现在，越来越多的企业开始关注数据的积累，并将数据视为重要的资产，数据也的确在发挥着资产的价值和生产要素的作用，在推动了企业发展的同时，也相应的给人类的生活带来了重大的改变。
著名的战略管理教授马克斯・H・博伊索特在其2005年出版的著作《知识资产：在信息经济中赢得竞争优势》中指出，数据经过人的解读才成为信息，基于信息，人类获得知识、建立知识体系，也就是说，企业之所以创新和发展，并不是因为企业掌握了数据和信息，而是因为企业掌握了大量的知识。
一旦积累了大量的知识，企业便获得了竞争力。
反过来，如果没有这个从数据到知识的探索过程，数据不一定会成为有效的生产要素，也就未必能给企业带来竞争优势。
如今，许多企业追求数据驱动，要做到真正的数据驱动，仅仅靠积累数据是远远不够的，在此之上，还要对数据进行有效的处理、分类和解读，从数据中获得信息，从信息中积累知识。
也就是说，从数据到知识，还有很多工作需要做的，比如，对数据进行探查和了解，对数据进行挖掘和分析，形成洞见和知识，从而指导决策和行动，也因此，数据便成为了一种生产力。
如何推动数据成为生产力，企业通常会通过一系列的数据项目来实现。
回到现实场景中，由于数据是伴随着业务产生的，所以它的规模是巨大的，逻辑是复杂的，形态是多样的，是不是所有的数据都是有效的，这里面充满了未知。
所以，这一系列的项目也是探索未知，寻找“真知”的过程。
01 数据战略规划项目
此类项目解决的是帮助企业探索数据应用方向的问题。
企业在多年的业务运作和组织发展的过程中，积累了大量的数据，这些数据能不能被当做资产使用，能不能给业务带来价值，企业往往是不清楚也不确定的，所以，企业需要借助一些方法和手段对数据进行探索和分析，寻找可能的数据应用场景，如果数据应用能最终反哺业务，给业务带来价值，那么数据这项资产也得到了变现。
但是数据资产变现不是百分百确定的事情，所以在战略规划项目里需要不断探索可能性。
在开启探索之前，先要明确的是数据战略，也就是数据工作的方向，这个工作之所以重要，是因为通过探索，可能会发现很多种可能性，但企业的资源毕竟有限，明确数据工作的方向能让企业把有限的人、财、物配置到和方向一致的目标上，只有所有的项目干系人，比如管理者、业务方、技术方对方向和目标达成共识，在后续的工作中才有可能对做什么、不做什么达成一致。
明确了方向之后，第一项需要探索的内容是数据应用场景，从业务的角度出发，向数据要价值，这个过程需要业务团队和技术团队合作，业务团队贡献业务上下文，技术团队简单分享相关的数据和智能技术，双方共同探索出可能的数据应用场景。
有了场景，接下来需要探索的是数据应用的现实可行性，这也是对数据应用场景的收敛和优先级排序，在诸多的应用场景里面，探索出同时具备业务价值、有技术能力支撑且有数据可用的场景，也就是最具实现性的数据应用场景，这个过程需要分析数据的现状，比如，数据是不是存在，是不是可获得，数据质量是不是符合要求等，也要分析现有技术是否能支撑实现的可能性。
第三项探索的内容是方案设计，要实现确定的最具现实可行性的数据应用场景，设计方案可能会有多种，综合业务方案、技术和数据架构、可能的数据治理或运营策略，探索出最优的那一套方案。
第四项探索的内容是项目规划，也是落地规划，此阶段需要评估长期目标和短期目标，资源和能力，探索出实现最小可行性产品（MVP：minimum viable product）的落地计划，这个计划的优势在于快速产出重要结果，快速衡量价值。
总结一下，数据战略规划类项目会经历一个自上而下、由方向到行动的规划过程，这也是一个充满探索和发现的过程，所以，数据战略规划类项目是一类典型的探索项目。
02 数据平台现代化项目
此类项目解决的是数据孤岛、遗留数据资产的问题。
项目主要提供的是基础支撑性质的工作，比如架构设计与升级，数据平台开发和运维，以及数据组织架构的设计与协同（Data Mesh)等。
大部分企业存在烟囱式系统建设，缺乏统一标准，信息孤岛严重等问题，这在一定程度上导致了企业级的信息共享困难，也就是说，虽然有数据在，但是系统打不通，数据拿不到，或者，即使是拿到了数据，但是加工处理流程不顺畅，导致数据成了遗留资产，不能被盘活，数据的价值体现不出来，也就无法实现资产的变现。
数据平台的现代化，从技术上来讲，无论是从零开始设计开发，还是升级改造，都需要进行一系列的探索与评估，以符合现代化平台对于先进性与科学性的要求，比如，数据通道对接数据源的方式上是否更加方便，比如，存储技术是否更加高级，建模方法是否更先进，数据服务是否更加多样化，比如，数据处理的流程是否可监控可测试，更易于维护等。
所有这些工作，都是为了让数据更快更容易的产生价值。
此外，在解决数据孤岛问题上，对于数据源的接入，也充满了探索，比如，数据是如何产生的，归属于谁，背后有怎样的逻辑关系，存在哪些数据质量问题，有没有标准，各种权限问题，这些都会决定数据能否被使用，以及能否被有效使用，只有做了探索，有了相对清晰的认知，在数据变现的问题上才会设定相对合理的认识和期望。
和平台现代化相关的还有一个问题，那就是数据工作的分工和协同问题，简单讲就是数据组织架构问题，当组织的数据应用场景很多，业务域也划分相对明确，但是提供数据基础服务任务出现堆积，数据开发团队成为瓶颈时，需要探索新的分工和协作模式，比如，业务团队承接数据开发的工作，数据团队负责基础设施工作，双方协作以实现数据的理、采、汇、管、用，最终实现数据驱动的业务价值变现。
在组织发展的过程中，随着数据的不断累积，各部门对数据的诉求也会越来越高，所以跨部门协作会变得越来越普遍，业务团队和数据团队的边界也会越来越模糊，这种面向未来的分布式的数据组织架构值得尝试和探索。
总结一下，数据平台的现代化是一个综合性的概念，无论从规划设计到落地实现，从基础设施到团队架构，要支撑数据更快更容易的变现，需要做许多探索和优化的工作，所以，数据平台现代化项目也是探索性质的项目。
03 企业级人工智能应用项目
此类项目解决的是通过人工智能改进决策的问题。
前面讲到数据战略项目是帮助企业探索数据应用的方向和可能性，数据平台项目提供支撑性质的工作，这两种工作的价值都是通过智能应用体现的。
企业期待基于数据探寻价值，基于历史预测未来，基于已知推断未知，归根结底是希望从数据里面发掘洞见和知识，希望这些洞见和知识进一步指导行动，帮助企业做出最优决策，这些决策可以是帮助企业创新，找到新的业务增长点，也可以是提升现有业务开展的效率，降低运营的成本，这些都是数据在反哺业务，也是数据通过给业务带来价值不断变现，数据应用便是常见的价值展现形式。
人工智能改进决策通过两种常见的形式实现。
一种是决策科学，多用数据分析来实现，典型的场景是用数据的方式回答客户提出的业务问题，呈现形式是一个分析报告或者某种可视化的结果，在这报告或者结果的背后，可能需要数据分析师对历史数据做研究，对市场做调研，对各种数据做汇总、归类、对比，用来解释一种原因，并基于逻辑关系或者分析总结对未来做出不同程度的预测和判断，也可能需要数据科学家基于大量数据开发算法模型，并通过执行模型得出一种参考结果，来辅助决策。
无论是人工分析还是模型的自动化执行，都需要对数据、算法、实现方式，甚至结果进行大量的探索和调整，才能获得决策科学的结果。
另外一种改进决策的方式是智能产品，这是在决策科学的基础上加入了工程化的内容，如果说决策科学的工作在很大程度上需要人工来完成，那么智能产品则完全把分析决策的过程交给了机器，由程序来执行逻辑运算、统计分析和模型运行，并自动生成结果，辅助或者代替人类做决策，它可以是一个独立的应用产品，也可以是嵌在业务系统中的某个模块，可以不停歇的运行，也可以由某个动作触发。
智能产品的实践需要借助一定的技术和工具实现，这里面也充满了探索，比如，工具和服务形式的选择，比如，模型如何训练、发布、反馈、优化以及调整，这些工作既是算法、平台层面的探索，也是工程实践层面的探索。
总结一下，企业级人工智能应用是数据变现的呈现形式，它通过对多个领域的探索，和对多个学科知识的整合，将数据以业务价值的形式呈现，它既是一种探索，也是一种价值验证。
所以，企业级人工智能应用项目也是探索性质的项目。
综上，按照分类，数据战略规划项目、数据平台现代化项目、企业级人工智能应用项目，是三种典型的数据项目，每种类型的项目虽然内容和分工不一样，但它们服务于同样的目标——把数据这种生产要素变现，给业务带来价值。
这个变现的过程，没有固定的模式和答案，需要组织从策略、技术和商业三个层面，进行综合考虑和决策，过程中既需要对业务流程和规则进行探索和梳理，也需要将数据、工程、商业等不同的学科知识进行整合，最终完成从数据获取到价值变现的过程，也是帮人类带来智慧的过程。
从这个意义上讲，所有的数据工作都带着探索的性质，所有的数据项目也都是探索项目。