新质生产力要求发挥数据等新型生产要素的作用，通过全生产要素的创新性配置，实现高科技高效能高质量的生产力。而传统行业中的企业已经积累了大量的技术、知识、管理经验及数据等并以数据为载体进行了沉淀。因此，挖掘数据价值，发挥数据作为生产要素的作用，助力企业的效率提升、快速响应、业务创新是传统企业面临的重大课题，也是企业通过数字化转型建设新质生产力的优选路径。
基于企业对数据的利用程度，企业对数据的应用可以分为四个阶段。
1 统计查询，实现业务分析
早期的数据应用是对业务数据进行统计分析。此时，数据还没有从业务系统中抽取出来，是业务流程的副产品，统计查询功能作为各部门业务系统的功能模块进行建设。该阶段的数据应用具有如下特点：
数据是业务系统的副产品，只有少量的关键数据被存储；
数据与应用属于一个整体性架构，数据按照应用的逻辑被写入、处理及保存；
数据统计分析服务于业务系统用户；
只能进行业务领域内的数据查询，只服务于业务部门。
2 商业智能，实现辅助决策
随着业务系统的增多，企业管理层希望了解更全面的跨部门的业务信息，为决策提供依据。此时，数据从业务系统中抽取到独立的分析型数据库进行存储，按照事实与维度进行组织。分析型数据库一般独立于业务系统，且相比于业务型数据，分析型数据具有数据量大、数据增长快、查询频率高更新频率低、全面性要求高、实时性要求不高的特点。
数据应用架构一般分为三层：底层（ODS）进行数据汇总及加工，中间层（DW）级进行数据建模及存储，上层（ADS）支持数据查询分析及数据挖掘。
此时，数据应用服务于全企业，为企业提供多维度、全方位的数据查询与分析，从数据中获取业务洞察，为企业提供经营决策依据。
3 大数据分析，实现数据驱动
商业智能阶段，数据以从ERP为代表的企业内部管理系统中获取数据为主，系统关注内部生产、研发、人、财、物等。而随着大数据、物联网等技术的发展，物联技术使得企业能够连接生产设备与固定资产，实时获取设备的状态信息、运维信息；大数据技术使得企业可以从用户的行为数据、社交媒体数据中挖掘用户信息及偏好，对用户进行更深入的洞察，从而为用户提供更好的体验。
为此，企业构建大数据平台，处理更大规模的结构化与非结构化数据。相比商业智能阶段，大数据分析阶段具有如下特点：
数据量、种类、产生速度大幅提升。企业内外部多数据源数据、结构化与非结构化数据等大量多种数据要求企业采用更全面更多维度更实时的数据处理分析方式，来保证业务数据化后的后果尽可能与真实的业务保持一致，并产生领先业务的洞察。
数据服务于全员。相比商业智能阶段的历史数据，该阶段的数据实时性更强，数据来源更广，数据更全面覆盖业务的方方面面；移动互联网技术使得数据应用更容易触达业务一线人员。
批量处理变为实时处理。商业智能阶段通过历史数据分析实现评价与商业洞察，而此时的应用则变为根据用户的实时需求，结合从历史数据得到的业务洞察来实现精准营销、价格优化、精确服务等业务场景。
4 数据中台，实现数据业务化
在前面3个阶段中，企业的数据利用聚焦于业务数据化，也就是将业务流程设计成软件应用，通过软件应用采集、生成业务数据，再通过对业务数据的分析形成业务洞察，然后由业务人员参考业务洞察去制定业务策略。
在上述的业务数据化阶段中，数据并不直接参与业务的执行，它只是业务流程与业务系统的产物；而在数据业务化阶段中，数据是新的生产要素，直接参与业务决策。所以，在这两种不同的过程中，企业数据战略的关注点和目标是完全不一样的。
在业务数据化阶段，数据战略聚焦于数据管理，关注数据的质量、安全性，从资源角度来管理数据。此时行业中只有企业信息化战略，而很少提到数据战略，因为企业对数据的诉求主要是做好管理，实现标准化，保证数据安全，数据战略是服务于企业信息化战略的。
在数据业务化阶段，企业要从业务的视角出发，从用户出发，从价值出发，挖掘甚至设计数据应用的业务场景，才能制定出符合业务战略、能够产生价值的数据战略。同时，梳理数据资产，将数据资产计入企业资产负债表。
通过构建数据中台，在对数据进行管理与实时分析的基础上，通过人工智能技术进行数据建模，形成可以指导业务优化的算法模型，然后采用API等方式，直接将算法模型部署、集成到业务应用中，驱动业务系统的运行。
企业可以基于当前的发展阶段及数字化水平，进行业务数据化及数据业务化的建设。最终，通过数据业务化，更好地利用数据创造价值，发挥数据作为生产要素的作用，实现企业的提质增效，甚至创造新的商业模式，应该是传统企业创新发展的重要策略，也是企业数字化转型与建设新质生产力的最优路径。
