蓝象智联童玲：做数据要素市场的“铲子”、“厨房”和“大厨” 解码数字新浙商No94

来源：欧宝全站app    发布时间：2023-12-21 17:50:59

  蓝象智联是一家真正不碰数据的数据要素运营服务商，依托隐私计算技术和数据要素运营能力，促进数据价值流通，释放数据要素生产力。

  从中国工商银行总行研发中心总架构师，到蚂蚁金服首席架构师、芝麻信用CTO、蚂蚁区块链及隐私计算平台创始人，童玲是中国金融科技变革的深度参与者，也是中国隐私计算技术的早期实践者，如今她一头扎进数据流通的蓝海，开辟新航道。

  “如果给自己贴标签，我应该是‘女架构师’，喜欢体系性的框架，化繁为简。”多年架构师的思维让童玲擅长从全局视角出发，简单寒暄后她就打开电脑，以布道者的姿态开始了这场访谈。

  外界看蓝象智联此公司，总将视野锁定在隐私计算，童玲很明确，要在更广阔的数据要素市场坐标系中定义蓝象。2020年3月，蓝象智联（下文简称“蓝象”）成立第一天，她就确定将“促进数据价值流通、释放数据要素生产力”作为公司使命，与此后“数据二十条”的政策目标不谋而合。

  在她看来，数据要素市场不是从0到1长出来的，而是大数据产业的升级版。经历了快速地发展的大数据产业，要解决合规安全这把“达摩克利斯之剑”。凭借隐私计算的技术能力和数据运营的经验，蓝象团队从最熟悉的金融领域切入，打透数据安全流通和价值生产两个环节，沉淀方法论和工具，并逐步向政务等领域扩展。

  “2022年以来，国家密集出台了多项数据要素市场相关的重磅政策，能够说是有史以来最完备的制度”。政府和市场相向而行的合掌，正推动数商产业进入一个壮阔的大航海时代，征途上，有激越人心的扬帆，也有无法预知的风暴。

  章丰：你深度参与了中国金融科技的变革，又作为行业代表参与“数据二十条”的早期调研编制，回看蓝象的创业历程，每一步都和数据要素市场紧密相连。

  童玲：我想先和你们探讨整个数据要素市场和政策的发展，才能理解蓝象的定位和独特优势。

  2022年12月以来，国家密集出台了四条数据要素市场相关的政策，“数据二十条”、数据资产入表试点、组建国家数据局、数字中国建设整体布局规划，能够说是有史以来最完备的制度。

  章丰：数据资产入表试点是财政部的暂行规定，你把它和其他三条政策并列，是认为它同等重要？

  童玲：数据资产入表是一个世界级的难题，试点启动正是从经济价值的角度促进“数据二十条”落地。

  当前数据要素市场存在数据供应不足的问题，任何一个人都希望使用别人的数据，但分享自身数据时又有所顾虑。数据资产入表能带来市场经济的驱动力，数据流通后能证明自身价值，让数据资产的持有方愿意分享数据，推动更多拥有数据资产的企业进入市场，促进流通和交易。

  童玲：当前数据资产入表主要是按成本法（注：根据形成数据资产的成本做评估的一种估值方式）计量，会逐步走向按公允市价法（注：在一个充分竞争的市场上，买方和卖方在彼此知情的情况下，达成的一个合理的交易价格）计量，真正体现出数据资产的价值，但需要一个过程。

  章丰：成本法也有其合理性，比如地方政府可以把数据资产纳入政府的资产负债表，逐步提升公共部门建设数据资产的积极性。

  童玲：所以数据资产入表就体现出直接的经济价值。另外“数据二十条”中我认为有两条内容非常重要。

  一条是“统筹推进涵盖数据产权（数据资源持有权、加工使用权、数据产品经营权）、流通交易、收益分配、安全治理的数据基础制度体系”，也就是明确了“三权分置”的数据资产确权方式，从制度体系层面淡化了数据所有权，代之以持有权，更强调数据流通。

  另一条是“鼓励公共数据在保护个人隐私和确保公共安全的前提下，按照‘原始数据不出域、数据可用不可见’的要求，以模型、核验等产品和服务等形式向社会提供”，从保护数据安全的角度提出了对隐私计算技术的需求。

  数据要素市场不是从0到1长出来的产业，本质是过去大数据产业的升级版。大数据产业经历了快速地发展后，最大瓶颈就是合规安全。数据究竟属于谁？数据怎么安全使用？仍然是悬在头顶的“达摩克利斯之剑”。

  所以“数据二十条”提出的这两条政策，首先是确定产权，促进解决数据合规问题；“原始数据不出域、数据可用不可见”解决数据安全问题，在保护隐私的情况下，促进数据流通。制度、合规、安全，国家所主导的数据要素市场解决了过去大数据产业的“达摩克利斯之剑”。

  土地要素价值释放的逻辑是，土地资源即原始土地，附加劳动力，产出商品房和农作物，在市面上售卖和流通。土地真正转让的不是所有权，而是使用权。

  数据要素价值释放的逻辑同理。数据资源是原始数据，在原始数据上附加计算和算力，最终产出数据产品，进入市场流通和售卖，这几个环节对应了“数据二十条”提出数据资源持有权、数据加工使用权、数据产品经营权。

  童玲：数据产品是原始数据和应用场景之间的重要纽带。什么是数据产品？比如蚂蚁的芝麻信用分，就是数据加工形成的数据产品，通过信用分，可以分析用户的信用情况，判断能不能给他租自行车、充电宝等。

  未来数据要素市场是个两级市场，一级市场是数据资源市场，对应土地市场；证券交易市场是数据产品和服务市场，有点像房地产市场，把原始数据计算加工成可流通的数据服务、应用、产品。

  章丰：蓝象的定位是“数商”。今年我们学会和未来科技城打造了未来数商大会， 我们得知“数商”是一个足够新的概念，它的定义五花八门。 你们怎么定义“数商”？

  童玲：“数商”一词来源于数据二十条中提出的“所商分离”。国家发改委曾发文明确数商在市场中的定位，它扮演三大角色，一是技术方案提供者，通过技术促进数据要素在市场中流通；二是数据价值发现者，通过产品发挥数据价值；三是流通交易合规保荐者，保证数据合规和安全的流通交易*。相对应的，数商可大致分为三类，技术类数商、产品类数商、撮合类数商。

  蓝象就是标准的数商，我们专注两件事：一是隐私计算，基于自身的隐私计算技术能力和算力支撑，解决数据安全流通的问题；二是数据要素运营，我们团队来自于芝麻信用、花呗、借呗等，有丰富的数据变现经验，擅长把原始数据加工为数据产品，解决数据产生价值的问题。

  通俗地说，我们第一步要“修路”，用隐私计算技术修一条数据安全流通的新路。过去大量的隐私计算厂商只负责“修路”，但从市场化的角度看，修好了路，还得有“车”愿意来跑。所以我们修好了路，还要让路上能跑“车”，至少把样板的数据产品跑起来，蓝象深入金融、政务等领域，搭建数据运营团队。

  聚焦数据加工使用权和数据产品经营权，蓝象将自己定位为隐私计算与数据要素运营服务商，打通数据安全流通和产生价值这两步，契合数据二十条的中心思想“促进数据要素合规高效流通，赋能实体经济”。

  章丰：我们在梳理数商产业图谱时观察到，很多企业同时贯穿产业链的基础技术层、产品应用层等环节，蓝象非常典型的，这一些企业在产业中该如何定位？

  童玲：企业未来的发展早期的更好选择是跨环节，只有跨越才能打通全链路，促进产业和生态的发展。比如淘宝商家初期什么都干，卖商品、生产商品、搭建店铺，生态完善后才逐渐出现专门帮商家做店铺的企业等。现在数商生态处于早期阶段，数据变现的链路非常长，蓝象选择跑通全链路，尽快让全链路产生价值。

  理解了数据要素市场的所有的环节，能判断不同企业在市场中的位置。比如做数据中台的企业，更偏一级市场，本质是帮助数据资源持有方进行数据治理；只做隐私计算的厂商，就在数据计算环节；帮银行做风控产品、营销解决方案的企业，围绕证券交易市场做数据的落地应用。

  蓝象同时具备隐私计算和数据运营的能力，所以是横跨数据计算和数据产品环节，专注解决数据外循环问题，发掘数据价值。当然蓝象也不是大而全地打通链路，而是围绕垂直行业切入，比如我们在金融领域已经有完整的产品体系和解决方案，正在支持政府领域的数据流通。

  童玲：交易所横跨数据资源和市场流通环节，在一级市场中它负责数据资源持有权的认定，在证券交易市场中它也涵盖场内交易的数据流通。

  不是只有交易所的场内交易才叫数据要素流通，市场流通环节包括场内交易和场外流通。“数据二十条”的核心在于数据要素流通，交易只是流通的一个手段，目的都是让数据产生价值。这一环节的逻辑可以对标金融要素市场，场内只有资金交易，但场外有各类市场化行为，比如信贷等产品，对公司进行授信和放贷，同样是金融要素赋能实体经济的重要手段。

  数据要素市场中，数据要素持有权需要在场内登记确权，但场外能够最终靠数据产品流通，赋能实体经济。只有场内场外结合的手段，才能真正把整个市场规模做大。

  童玲：隐私计算只是一个加工数据的工具，没这个工具不行，但光有工具也不行，它解决不了数据产生价值的问题。打个不太形象的比方，如果把数据看作原料，数据中台企业就是后厨，他们把数据原料清洗加工成标准化的数据资产，而隐私计算是“炒菜”的铲子。

  蓝象推出了“公共数据要素流通运营平台”，是基于隐私计算技术的升级平台，就像“共享厨房”，提供数据处理的工具组合，炒出来的“菜”就是数据产品，进入市场流通运营。

  现在各地政府都想做公共数据授权运营，但不知从何下手。我们第一步提供隐私计算这把铲子，在可用不可见的情况下“炒菜”；再提供运营平台“共享厨房”，附带多种工具，能处理敏感数据，也能支持基于明文API的数据流通等。政府刚拿到“厨房”不会使用，我们有专门的数据运营团队，相当于“大厨团队”，和政府一起先打造数据产品的“样板菜”，送到“餐厅”里去售卖，把数据流通的全链路打通。

  蓝象是一家真正不碰数据的数据要素运营商。“数据二十条”鼓励“公共数据按照‘原始数据不出域、数据可用不可见’的要求，以模型、核验等产品和服务等形式向社会提供”，很多人不知道如何解读。“公共数据要素流通运营平台”是业内首个真正能实现“数据二十条”落地的平台，支持数据要素在产品中进行运营和变现。

  章丰：隐私计算是比较昂贵的技术，技术效率和商业成本之间有博弈。普通的地方政府用得起蓝象的“厨房”吗？

  童玲：并不是全部客户都需要五星级“厨房”，我们的“厨房”是可装配的，为客户提供性价比合适的零部件方案。

  比如我们的“共享厨房”里最受客户欢迎的功能之一是“数据价值试衣间”，能够一次性对接多个数据源进行快速的价值探查。先把样本数据灌入测试，探查评估数据价值，先试后买，再进入数据产品工厂生成产品，降低流通过程中的试错成本。有点像农家乐，客户直接先看菜，选好了想要的菜，丢进厨房炒。

  章丰：提供做菜示范的“厨师”也很重要，长远来看蓝象主要是提供“厨房”，更多的“厨师”来自于外部。你们“厨房”的友好度目前达到了什么水准？

  童玲：我们平台的最大特点是生态化，第三方空中建模、空中分析。相当于厨房里所有的菜都码上来了，无论是我们自己的“厨师”，还是生态合作伙伴进来，只要有足够的能力就可以基于这套工具“炒菜”，生产出数据产品。

  蓝象团队从最熟悉的金融领域切入，在普惠金融、助农惠农、诈骗防控等实际场景中落地实践，构建起隐私计算和数据运营的产品线，实现数据在“可用不可见”的情况下释放价值。 目前，蓝象已与上百家金融、运营商及互联网机构达成合作，并在政务领域展开探索，进一步 实践 “数据二十条”落地。

  章丰：蓝象目前聚焦金融和政府两个行业，但未来这种“隐私计算+数据要素运营”的能力可以移植到别的行业。

  童玲：是的，我们分析数据要素流通的应用行业，金融、营销、政务目前占比超过80%，其中金融占比50%，行政监管、工业制造、医疗等都是未来可以发展的方向。

  我们的商业逻辑是先在某个领域摸索出成熟的模式，比如数据怎么安全流通、如何加工成数据产品、怎么变现和收费等，再将这套成熟模式提炼为最佳经验，应用于其他行业，目前蓝象已经在金融领域跑通了模式。

  数据产品化，数据到底怎么在场景里用起来。很多人不知道如何把数据变成产品，他们仿照过去工业时代的产品化，就像把电子元件组合成手机，做一堆数据组件加工成APP去售卖，这种模式完全不适用于数据产品。

  数据产品并不是标品，必须依据数据服务的对象和场景定制，所以数据产品应该由C2M（Customer to Manufacturer，用户直连制造商）模式主导，由客户和场景需求驱动产品生产。好比卖二手房，不同的二手房卖给不同的人，采光和装修都不一样。

  比如我们做金融反电诈的数据产品，接入了多种数据资产，有三大运营商的数据、SDK的数据、网络站点平台的数据等。但同样的数据产品，不同的银行客户拿样本测试的效果不同，本质是因为场景里他们的用户群体不同。

  章丰：金融业务的标准化程度高、数字化基础扎实。对别的行业，比如制造业又有细分的行业，数据产品的设计会不会更复杂？

  童玲：数据加工的逻辑是可以共通的，我们沉淀多年总结出了四种基本的数据产品：API服务类，把数据资产简化为API服务，做核验和查询；评分类，比如信用分、风控分、营销分等；报表类，多方数据联合分析产生BI报表支持决策；指数类，从数据中提炼出对决策有价值的内容。蓝象的“共享厨房”配备了这四类数据产品的加工引擎，能够完全满足大部分行业的需求。

  此外我们有很多场景的落地实践，比如普惠金融案例，采用银联的数据帮助某国有大行，为小微企业授信和放贷。我们把链路分为三个阶段，第一个阶段是数据准备，银联作为数据持有方，需要确认它的持有权。其中数据授权是重点，银行需要授权我们加工数据。

  第二阶段是价值挖掘，国有大行和银联的数据融合应用，双方联合建模，创造出适用于场景的数据产品。在建模过程中，个人会使用了隐私计算的匿名化技术，设计出用于计算小微业主信分评分的产品。

  第三阶段是流通交易和场景应用，在前两个环节的基础上再增加基于最小化场景授权，在生成数据产品时一定要设计出让数据拥有方获得数据收益的场景，比如通过信用评分给予信用额度，增强拥有数据企业的授权意愿。

  章丰：“ 厨房”和“厨师”有了，实操中还可能有“菜”的问题。 数据源的数据质量会影响数据产品的效果，你们有遇到过吗？

  童玲：金融行业的数据质量是最高的，我们在扩展其他领域时确实会面临数据质量的问题。但无论“好菜”还是“烂菜”，只有拿出来加工成“餐品”，有人“品尝”才能验证它的质量。数据只有用起来、流动起来，才能解决数据质量的问题，如果数据资产堆在仓库里，永远没人能发现它的价值。

  章丰：只有转起来才有迭代改进的机会，否则内部数据治理设施做得很好，但数据没能流通产生价值转化，也很难验证治理的质量。

  童玲：所以我们提倡场景驱动，不要一来就大量投入数据质量治理，最终的数据产品不一定可以用，而是数据产品在场景中用起来后，再去真正解决数据质量的问题。

  从数据源到数据资产、数据产品，再到流通和协同，数据要素落地是一条很长的链路，存在诸多难点和挑战。

  数据质量和供应不足是第一大问题。第二是隐私安全的问题，不光涉及隐私计算技术，还包括合规链路的设计、场景授权、采集授权等，不同场景的数据合规设计链路不同，它需要一整套面向场景的合规方案，这方面蓝象也积累了大量的经验。第三是数据价值“盲盒”的问题，数据使用前无法判断它的价值。还有数据定价和收益分配问题，金融行业我们已完全跑通了商业链路，可以按调用收费、按平台扩展收费等。最后是监管和多方协同治理的问题。

  童玲：数据产品的定价有点像二手房买卖，有报价、估价、议价的过程。蓝象的“数据价值试衣间”重点就是解决数据价值“盲盒”问题，从而确定数据定价。先由数据源报价，我们作为中介方，使用数据价值试衣间评估数据对买方的贡献值，比如告诉你这个数据到底贡献度是多少，提供对应的数据估值报告，最后买方和卖方讨价还价，达成共识。

  市场中，数据产品的定价方式有两种，一种是按照产品本身进行定价，一种是按业务效果进行收益再分配，实际上的意思就是数据二十条提出的“由市场评价贡献、按贡献决定报酬机制”。

  童玲：数据分润的难点在于，流通的数据通常由两方或者三方以上贡献，谁应该多分钱？这种情况，蓝象基于贡献度评估算法，可以分析每个数据在最后的数据产品里所产生的贡献值，这些都是我们在数据要素运营过程中积累的经验。

  童玲：每个环节都不能跳过，所以打通全链路需要有对技术和合规制度的理解，还要能跑通商业化链路。

  胆子大 ，速度快。 创业是一边跳悬崖一边造飞机，在落地前造出飞机，才能够活下来。

  如果你的项目足够优秀，希望得到36氪浙江的报道，参加36氪浙江的“未来独角兽活动”，请将你的需求和BP发至36氪浙江项目征集邮箱：，我们会及时回复。