基于知識管理的數據服務企業商業模式分析
——以杭州F 科技有限公司為例

姚麗霞，龔 銓

（浙江工商大學工商管理學院，浙江杭州 310018）

互聯網的普及以及互聯網自身的特點使得幾乎所有互聯網企業都和數據有關。人工智能（AI）與大數據在產業應用中扮演著互相成就的角色。利用大數據創業是許多小公司崛起的機遇，很多小規模企業，尤其是初創企業，通過大數據手段，“精準快”地針對一個行業的實際需求創造出顛覆性產品，從而迅速建立自己的行業優勢。截至2018 年年底，全球共有15 916 家人工智能企業，融資784.8 億美元，其中中國人工智能企業融資規模高達157.54 億美元，分別占全球融資額的46.94%和亞洲人工智能企業融資額的93.09%，2009—2018 年，中國累計新增AI 企業共3 362 家，僅次于美國，居全球第二，數據服務企業產業擁有巨大的市場價值［1］。國內雖然有一些關于信息服務和大數據服務企業商業模式的研究，但這些研究僅僅考慮了相關技術的應用價值而忽略了技術實現的條件和環境因素，本文從知識管理的角度，以數據服務行業中具有代表性的初創企業杭州F 科技有限公司為例，從知識管理的角度分析其商業模式的特點，總結其成功經驗，為其他數據服務企業或者基于大數據開展創業的企業提供經驗借鑒。

1 文獻綜述

1.1 數據服務相關研究

大數據指的是一系列類型多樣、容量巨大、存取迅速、價值豐富的數據集合；數據服務就是以這些數據為基礎開展的一系列分析和咨詢的服務［2］。大數據可以為企業創造競爭優勢、變革商業模式以及革新供應鏈的設計和管理，降低成本等［3-4］。目前關于數據服務的研究，主要研究企業如何通過大數據實現更好的決策和管理、更準確的預測和分析，以及更有效的干預和控制，即強調大數據的應用價值方面［5］。綜上所述，目前學界的相關研究普遍認可了大數據和人工智能技術在戰略決策和運營方面的重要價值，但是關于如何建立相關業務系統并形成優秀的數據服務的具體應用的研究成果甚少。

1.2 商業模式相關研究

“商業模式”的概念最早于1947 年提出，學者們主要從系統論的角度進行界定，認為商業模式是由價值主張、運營系統、盈利模式等方面組成的多維協同體系，綜合了運營、盈利、戰略定位等因素系統解釋企業如何開展業務的問題［6-7］。探討商業模式理論中比較有代表性的是“商業模式畫布”理論，該理論認為商業模式有四大要素：客戶、產品或服務、基礎設施和財務能力［8］。此外，汪壽陽等［9］從知識管理的角度提出商業模式由隱性知識和顯性知識兩大要素組成；饒佳藝等［10］進一步指出這兩者間會發生反饋作用從而形成動態的循環。

1.3 知識管理相關研究

商業模式的創新主要依靠知識流與信息流以及價值流的互動所促成的，這三者通過組合成一個動態不斷進化的共同體，促成商業模式從靜態轉為動態，從而適應外部環境變化，其中知識是主要動力［11］。商業模式冰山理論（如圖1）認為商業模式是由顯性知識與隱性知識共同組成的復雜系統，其中顯性知識包括價值主張、業務系統、盈利模式3 種，隱性知識包括關鍵資源能力和外部環境兩種，顯性知識和隱性知識互動形成動態循環［9］。

圖1 商業模式動態循環系統

2 中國數據服務行業生存環境分析

2.1 行業發展的驅動力

2.1.1 資本市場

2011 年中國人工智能領域投融資開始起步，此后逐年增長。根據中國信息通信研究院［12］（以下簡稱中國信通院）的人工智能產業數據報告，2008—2018 年中國人工智能領域投融資主要指標情況如圖2 所示。

圖2 2008—2018 年中國人工智能領域投融資規模和筆數

如圖3 所示，據中國信通院［13-14］的統計分析，2017 年中國人工智能市場規模達到216.9 億元，比2016 年增長52.8%，人工智能創業企業的涌現集中在2014—2016 年，其增幅于2015 年達到頂峰（新增150 家），整體規模受相關技術不斷成熟以及各類應用場景逐步落地的影響依然會持續增長。

圖3 2015—2018 年中國人工智能市場規模及增速

另一方面，對于大數據企業，前瞻產業研究院［15］的統計結果顯示，成功獲得投融資的中國大數據企業數量自2010 年以來也在逐年增加，2014 年進入爆發期，環比上升193.55%，此后穩步增長，2016 年達400 多家，而2017 年前3 個月已有150 多家企業獲得融資。至于市場規模，根據前瞻產業研究院［16］的分析報告，其增長速度雖逐漸放緩，但總體一直保持上漲的趨勢。在2018 年，中國大數據產業整體規模已突破4 000 億元（如圖4）。隨著國家政策的激勵以及大數據應用模式逐步成熟，未來幾年中國大數據市場仍將保持快速增長。

圖4 2015—2018 年中國大數據市場規模及增速

2.1.2 信息技術

技術的邊界被不斷擴展，使得技術應用的場景不斷豐富，而且相關技術日趨成熟。以芯片技術為例，如今人工智能芯片技術加速了神經網絡等相關算法的迭代速度，讓大規模數據處理的效率得到顯著提升，大量新型芯片例如FPGA、GPU 出現，以及TPU、NPU、VPU 等專用芯片不僅性能更強，能夠處理視頻和圖像等海量多媒體數據，而且擁有比CPU 更高運算效率以及更低功耗。除了芯片技術的驅動作用外，算法模型的創新也極大推動了人工智能的發展。當前人工智能的關鍵技術——深度學習自2012 年得到廣泛關注，促成了其后的人工智能發展大潮，而國內人工智能企業數量的增速也是在2012 年前后開始顯著上升，2010 年進入快速增長階段（如圖5）［13］。

圖5 中國人工智能領域新增企業數量年度分布

2.1.3 數據基礎

近年隨著互聯網和社交媒體的普及以及各種硬件設備的更新換代，每年全球有效存儲的數據總量都以成倍的速度增長，預計到2020 年將達到44 萬億GB，其中中國產生的數據量將占全球數據總量的近20%，這為人工智能算法模型提供了研究基礎和應用場景［17］。

2.1.4 政策支持

人工智能和大數據的發展受到國家極大重視，發展人工智能和實施國家大數據戰略已經列入《“十三五”國家戰略性新興產業發展規劃》中，并且提供了相應的政策支持［18］。

2.2 行業發展的制約因素

2.2.1 政策限制

由于人工智能和大數據屬于新興產業，尚無成熟的監管體系，而且數據服務的特殊性也導致在政策上關于隱私數據、數據權屬的問題難以明確，相關的應用也就難以開展。以安防大數據為例，雖然“天網工程”已證實了安防大數據的強大能力和前景，但是要投入到市場應用中尚需解決如何劃分以及處理隱私數據的問題。

2.2.2 人才短缺

傳統的數據服務行業主要需要大量統計調研人才，強調溝通和表達能力，而如今數據服務已逐漸成為技術密集型的工作，亟需大數據架構和人工智能方面的專業人才。截至2017 年，全球人工智能領域市場人才需求在百萬人的量級，但現有人才僅30萬人，缺口極大［19］，尤其在國內，人工智能及大數據相關專業屬于新興學科，設立相關專業（學院）的大學更是屈指可數。

2.2.3 技術限制

人工智能和大數據技術從長遠來看必然會得到持續突破，但是短期內的技術發展前途難測。一方面，有一類觀點認為硬件芯片技術的摩爾定律已經失效，芯片技術遲滯發展；另一方面，人工智能算法自身也開始被質疑。雖然各大科技巨頭的研究人員仍不時發表新的研究突破成果，但是能否分享到這類前沿技術的紅利、業務能否得到相關技術的支持、已有技術能否應對持續上升的業務需求，對于大部分的中小型企業來說都是巨大挑戰。

2.2.4 市場的客觀認識限制

當前人工智能與大數據市場存在較大盲目性，在媒體的跟風炒作下，市場對這類技術盲目地追捧、給予了過高期望，導致很多客戶和數據服務供應商的交易存在著認知偏差，一些好的數據解決方案最終會因為“和經驗判斷相差無幾”而被認為沒有價值，一些算法模型的研究也會因為難以評估投資效果而導致不被重視或者半途而廢。并且，當前的投資界對人工智能和大數據技術的態度趨于冷靜，逐漸轉向觀望的態度，這也給初創企業造成了一定的風險。另外，數據服務行業需要從客戶或者用戶方獲得數據回流、建立數據閉環，強化在應用領域的專業性，從而樹立競爭優勢，但是企業和個人出于對隱私安全的考慮以及對人工智能算法“黑箱”的顧慮，往往拒絕反饋相關信息，導致數據閉環難以建立。

數據服務行業發展機遇與挑戰并存，雖然有美好的前景，但是競爭激烈，而且由于是新興事物，缺乏經驗借鑒。本文實證所選取的杭州F 科技有限公司雖然發展規模不大，但它是生物醫藥健康產業大數據領域的國內先驅者，也已占據相當規模的國內市場，因此本案例的創業經驗對于數據服務企業，尤其是初創企業具有重要的參考價值。

3 案例分析

3.1 公司背景

杭州F 科技有限公司（以下簡稱“F公司”）于2015 年在杭州成立，是一家以人工智能、大數據技術為背景，提供全國生命健康產業數據分析與咨詢服務的私營企業，主要產品包括數據庫查詢服務、區域生物健康產業地圖以及對應的分析報告，主要客戶包括生物醫藥健康相關企業、政府和金融投資機構，是國內領先的醫藥健康創新創業大數據平臺。F 公司最近從杭州總部擴張至成立了北京辦事處和成都全資子公司，產品也日漸豐富［20］。F 公司從2015 年成立至今，在短短4 年多的時間內，在生物醫藥健康產業大數據市場上成就斐然，包括自主研發了Spider 智能數據源構建系統和Darwin 數據智能處理引擎，并建構涵括六大維度（市場、技術、企業、資本、產品、專利）、覆蓋全球1 000 多種官方數據源以及10 萬個數據采集點的數據合作和交換機制；承擔多個國家“863 計劃”項目以及國家發改委和科技部項目；2017年下半年獲得了3 000萬元的融資；等［20］。截至2018 年年底，F 公司除了為國內10 多個地區的政府機構提供產業數據地圖和研究報告，其企業大數據情報系統、醫學指南系統、智能投顧系統等產品線也都日趨成熟，這些成績都與公司的商業模式密不可分。

3.2 商業模式分析

3.2.1 商業模式中的顯性知識

（1）價值主張。F 公司將其細分市場定位在政府、生物醫藥研究單位、投資人以及創業者，基本上涵蓋了生物醫藥健康領域的所有參與者，而且這些客戶需求中的絕大部分都可以通過一套產業大數據系統解決。F 公司為政府和企業提供數據幫助其完成監管和了解行業動態，并為投資人和醫藥研究單位提供智能投顧系統和醫學指南機器輔助閱讀系統，產品線長且相互關聯。F 公司的價值觀是“學習和創造是我們的信仰” “持續為客戶提供獨特的價值是我們存在的動力”。F 公司的產品強調定制化，根據客戶的要求建立一個生物醫藥健康領域的數據服務平臺。F 公司在2017 年5 月正式商業化，提供服務的產業數據還局限在全國的范圍內；到了2018年1 月，根據客戶需求，其提供的產業數據擴張至全球范圍。憑借這種緊跟客戶需求的方式，F 公司的行業地位得到了迅速提升，例如在與IBM、微軟等巨頭的競爭中勝出，獲得了默沙東的醫學指南輔助閱讀系統項目，在2018 年3 月的政府項目招標會上戰勝德勤等國際巨頭獲得中標。目前據官方透露，F 公司已擁有1 000 多種官方數據源、10 萬個數據采集點、6 600 多家產業園數據、200 萬個項目數據、1 000 萬條行業新聞數據、5萬個投資機構數據、4萬個研究機構數據、8 000 件專利數據、30 萬個臨床案例數據、2 000 萬種文獻期刊的數據［20］。此外，F 公司還與國家發改委財金司開展企業信用信息共享合作項目建設，并與成都市高新區國際生物城正式簽約合作建設全球生物醫藥外包服務交易中心。

（2）業務系統。F 公司的核心業務是生物醫藥健康產業大數據地圖（HSMAP），其本質是數據庫查詢服務的延伸，即將傳統數據庫文本圖表化，并進行簡單的統計分析以便于了解所查找數據項的全貌。生物醫藥健康領域有許多成熟的提供數據庫終端查詢服務的企業，如丁香園、醫藥魔方、藥智、咸達等，它們均是針對醫藥研究者在垂直領域內進行數據深耕和挖掘，而F 公司則另辟蹊徑，關注數據庫的廣度，是市場上首家將藥品、醫療器械、專利數據庫與具體的企業、企業的人才、企業所在的產業園區等整合在一起的數據庫企業。由于企業人員結構、研發資金等微觀層面的數據并沒有公開來源，而從政府到企業的溝通渠道尚未打通，因此HSMAP 先面向政府客戶和各省（區、市）發改委提供宏觀層面的數據分析，幫助政府制定管理方案，在得到政府認可之后，再自上而下貫通到企業。在HSMAP 漸趨成熟之后，F公司為了加快獲取市場的認可，開始嘗試面向具體的企業推出產品，例如2017 年11 月和默沙東合作推出醫學指南輔助閱讀系統，其功能一是精準地找出文獻中的重點內容，幫助研究人員在文獻中快速定位，并針對不同文獻中的熱點詞匯和高頻詞匯提供直觀的指標對比結果（可視化）；二是對文獻的質量進行評估，根據醫學指南的年份、所涉疾病種類別等因素給出相應分值。2018 年年初，F 公司推出智能投顧系統，在HSMAP的基礎上深挖投融資機構的相關數據，致力于幫助投資機構掌握生物醫藥健康領域的市場情況，從而更好地識別投資機會。

（3）盈利模式。F公司從2017 年下半年開始擁有了穩定的收入來源，HSMAP 的建設費用和每年的升級費用，還有相關研究報告的費用。HSMAP 的收費標準大約為每年數十萬元，具體費用和所涵蓋的區域范圍、數據的維度、數據的精度等因素有關；研究報告的收費可分兩種，一種是一次性交付的報告，另一種是每月或每季度提供一次的報告，平均一份報告的收費在10 萬元左右，具體影響因素和HSMAP 一樣。

3.2.2 商業模型中的隱性知識

（1）關鍵資源能力。相較于其他對手，F 公司最關鍵的優勢是其儲備的數據資源。在數據服務行業，僅僅擁有最前沿的技術人才并不能建立強大的行業壁壘，但掌握前沿技術有利于早期開拓市場。但從長期來看，結合現在技術領域的開源趨勢，再復雜的人工智能算法或者大數據構架最終都會得到普及，而且能夠產業化的往往是已經成熟的技術，所以技術的優勢在后期會日益降低；而人工智能技術由算力、算法和數據組成，在算力、算法相差無幾的情況下，數據集的微小變化就可能得出截然不同的結果，落實到數據服務上，每增加一個維度的數據可以挖掘的方向就會成倍上升，產品的價值也就相應變大。F 公司的數據產品必須有數據來源，這些數據來源大部分都已包含在政府機構的監管庫中，但是不支持批量調用，很難進行數據分析與挖掘，更不可能直接用于開發可視化系統，不過市場上有不少較為成熟的第三方數據庫，如果只是想迅速切入市場，這些第三方數據庫已綽綽有余，最終F 公司選擇自己建數據庫，花費大量精力提高數據的廣度而避開在數據深度上與其他對手的競爭，主要是為了爭取獨特的數據資源。將行業各維度數據整合到一起，其中的數據關聯關系就是其他對手沒有的資源，而且建立自己的數據庫是形成數據閉環的基礎（如圖6）。F 公司將互聯網上包括政府監管數據在內的公開信息進行搜集和存儲，經過分析和挖掘，這些數據就有了獨特的價值，可以和其他公司機構進行交換，獲取更多未公開在互聯網的數據，當這些數據整體的深度和廣度都積累到一定條件，就可以正式推出自己的數據產品，并通過產品搜集、記錄客戶的使用反饋，而這些信息就是構成數據閉環的最后一節。

圖6 杭州F 科技有限公司的數據閉環

（2）外部環境。F 公司目前所取得的成績與遭遇的困境都和社會環境密切相關。一方面是目前社會環境尚未成熟，數據資源不足。生物醫藥健康產業大數據領域的企業數據很難獲取，而且由于算法模型的運用和數據的挖掘都對數據本身有很高的要求，但有些數據例如產業人才的信息，即便獲取到了也會出現缺失、格式混亂、異常值等各種各樣的問題，在運用人工智能等高級算法之前需要依靠人力將數據清洗干凈，補足缺失、統一格式、更正異常，如果有些數據保存在紙質文件上，一旦紙張流失就無法恢復，只能放棄；另外，技術趨勢和基礎設施也是很重要的因素，數據行業市場雖然面臨很多困難，但也存在大量機遇，如果克服這些困難便會在市場占據有利位置，例如阿里云克服了建設之初的困難最終獲得成功，市場也證明了這些付出是值得的。另一方面，社會環境對數據的價值沒有清晰的認識。雖然政府和大部分的企業都相信數據有價值，但是不清楚具體怎么挖掘它的價值以及想要哪方面的價值，這意味著客戶自身并沒有能夠詳細評估產品價值的方法，因此在產品驗收方面供應商擁有一定的主動權，市場對錯誤的容忍度相對較高，這對于創業企業是很好的機會；而另一方面，由于市場對這類產品缺乏清晰的認知，客戶經常提出不合理要求，F 公司的業務驅動模式意味著大部分情況下公司的業務決策會跟著客戶走，也引發了員工因頻頻承受高壓而離職的風險。此外，雖然數據行業企業的外部市場環境相對寬松，客戶對企業技術不甚了解，但是員工壓力巨大、離職率高，人力資源管理是企業面臨的巨大的挑戰。

3.3 總結與啟示

目前市場上大部分較為成熟的數據服務企業都擁有強大的技術團隊，不少投資人在選擇投資目標時也偏愛擁有深厚技術開發背景的創始團隊，而F公司并沒有非常強大的技術團隊卻依然在市場上占據了一席之地，主要是其商業模式具有 獨特的優勢。具體有以下3 點：

（1）細分市場精準定位，主動適應市場變化。F 公司成功的關鍵之一便是找準了時機搶占先發優勢，成功切入市場。雖然F 公司所擁有的數據非常重要，但決定數據價值的是市場，如果等到產業大數據體系成功建立，擁有這批數據就只能算是獲得了參與競爭的基礎，遠遠談不上優勢。F 公司另辟蹊徑，選擇從政府端切入市場，憑借HSMAP 樹立行業內的口碑，而后又通過醫學指南輔助閱讀系統和智能投顧系統擴展業務邊界，鋪設全面的產品線，這才得以搶占市場。因此，對于新興行業的初創企業而言，抓住機遇比萬事俱備更為重要；另外，由于新興行業市場多變，初創企業萬不可墨守成規，需要主動適應市場變化從而在群雄混戰的時候迅速占領市場。

（2）重視關鍵利益相關者的關系，參與制定行業標準。F 公司與政府保持良好關系，它承擔了多項由科技部、發改委設立的專項，而且與政府單位共同舉辦中國醫藥健康創業者大會，這對企業的銷售渠道、信息渠道以及后續為構建完善數據服務體系建立的數據渠道都有重要意義。國內外大量研究表明，良好的政商關系有利于企業融資便利、稅收優惠、財政補貼以及進入新興市場，原因在于政府掌握著組織發展的核心資源和市場管制的權力［21-23］。在本案例中，政府是企業的關鍵利益相關者，因為政府是行業標準制定者，只有與政府合作，憑借杰出的數據科學技術參與到行業標準的制定中，企業才真正擁有了行業內的話語權，行業壁壘也籍此樹立。

（3）平衡業務系統與盈利模式。平衡業務系統與盈利模式在一定程度上相當于選擇業務驅動、技術驅動、數據驅動等模式中的一種。業內普遍認可的是技術驅動或者數據驅動，如智能計算等側重于人工智能技術的可以選技術驅動，而信息服務平臺等側重于大數據服務的則選擇數據驅動，二者都是以關鍵資源能力為出發點的模式。是選擇搶占先發優勢打開市場并通過業務交付獲取經營成本，還是依靠關鍵資源能力穩扎穩打完善業務系統，各有利弊，但是初創企業在選擇時要考慮的關鍵是保證自己能夠活下去。數據的擴充、更新和維護都要花費大量時間和精力，例如F 公司花了將近2 年時間才初步整合并清洗龐大的數據資源，如果完全等到萬事俱備再承接業務，企業將承受巨大的財務壓力，因此F 公司在創業前期采用了業務驅動的方式，即銷售團隊先努力爭取客戶，簽訂訂單后技術團隊和數據團隊盡力配合完成任務。當然這種做法也造成了很多困擾：一是員工壓力巨大，技術團隊和數據團隊承擔的任務可能超出了正常的能力范圍，部分員工會因無法忍受而離職；二是業務體系陷入被動，當前市場對于人工智能和大數據技術的認知并不客觀，大眾普遍不了解這類技術的具體用途，甚至也不了解自己的具體需求，本文案例企業的數據庫終端多次出現相關團隊由于疲于交付業務而導致出現錯誤的情況。對于初創企業而言，由于環境劇烈多變，沒有一個固定的模式可以遵循，平衡業務系統與盈利模式是一門藝術，不過早期的生存是關鍵。

4 結論

當今市場上，大部分較為成熟的數據服務企業都擁有強大的技術團隊，不少企業在招聘員工時會將“硅谷工程師文化”作為企業吸引人才的優勢之一，不少投資人在選擇投資目標時也偏愛擁有深厚技術開發背景的創始團隊。這類現象一部分是出于行業自身的特性，當前數據服務的關鍵技術——大數據與人工智能都對人才有較高的要求，另一方面也是因為目前市場上相關人才非常稀少，這對于大部分資源較少的創業企業而言無疑是巨大的困境。而F 公司并沒有非常強大的技術團隊，卻依然在市場上占據了一席之地，主要是做到了找準細分市場、順應市場變化，重視企業-政府關系、參與制定行業標準以及平衡業務系統與盈利模式這3 個方面，這對于大部分中小型企業是具有啟思和參考價值的。

未來的數據服務將會圍繞大數據和人工智能技術展開，而這些技術與具體商業應用的結合目前仍處在探索階段，其商業模式依然會隨之變化；另外，經濟環境、社會環境以及技術環境等外部環境也在不斷變化中，從而形成錯綜復雜的關系，這些都會影響著商業模式的成敗。不過萬變不離其宗，對于數據服務行業而言，知識管理是打造其核心競爭力的關鍵。企業通過顯性知識和隱性知識的良性循環，從而促進其商業模式的不斷迭代創新，才能在永遠充滿變化的未來獲取長期競爭優勢。