数据×场景飞轮

解决什么问题

没有这个方法时，企业做AI的常见错误：

• 数据囤积：先大量收集数据，再想怎么用→数据有了但没价值
• 场景空转：有AI场景但没有数据回路→模型越用越差
• 飞轮不转：知道飞轮概念但不知道摩擦力在哪

这个方法帮你找到飞轮的启动点、识别摩擦力、设计加速策略。

核心框架

        ┌──────────┐
        │  核心场景  │ ← 起点：不是数据，是场景
        └────┬─────┘
             │ 产生
             ▼
        ┌──────────┐
        │   数 据   │ ← 场景自然产生的数据
        └────┬─────┘
             │ 训练
             ▼
        ┌──────────┐
        │  AI模型   │ ← 数据喂养的智能引擎
        └────┬─────┘
             │ 优化
             ▼
        ┌──────────┐
        │ 更好的场景 │ ← 模型提升场景体验
        └────┬─────┘
             │ 产生更好的数据
             └────────→ 回到顶部 🔄

飞轮启动逻辑：不是先有数据再有AI，而是先有场景→场景产生数据→数据驱动AI→AI优化场景。场景是起点，不是数据。

怎么用

Step 1：定义核心场景

选择飞轮启动的场景，三个条件：

• 数据丰富：场景中自然产生大量有价值数据
• 决策频繁：每天/每周都有高频决策需要AI辅助
• 反馈闭环：决策结果能被快速验证（对/错、好/坏）

Step 2：绘制数据回路

回答四个问题：

• 数据从哪来？（用户行为/业务操作/外部接入）
• 数据怎么存？（结构化标准、存储方式）
• 数据怎么流？（从场景到模型到反馈的完整路径）
• 数据怎么用？（模型训练、实时推理、效果评估）

Step 3：定义智能引擎

在哪个环节嵌入AI模型？

• 推荐引擎（给用户推什么）
• 预测引擎（会发生什么）
• 决策引擎（应该怎么做）
• 生成引擎（自动产出什么）

Step 4：识别摩擦力

飞轮转不起来一定有阻力：

Step 5：设计飞轮启动策略

飞轮冷启动需要外力——靠自然转动太慢：

• 人工标注种子数据
• 规则引擎先跑起来（不等AI模型完美）
• 找到"转速最快"的场景先突破

诊断分级

案例

场景：球球老师的对话数据飞轮

• 核心场景：儿童与AI的对话交互
• 数据产生：每段对话自然产生（对话内容、情绪信号、追问模式、停留时长）
• 模型训练：用对话数据训练"更好的提问策略"模型
• 场景优化：模型让对话更深、更准、更个性化
• 更好数据：更深入的对话产生更有价值的认知数据

摩擦力：目前最大摩擦是"数据没有结构化存储"——对话散落在各session里，没有统一管道。需要先把数据回路搭起来，飞轮才能真正转。

常见陷阱

1. 场景选错：选了数据少或反馈慢的场景，飞轮转不动。纠偏：三个条件（数据丰富、决策频繁、反馈闭环）缺一不可。
2. 只有数据没有飞轮：数据在积压但没有回流到场景。纠偏：画出完整的数据回路——如果回路不闭合就不是飞轮。
3. 冷启动依赖：等着飞轮自然转动。纠偏：飞轮初期需要外力——人工标注、规则引擎、种子用户。

方法关系

• 前置：ST16 智能密度评估（判断哪个场景最适合启动飞轮）、DC01 场景价值矩阵（筛选高价值场景）
• 后续：CG06 L2-L4跃迁诊断（飞轮转起来后需要人机协作成熟度匹配）、EV01 AARRR（飞轮效果用增长指标衡量）
• 并行：ST10 流程三阶进化论（飞轮加速的过程也是流程重构的过程）