組織在進行數字化轉型之前需要客觀判斷自身的數據應用階段。不同行業、不同領域的組織數字化進程的落地速度截然不同。當前行業里存在大量的衡量標準，如國家標準《GB/T36073-2018數據管理能力成熟度評估模型》以及中國信通院云大所提出的企業數字化轉型成熟度模型IOMM標準等。一個便利而簡單的評估方法可以從數據部門在整個組織中的地位進行判斷。一般來說可以分成四個階段：

第一階段：數據部門可有可無，企業各業務部門對數據不敏感、不用數據支撐其業務決策和判斷，缺乏對于數據應用的流程和工作人員。

第二階段：數據部門被動響應，缺乏獨立自主性，屬于響應業務部門分配的工作和獨立任務的階段。

第三階段：數據部門輔助決策，業務部門與數據部門較為深度的整合，交互密切，業務部門依托數據部門的工作進行業務判斷和科學決策，數據部門對于經營決策起到重要的作用。

第四階段：數據部門引領業務，業務部門的戰略、模式、產品等均基于數據部門的分析決策進行設計，數據部門深度參與到經營管理中，并對組織的經營結果負責。

當前，中國的大多數行業已經跨過了第一階段，進入到第二、三階段，而已經邁入第四階段的組織并不是很多。隨著數字化轉型在行業里的不斷深入和落地，更多的企業會進入和穩定在第三階段，而少數異軍突起的企業將進入到第四階段。事實上，很多的互聯網公司更容易進入到第四階段，例如為旅游人士和家有空房出租提供橋接服務的Airbnb公司，其產品、服務、營銷、客服等各關鍵環節全部依托數據分析來做支撐和創新。又如國內的抖音、美團、小紅書等互聯網企業，其數據部門對于業務的作用也是至關重要的。反觀傳統行業企業和各政府機構，數字化轉型的進展各不相同，有些組織重視并不斷運用數字化技術升級迭代，有些組織遲遲沒有開始數字化轉型或卡在某些問題上無法落地，接下來我們具體介紹一下數字化轉型的四大核心環節，以試圖幫助更多的組織理解該如何推進以及評估在哪個環節上出現了問題。

業務數據化

業務數據化是整個數字化轉型的第一個重要環節。很多組織在數字化轉型中面臨的問題是沒有數據，或者數據不多。這樣的組織應該把重心放在梳理全業務鏈條，并且思考如何將各業務環節的數據沉淀下來，以便未來的整合、分析、決策。一切業務皆可數據化，只要動腦筋思考。

舉例來說，家用電器行業，傳統的送貨上門，基本是放在家門口就完成了。在業務數據化的驅動之下，有企業為配送人員定制APP，以便其在送貨上門的時候能夠輕松記錄這個客戶的數據。當其上門安裝空調的時候，就可以把客戶的家庭情況、其他電器的品牌、購買時間等一一記錄下來，以便后續對于客戶進行營銷。

再舉例來說，疫情階段對于制造行業的一個打擊就是工廠因為有人參與需要停產。而一家皮包制造品牌卻因為無人化工廠，生產沒有受到任何的影響。一個訂單從進入工廠，到3000個皮包出貨，全程沒有人工參與，都是計算機在做流程的安排。想要實現這種“停工不停產”的業務模式，就需要將很多個業務環節（如工藝拆解環節、物料采購環節、排程環節等）的數據沉淀下來，讓計算機進行分析和學習，從而完成各流程環節的無縫銜接，如下圖所示。

圖1. 制造行業的業務數據化

產線實時運行數據、排產計劃數據（產品訂貨量、交付時間）、產品對應工序工藝路線圖、工序所需設備及完成工序所需時間、產線站位分布及對應設備信息等數據，全部沉淀到數據資產管理平臺，以便后續的數據治理、分析等，最終支撐生產數據分析、產線優化、訂單排期、庫存自動化巡檢等業務場景。

這個環節至關重要，所謂巧婦難為無米之炊，如果業務數據不能沉淀下來，自然后續的環節也發揮不了作用。而如何將更多的業務數據沉淀下來，組織應該考慮的往往除了技術因素還要有流程再造的方面。如果現有業務流程無法滿足數據沉淀的需求，那么流程是否可以再造，完成對于數據的沉淀？這個是組織需要考慮的重要因素。

數據資產化

數據資產化的環節著重將數據進行全方位的治理從而形成一個組織重要的數據資產。大數據具有多源異構、價值分散、質量參差不齊等特征，而這一階段做的事情就是要構建數據接入、數據治理、數據開發、資產管理乃至將治理好的數據以服務的形式開放出去的一系列能力，也就是我們通常說的構建組織的數據中臺，實現數據“進得來，管得了，治理好，可得見，控得住，可共享”。

數據資產化是一套復雜體系流程，需要經過數據接入、數據存儲、數倉設計、數據質量管理、數據安全、數據運維可視化、數據開放等多個環節的協同工作，才能將一個組織的數據轉化成高質量、統一標準的數據資產，用以支持后續的數據分析和數據應用。而由于其存在很多的諸如數據清洗、數據標準建設等在內的辛苦工作，就需要組織在做此工作時具備足夠的耐心、細心和責任心。數據資產化是組織數字化轉型的基石，如果一座大樓的地基沒有打好，對于上層建筑裝修得再華麗也有倒塌的風險。

舉例來說，一家全國性零售商業中心，在全國有數十家大型門店，每個門店獨立運營，數據都是獨立存儲的。當這家商業中心總部想統計“皮爾-卡丹”這個品牌在所有門店的銷售情況時，就要先將各門店的數據進行拉通治理。由于在之前的獨立經營，不同門店的數據標準都不一樣，A門店信息系統中存儲的品牌名稱為“皮爾·卡丹”，B門店信息系統中存儲的品牌名稱為“卡丹 皮爾”，C門店信息系統中存儲的品牌名稱為“Pierre Cardin”，如果不做充分的數據治理，就會錯誤地把這一個品牌處理成三個不同的品牌。那么后續的數據分析和應用就會產生偏差。而成千上萬個品牌的數據治理，就需要人工+系統協同的方式進行清洗、標準化、歸一化。商品的數據尚且如此，人的數據就更復雜和碎片化了。

圖2. 以人為中心的數據拉通和治理

如上圖所示，一個組織的客戶（對于To C的企業來說即消費者，對于To B的企業來說即關鍵人物）可能存在在多個和組織產生聯系的節點上，如何以人為中心去拉通所有行為，從而形成對這個人的統一認識，就是數據治理的一個核心問題。還用零售行業作為舉例，客戶管理系統（CRM）、結算系統（POS）、停車場系統、線上商城、企業微信等都存在這個人的信息，而ID更是五花八門，包括了姓名、手機號、郵箱、微信號、銀行卡號、瀏覽器Cookie等等。只有經過充分的數據治理才能形成以人為中心的數據資產，為后續的客戶畫像、精準營銷、定制化服務打好基礎。

數據資產化環節的重點是打造基于大數據技術的數據資產管理平臺。這其中有三個關鍵工作。1）構建統一標準的數據治理體系。進一步地，數據治理的核心要素包括數據標準管理、數據質量稽核和源數據管理。2）建立全鏈路數據生命周期管理。所有的數據都應該經過一套標準的處理流程，完成采集、清洗、融合、分析挖掘、應用、歸檔、銷毀等各環節。流程中每個步驟都要有具體的工具來支撐數據開發者快速上手。3）打造面向分析挖掘的新型數據倉庫。將結構化、非結構化，實時、離線業務數據整合起來，構建一套既能管理全域業務數據，又能支撐上層應用需求的新型數據倉庫，方便查找并使用各類業務數據，以及后續的數據分析挖掘和應用開發。

資產應用化

在數據資產化之后的階段就到了和業務場景需要深度融合的資產應用化階段。組織的數字化轉型其終極目標是為了讓數據發揮價值，支撐組織的戰略實現，而組織的戰略實現需要各業務部門各司其職，協同作業，完成目標。所以從這個角度來看，組織的數字化轉型最重要拆解到對各業務部門的工作支撐上來，運用數據的力量對其洞察、分析、決策、行動做出支持。

這個階段有兩個重要的問題需要被回答，第一個問題是：組織有哪些業務部門的哪些工作可以被支持？第二個問題是：如何安排支持的優先級？

想要回答第一個問題，我們首先要對組織的業務進行梳理，并對業務的數字化現狀進行評估。梳理組織的業務有很多基本的管理模型可以借鑒。其中比較常用的是波特價值鏈。波特價值鏈把組織業務分為管理類業務和核心業務兩種。管理類業務包括組織管理、技術管理、人力資源管理、風險管理等，核心是完成效率、成本、質量、風險等控制類管理目標。而核心業務包括品牌推廣、商品管理、渠道管理、供應鏈管理、營銷管理等，核心目標是實現組織的發展。

基于波特價值鏈，可以對核心價值鏈業務和管理類業務兩方面對各業務域所需要的核心能力目標進行分析，把組織的戰略目標分解到業務域。舉例來說，一個大型零售電商平臺基于波特價值鏈把他的核心業務分成11個重要業務域：品牌、商品、制造、渠道、營銷、零售、服務、物流、金融、組織、技術。

當我們得到了組織的業務域之后，我們再根據業務域拆解業務組件，業務組件要定義清楚其業務目標、用途、關鍵活動、資源、治理和業務接口。一個業務域通常會包含若干個業務組件，通常是這個業務域最重要的工作。例如，品牌推廣的業務域包括市場研究、品牌管控、用戶分析這三大業務組件。在定義清楚業務組件之后，我們就可以評估各業務組件的數字化水平和能力了，評估可以有不同的角度，通常從數據融合、數據治理、數據洞察、數據挖掘、數據可視化、數據自動化程度等維度進行評估。

圖3. 基于波特價值鏈拆解組織業務鏈

本階段的第二個問題如何安排數字化應用建設的優先級？這里要考慮到三個度的問題：1）業務場景的價值度；2）業務對于數字化轉型的迫切度；3）業務部門的配合度。

業務場景的價值度通常來說和業務對于組織目標的實現直接掛鉤。對組織戰略目標實現幫助最大的業務組件通常來說具備更高的價值度。經常有人會問數據的價值到底怎么衡量？從某種程度上來說，數據本身沒有絕對價值，數據的價值取決于它能夠支持的場景的價值。而組織在進行數字化建設的過程中，需要核心人員對于業務場景價值度達成一致，這樣才對后續的先后安排有所幫助，因為畢竟研發資源是有限的。

后兩個問題在梳理組織業務域和業務組件的時候就可以感受到。不同業務部門對于數字化轉型的關注度、迫切度和配合度是不一樣的。有一些部門非常關注，主動配合，對于組織數字化轉型很期待，對于數字技術能從哪些方面帶來已有業務的支撐和新業務的設計有比較清晰的規劃，這樣的業務部門通常會得到優先建設。另外一些部門，對于數字化轉型具有一定的抵觸情緒，一方面是覺得數字化技術對于自身業務幫助不大，另一方面認為配合會帶來自身時間和精力的損失，有些部門和人員對于新技術一無所知。這樣的部門一般是建議在后續建設中延后安排針對其的大數據應用。

總結下來，一個三到五年的數字化轉型規劃需要結合這三個問題來安排每一階段建設的規劃，發揮種子業務應用的帶動作用，當所有部門看到種子部門數字化應用取得的成績之后，其配合度和意愿度均會有顯著提升。

應用智能化

第三階段完成后，組織可以繪制出一個數字化轉型的建設藍圖。藍圖應包括組織在短期（1-3年內）、中期（3-5年）、長期（5-10年）各業務部門和管理單元利用數字化進行業務再造和創新的規劃以及優先級。一般來說，組織各部門會根據其需求構建五大類型的數據分析和七大場景的數據應用。五大類型的數據分析分別是描述型數據分析、診斷型數據分析、監控型數據分析、預測型數據分析和指導型數據分析。通常隨著從描述型到指導型的演進，所需要的數據源會越來越豐富，數據分析的價值度逐漸遞增，其支持的數據應用的智能度也在逐漸提升。而七大場景的數字化應用分別是監控、預警、預測、決策、協調、調度和指揮型應用。值得一提的是，并不是所有組織的所有業務單元和管理部門都需要構建完整的五大類型數據分析和七大場景數據應用，而應該依具體需求來進行設計。在這里我們主要介紹數據分析的五大類型。

圖4. 組織5大類型數據分析和7大場景數據應用

1. 描述型分析

描述型分析通過量化歷史數據的中心趨勢、相對位置、離散程度和相關性等特征，展示出組織的運營狀況，并試圖從歷史規律中洞察出問題所在。一般來說采取統計描述型分析，通過求和、平均值、最大最小值、同比、環比等計算過程完成，輸出以日常報表、周期性報表、看板、大屏和移動端為主。例如，在企業中，用戶可以基于每月的業務流轉數據，進行分類、對比、趨勢分析，以產出歷史發展趨勢和周期性報告。描述型分析可以從歷史規律中洞察問題，可以回答“是什么？”的問題，想要診斷問題背后的原因還需要對數據進行深度挖掘。

2. 診斷型分析

診斷型分析由問題表面入手，通過數據下鉆，深挖問題發生的根本原因，以幫助組織深入了解問題本質，預防問題再次發生。通過上卷、下鉆、聯動分析、篩選、跳轉（傳參）等計算過程實現，輸出以問題原因、機會發現、診斷分析報告為主。通過對描述型分析展示異常（好的結果/壞的結果）的指標進行洞察，結合多維交互和邏輯、對比、相關性等分析方法，對原因進行推導，以避免壞的結果再次發生，實現好的結果經驗沉淀。

例如，一家綜合性汽車銷售公司發現最近幾個月車輛銷售情況不好，想探究這其中的問題，首先需要做各門店銷量展示，查看各門店汽車總銷量、分品牌數量和類別進行透視；當發現某一門店銷量顯著低時則進一步查看銷量最低的銷售員情況以及銷量最低的汽車品牌；再進一步查看銷量最少的具體車型，并根據一系列分析結果指導倉庫適當調整庫存，調整營銷刺激政策，改善促銷政策。診斷分析往往在問題發生后才能定位原因，時效性差，具有滯后性，想要預防問題的發生還需要實時預警分析。

3.監控型分析

監控型分析通過接入實時數據，在分析平臺靈活配置預警規則，幫助業務提前感知問題所在、自動預警潛在風險，從而有效地支撐組織快速響應。這就需要利用到實時數據，選取預警指標，確定預警規則、配置定時調度等計算過程。輸出以監控型看板、預警可視化、手機、郵件預警推送為主。組織中，可根據不同流程設置業務預警規則，當業務指標達到閾值時，自動觸發預警，進行消息推送/郵件告警。由“人找數”過渡到“數找人”，主動提醒業務部門及時預警。

例如，某物流訂單數據監控應用，當購進量同比增加100%以上，或布貨終端數月度增長降低50%以上時，系統應用會同時觸發郵件預警推送和手機預警推送來提醒組織相關負責人進行查看。再例如，零售企業的供銷存系統會打通在售數據、物流在途數據和實時庫存數據，當庫存小于一定的閾值時，進行自動化補貨預警，以實現應用的智能化、動態化。

4.預測型分析

預測型分析利用數據變化的規律和各個節點，來進行預測事件未來發生的可能性、預測一個可量化的值，或是預估未來一個時間段業務的發展趨勢，以支持組織做出更好的決策。其輸入多包括歷史數據、實時數據和預測需求，以構建數據模型、模型效果調優、模型開發部署等作為計算過程，輸出預測結果和業務趨勢。企業常通過預測未來銷量，進而指導采購銷售管理；政府常預測經濟發展趨勢或者人口增長。數據分析師首先梳理影響預測目標的內外部因素，構建預測模型的指標體系，接著采集關鍵節點數據，建立預測模型體系，最終輸出逐級的預測結果，通過可視化展現結果或者發展趨勢。

例如一家3C制造類企業，想要預測各部門及產品的銷量，首先要明確預測目標，需要完成不同時間窗口、不同型號產品的銷量預測。接下來選用超大規模多層級時間序列預測策略，使用GBDT算法進行建模，輸入數百個原始變量進行預測。通過超參數進行模型優化，使用多種統計指標綜合評估模型效果，最終輸出結果。最后在模型確認無誤后，部署上線，測試監控，和業務系統對接。

值得一提的是，在預測型分析中我們會用到統計模型和機器學習模型，前者具備比較好的可解釋性，而后者通常以預測準確率為目標，“黑盒”性質更強一些。預測分析可以為組織提供關鍵洞察，但決策者還需要綜合其他業務信息和經驗判斷才能確定決策行動。

5. 指導型分析

指導型分析基于對“發生了什么”、“為什么會發生”和“將會發生什么”的分析，通過算法服務尋求最優路徑解決方案，幫助組織決定應該采取什么措施。指導型分析是五大類型中最為復雜的分析，其以歷史數據、實時數據、預測結果、優化目標作為輸入，以構建業務模型、機器學習算法、運籌優化模型算法、模型效果調優為計算過程，輸出決策結果和行動方案。指導型分析基于描述、診斷、預警、預測實現業務“Know-how”，結合專家經驗模板提供行動智能應用。常見的行動智能應用有：金融風控、在線學習、物流路徑規劃等。

例如企業中指導定價問題就是一個常見的決策問題。單價定高了會導致銷量下降，而單價定低了又會導致利潤不能最大化。解決這類問題首先要有一個明確的業務目標，是最大化銷售額，還是最大化利潤？其次要全面收集相關數據，包括客戶、產品、營銷、競爭、宏觀政策等多維度數據，構建業務模型們使用機器學習和優化算法進行模型構建，最后得到符合優化目標的最優化價格指導意見。這個類型的分析支撐的應用一般來說是智能性最強的應用，而目前業內行動智能應用落地需要結合垂直場景的業務和全棧數據智能技術進行定制。

結 語

組織的數字化轉型是一個長期的、持續優化的過程，不是一蹴而就的。越是大型的組織，越要建立起打持久戰的思想準備，不要對于技術落地的速度有盲目的預期。同時，數字化轉型的組織工作也要同步開展，除了一把手重視以外，各業務和管理部門負責人和核心骨干成員也要進行技術宣貫和教育，否則很容易受到抵制，導致轉型進展不利。組織的負責人應該任命數字化轉型小組組長（通常來說是組織的首席數據官CDO），并抽調業務部門核心骨干成立專門的數字化轉型小組，配合組長的工作。數字化轉型小組可以是虛擬的，也可以是實體架構，關鍵是需要長期存在，并保證權、責、利對等。只有這樣，才能讓組織的數字化轉型有良性的、長期的發展。

另外一個很重要的事情是，雖然數字化轉型是個長期工作，但需要設立階段性的里程碑，可以是一個快速驗證價值的業務場景（通常被稱為“Quick-Win”），這樣做的好處是在漫長的技術落地過程中，維持業務部門和業務人員的積極性，讓組織內部看到價值，充滿活力，實現最佳實踐從1到N的裂變。當組織的所有成員都看到數字化轉型帶來的益處時，就會進入到群體智慧大爆發、大眾創新的迅速推進階段。最終，組織的數字化轉型能否成功還是要取決于每一個組織成員如何看待它。

原文刊于《數據》月刊2023年2月

杜曉夢，北京大學國家發展研究院助理研究員，管理創新實驗室副主任。杜老師的研究領域為大數據營銷、消費者行為、營銷模型、數字經濟。