数据底座、统一的指标口径（各部门对同一指标的一致定义）、可追溯的分析路径，而这些都需要先把基础覆盖搭建起来。没有覆盖的深度，是少数人的奢侈品；没有深度的覆盖，是表面繁荣的信息噪声。

落到产品上，这个顺序对应的是三层能力结构。

第一层，决策层的全局掌控。 核心是管理驾驶舱——把分散在各个业务系统的核心指标汇聚到统一视图，CEO、事业部负责人每天花 10 分钟就能掌握经营健康度。这一层不追求花哨，强调的是"一盘棋"式的实时可视。

第二层，管理层的归因分析。 当指标出现波动，管理者要能沿着维度下钻、联动、对比，快速从"是什么"走向"为什么"。这层能力解决的是经营分析与业绩归因，决定了管理层能不能把"看到"变成"看透"。

第三层，一线人员的可执行洞察。 面向门店店长、区域督导等一线角色，卡片智能洞察（将分析结论以卡片形式主动呈现给用户）会把数据自动解读成"问题+原因+建议"的组合，并通过企业微信、钉钉、飞书等办公协同工具直接推送，让不懂分析的人也能拿到可执行的结论。

这三层不是替代关系，而是层层递进。先解决"看到"，再追求"看透"，最后让洞察主动找人——这是观远 BI（商业智能平台）作为基础设施的演进逻辑，也是我们判断企业是否真正迈入"数据找人"阶段的三道门槛。

战略取舍二：双消费模式如何协同

很多企业谈"数据找人"，容易走成另一个极端：只做推送，只做预警，结果一线收到的消息越来越多，分析师和决策者反而觉得被边缘化。我们内部经过多轮讨论后确立的原则是——"人找数据"与"数据找人"不是替代关系，而是分工关系。

具体怎么分工？我们的判断是：把"主动找"留给分析师和决策者，把"主动来"推送给一线和管理层。前者面对的是非常规问题——战略复盘、归因分析、新业务探索，这些场景需要主动探索、可视化钻取、千人千面的数据门户（即根据不同用户角色自动呈现个性化首页）。后者面对的是高频、重复、有明确阈值的场景——指标异动、订阅推送、异常预警，这些场景适合用 ChatBI（自然语言问答式BI，用户用说话的方式取数）、订阅预警、卡片智能洞察来被动触达。

这套分工背后有一个反直觉的洞察：单点过载往往不是能力不够，而是消费模式没分开。一家零售企业曾跟我们反馈，他们把所有人都接到同一个自助分析平台，结果分析师嫌一线乱提需求，一线嫌分析师响应慢。问题不是平台不好，而是把两类截然不同的消费习惯强行合并，效率自然下降。双消费模式不是噱头，是按角色匹配交互方式。

落到观远 BI 的产品设计里，这个分工体现为几个具体能力：面向分析师和决策者的，是数据门户、可视化图表、千人千面首页，强调主动探索与专题分析；面向一线和管理层的，是 ChatBI 自然语言问答、订阅预警、卡片智能洞察，强调被动触达与可执行建议。前者用深度换洞察，后者用门槛换覆盖。

更关键的是协同："数据找人"触发的异常，最终要能引导回"人找数据"的深度分析。一条预警推送告诉店长"华东区销售下滑 12%"，店长点进去就应该能下钻到门店、品类、时段维度继续追问"为什么"——两个模式之间是通路，而不是两套孤岛。这也是为什么我们在产品里强调"双消费模式结合"，而不是单点突破。

当一个企业能把"主动找"和"主动来"分别匹配到合适的角色，并且打通两条路径的入口，"数据找人"才真正从口号变成可运转的决策机制。

战略取舍三：技术投入与组织能力的匹配

真正决定"数据找人"能不能落地的，往往不是技术够不够强，而是技术和组织之间那根线绷得够不够紧。

先说底座。亿级数据秒级响应、统一指标中心（把"销售额""利润率"这些指标的口径统一沉淀到一个可治理的平台，避免各部门各算各的）、 ETL（自助式数据准备工具，让业务人员通过拖拽完成数据清洗与加工，不必每次都找工程师跑数）——这三件事是"数据找人"的前提条件。没有稳定的查询响应，推送再及时也是延迟到达；没有统一的指标口径，推送出去的"业绩下滑"和一线理解的"业绩下滑"可能是两回事；没有自助数据准备，再聪明的洞察也跑在过时的数据上。底座的投入不会体现在某一次漂亮的演示里，但任何一次推送失败、一次口径争议，都会把它打回原形。

再说组织配套。技术能力能不能触达具体的人，取决于三件事：业务术语是否标准化、数据是否有明确的责任人、移动端是否深度嵌入日常工作流。术语不统一，洞察报告里的"有效会员"在不同部门眼里是三个数字；没有数据owner机制，指标出了问题找不到人追责，治理永远停在文档里；移动端没接进钉钉、企业微信、飞书，再智能的预警也只会躺在没人打开的APP里。技术投入解决的是"能不能做"，组织配套解决的是"有没有人用"——前者是发动机，后者是变速箱，缺一个都跑不起来。

最后是落地节奏。我们的建议是场景模板先行：先把零售、餐饮、鞋服、金融等垂直行业，以及财务、HR等横向职能的成熟分析模板接进来，让业务先跑起来，感受到"数据真的能告诉我点什么"，再逐步沉淀企业自有的分析能力。先借力跑通闭环，再迭代自有能力——这是大多数企业验证"数据找人"价值的最低成本路径。 一步到位自建体系，往往还没等到价值兑现，团队耐心就先耗尽了。

落地的边界条件：什么时候「数据找人」还做不了

谈了这么多"数据找人"的价值，但作为CEO，我必须先划一条边界：不是所有企业现阶段都适合这件事，强行上马反而会放大问题。

第一种情况是数据底座没通。源系统口径混乱，ETL流程缺失，数据从业务系统到分析平台之间存在大量断点。这种状态下，连"人找数据"都跑不顺——分析师取一个数要等三天，一查发现三个表对不上。"数据找人"在这种基础上推出去，只会把混乱以更高频次送达更多人，制造的决策噪音远大于价值。底座不通，"找人"无从找起。

第二种情况是指标定义未统一。同一个"销售额"，在财务是含税口径，在销售是不含税口径，在运营是扣减退换货的口径。这种状态下，ChatBI答出来的"昨日销售"和订阅预警推出去的"销售下滑"可能是三个数字，接收方无法判断该信谁。指标中心没建好之前，智能推送的每一个结论都可能是组织内讧的导火索。

第三种情况是组织配套缺位。前面提到的术语标准化、数据owner机制、移动端嵌入，任何一项缺失都会让"数据找人"停在工具层。推送发出去了，没人看；预警触发了，没人追；报告生成了，没人决策——技术能力全在，但没人接。

我们的判断标准很简单：先看数据通不通，再看指标齐不齐，最后看组织接不接。 三道门槛至少过两道，再上"数据找人"才有意义。任何一道不过，优先补基础功。我们见过太多企业跳过了这一段，直接追"智能"，最后回到原点补治理，成本反而更高。