大家好，2017年我有幸成為CDA持證人，就此開啟了自己數據人轉型之路,一路學思維、學技術，并成為了我們公司數字化轉型的推行負責人，以下是這幾年工作中的一些思考。供同行參考，指正！

關于數字化轉型的思考

思考一：企業為什么要數字化轉型

先說結論：企業數字化轉型是一個運用技術和數據對企業業務持續優化的過程，這是所有企業提升效率的必由之路。

然而很多企業并未搞懂數字化轉型是干什么，就大張旗鼓的搞起數字化，以下誤區對比您的公司看看有沒有：

誤區1 談數字化，必談技術

云、大數據、人工智能等。而往往許多公司就是被這些高大上概念嚇退的。

簡單點說，

• 云技術：就是把你服務器放在了三方背書的地方，使得大家遠程合作更加方便；
• 大數據：就是通過無數的終端設備收集了無數的看似無用的數據，并在云端存儲著；
• 人工智能：就是從大數據里找到規律，或驗證人的猜想的算法，就這么簡單。

舉個例子：

每個企業都在做的各種滿意度調查，傳統的做法是，列問題，發問卷，抽樣統計，出結論。至多就是通過問卷星等等從網絡進行填報，本質是一樣的。得出的結論往往是片面的，比如問您對食堂的飯菜滿意嗎？對您的領導打幾分？您計劃在本公司工作多少年？放心，我預測基本都是滿意，滿分，終身。但這是實際答案么。尤其是受訪者身份會暴露的情況下，通過問卷調查的方式是不可能得到正確答案的。

那么數字化是怎么做的呢：

公司有員工每天的用餐刷卡記錄，也有每天的人員出勤記錄，將吃飯人數除以出勤人數得到一個比值，這個比值越高就說明食堂的滿意度越高。這是一個極其簡化的例子，但已經包含了數字化轉型的大部分內容。

這個例子中，食堂吃飯記錄，考勤記錄各自都是一個數據孤島，當他們可以在一定范圍內整合，那就是云的概念了，云其實就是打破了物理界限的存儲。單獨一條用餐記錄，出勤記錄是沒有任何意義的，但大量的數據是必有規可循的，這就是大數據。通過數據計算出指標，就是人工智能，就是算法。解決簡單的問題需要簡單的算法，比如上例中的除法運算。解決復雜的問題需要復雜的算法，也就是人工智能，比如AlphaGo用到的神經網絡算法。

所以我說，數字化是一種思維，而并非技術。轉型的成敗在于企業中的大多數人是否具有這種思維。

誤區2 數字化是IT部門的事

數字化是幫助業務部門用技術手段構建新型的作戰平臺，是發自各業務內心的，打通各業務板塊，解決各業務問題的。

我經常用上帝視角來形容數字化轉型，站在云端，伸手可及的數據，加工成需要的業務指標。

我有一個朋友需要總體掌握工廠的廢品情況，而不單單是廢品率。其實就是希望能自動化生成一張圖表并進行預警。這張表需要的數據來源于公司各個部門，生產數據，出入庫數據，發貨數據，定額數據，廢品數據，采購數據，財務數據等等。公司規定廢品單件的損失需要質保領導，財務領導簽字審批后，才能將數據給業務人員。最終的結果就是，及時的預警變成了月報表材料?？?，部門的壁壘加上看似合理的制度成了推行數字化轉型的壁壘。

所以我說，數字化轉型還真是非企業一把手推行不了的。

誤區3 炒概念，忽略數字化要問題驅動

有一句話叫“任何偉大的產品都來自一個偉大的問題”?，F在企業在談數字化的時候，往往忽略了要解決的問題，談的都是別人家的概念。

我見過一個企業的老板，說要對自己的小公司進行數字化改造，買了ERP對資源進行管理，買了大屏給員工展示項目進度。一年后，系統荒廢，因為整個采購過程是老板娘一手主辦，除了入庫沒有什么需要協作的工作。大屏成了播放企業宣傳片的工具，還得配一個人專門去維護項目進度耗時耗力。試問，公司數據化轉型到底是為了解決什么問題？

數字化轉型，不是簡單的引進新技術，新設備就能完成的。目標多少年數字化轉型成功的，絕對傻子，保證多少年數字化轉型成功的，無疑是騙子。

我的觀點，數字化的終極目標就是解決固定的問題。

數字化帶來的效率提升，可以讓效率真正成為企業競爭力的核心，將成為企業的護城河。

所以企業為什么要進行數字化轉型？因為這是提升效率的必由之路，成敗的關鍵在于業務問題和人，最終目的是使公司的產品、流程更簡單、更愉悅、更快捷、體驗更好。

“路非自行不知遠，事非親歷不知難”

企業數字化轉型，必須是因人而異，每個企業的轉型過程是不一樣的，轉型的結果必然也不一樣。

思考二：數字化轉型的目標,基礎,過程

下面來談談數字化轉型的目標,或者說數字化轉型后組織會成為一個什么樣的狀態？

在復仇者聯盟中有這樣一段場景,蟻人縮小后通過縫隙進入鋼鐵俠戰甲,戰甲檢測到異物侵入,進入預警狀態,當蟻人徒手撕扯一根電線時,系統自動判定蟻人具體位置,并自動啟動沖洗裝置,將蟻人從戰甲中沖洗了出去。

其實，在我認為，數字化轉型成功的企業和鋼鐵俠的戰甲一樣，是一個數字化的“智能體”。

組成這個智能體的每一個細胞都有相關聯的數據鏈接，能即時感知并調用，也就是全量全要素的連接和實時反饋。

最終進化成這樣一個“智能體”，可以說是每一家企業數字化轉型的終極目標。要完成這個終極目標，道路極其曲折和漫長，但做所有事情的基礎就是—全量全要素的連接和實時反饋。

怎樣進行全量全要素的連結呢，接下來我要給你介紹一個所有企業都適用的模型，不管你是制造型企業，還是服務型企業，都可以參照這個模型來做全量全要素的連接。

就拿造車舉例:

如果需要你來設計采集的數據，你會選擇哪些維度呢？

一般都是以下數據，排量、功率、扭矩、馬力、軸距等等，這些數據僅僅只是一個環節的局部數據。

我認為，這些數據遠遠不夠，你必須要從這個產品的設計、制造、銷售、后期服務一整個流程上去完成全量全要素的采集和連接。

比如汽車的、顏色、輪轂尺寸、理論速度、理論油耗、內飾顏色等性能參數，這些都是在設計環節的數據。

汽車是在哪個廠，哪條產線上生產的，核心零部件是哪里生產的，流程的操作員是誰，檢查員是誰，組裝時具體用了哪些物料，這些物料的屬性有哪些，這是制造過程產生的數據。

車被誰買了，買家的年齡，性別，職業，首次買車or換車，貸款or全款等等，銷售員數據，銷售員銷售過程怎樣，這是銷售過程數據。

買家維修記錄，故障數據，對車的內外飾改裝記錄，甚至開車習慣記錄，這是汽車后期服務記錄。

關于業務對象的采集和連接，有一個概念叫“數字孿生”，我以前稱為“數字鏡像”，這不是個新概念，喜歡編程的同學都知道“面向對象編程”，就是將實際的業務對象抽象成系統中的一個虛擬對象，也就是在數字世界里建一個一模一樣的模型。有了這個虛擬體，現實世界里很難做的事，你就切換到數字世界里去看它的虛擬體。所以所謂的全連接全采集的過程，就是根據采集現實世界的數據，生成一個數字平行世界，通過數字平行世界得到的經驗來指導真實世界，再次收集真實世界的真實情況，再次優化數字平行世界，如此循環。筆者在傳統制造業供職多年，制造業的持續改進理念和這個非常類似。所以說，數字化轉型并不是什么高大上的東西，只是使用的工具不同而已。

舉個例子，數字化時代可能出現這樣的場景，比如一汽造車，可以一輛樣車都不生產就直接生產商用汽車，因為有數字化的手段去完成所有的測試、仿真，碰撞試驗等，把復雜度極高的汽車直接還原出來。

這就是對業務對象進行數據采集的標準：把全量全要素的數據都采集和連接好了之后，要看這些數據是不是能夠還原業務對象的全貌，是不是真的擁有了一個數字孿生兄弟。

當然，完全還原對象全貌是理論上的，現實中只會越來越接近，不會等于。但好在，現在信息的存儲成本是極低的（此處主要指可用于分析的結構化數據），一個excel表都能存100多萬行呢，不用為了取舍是否該保存某項信息而焦慮，垃圾信息里可能隱藏著誘人的寶藏，就好比一個人說紅旗車好，你可以忽略，認為這就是情懷驅使，但一群人說紅旗車好，那你就應該考慮這車是不是真有點意思了。

接下來,當數據全量全要素的連接后，怎么樣確保系統做到了實時反饋？

答案也很簡單，你可以看這套系統是否具備了7項職能：預測、預警、監控、協同、調度、決策和指揮。

還拿生產汽車來說，通過連接渠道、用戶、廣告投放量等這些維度的數據，就可以綜合預測出新車第一批的產量，這是預測職能。

數量定了，就進入排產制造環節，現在因為工廠里所有的產線都是智能化生產線，不太需要人工干預，但是也會監控，比如監控產線的投料情況、運行情況等等，這是監控職能。

這些數據收集過來之后就可以用于風險預警，比如掃描物毛坯碼，發現型號錯了，產線會自行判斷裝配關系不成立，給生產人員發預警信息，提醒需要人工干預，這是預警職能。

接下來，產品的制造信息也會和供應、物流協同起來。在成品數量滿足一定量時自動調配物流車，生產完就直接裝車運輸，節省了存儲環節。在這個過程里，協同、調度、決策、指揮幾個維度的職能都有體現。

將汽車生產的原料方、供應商、總裝廠，銷售等等全量全要素連進來了，也建起實時反饋系統了，最終會實現什么樣的效果？

假設汽車在使用過程中發現任何一個元器件有問題，此元器件在連續工作20小時以上會有較大自燃風險，我們就可以及時查詢到同批次的原件都安裝到哪些車里，現在車在哪些環節里，有多少已經銷售給用戶，調取用戶的使用數據，針對不同用戶對車的使用習慣給定特定的處置方案，例如：對頻繁使用的車輛可以采取專人上門服務，對不頻繁使用的車輛可以用優惠券的形式引導顧客提前來4S店保養時維修等。從而將損失降到最低。甚至可以反向追溯元器件的問題，出問題的元器件是哪個供應商，原材料是什么，同樣的原材料是否影響到其他的元件。

這是一些優秀的汽車企業正在做的一些事。

可想而知，大多數企業離“智能體”還差的很遠，但值得強調一點，任何想做或者要做數字化轉型的企業，都要把“智能體”當做自己的終極目標。如果沒有這個愿景，那么企業就很容易成為坐在數據的金山上喊窮的富人。其實很多企業都擁有大量豐富的數據，或有意識也有財力去采集大量數據，但恰恰缺少通過有效的數據治理來形成數字化“智能體”的能力，采集數據絕大部分是技術活，可以通過花錢請人搞定的，但數據治理能力很難外委，因為同時具備業務能力和IT思維的人不多。絕大多數公司都將數字化轉型當成了項目，最終做成了一個能顯示幾個主要指標的大屏幕，做成了面子工程。

下面舉再舉個例子，說明這個“智能體”是一步一步進化而來的。

案例：

社區中的孤寡老人的管理

level 1，社區人員定期拜訪，但人手不足，成本高，真發生意外發現時間過晚

level 2，客廳里安裝監控，社區人員抽查監控，但涉及老人隱私問題，推行較難

level 3，為住戶安裝智能水表,當每日的用水量小于一定值時,自動發出報警,提醒社區人員干預檢查。效率大大提高，但當老人外出后，用水量小，電話沒人接，社區服務人員無法判斷，撬門還是不撬門

level 4，連接電梯的視頻數據判斷老人是否外出

level 5，持續改進

你看，所謂的全量全要素的連接也只是一種理想狀態，現實中無法在設計時就考慮到所有的要素數據連接，而是在實際場景中，一步一步卷入了更多的設備和人，持續改進。

所謂數字化轉型只有起點，沒有終點，正是這個意思。

思考三：數字化與信息化的關系

了解了數字化轉型的目標后,我們來探討下轉型的過程,其實也很簡單,就是瞄準業務行動。

說起數字化轉型，必須得提信息化，這也是很多人問我的問題，那么信息化和數字化有什么區別呢，我試著解釋下！

在信息化以前，信息的載體主要是紙張，決策者要想全面了解信息，又沒有全量處理信息的能力，所以只好通過科層制組織架構，層層匯總數據、層層上報信息，這樣信息極易衰減、失真、甚至篡改。

信息化，通過網絡傳輸數據、數據庫存儲和處理數據，決策者就能全面快捷掌握業務信息，有利于快速采取對策，所以信息化的指向是決策。但是，這樣的信息化實質是把原來紙質載體上的內容信息，變成網絡能跑的數據、文字、圖片、影像等數字形式信息，業務流程本質并沒有根本性變化。

數字化，是“萬物數化、萬物互聯”，是卷入流程鏈條上所有人、物、事，極大提升效率、優化體驗。數字化的終點是直接行動。

以下這個簡單的標準來判定您公司處于哪個階段，您可以對號入座：

如果數據的采集大量來源于手工的謄抄,然后匯總到專人處理,這個專人的Excel功力深厚,公司的匯報形式以PPT為主,實行層層上報制,定時匯報制,這屬于前信息化。

如果數據的采集大部分來源于自動采集或底層人員的業務流水,通過平臺系統數據清洗,建模,以業務駕駛艙模式指導決策,能即時發現并處理問題,屬于信息化。

如果數據的采集大部分來源于自動采集或底層人員的業務流水,打通各環節數據,依據算法,達到提醒、預警、建議、自動行動，是數字化。

因此，我們要對數字化轉型建立的第一個新的認知是：

“數字化不是信息化，數字化是直接行動?！?/span>

你可以想象這樣一個場景，交通管理中心的大屏幕，上面有N多的屏幕攝像頭循環監控著各個交通路口，屏幕前方是幾十至上百人的辦公卡位，當某個路口車流增大，辦公人員就會電話通知交警前往指揮交通，這是信息化的解決方案。

那么數字化是怎樣的呢？當攝像頭檢測到東西向車流變大時，便自動調整路口紅綠燈時長，讓東西方向綠燈長一些，然后再將路況信息上傳至交管中心云服務器，并被導航地圖軟件調用，反饋至每一個用戶APP，提示繞行。同時設置當擁堵達到一定程度時報警提醒交警是否實地介入，這就是數字化的方案。

所以，信息化不是數字化，數字化是直接行動。

再舉個一般公司都會遇到的場景，每個公司都有大量的采購業務，一般ERP的對應流程是人提采購申請，人審批，人下訂單，人維護入庫，人維護出庫，全程留痕，這是信息化的解決方案。數字化的方案呢，從客戶訂單開始，整合產品庫存、在制品量、現生產量、產品定額、物料庫存、物料訂單、到貨期、物料入庫、物料出庫數據，自動給合作供應商發送一條信息，“請貴公司于2021年6月22日將液體樹脂膠HQ300（物料編碼HT25487）送達XX公司，結算價格按照上次價格XX元結算?！?

所以，信息化提供的是一大堆的信息，指向決策，而數字化指導行動，甚至直接行動。

我們需要建立的第二個新的認知是：

“數字化的過程將卷入所有的業務流程，只要開始就不會結束”

什么是業務流程，是為達到特定的價值目標而由不同的人分別共同完成的一系列活動。簡單說就是“人用工具干事”。

因此，卷入流程實際就是卷入更多的人及更多的物。

卷入更多的人。

數字化的本質是從信息采集到智能化的行動，數字化系統不只是決策者能用，而是產業鏈上的所有人都能用。

再回到我們前面提到的城市交通管理的案例。

那塊布滿整面墻的大屏，只是為少數決策者服務的，也就是交管中心警察的決策工具。

數字化轉型后，我們開發出了新的地圖導航系統，這個系統可以讓每一個使用城市道路的人用，無論是司機還是上班的普通市民，每個人都可以利用地圖App進行導航。

再舉個簡單的例子：

我公司過去產品出廠后基本失控，甚至連數都統計不準。后來自研了一套簡單的物流系統，出廠后以整箱二維碼為唯一標識，每一個業務環節都是掃碼確認，對出廠后的物流各個環節的數量算是統計準確了。

后來因客戶發現質量問題，需要增加一個功能，就是當客戶處發現某一件產品有問題時，可以對產品實施精準追溯，外服人員可以對同屬性的產品（比如同一時間段，同一模具號等）進行一鍵封存，封存的物資沒有辦法流入下一環節。因此增加了產品激光打碼功能，裝箱時自動記錄箱碼和產品碼匹配記錄。

再后來，由于質量部門并不負責組織發貨，發生質量問題導致倉儲部門臨時組織配貨，抱怨嚴重。因此需要根據客戶的收貨情況，外部質量情況來修正發貨計劃。這樣，系統中又加入了發貨計劃提醒功能。

再后來，發貨計劃的修改，又導致了生產計劃的變動，便加入了生產計劃提醒功能。

接著，由于生產計劃的變動，導致了采購部門的抱怨，一環一環，最后對接了公司內部物料采購系統。直接修改了物料的采購申請計劃。

看看，原本只是為了掌握出廠后的產品數量而設計的流程系統，但卻逐步卷入了客戶，外服，質保，倉儲，生產，采購等各個環節，無一幸免。

數字化轉型對企業就是這樣，它并不只是讓一家公司的CEO用，或者只讓一個生產車間的負責人來用，或者是讓一些專業人士來用的，而是企業內部生產線上的每一個人，上下游供應鏈上的每一個人，都可以利用這個系統，來給自己的業務提供決策參考。也就是說，產業鏈上的所有人都被卷進了數字化系統里了。

卷入更多的設備

數字化在應用層不僅卷入越來越多的人，還要把越來越多的設備也卷入進來。也就是萬物互聯。

我們還是回到一開始說的城市交通管理的例子，一開始只是警察通過監控信息大屏來監控交通擁堵，再往下一步就是手機導航應用，每一個人都成為了決策和應用的主體。但這些就是數字化的最終結果了么？當然不是，如果把城市交通的全價值鏈打通，未來就應該和路上跑的每一臺汽車聯通，不用導航，汽車直接就能把我送到我想去的目的地，這也就是自動駕駛。這是最終結果了么？當然不是，必然自動駕駛會卷入了你的智能穿戴設備，智能家居設備，而給你更好更優的體驗。

所以，數字化是一個軟硬件設備不斷被卷入的過程。在智慧交通的場景里，數字化先是卷入了基礎的道路交通系統，然后再變成手機上的應用，再往前一層就要卷入汽車和硬件廠家，數字化也在這個過程中得到深化，并且一步一步將所有設備卷入其中。

思考四：數字化轉型必須一把手親自干

其實我認為最難最難的，數字化轉型成敗的關鍵，那就是一把手的作用。

《華為數據之道》一書中總結數字化轉型過程中，有三張圖只存在一把手的腦袋里，別人沒法替代。大家可以在網上搜一搜。

簡述一下文中的內容：

文章闡述為什么數字化必須由一把手推進，因為有些東西只能跳出來，站在中立的角度來看待，才能知道什么是對組織真正帶來價值的內容。這個角色，誰都不行，只能是一把手。

文中提到三張圖：

第一，用戶價值圖，這是對外，要理解你的用戶；不同的部門，對用戶價值的理解角度不一樣，生產部門覺得是低價，質保部門部覺得是服務，但是怎么可以兼顧價格和價值，需要一把手來衡量做取舍。

第二，業務演進圖，這是對內，要理解你的業務方向；人都是利己的，誰都想要為自己和自己的部門爭取更多的資源和權限，資源和權限的爭奪就是零和游戲。怎么平衡，并且推進業務展，需要一把手來拍板。

第三，架構生長圖，這是對未來，要理解企業終將變成什么樣？這其實跟企業的愿景相關，很多短期目標和長期目標是不匹配的，但是短期目標達不到就關乎生死又怎么辦？誰能有這個魄力說一定要這樣干，哪怕做出很大的犧牲。

文章其實是在說人性，用戶價值，業務方向，架構生長，這并不是多么玄乎的事，但是因為人有了不同的組織身份就有了不同的訴求。怎么跳出人性的自私和惰性，怎么延遲滿足，怎么從一而終，對任何一個人，真的都是一個挑戰。

這篇文章真的很精煉，那我只是補充下我的一點拙見。

拙見一、完全認同數字化轉型“一把手必須親自干”

扎克伯格說“80%的企業文化由創始人決定”，文化是一把手塑造的，而且是需要長期經營的。這里有兩個關鍵詞，一把手塑造，長期經營。

數字化轉型成敗，首要轉文化。因為只有分享和樂于奉獻的企業氛圍才是數字化生長的優良土壤。

我們已經知道，轉型的基礎就是數據的打通，而傳統企業大多數的組織機構都是職能部樹狀結構，猶如一根根高聳的煙囪一樣，屁股決定腦袋，這是人性。拋開技術能力不說，每個部門也基本都是各自為戰的，每個團隊都只關注自己領域的事，能力無法沉淀及互通。

企業與企業之間的壁壘更是如此，如果數據沒有充分地共享，那業務流上就有一個個斷點。那么及時響應，快速迭代啊，都因為這些斷點沒法實現。數據不能有效地流動和共享，就不能發揮數字化的價值。

數字化轉型必須轉文化，轉的就是這種各自為戰、不開放共享的文化。

但人性本就是自私的，共享這個事是反人性的，因此我們的所有手段都應該瞄準人性，促使員工自發的去分享。提升的是企業知識管理的能力。

拙見二、企業的知識管理是一個大事

其實很多公司現在也有了知識管理的平臺，但大多都存儲各種標準，總結，紀要，文檔等等，留存的都是高度濃縮的結論，這個應該叫應知應會比較合適。而關于知識，知識本身只是知識的一半，還有一半，是它當時解決的那個問題。知識的管理一定要瞄準,什么時間發生了什么事，為什么這么做,也就是重現員工的思考過程，這個以論壇帖的形式應該是不錯的選擇。

有一個經典的案例：

電腦鍵盤，天天都用，但是你想過沒有，鍵盤上的那些字母，為什么是QWERTY，亂排一氣，而不是ABCDEF？而且所有的鍵盤都是這樣排列的。

答案是，1.科學家經過研究設計的符合“人體工程學”的排布；2：錯亂的排序可以降低打字速度，從而適應早期電腦較差的性能。你會認為哪個呢？

其實兩個都不對，真實的情況是，老式打字機的主體部分是一個鍵盤（上圖），然后每個字母鍵的下面連一個桿兒。一按這個鍵，就驅動一根小棍上彈，打到前面的紙上。發明鍵盤的是一個美國人，叫肖爾斯。他一開始設計的鍵盤就是按ABCDE排的，但很快發現一個問題，就是如果相鄰兩個鍵幾乎同時按下去，會有相鄰兩個棍彈出去，它們很容易卡在一起，這就麻煩了。所以肖爾斯就把英語中經常用到的那些字母，在鍵盤上分開了，分成了我們現在用的QWERTY布局。就這么簡單。

后來技術改進了，不存在卡一起的問題了，但是鍵盤本身的排列卻定下來了。

你看解決方案留下來了，但是它解決的那個問題卻被遺忘了。

那么華為是如何將知識原汁原味的傳承下來的呢？

10年前的華為，大都也是單兵、精兵，能力在個人身上，沒法沉淀。留下的也大多都是標準操作等等。

華為通過近10年時間建立起來了類似微博論壇的全球知識分享平臺。平臺上的方案，成果，經驗以及遇到的坑都有對應的版權，有人評論、有人點贊，就會得到相應的分數，分數高的公司會給予你榮譽和獎勵。這套評價體系里有一個挺巧妙的心思在里面，衡量開放共享的方式，用的是別人調用了你多少次，而不是你分享了多少東西。細品！反正阿里巴巴也效仿了這種做法。這樣經驗豐富的專家通過數字化的方式，把個人能力沉淀并分享出來，成為公司整體的能力。也幫公司形成了共享的氛圍，原先誰有一個好東西都得藏著掖著，現在有一個好東西，恨不得立刻分享出來，昭告全球。

其實這還只是傳統知識管理升級版，因為有很多隱性知識不能用文字準確表述和轉載，任正非說過“公司最大的浪費就是經驗的浪費”，華為怎么做的，華為還為員工共享了一份精準的“知識地圖”。沿著這份地圖，每個人都能找到對的人，同樣可以很好地學習、解決問題。

最后，知識在華為，要么沉淀在了平臺上，要么沉淀在了一群華為人中。

嗚呼哀哉

筆者供職國有企業，對國企數字化轉型還是有挺大的疑慮或遺憾。國有企業任何重點工作都是一把手掛帥，雖是一把手掛帥，但是否真的是“一把手親自干”呢？這是一個未知的問題。我看到的無外乎成立領導小組，工作小組，但真在干的時候是沒見過領導的面的。因此也無從知曉一把手心中是否有文章中提到的“三張圖”。畢竟，作為國有企業的一把手，也只是在企業中打一份“高級工”而已，任期績效就像達摩利斯劍一樣懸于頭頂，短期目標無法達成就可能面臨換人的風險，又談何犧牲自己達到長期目標的實現。因此，可能在大多數的國企，即使一把手心中真有這三張圖，但與現實的沖突也是必然的，因為這三張圖都是針對公司未來的長期發展。更何況，絕大多數的一把手根本不具備這樣的素質。因此也只有對企業長期目標抱有堅定不移的信念，并無畏投入的一把手才能帶領企業走向生存。

按照這個思路，民營企業且創始人思想融入企業愿景中的企業才有可能成功，而國有企業幾乎是無法成功的?？梢哉f99%的企業都不會成功。而數字化轉型是企業發展的必由之路，由于馬太效應，未來極有可能在各行各業只有頭部的幾家龍頭公司能夠生存。

悲兮痛兮

以上便是我對數字化轉型的一些思考。盡管最后得出的結論是數字化轉型幾乎99%的企業是無法成功的，但企業員工具備數字化的思維和一些相關的技能，對企業的效率提升還是十分巨大的。

那么接下來我們來談一些實戰行動及技術方面的問題。

數字化轉型行動指南

優化組織機構：

1.成立業務技術一體化的組織。就是把技術能力建在業務上，為業務部門配備技術人員，使其成為具體業務部門的一部分，形成一種長期固定的組織形式。因為人在哪兒，能力就在哪兒。職能部組織和項目型組織之所以沒辦法在數字化轉型中發揮作用，就是因為忽略了這一點：能力是長在人身上的。而業務技術一體化的組織是目前華為探索10多年后，形成的最好的一種組織方式。這種組織模式下，能力不是封閉固化的，而是在不斷生長的。

職能部組織和項目型組織的缺點可以自行度娘。

2.成立公司級的數據管理部門。由各個領域的專家組成，發布企業數據管理總綱，編制數據質量管理政策和數據源管理政策，定期專門對數據架構進行評審，確定數據所有權，確定數據互通的規范等。

數據是資產，數據是資產，如果沒有這樣一個組織，那資產連個管理部門都沒有，好意思說數據是資產嗎？

這個組織承擔的最大的職責就是建立架構，組織數據高效互通，沒想明白前絕不能貿然上各種系統，寧愿慢一點，否則就是需要花好幾倍的精力去清理數據。

管理數據質量：

1.元數據管理：元數據就是用來描述數據的數據，這個十分重要，比如生產班次數據，定義為B、C、A，分別代表白班、夜班、三班，這才使得BCA有了意義，而一旦定義好后，存儲C就代表夜班，不能再隨便更改，不能是C班，也不能是二班。這必須由對應的業務部門承擔管理責任，而大多數企業都不重視這個。重申，這個非常非常重要！

2.“一數一源，用而不存”：標準化數據是不同業務流程間相互交流的業務語言，對一個數據定義完成后，其他系統的調用只能從這個數據的源頭調用。這個非常非常重要。實際上在絕大多數公司，明面上是數據源由單一部門管理，而存儲時轉手部門過多，實際調用時數據的真實性和準確性根本無法保證。舉個例子，本公司產品二維碼編碼規則末尾兩位代表產品模具號（元數據概念），有一張對照表存于開發部門數據庫中，其中45代表B產品12號模具。生產部門調用時將45這個數解讀成B產品12號模具，存儲在生產數據庫中。這樣，45就可能誤解成12。中間經過轉儲的過程越多，數據的丟失和改變也就越多，最終使得不同業務部門之間對同一對象的描述不一致。

3.數據類型：主要就是文本、數字、日期等類型，按照業務類型設置，該是什么類型就選擇什么類型，很多企業不重視數據類型的管理，基本都是文本類型，舉個例子，將日期存儲為文本類型，導致數據庫里存儲了大量的不是日期的日期（比如2021-01-35），后期在數據聚合分析時，經常報錯。

4.ER模型：也叫雪花模型，實體關系模型，提供了表示實體、屬性和聯系的方法，是描述現實世界概念結構模型的方法。實體對象之間的聯系方式通常為一對一，一對多，多對多等。這些概念十分重要且基礎，嚴格按照這種方法設計信息系統，會避免大量冗余。且ER模型是數據建模分析的基礎，在數據分析的各個環節都是必不可少的理論基礎。

5.主數據編碼：公司的核心實體對象一定要編碼，編碼規則可以由公司自行設計，只有編碼后的對象，才能成為數字世界里面現實對象的孿生對象。這個不難理解，人的身份證號就是人的實體對象編碼，在數字世界里身份證號代表人的唯一實體，并參與到數字世界的業務運行中，而不是人的姓名。

很多公司辛辛苦苦開發系統，創業未半而中道崩殂，大體就是以上對象管理不到位引起的。這也是我在工作中經常遇到，耗費大量時間去處理的事情，其實都是些臟活累活體力活，系統設計時若考慮足了以上問題，將為后期不斷拓展卷入更多流程提供方便。

數據治理能力并不是什么高大上的概念，只要企業具有良好的數據素質，不斷打磨適合企業的數據標準。就可以開發出適合自身的數字化系統。也就是說數據治理是個標準的管理問題。

學習數據工具：

以下內容主要針對企業業務提效，掌握的人越多對企業越有利。

數據采集

• 1.設備數據采集OPC，組態軟件InTouch、組態王等
• 2.網絡爬蟲

互聯網是當今世界最大的數據庫，如果學會爬蟲技術就可以在網絡里采集你需要的數據，并及時將數據保存至本地,參與到您公司的業務流程中。

常見的非編程爬蟲軟件有:八爪魚采集器、簡數采集器、后羿采集器等，基本都是拖拖拽拽就可以形成采數規則，非常友好，可以滿足80%的使用場景，進階需要學習一些HTML標簽，及Xpath定位技術。再升級就是用編程語言寫爬蟲了，推薦Python。

• 3.正則表達式：

Regular Expression，簡寫RE，是對字符串操作的一種邏輯公式，就是先定義好一些特定字符的組合，然后用這種組合代表的規則對字符串進行過濾的邏輯。主要用于對文本輸入的合規性檢測，在數據入庫前進行把關，從而使得入庫數據干凈整潔，滿足要求。比如“^d{n}$”用來限制只能輸入n位的數字。

數據存儲

• 1.主要就是關系型數據庫，個人使用一般用Access，免費的MySQL一般中小企業使用，大一點企業可以用Microsoft 的 SQLserver，不差錢的用甲骨文的Oracle。每個數據庫都自帶管理工具，可以針對您公司使用的數據庫進行學習，通用的數據庫管理工具Navicat比較流行。
• 2.非關系型數據庫，代表產品MongoDB，基于鍵值對方式存儲，聽說性能更優，沒用過。
• 3.文件存儲，FTP

這里主要需要學習的就是SQL語言了，99%的語法在各數據庫是通用的。如果業務人員掌握了簡單的SQL，那在后面提到自助分析時將如魚得水。

數據清洗

為了得到一份可供分析系統使用的質量良好的源數據，必須進行數據清洗（ETCL，
Extract-Transform-Clean-Load），此過程是將業務系統的數據經過抽取、轉換、清洗之后加載到數據倉庫的過程。ETCL是數據集成的第一步，也是構建數據倉庫最重要的步驟，目的是將企業中的分散、零亂、標準不統一的數據整合到一起，為下一步建模分析做好準備。

大多ETCL工具都集成在分析工具中，我理解ETCL其實是一種使不規則數據變為規則數據的方法，并非單指清洗工具。

比如數據庫里的視圖功能，你可以將表中數據通過各種函數加工成可供分析的數據形式。

在清洗過程中，如果能懂一些統計學基礎知識是極好的，比如平均值，標準差，中位數等等（CDAlevel1的主要內容哦），這些函數是個工具都自帶。有一次成都政府調查我們公司員工收入時就要求分類填寫中位數，可難壞了我們HR。

ETCL工具，個人使用推薦Excel的powerquery，在2016版本后直接集成在了Excel中，無需單獨安裝，重要性不言而喻。它可以從各種數據庫，文件中抽取數據，可視化的操作過程讓數據清洗變得十分簡單。

報表系統

個人使用，推薦Excel power pivot，2013以后版本的Excel直接集成了此插件，用DAX表達式（和Excel函數幾乎一模一樣）進行簡單的數據清洗，拖拖拽拽就完成了數據建模，最終以數據透視表的形式進行OLAP多維分析。Excel基礎還可以的同學學習這個毫無壓力。(CDAlevel1換證考試的最后兩個大題就是寫DAX表達式)

團隊使用，推薦Finereport，低代碼編程，完全可以定制設計一整套企業解決方案。設計界面類似Excel（函數基本和Excel函數一樣），如果你的Excel功力還可以，SQL功力十分強悍的話，學這個也毫無壓力。

自助分析系統（BI）

又稱敏捷商業智能系統，讓業務人員可以自由在數據中探索的系統。

舉個例子，當業務人員需要分析廢品率與哪些因素有關系時，傳統的做法是先依據經驗或專業理論，猜想可能原因，比如溫度濕度，然后采集一段時間的數據，最后做成散點圖，求相關系數。而BI是怎么做的呢？你可以打開BI軟件，用SQL調取溫濕度數據，再調取廢品率數據，做成散點圖，自動求相關系數，聽起來差不多一樣，但如果你好奇心強，你可以將企業運行所有數據拿來和廢品率求相關性，比如拿材料的化學成分，機械性能數據，甚至是員工出勤率，食堂用餐人數，拖拖拽拽看和廢品率的相關關系。從而找到可能突破點。耗時幾分鐘而已，這在傳統的分析里是無法想象的。有些朋友可能已經聽出來了，我說的就是探索式分析。我認為BI就是為業務人員探索式分析而生的。

BI 常用工具

• 1.Tableau，目前全世界最好的商業智能軟件，市場占有率最高，但是去年也跟著漂亮國卡中國人脖子，導致中國高校2020年論文發表受挫，愛國之人果斷放棄（主要是收費太高）
• 2.powerBI，微軟出品，個人版免費，直接集成了Excel power query，不斷更新的各種圖表插件，是探索式分析神器，會Excel的話學習成本很低
• 3.永洪BI，國內市占率最高，僅次于Tableau，沒有使用過，不做評價
• 4.FineBI，盡管功能上不如國外那兩個，但是最懂中國人，操作非常方便，比如求同比環比，在power BI中需要寫公式，在Fine BI 中只需要點一下就OK了，而且對中國地圖支持相當友好。

BI，是未來的趨勢，我相信會越來越受到管理層的重視。

萬能工具Excel

在上述工具中已經多次提到了Excel，這是學習以上工具的基礎，因為：

• 1.Excel的表可以當作數據庫使用，每一張表就可以當作數據庫源表
• 2.Excel 獲取外部數據選項中點選來自Microsoft Query，可以直接用SQL來操作數據，就像數據庫管理工具
• 3.Excel power query是專業的數據清洗工具
• 4.Excel power pivot是專業的數據建模工具
• 5.power BI是專業的敏捷自助分析工具