從“青銅”到“王者”，企業數字化上分三大秘訣收好了

數字化轉型涉及企業的管理、運營、決策等多個方面，若只是將過去的人、財的管理動作，通過流程規范固化到系統中，只能算是“青銅級別”，本文從數字化的根本“大資料”和“人工智能”兩種技術的發展出發，梳理數字化發展的底層邏輯，同時，給出企業數字化轉型“三步走”方案，

現在，直到現在，還有老板問我：“老楊，企業數字化轉型到底是什么？”

我說：“老板，你這個問題很深奧，我來試著回答一下，所謂企業數字化轉型就是把資料貫穿到整個企業運營程序的始終，幫助企業做到一切業務資料化，一切資料業務化，”

細心的同學會說：“老楊，你這不是正確的廢話么，這叫哪門子回答，這和沒說有什么區別么？什么叫一切業務資料化？”

這確實不是一句兩句能說清楚的，且聽我慢慢道來，

點擊圖片查看《新程式員003》

從“青銅”到“王者”，企業數字化也有段位

我先梳理下企業數字化的階段，其實各個企業都一直行走在數字化的道路上，即使荊棘遍布，也從未停歇，企業數字化大抵可以分為以下四個階段，

• 企業數字化第一步——青銅，通常認知下的企業數字化包括人事管理系統和財務管理系統，這是把之前的一些人、財的管理動作，通過流程規范固化到系統中，但這樣就夠了么？顯然是不夠的，這只是企業數字化的第一步罷了，這樣只是做到企業基本的管理動作可記錄、可追溯、可衡量，大抵是“青銅”級別，離真正的企業數字化還差十條街的距離，

• 企業數字化第二步——白銀，但也有一些企業發現只進行人、財的資訊化管理還不夠，還需要把身為“衣食父母”的客戶和用戶也管理起來，于是“客戶管理系統”和“用戶管理系統”也登上了舞臺，細心的企業就會發現：這些系統都是單獨存在的，不能串聯，那是時候讓“辦公自動化”粉墨登場了，但這就結束了么？顯然并沒有，這也只是企業數字化的第二步，這樣只是把企業賴以生存的東西在系統上管理起來了，大抵是“白銀”級別吧，離企業數字化還差五條街的距離，

• 企業數字化第三步——鉆石，上面兩步充其量可以歸屬在企業資訊化的范疇，整體上更偏重程序，主要目的還是在程序中降本增效，降本增效到一定程度之后，自然就會有創收的需求，這是人性使然，老板所追求的“更高、更快、更強”其實是新的增長點，當一家企業主營業務步入正軌之后，老板就會不遺余力地去思考新的增長點，無一例外，因為大部分老板都深諳“生于憂患”之道，思考來思考去，增長點無外乎兩種：一是擴充主營業務的新路徑；二是開辟新業務，那通過什么手段呢？在這個資料、技術爆炸的時代下，除了數字化真的別無他法了，所以企業數字化也就出現了，其中，擴充主營業務的新路徑的代表者就是蘇寧，蘇寧把線下零售直接搬到線上；而開辟新業務的代表者就是萬達，萬達不是改造自己的購物中心，而是做支付、收單、營銷等的軟體系統，兩者沒有優劣之分，只有投入多少和風險大小的區別（回過頭去看，的確蘇寧相對穩健），但這就是企業數字化的完全體了么？顯然也不盡然，這也只是企業數字化的第三步，但卻是具有劃時代意義的一步，這是企業一號位從意識形態上已經認定了數字化這件事，奠定了數字化成敗的基礎，大抵是鉆石級別了，離“王者”只差一丟丟，

• 企業數字化第四步——王者，從數字化生長出來的新路徑或新業務，從生產環節，到生產者，到生產方法，到生產要素，到生產物品都發生了翻天覆地的變化，這些都是傳統的企業經營方式無法企及的，它需要從企業管理、企業運營、企業決策等多方面進行根本性的數字化變革，這既需要一小撮能通過“加減乘除”和“統計分析”等基礎數學知識去經營的事持續進行，也需要大多數必須通過“機器學習”和“深度學習”演算法才能分析出來的結論作為支持，從而讓企業管理、企業運營和企業決策更加數字化，當然這一切的前提是傳輸、存盤、算力、演算法等基礎技術的長足進步，沒有這些技術的進步，機器學習、深度學習都是空談，這就實打實地進入了企業數字化的王者階段，坦白講，能達到這個水準的企業少之又少，簡直是“此企只應天上有，人間能得幾回聞”的節奏，
  細心的同學會說：“咦，老楊，你說得一六八開的，那企業數字化的定義到底是什么？”
  嗯，孺子可教也，沒被我給帶偏，

你搞清楚“數字化”和“企業數字化”的區別了嗎？

要搞清楚什么是“企業數字化”，首先要明白什么是“數字化”，

“數字化”是通過計算機技術，將現實世界發生的各種事情與虛擬數字的表達連接起來，通過資料和演算法進而推匯出現實世界的深層次規律——各種靠常識和邏輯認知不到的規律，

那什么又是“企業數字化”？

企業數字化就是將企業管理、運營和決策中的經驗、方法用數字表達出來，再通過資料和演算法重構企業的商業模式/服務模式，使得企業經營全程序可描述、可衡量、可追溯、可預測，實作企業的變革式成長，形成全新的核心競爭力，

企業數字化是一個龐大的系統工程，它是把資料貫穿到整個企業經營的始終，以客戶和資產為中心，以生產環節和生產者為基礎，通過數字化管理成長為數字化運營，并達到數字化決策的這一程序，最終達到一切業務資料化，一切資料業務化的結果（見圖1），

圖1 企業數字化邏輯

數字化管理：最容易忽略的部分

數字化管理是最容易被忽視的部分，一來數字化管理練的是“內功”，別人看不到的東西往往沒啥動力去做；二來數字化管理是個長期的程序，短期內很難看到成 績，但從過往的資料看，決定企業成敗的關鍵往往卻在數字化管理上，“修身齊家”之后才能“治國平天下”，自己都還沒弄明白談何其他呢？

數字化運營：最能產生效果的部分

數字化運營是最能產生效果的部分：一來運營占據了整家企業日常作業的八成，如銷售報表、銷量預測、成本分析、轉化率分析等環節，這些作業可以通過數字化系統來實作，而且比人力來做更加全面、科學和準確；二來只要在運營數字化上投入精力，一張報表，一條曲線都可以映射到生產環節中，并得到驗證，效果會體現得非常好，

效果體現在又多又快的事情上，自然會是資源聚集的地方，因此，一時間營銷管理、商品管理、庫存管理、倉儲管理、供應鏈管理等平臺如雨后春筍一般地出現了，它們都在數字化運營上發力，也確實拿到了很“爆炸”的成績，

數字化決策：最難的部分

數字化決策是最難的部分，一來很多大的決策都是管理者那一瞬間的靈光乍現，沒有邏輯可言，所以很難去把它數字化或公式化；二來大部分決策都依賴于很多影響因子，但這些影響因子的資料又很難收集到，而通過資料和演算法推匯出來的結論，又大多是不可解釋的，而不可解釋的結論又很難去讓人下決策，更難去說服團隊貫徹執行，

但是，大家逐漸認識到資料本身就是資產，除了能夠指導現有業務的發展之外，資料還可以給企業提供更多的創新，甚至商業模式的變革，所以你會發現，雖然資料目前只是決策中的輔助手段，但數字化決策這件事是勢在必行的，必須說一句：前途是光明的，但道路絕對是曲折的，

從“可選項”到“必選項”

古往今來，某個事物的出現和發展一定要兼具天時、地利、人和，互聯網的大規模發展是因為個人電腦的普及；移動互聯網的大規模發展是因為智能手機的普及；云計算的大規模發展是因為芯片、存盤器、機器、網路等硬體的普及；大資料的大規模發展是因為計算、存盤等資源的普及；人工智能的大規模發展是伴隨著算力、資料、演算法的普及，

那么企業數字化轉型呢？當然也不會例外，它也有自身的“天時、地利、人和”，

企業數字化的“天時”說白了就是大資料和人工智能這兩大技術的發展，看懂了它們的發展歷程，也就明白了“天時”，

請看圖2的時間軸，2003年、2004年、2006年，谷歌分別輸出了GFS、MapReduce、BigTable三篇論文，被稱為大資料的三駕馬車，也不負眾望地成為大資料的奠基之作，Hadoop就是在三駕馬車的啟發下誕生的，Hadoop具有以下三個特點，

圖2 大資料發展史

• Hadoop參照GFS打造出HDFS，它是一個運行在普通機器上的、可供大規模存盤和訪問的分布式檔案系統，是大資料存盤的基石，使得大資料這件事情變得可行，在硬體成本上可控，在軟體技術上可實作，
• Hadoop參照MapReduce打造出Hadoop
  MapReduce，它是大資料分布式計算的一種方式，將大資料的計算任務先分解到多臺普通機器上，然后進行合并得到計算結果，它是大資料計算的基石，使得大資料計算變得可行，在硬體成本上可控，在軟體技術上可實作，
• Hadoop參照BigTable打造出HBase，它是對底層的大規模存盤和計算去進行使用的一個大表，畢竟表格是更符合人的需求的一種存在，可以認為它是NoSQL資料庫的基石，
  2006年Hadoop從Nutch中分離出來成為Apache頂級開源專案，從此以后，與大資料相關的技術就如雨后春筍一般迸發出來：2008年的資料倉庫Hive；2010年的列資料庫HBase；2012年的資源管理器Yarn；2013年的流式計算框架Spark、Storm；2014年的實時計算框架Flink，這些東西都讓大資料產業得到長足發展，

這廂大資料日新月異，那邊人工智能也不甘示弱，

眾所周知，人工智能緣于1956年達特茅斯大會，發展至今也有五十多年了，可以說是經歷了三起三落（見圖3），

圖3 人工智能發展史
第一階段，從20世紀50年代到20世紀60年代是第一個高潮期，主要是以邏輯學為主導的定理證明，然而，由于計算能力的不足，以及當時人工智能本身并不具備學習能力，20世紀70年代迎來了人工智能的第一個低谷期，各種壓力和經費問題也接踵而至，人工智能的前景也頓時蒙上了一層陰影，

第二階段，好在總有那么一小部分不按常理出牌的人繼續堅持研究，大概蟄伏了10年，終于在1980年，卡內基·梅隆大學的第一套專家系統XCON誕生了，XCON系統每年到底能為企業節省多少成本一直是個謎（最高的有四千萬美元，最低的也有幾百萬美元），XCON專家系統經歷了近10年的黃金期，也是人工智能的第二個高潮期，然而，隨著第五代計算機的幻滅，人工智能走進了第二個寒冬，

第三階段，經歷了兩次高潮兩次低谷，人們對人工智能的認知也回歸理性和客觀，同時大資料的存盤和計算能力也得到大幅提升，人工智能技術也隨之有了突破性發展，于是乎，在1997年，終于有一個“像樣”的人工智能產品問世了——IBM的“深藍”，其以摧枯拉朽之勢戰勝國際象棋世界冠軍卡斯帕羅夫更是一個重要的里程碑，經歷了兩次高潮兩次低谷兩次蟄伏，人工智能終于進入了平穩發展階段，

今天，可以毫不夸張地說，一個不了解人工智能的程式員絕不是好程式員，為什么？下面來看一些事實：2006年之后以神經網路主導的深度學習得到很大突破；2016年谷歌機器翻譯準確率達到87%；2016—2017年，谷歌的AlphaGO的驚艷表現；人工智能全球市場規模達2.43萬億美金，而且以每年近30%的增長率在提升；各大科技企業與人工智能藕斷絲連的關系，這些事實無不表明人工智能基本上已經“熬出頭”了，未來要么做人工智能，要么被人工智能“做”，

大資料和人工智能經過30年的沉淀積累，基礎理論和技術都已進入成熟期，整體上，大資料和人工智能行業也隨之進入了高速發展期，伴隨著大資料、人工智能的發展，之前肉眼凡胎完全識別不了的資料體量和資料維度，現在可以分分鐘看懂，所以企業數字化轉型這件事情也真的由不可能變成了可能，企業數字化也可以不再停留在簡單地生成資料報表和統計分析了，

所謂“地利”，某種程度上可以認為企業數字化與“大資料、人工智能”劃等號，據不完全統計，從2015年到現在，國家頒布了不少于20項大資料和人工智能類的政策（見圖4），2015年8月頒布了《促進大資料發展行動綱要》，2017年1月頒布了《大資料產業發展規劃2016—2020》，2018年4月頒布了《科學資料管理辦法》，2020年2月頒布了《關于工業資料分級分類指南》，2020年5月頒布了《關于工業大資料發展的指導意見》，國家層面對大資料和人工智能的支持已經非常明顯了，

圖4 大資料類國家政策
國外也是如此，Yahoo、IBM、EMC、微軟先后投入大量的資源去研究及使用大資料和人工智能，也產出了諸多Apache頂級開源專案，國內的BAT起步相對較晚，其中B（百度）比較浪漫，走的是先技術后場景的思路，網羅了世界頂尖的大資料、人工智能人才，基本上形成了自己的大資料人工智能生態，A（阿里巴巴）比較實際，主要把大資料和人工智能應用于電商、物流等零售服務為業務賦能，同時，還開啟了NASA計劃，T（騰訊）不緊不慢，主要聚焦在人才儲備、算力、演算法上，當然還有一些試圖逆襲的“有為青年”，如語音識別的訊飛，計算機視覺的商湯和曠視，以及智適應教育的松鼠教育等，的確稱得上百花齊放，此處不得不感慨一番，要想追上大資料人工智能的腳步，的確得有“兩把刷子”，

所謂“人和”，在這次疫情暴發的背景下，各大企業紛紛亮出自己的數字化能力，也做出了重大的貢獻，但同時也發現了諸多問題，如資料采集、資料處理、資料分析、資料應用等層面的問題，側面驗證了當下的企業數字化轉型還遠遠不夠，需要大破大立，無論是企業的決策層、管理層和執行層也都意識到數字化轉型的急迫性和重要性，

在“天時、地利、人和”的背景下，企業數字化轉型再也不是企業的“可選項”了，而是“必選項”，通過數字化轉型，企業在管理上、運營上、決策上都將告別“拍 腦袋”的日子，用資料來進行企業經營可保企業在競爭中立于不敗，



講執行路徑之前需要再次強調下，企業數字化轉型絕對是“一號位工程”，毫不夸張地講，一切非一號位來負責的企業數字化轉型都是“紙老虎”，

企業數字化轉型的執行路徑無外乎三步：資料打通與資料接入、資料處理、資料可視化，

資料打通與資料接入

為么要把資料打通與資料接入作為企業數字化轉型的第一步？所有企業都是從資訊化走過來的，資訊化通常都是不同供應商提供的系統，而這些系統必然會形成 一個一個的“煙囪”，這些煙囪中的資料都只局限在某一維度上，不打通就沒有辦法進行多維資料分析，更不用說更為高級的數字化運營了，

舉個例子，某商業地產開發商的客流、車流、會員、店鋪、商品等資料分別來自不同的供應商，現在我想知道哪些人喜歡去哪些商場買哪些商品，這個需求對于任何供應商來講基本上都是不可能完成的任務，這時候資料打通就是必須的了，但千萬不要以為資料打通就是簡單地把各個供應商的資料集中到一個資料庫中，這就太初級了，資料打通最為關鍵的是，用唯一的ID來標識資料，只有這個唯一ID準確了，才能夠知道進場了多少人，以及每個人到底喜歡什么店鋪和商品，

你可能會問：這個只是使用企業一方資料，多數情況下企業一方資料都不夠用，必須與三方資料進行場景化融合，才能有更多的標簽進行更深的分析和結論輸出，這怎么辦呢？總不能用唯一ID去廣闊的資料海洋里“撈”吧？

這其實屬于資料接入的范疇，資料接入的前提就是必須保障隱私及安全，這就要依賴于隱私求交、聯邦學習等隱私計算的技術，來完成多方資料的聯合分析、訓練、建模、預測，從而實作資料價值的流通，達到資料“可用不可擁”，聯邦學習是個單獨的課題，此處就不贅述了，附一張邏輯圖供參考（見圖5），

圖5 聯邦學習邏輯圖

資料處理

資料處理是企業數字化轉型最核心的一步，各企業的資料量級（Volume）越來越大，格式及內容（Variety）越來越多樣，而各企業在資料挖掘的深度上、分析的維度上、計算速度上的要求都日益提升，要想在如此龐雜的資料下挖掘/分析出價值，靠傳統的資料分析方式基本上是天方夜譚，這要求企業必須在資料采集、資料存盤、資料計算、資料挖掘/分析等資料處理的各個層面都有穩定、高效的技術工具，而這些技術工具的產出又需要百人團隊三到五年的積累，對于大部分企業來講，培養百人團隊是不可能的，再積累三到五年，基本上“黃花菜都涼了”，怎么辦？這就需要專業做資料平臺和工具的大資料公司來提供這方面的技術能力了，以MobTech為例，這四個層面形成完整的產品矩陣經歷了9年（見圖6），

圖6 MobTech資料分析矩陣 資料可視化

資料可視化是企業數字化轉型的門面，這個大家都能理解，無論是多么有價值的分析結果，都需要由曲線、報表等一目了然的方式展現出來，當然財大氣粗的企業可以選擇Tableau等商業軟體，小而美的企業可以選擇Superset等開源的方案，都挺好，

總結一下，本文主要闡述了企業數字化轉型的定義、范圍、必要性，以及企業數字化轉型的執行路徑，相信可以幫助你對企業數字化轉型有個全面的認知，一起加油！

作者：楊冠軍MobTech袤博合伙人/首席資料官，擁有15年以上的研發技術管理經驗，為業內公認的技術專家，曾服務于萬達網路科技、阿里巴巴、蘇寧易購等多家大型知名互聯網公司，對大資料和AI的數字化研發管理有獨到見解，并為多個團隊建立數字化研發管理體系，曾出版《資料賦能：IT團隊技術管理實戰》等相關書籍，

?本文出自《新程式員·云原生和全面數字化實踐》，在《新程式員003》中，我們聚焦“云原生時代的開發者”與“全面數字化轉型”兩大主題，阿里、位元組跳動、網易、快手、亞馬遜等互聯網大廠的云原生技術的賦能者，從技術定義、技術應用、實踐案例分享等方面，以直擊內核的硬核輸出全面決議云原生，幫助開發者在云原生時代快速找到適合自身發展的技術范式，
同時，我們也將對微軟、英特爾、華為、施耐德、西門子等首批開啟數字化轉型的企業展開報道，通過十多位技術專家分享的鮮活案例，一窺金融、新零售、工業物聯網等領域的數字化轉型成果，幫助更多關注數字化轉型的開發者從先驅者的經驗中獲得啟迪，
閱讀更多相關技術文章及行業資訊，歡迎掃描下方二維碼訂閱《新程式員003》紙質書+電子書，
?

全年訂閱（001-004期）尊享更多會員福利

點擊圖片訂閱（001-004期）