大家好，年我有幸成为CDA持证人，就此开启了自己数据人转型之路,一路学思维、学技术，并成为了我们公司数字化转型的推行负责人，以下是这几年工作中的一些思考。供同行参考，指正！

关于数字化转型的思考

思考一：企业为什么要数字化转型

先说结论：企业数字化转型是一个运用技术和数据对企业业务持续优化的过程，这是所有企业提升效率的必由之路。

然而很多企业并未搞懂数字化转型是干什么，就大张旗鼓的搞起数字化，以下误区对比您的公司看看有没有：

误区1谈数字化，必谈技术

云、大数据、人工智能等。而往往许多公司就是被这些高大上概念吓退的。

简单点说，

云技术：就是把你服务器放在了三方背书的地方，使得大家远程合作更加方便；

大数据：就是通过无数的终端设备收集了无数的看似无用的数据，并在云端存储着；

人工智能：就是从大数据里找到规律，或验证人的猜想的算法，就这么简单。

举个例子：

每个企业都在做的各种满意度调查，传统的做法是，列问题，发问卷，抽样统计，出结论。至多就是通过问卷星等等从网络进行填报，本质是一样的。得出的结论往往是片面的，比如问您对食堂的饭菜满意吗？对您的领导打几分？您计划在本公司工作多少年？放心，我预测基本都是满意，满分，终身。但这是实际答案么。尤其是受访者身份会暴露的情况下，通过问卷调查的方式是不可能得到正确答案的。

那么数字化是怎么做的呢：

公司有员工每天的用餐刷卡记录，也有每天的人员出勤记录，将吃饭人数除以出勤人数得到一个比值，这个比值越高就说明食堂的满意度越高。这是一个极其简化的例子，但已经包含了数字化转型的大部分内容。

这个例子中，食堂吃饭记录，考勤记录各自都是一个数据孤岛，当他们可以在一定范围内整合，那就是云的概念了，云其实就是打破了物理界限的存储。单独一条用餐记录，出勤记录是没有任何意义的，但大量的数据是必有规可循的，这就是大数据。通过数据计算出指标，就是人工智能，就是算法。解决简单的问题需要简单的算法，比如上例中的除法运算。解决复杂的问题需要复杂的算法，也就是人工智能，比如AlphaGo用到的神经网络算法。

所以我说，数字化是一种思维，而并非技术。转型的成败在于企业中的大多数人是否具有这种思维。

误区2数字化是IT部门的事

数字化是帮助业务部门用技术手段构建新型的作战平台，是发自各业务内心的，打通各业务板块，解决各业务问题的。

我经常用上帝视角来形容数字化转型，站在云端，伸手可及的数据，加工成需要的业务指标。

我有一个朋友需要总体掌握工厂的废品情况，而不单单是废品率。其实就是希望能自动化生成一张图表并进行预警。这张表需要的数据来源于公司各个部门，生产数据，出入库数据，发货数据，定额数据，废品数据，采购数据，财务数据等等。公司规定废品单件的损失需要质保领导，财务领导签字审批后，才能将数据给业务人员。最终的结果就是，及时的预警变成了月报表材料。看，部门的壁垒加上看似合理的制度成了推行数字化转型的壁垒。

所以我说，数字化转型还真是非企业一把手推行不了的。

误区3炒概念，忽略数字化要问题驱动

有一句话叫“任何伟大的产品都来自一个伟大的问题”。现在企业在谈数字化的时候，往往忽略了要解决的问题，谈的都是别人家的概念。

我见过一个企业的老板，说要对自己的小公司进行数字化改造，买了ERP对资源进行管理，买了大屏给员工展示项目进度。一年后，系统荒废，因为整个采购过程是老板娘一手主办，除了入库没有什么需要协作的工作。大屏成了播放企业宣传片的工具，还得配一个人专门去维护项目进度耗时耗力。试问，公司数据化转型到底是为了解决什么问题？

数字化转型，不是简单的引进新技术，新设备就能完成的。目标多少年数字化转型成功的，绝对傻子，保证多少年数字化转型成功的，无疑是骗子。

我的观点，数字化的终极目标就是解决固定的问题。

数字化带来的效率提升，可以让效率真正成为企业竞争力的核心，将成为企业的护城河。

所以企业为什么要进行数字化转型？因为这是提升效率的必由之路，成败的关键在于业务问题和人，最终目的是使公司的产品、流程更简单、更愉悦、更快捷、体验更好。

“路非自行不知远，事非亲历不知难”

企业数字化转型，必须是因人而异，每个企业的转型过程是不一样的，转型的结果必然也不一样。

思考二：数字化转型的目标,基础,过程

下面来谈谈数字化转型的目标,或者说数字化转型后组织会成为一个什么样的状态？

在复仇者联盟中有这样一段场景,蚁人缩小后通过缝隙进入钢铁侠战甲,战甲检测到异物侵入,进入预警状态,当蚁人徒手撕扯一根电线时,系统自动判定蚁人具体位置,并自动启动冲洗装置,将蚁人从战甲中冲洗了出去。

其实，在我认为，数字化转型成功的企业和钢铁侠的战甲一样，是一个数字化的“智能体”。

组成这个智能体的每一个细胞都有相关联的数据链接，能即时感知并调用，也就是全量全要素的连接和实时反馈。

最终进化成这样一个“智能体”，可以说是每一家企业数字化转型的终极目标。要完成这个终极目标，道路极其曲折和漫长，但做所有事情的基础就是—全量全要素的连接和实时反馈。

怎样进行全量全要素的连结呢，接下来我要给你介绍一个所有企业都适用的模型，不管你是制造型企业，还是服务型企业，都可以参照这个模型来做全量全要素的连接。

就拿造车举例:

如果需要你来设计采集的数据，你会选择哪些维度呢？

一般都是以下数据，排量、功率、扭矩、马力、轴距等等，这些数据仅仅只是一个环节的局部数据。

我认为，这些数据远远不够，你必须要从这个产品的设计、制造、销售、后期服务一整个流程上去完成全量全要素的采集和连接。

比如汽车的、颜色、轮毂尺寸、理论速度、理论油耗、内饰颜色等性能参数，这些都是在设计环节的数据。

汽车是在哪个厂，哪条产线上生产的，核心零部件是哪里生产的，流程的操作员是谁，检查员是谁，组装时具体用了哪些物料，这些物料的属性有哪些，这是制造过程产生的数据。

车被谁买了，买家的年龄，性别，职业，首次买车or换车，贷款or全款等等，销售员数据，销售员销售过程怎样，这是销售过程数据。

买家维修记录，故障数据，对车的内外饰改装记录，甚至开车习惯记录，这是汽车后期服务记录。

关于业务对象的采集和连接，有一个概念叫“数字孪生”，我以前称为“数字镜像”，这不是个新概念，喜欢编程的同学都知道“面向对象编程”，就是将实际的业务对象抽象成系统中的一个虚拟对象，也就是在数字世界里建一个一模一样的模型。有了这个虚拟体，现实世界里很难做的事，你就切换到数字世界里去看它的虚拟体。所以所谓的全连接全采集的过程，就是根据采集现实世界的数据，生成一个数字平行世界，通过数字平行世界得到的经验来指导真实世界，再次收集真实世界的真实情况，再次优化数字平行世界，如此循环。笔者在传统制造业供职多年，制造业的持续改进理念和这个非常类似。所以说，数字化转型并不是什么高大上的东西，只是使用的工具不同而已。

举个例子，数字化时代可能出现这样的场景，比如一汽造车，可以一辆样车都不生产就直接生产商用汽车，因为有数字化的手段去完成所有的测试、仿真，碰撞试验等，把复杂度极高的汽车直接还原出来。

这就是对业务对象进行数据采集的标准：把全量全要素的数据都采集和连接好了之后，要看这些数据是不是能够还原业务对象的全貌，是不是真的拥有了一个数字孪生兄弟。

当然，完全还原对象全貌是理论上的，现实中只会越来越接近，不会等于。但好在，现在信息的存储成本是极低的（此处主要指可用于分析的结构化数据），一个excel表都能存多万行呢，不用为了取舍是否该保存某项信息而焦虑，垃圾信息里可能隐藏着诱人的宝藏，就好比一个人说红旗车好，你可以忽略，认为这就是情怀驱使，但一群人说红旗车好，那你就应该考虑这车是不是真有点意思了。

接下来,当数据全量全要素的连接后，怎么样确保系统做到了实时反馈？

答案也很简单，你可以看这套系统是否具备了7项职能：预测、预警、监控、协同、调度、决策和指挥。

还拿生产汽车来说，通过连接渠道、用户、广告投放量等这些维度的数据，就可以综合预测出新车第一批的产量，这是预测职能。

数量定了，就进入排产制造环节，现在因为工厂里所有的产线都是智能化生产线，不太需要人工干预，但是也会监控，比如监控产线的投料情况、运行情况等等，这是监控职能。

这些数据收集过来之后就可以用于风险预警，比如扫描物毛坯码，发现型号错了，产线会自行判断装配关系不成立，给生产人员发预警信息，提醒需要人工干预，这是预警职能。

接下来，产品的制造信息也会和供应、物流协同起来。在成品数量满足一定量时自动调配物流车，生产完就直接装车运输，节省了存储环节。在这个过程里，协同、调度、决策、指挥几个维度的职能都有体现。

将汽车生产的原料方、供应商、总装厂，销售等等全量全要素连进来了，也建起实时反馈系统了，最终会实现什么样的效果？

假设汽车在使用过程中发现任何一个元器件有问题，此元器件在连续工作20小时以上会有较大自燃风险，我们就可以及时查询到同批次的原件都安装到哪些车里，现在车在哪些环节里，有多少已经销售给用户，调取用户的使用数据，针对不同用户对车的使用习惯给定特定的处置方案，例如：对频繁使用的车辆可以采取专人上门服务，对不频繁使用的车辆可以用优惠券的形式引导顾客提前来4S店保养时维修等。从而将损失降到最低。甚至可以反向追溯元器件的问题，出问题的元器件是哪个供应商，原材料是什么，同样的原材料是否影响到其他的元件。

这是一些优秀的汽车企业正在做的一些事。

可想而知，大多数企业离“智能体”还差的很远，但值得强调一点，任何想做或者要做数字化转型的企业，都要把“智能体”当做自己的终极目标。如果没有这个愿景，那么企业就很容易成为坐在数据的金山上喊穷的富人。其实很多企业都拥有大量丰富的数据，或有意识也有财力去采集大量数据，但恰恰缺少通过有效的数据治理来形成数字化“智能体”的能力，采集数据绝大部分是技术活，可以通过花钱请人搞定的，但数据治理能力很难外委，因为同时具备业务能力和IT思维的人不多。绝大多数公司都将数字化转型当成了项目，最终做成了一个能显示几个主要指标的大屏幕，做成了面子工程。

下面举再举个例子，说明这个“智能体”是一步一步进化而来的。

案例：

社区中的孤寡老人的管理

level1，社区人员定期拜访，但人手不足，成本高，真发生意外发现时间过晚

level2，客厅里安装监控，社区人员抽查监控，但涉及老人隐私问题，推行较难

level3，为住户安装智能水表,当每日的用水量小于一定值时,自动发出报警,提醒社区人员干预检查。效率大大提高，但当老人外出后，用水量小，电话没人接，社区服务人员无法判断，撬门还是不撬门

level4，连接电梯的视频数据判断老人是否外出

level5，持续改进

你看，所谓的全量全要素的连接也只是一种理想状态，现实中无法在设计时就考虑到所有的要素数据连接，而是在实际场景中，一步一步卷入了更多的设备和人，持续改进。

所谓数字化转型只有起点，没有终点，正是这个意思。

思考三：数字化与信息化的关系

了解了数字化转型的目标后,我们来探讨下转型的过程,其实也很简单,就是瞄准业务行动。

说起数字化转型，必须得提信息化，这也是很多人问我的问题，那么信息化和数字化有什么区别呢，我试着解释下！

在信息化以前，信息的载体主要是纸张，决策者要想全面了解信息，又没有全量处理信息的能力，所以只好通过科层制组织架构，层层汇总数据、层层上报信息，这样信息极易衰减、失真、甚至篡改。

信息化，通过网络传输数据、数据库存储和处理数据，决策者就能全面快捷掌握业务信息，有利于快速采取对策，所以信息化的指向是决策。但是，这样的信息化实质是把原来纸质载体上的内容信息，变成网络能跑的数据、文字、图片、影像等数字形式信息，业务流程本质并没有根本性变化。

数字化，是“万物数化、万物互联”，是卷入流程链条上所有人、物、事，极大提升效率、优化体验。数字化的终点是直接行动。

以下这个简单的标准来判定您公司处于哪个阶段，您可以对号入座：

如果数据的采集大量来源于手工的誊抄,然后汇总到专人处理,这个专人的Excel功力深厚,公司的汇报形式以PPT为主,实行层层上报制,定时汇报制,这属于前信息化。

如果数据的采集大部分来源于自动采集或底层人员的业务流水,通过平台系统数据清洗,建模,以业务驾驶舱模式指导决策,能即时发现并处理问题,属于信息化。

如果数据的采集大部分来源于自动采集或底层人员的业务流水,打通各环节数据,依据算法,达到提醒、预警、建议、自动行动，是数字化。

因此，我们要对数字化转型建立的第一个新的认知是：

“数字化不是信息化，数字化是直接行动。”

你可以想象这样一个场景，交通管理中心的大屏幕，上面有N多的屏幕摄像头循环监控着各个交通路口，屏幕前方是几十至上百人的办公卡位，当某个路口车流增大，办公人员就会电话通知交警前往指挥交通，这是信息化的解决方案。

那么数字化是怎样的呢？当摄像头检测到东西向车流变大时，便自动调整路口红绿灯时长，让东西方向绿灯长一些，然后再将路况信息上传至交管中心云服务器，并被导航地图软件调用，反馈至每一个用户APP，提示绕行。同时设置当拥堵达到一定程度时报警提醒交警是否实地介入，这就是数字化的方案。

所以，信息化不是数字化，数字化是直接行动。

再举个一般公司都会遇到的场景，每个公司都有大量的采购业务，一般ERP的对应流程是人提采购申请，人审批，人下订单，人维护入库，人维护出库，全程留痕，这是信息化的解决方案。数字化的方案呢，从客户订单开始，整合产品库存、在制品量、现生产量、产品定额、物料库存、物料订单、到货期、物料入库、物料出库数据，自动给合作供应商发送一条信息，“请贵公司于年6月22日将液体树脂胶HQ（物料编码HT）送达XX公司，结算价格按照上次价格XX元结算。”

所以，信息化提供的是一大堆的信息，指向决策，而数字化指导行动，甚至直接行动。

我们需要建立的第二个新的认知是：

“数字化的过程将卷入所有的业务流程，只要开始就不会结束”

什么是业务流程，是为达到特定的价值目标而由不同的人分别共同完成的一系列活动。简单说就是“人用工具干事”。

因此，卷入流程实际就是卷入更多的人及更多的物。

卷入更多的人。

数字化的本质是从信息采集到智能化的行动，数字化系统不只是决策者能用，而是产业链上的所有人都能用。

再回到我们前面提到的城市交通管理的案例。

那块布满整面墙的大屏，只是为少数决策者服务的，也就是交管中心警察的决策工具。

数字化转型后，我们开发出了新的地图导航系统，这个系统可以让每一个使用城市道路的人用，无论是司机还是上班的普通市民，每个人都可以利用地图App进行导航。

再举个简单的例子：

我公司过去产品出厂后基本失控，甚至连数都统计不准。后来自研了一套简单的物流系统，出厂后以整箱

转载请注明:http://www.aideyishus.com/lkyy/1789.html