大家好，2017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100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

level 1，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

level 2，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

level 3，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

level 4，连接电梯的视频数据判断老人是否外出

level 5，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2021年6月22日将液体树脂胶HQ300（物料编码HT25487）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，出厂后以整箱二维码为唯一标识，每一个业务环节都是扫码确认，对出厂后的物流各个环节的数量算是统计准确了。

后来因客户发现质量问题，需要增加一个功能，就是当客户处发现某一件产品有问题时，可以对产品实施精准追溯，外服人员可以对同属性的产品（比如同一时间段，同一模具号等）进行一键封存，封存的物资没有办法流入下一环节。因此增加了产品激光打码功能，装箱时自动记录箱码和产品码匹配记录。

再后来，由于质量部门并不负责组织发货，发生质量问题导致仓储部门临时组织配货，抱怨严重。因此需要根据客户的收货情况，外部质量情况来修正发货计划。这样，系统中又加入了发货计划提醒功能。

再后来，发货计划的修改，又导致了生产计划的变动，便加入了生产计划提醒功能。

接着，由于生产计划的变动，导致了采购部门的抱怨，一环一环，最后对接了公司内部物料采购系统。直接修改了物料的采购申请计划。

看看，原本只是为了掌握出厂后的产品数量而设计的流程系统，但却逐步卷入了客户，外服，质保，仓储，生产，采购等各个环节，无一幸免。

数字化转型对企业就是这样，它并不只是让一家公司的CEO用，或者只让一个生产车间的负责人来用，或者是让一些专业人士来用的，而是企业内部生产线上的每一个人，上下游供应链上的每一个人，都可以利用这个系统，来给自己的业务提供决策参考。也就是说，产业链上的所有人都被卷进了数字化系统里了。

卷入更多的设备

数字化在应用层不仅卷入越来越多的人，还要把越来越多的设备也卷入进来。也就是万物互联。

我们还是回到一开始说的城市交通管理的例子，一开始只是警察通过监控信息大屏来监控交通拥堵，再往下一步就是手机导航应用，每一个人都成为了决策和应用的主体。但这些就是数字化的最终结果了么？当然不是，如果把城市交通的全价值链打通，未来就应该和路上跑的每一台汽车联通，不用导航，汽车直接就能把我送到我想去的目的地，这也就是自动驾驶。这是最终结果了么？当然不是，必然自动驾驶会卷入了你的智能穿戴设备，智能家居设备，而给你更好更优的体验。

所以，数字化是一个软硬件设备不断被卷入的过程。在智慧交通的场景里，数字化先是卷入了基础的道路交通系统，然后再变成手机上的应用，再往前一层就要卷入汽车和硬件厂家，数字化也在这个过程中得到深化，并且一步一步将所有设备卷入其中。

思考四：数字化转型必须一把手亲自干

其实我认为最难最难的，数字化转型成败的关键，那就是一把手的作用。

《华为数据之道》一书中总结数字化转型过程中，有三张图只存在一把手的脑袋里，别人没法替代。大家可以在网上搜一搜。

简述一下文中的内容：

文章阐述为什么数字化必须由一把手推进，因为有些东西只能跳出来，站在中立的角度来看待，才能知道什么是对组织真正带来价值的内容。这个角色，谁都不行，只能是一把手。

文中提到三张图：

第一，用户价值图，这是对外，要理解你的用户；不同的部门，对用户价值的理解角度不一样，生产部门觉得是低价，质保部门部觉得是服务，但是怎么可以兼顾价格和价值，需要一把手来衡量做取舍。

第二，业务演进图，这是对内，要理解你的业务方向；人都是利己的，谁都想要为自己和自己的部门争取更多的资源和权限，资源和权限的争夺就是零和游戏。怎么平衡，并且推进业务展，需要一把手来拍板。

第三，架构生长图，这是对未来，要理解企业终将变成什么样？这其实跟企业的愿景相关，很多短期目标和长期目标是不匹配的，但是短期目标达不到就关乎生死又怎么办？谁能有这个魄力说一定要这样干，哪怕做出很大的牺牲。

文章其实是在说人性，用户价值，业务方向，架构生长，这并不是多么玄乎的事，但是因为人有了不同的组织身份就有了不同的诉求。怎么跳出人性的自私和惰性，怎么延迟满足，怎么从一而终，对任何一个人，真的都是一个挑战。

这篇文章真的很精炼，那我只是补充下我的一点拙见。

拙见一、完全认同数字化转型“一把手必须亲自干”

扎克伯格说“80%的企业文化由创始人决定”，文化是一把手塑造的，而且是需要长期经营的。这里有两个关键词，一把手塑造，长期经营。

数字化转型成败，首要转文化。因为只有分享和乐于奉献的企业氛围才是数字化生长的优良土壤。

我们已经知道，转型的基础就是数据的打通，而传统企业大多数的组织机构都是职能部树状结构，犹如一根根高耸的烟囱一样，屁股决定脑袋，这是人性。抛开技术能力不说，每个部门也基本都是各自为战的，每个团队都只关注自己领域的事，能力无法沉淀及互通。

企业与企业之间的壁垒更是如此，如果数据没有充分地共享，那业务流上就有一个个断点。那么及时响应，快速迭代啊，都因为这些断点没法实现。数据不能有效地流动和共享，就不能发挥数字化的价值。

数字化转型必须转文化，转的就是这种各自为战、不开放共享的文化。

但人性本就是自私的，共享这个事是反人性的，因此我们的所有手段都应该瞄准人性，促使员工自发的去分享。提升的是企业知识管理的能力。

拙见二、企业的知识管理是一个大事

其实很多公司现在也有了知识管理的平台，但大多都存储各种标准，总结，纪要，文档等等，留存的都是高度浓缩的结论，这个应该叫应知应会比较合适。而关于知识，知识本身只是知识的一半，还有一半，是它当时解决的那个问题。知识的管理一定要瞄准,什么时间发生了什么事，为什么这么做,也就是重现员工的思考过程，这个以论坛帖的形式应该是不错的选择。

有一个经典的案例：

电脑键盘，天天都用，但是你想过没有，键盘上的那些字母，为什么是QWERTY，乱排一气，而不是ABCDEF？而且所有的键盘都是这样排列的。

答案是，1.科学家经过研究设计的符合“人体工程学”的排布；2：错乱的排序可以降低打字速度，从而适应早期电脑较差的性能。你会认为哪个呢？

其实两个都不对，真实的情况是，老式打字机的主体部分是一个键盘（上图），然后每个字母键的下面连一个杆儿。一按这个键，就驱动一根小棍上弹，打到前面的纸上。发明键盘的是一个美国人，叫肖尔斯。他一开始设计的键盘就是按ABCDE排的，但很快发现一个问题，就是如果相邻两个键几乎同时按下去，会有相邻两个棍弹出去，它们很容易卡在一起，这就麻烦了。所以肖尔斯就把英语中经常用到的那些字母，在键盘上分开了，分成了我们现在用的QWERTY布局。就这么简单。

后来技术改进了，不存在卡一起的问题了，但是键盘本身的排列却定下来了。

你看解决方案留下来了，但是它解决的那个问题却被遗忘了。

那么华为是如何将知识原汁原味的传承下来的呢？

10年前的华为，大都也是单兵、精兵，能力在个人身上，没法沉淀。留下的也大多都是标准操作等等。

华为通过近10年时间建立起来了类似微博论坛的全球知识分享平台。平台上的方案，成果，经验以及遇到的坑都有对应的版权，有人评论、有人点赞，就会得到相应的分数，分数高的公司会给予你荣誉和奖励。这套评价体系里有一个挺巧妙的心思在里面，衡量开放共享的方式，用的是别人调用了你多少次，而不是你分享了多少东西。细品！反正阿里巴巴也效仿了这种做法。这样经验丰富的专家通过数字化的方式，把个人能力沉淀并分享出来，成为公司整体的能力。也帮公司形成了共享的氛围，原先谁有一个好东西都得藏着掖着，现在有一个好东西，恨不得立刻分享出来，昭告全球。

其实这还只是传统知识管理升级版，因为有很多隐性知识不能用文字准确表述和转载，任正非说过“公司最大的浪费就是经验的浪费”，华为怎么做的，华为还为员工共享了一份精准的“知识地图”。沿着这份地图，每个人都能找到对的人，同样可以很好地学习、解决问题。

最后，知识在华为，要么沉淀在了平台上，要么沉淀在了一群华为人中。

呜呼哀哉

笔者供职国有企业，对国企数字化转型还是有挺大的疑虑或遗憾。国有企业任何重点工作都是一把手挂帅，虽是一把手挂帅，但是否真的是“一把手亲自干”呢？这是一个未知的问题。我看到的无外乎成立领导小组，工作小组，但真在干的时候是没见过领导的面的。因此也无从知晓一把手心中是否有文章中提到的“三张图”。毕竟，作为国有企业的一把手，也只是在企业中打一份“高级工”而已，任期绩效就像达摩利斯剑一样悬于头顶，短期目标无法达成就可能面临换人的风险，又谈何牺牲自己达到长期目标的实现。因此，可能在大多数的国企，即使一把手心中真有这三张图，但与现实的冲突也是必然的，因为这三张图都是针对公司未来的长期发展。更何况，绝大多数的一把手根本不具备这样的素质。因此也只有对企业长期目标抱有坚定不移的信念，并无畏投入的一把手才能带领企业走向生存。

按照这个思路，民营企业且创始人思想融入企业愿景中的企业才有可能成功，而国有企业几乎是无法成功的。可以说99%的企业都不会成功。而数字化转型是企业发展的必由之路，由于马太效应，未来极有可能在各行各业只有头部的几家龙头公司能够生存。

悲兮痛兮

以上便是我对数字化转型的一些思考。尽管最后得出的结论是数字化转型几乎99%的企业是无法成功的，但企业员工具备数字化的思维和一些相关的技能，对企业的效率提升还是十分巨大的。

那么接下来我们来谈一些实战行动及技术方面的问题。

数字化转型行动指南

优化组织机构：

1.成立业务技术一体化的组织。就是把技术能力建在业务上，为业务部门配备技术人员，使其成为具体业务部门的一部分，形成一种长期固定的组织形式。因为人在哪儿，能力就在哪儿。职能部组织和项目型组织之所以没办法在数字化转型中发挥作用，就是因为忽略了这一点：能力是长在人身上的。而业务技术一体化的组织是目前华为探索10多年后，形成的最好的一种组织方式。这种组织模式下，能力不是封闭固化的，而是在不断生长的。

职能部组织和项目型组织的缺点可以自行度娘。

2.成立公司级的数据管理部门。由各个领域的专家组成，发布企业数据管理总纲，编制数据质量管理政策和数据源管理政策，定期专门对数据架构进行评审，确定数据所有权，确定数据互通的规范等。

数据是资产，数据是资产，如果没有这样一个组织，那资产连个管理部门都没有，好意思说数据是资产吗？

这个组织承担的最大的职责就是建立架构，组织数据高效互通，没想明白前绝不能贸然上各种系统，宁愿慢一点，否则就是需要花好几倍的精力去清理数据。

管理数据质量：

1.元数据管理：元数据就是用来描述数据的数据，这个十分重要，比如生产班次数据，定义为B、C、A，分别代表白班、夜班、三班，这才使得BCA有了意义，而一旦定义好后，存储C就代表夜班，不能再随便更改，不能是C班，也不能是二班。这必须由对应的业务部门承担管理责任，而大多数企业都不重视这个。重申，这个非常非常重要！

2.“一数一源，用而不存”：标准化数据是不同业务流程间相互交流的业务语言，对一个数据定义完成后，其他系统的调用只能从这个数据的源头调用。这个非常非常重要。实际上在绝大多数公司，明面上是数据源由单一部门管理，而存储时转手部门过多，实际调用时数据的真实性和准确性根本无法保证。举个例子，本公司产品二维码编码规则末尾两位代表产品模具号（元数据概念），有一张对照表存于开发部门数据库中，其中45代表B产品12号模具。生产部门调用时将45这个数解读成B产品12号模具，存储在生产数据库中。这样，45就可能误解成12。中间经过转储的过程越多，数据的丢失和改变也就越多，最终使得不同业务部门之间对同一对象的描述不一致。

3.数据类型：主要就是文本、数字、日期等类型，按照业务类型设置，该是什么类型就选择什么类型，很多企业不重视数据类型的管理，基本都是文本类型，举个例子，将日期存储为文本类型，导致数据库里存储了大量的不是日期的日期（比如2021-01-35），后期在数据聚合分析时，经常报错。

4.ER模型：也叫雪花模型，实体关系模型，提供了表示实体、属性和联系的方法，是描述现实世界概念结构模型的方法。实体对象之间的联系方式通常为一对一，一对多，多对多等。这些概念十分重要且基础，严格按照这种方法设计信息系统，会避免大量冗余。且ER模型是数据建模分析的基础，在数据分析的各个环节都是必不可少的理论基础。

5.主数据编码：公司的核心实体对象一定要编码，编码规则可以由公司自行设计，只有编码后的对象，才能成为数字世界里面现实对象的孪生对象。这个不难理解，人的身份证号就是人的实体对象编码，在数字世界里身份证号代表人的唯一实体，并参与到数字世界的业务运行中，而不是人的姓名。

很多公司辛辛苦苦开发系统，创业未半而中道崩殂，大体就是以上对象管理不到位引起的。这也是我在工作中经常遇到，耗费大量时间去处理的事情，其实都是些脏活累活体力活，系统设计时若考虑足了以上问题，将为后期不断拓展卷入更多流程提供方便。

数据治理能力并不是什么高大上的概念，只要企业具有良好的数据素质，不断打磨适合企业的数据标准。就可以开发出适合自身的数字化系统。也就是说数据治理是个标准的管理问题。

学习数据工具：

以下内容主要针对企业业务提效，掌握的人越多对企业越有利。

数据采集

• 1.设备数据采集OPC，组态软件InTouch、组态王等
• 2.网络爬虫

互联网是当今世界最大的数据库，如果学会爬虫技术就可以在网络里采集你需要的数据，并及时将数据保存至本地,参与到您公司的业务流程中。

常见的非编程爬虫软件有:八爪鱼采集器、简数采集器、后羿采集器等，基本都是拖拖拽拽就可以形成采数规则，非常友好，可以满足80%的使用场景，进阶需要学习一些HTML标签，及Xpath定位技术。再升级就是用编程语言写爬虫了，推荐Python。

• 3.正则表达式：

Regular Expression，简写RE，是对字符串操作的一种逻辑公式，就是先定义好一些特定字符的组合，然后用这种组合代表的规则对字符串进行过滤的逻辑。主要用于对文本输入的合规性检测，在数据入库前进行把关，从而使得入库数据干净整洁，满足要求。比如“^d{n}$”用来限制只能输入n位的数字。

数据存储

• 1.主要就是关系型数据库，个人使用一般用Access，免费的MySQL一般中小企业使用，大一点企业可以用Microsoft 的 SQLserver，不差钱的用甲骨文的Oracle。每个数据库都自带管理工具，可以针对您公司使用的数据库进行学习，通用的数据库管理工具Navicat比较流行。
• 2.非关系型数据库，代表产品MongoDB，基于键值对方式存储，听说性能更优，没用过。
• 3.文件存储，FTP

这里主要需要学习的就是SQL语言了，99%的语法在各数据库是通用的。如果业务人员掌握了简单的SQL，那在后面提到自助分析时将如鱼得水。

数据清洗

为了得到一份可供分析系统使用的质量良好的源数据，必须进行数据清洗（ETCL，
Extract-Transform-Clean-Load），此过程是将业务系统的数据经过抽取、转换、清洗之后加载到数据仓库的过程。ETCL是数据集成的第一步，也是构建数据仓库最重要的步骤，目的是将企业中的分散、零乱、标准不统一的数据整合到一起，为下一步建模分析做好准备。

大多ETCL工具都集成在分析工具中，我理解ETCL其实是一种使不规则数据变为规则数据的方法，并非单指清洗工具。

比如数据库里的视图功能，你可以将表中数据通过各种函数加工成可供分析的数据形式。

在清洗过程中，如果能懂一些统计学基础知识是极好的，比如平均值，标准差，中位数等等（CDAlevel1的主要内容哦），这些函数是个工具都自带。有一次成都政府调查我们公司员工收入时就要求分类填写中位数，可难坏了我们HR。

ETCL工具，个人使用推荐Excel的powerquery，在2016版本后直接集成在了Excel中，无需单独安装，重要性不言而喻。它可以从各种数据库，文件中抽取数据，可视化的操作过程让数据清洗变得十分简单。

报表系统

个人使用，推荐Excel power pivot，2013以后版本的Excel直接集成了此插件，用DAX表达式（和Excel函数几乎一模一样）进行简单的数据清洗，拖拖拽拽就完成了数据建模，最终以数据透视表的形式进行OLAP多维分析。Excel基础还可以的同学学习这个毫无压力。(CDAlevel1换证考试的最后两个大题就是写DAX表达式)

团队使用，推荐Finereport，低代码编程，完全可以定制设计一整套企业解决方案。设计界面类似Excel（函数基本和Excel函数一样），如果你的Excel功力还可以，SQL功力十分强悍的话，学这个也毫无压力。

自助分析系统（BI）

又称敏捷商业智能系统，让业务人员可以自由在数据中探索的系统。

举个例子，当业务人员需要分析废品率与哪些因素有关系时，传统的做法是先依据经验或专业理论，猜想可能原因，比如温度湿度，然后采集一段时间的数据，最后做成散点图，求相关系数。而BI是怎么做的呢？你可以打开BI软件，用SQL调取温湿度数据，再调取废品率数据，做成散点图，自动求相关系数，听起来差不多一样，但如果你好奇心强，你可以将企业运行所有数据拿来和废品率求相关性，比如拿材料的化学成分，机械性能数据，甚至是员工出勤率，食堂用餐人数，拖拖拽拽看和废品率的相关关系。从而找到可能突破点。耗时几分钟而已，这在传统的分析里是无法想象的。有些朋友可能已经听出来了，我说的就是探索式分析。我认为BI就是为业务人员探索式分析而生的。

BI 常用工具

• 1.Tableau，目前全世界最好的商业智能软件，市场占有率最高，但是去年也跟着漂亮国卡中国人脖子，导致中国高校2020年论文发表受挫，爱国之人果断放弃（主要是收费太高）
• 2.powerBI，微软出品，个人版免费，直接集成了Excel power query，不断更新的各种图表插件，是探索式分析神器，会Excel的话学习成本很低
• 3.永洪BI，国内市占率最高，仅次于Tableau，没有使用过，不做评价
• 4.FineBI，尽管功能上不如国外那两个，但是最懂中国人，操作非常方便，比如求同比环比，在power BI中需要写公式，在Fine BI 中只需要点一下就OK了，而且对中国地图支持相当友好。

BI，是未来的趋势，我相信会越来越受到管理层的重视。

万能工具Excel

在上述工具中已经多次提到了Excel，这是学习以上工具的基础，因为：

• 1.Excel的表可以当作数据库使用，每一张表就可以当作数据库源表
• 2.Excel 获取外部数据选项中点选来自Microsoft Query，可以直接用SQL来操作数据，就像数据库管理工具
• 3.Excel power query是专业的数据清洗工具
• 4.Excel power pivot是专业的数据建模工具
• 5.power BI是专业的敏捷自助分析工具