组织数字化转型分为四个阶段：数据部门可有可无、被动响应、辅助决策和引领业务，其中数据资产化是数字化转型的基石。

　　2.数字化转型的核心环节包括业务数据化、数据资产化、资产应用化和应用智能化，需要组织在短期、中期和长期各业务部门和管理单元利用数字化进行业务再造和创新的规划以及优先级。

　　3.为此，组织应任命数字化转型小组组长，抽调业务部门核心骨干成立专门的数字化转型小组，确保权、责、利对等。

　　4.同时，设立阶段性的里程碑，快速验证价值，维持业务部门和业务人员的积极性，实现最佳实践从1到N的裂变。

　　组织在进行数字化转型之前需要客观判断自身的数据应用阶段。不同行业、不同领域的组织数字化进程的落地速度截然不同。当前行业里存在大量的衡量标准，如国家标准《GB/T36073-2018数据管理能力成熟度评估模型》以及中国信通院云大所提出的企业数字化转型成熟度模型IOMM标准等。一个便利而简单的评估方法可以从数据部门在整个组织中的地位进行判断。一般来说可以分成四个阶段：

　　第一阶段：数据部门可有可无，企业各业务部门对数据不敏感、不用数据支撑其业务决策和判断，缺乏对于数据应用的流程和工作人员。

　　第二阶段：数据部门被动响应，缺乏独立自主性，属于响应业务部门分配的工作和独立任务的阶段。

　　第三阶段：数据部门辅助决策，业务部门与数据部门较为深度的整合，交互密切，业务部门依托数据部门的工作进行业务判断和科学决策，数据部门对于经营决策起到重要的作用。

　　第四阶段：数据部门引领业务，业务部门的战略、模式、产品等均基于数据部门的分析决策进行设计，数据部门深度参与到经营管理中，并对组织的经营结果负责。

　　当前，中国的大多数行业已经跨过了第一阶段，进入到第二、三阶段，而已经迈入第四阶段的组织并不是很多。随着数字化转型在行业里的不断深入和落地，更多的企业会进入和稳定在第三阶段，而少数异军突起的企业将进入到第四阶段。事实上，很多的互联网公司更容易进入到第四阶段，例如为旅游人士和家有空房出租提供桥接服务的Airbnb公司，其产品、服务、营销、客服等各关键环节全部依托数据分析来做支撑和创新。又如国内的抖音、美团、小红书等互联网企业，其数据部门对于业务的作用也是至关重要的。反观传统行业企业和各政府机构，数字化转型的进展各不相同，有些组织重视并不断运用数字化技术升级迭代，有些组织迟迟没有开始数字化转型或卡在某些问题上无法落地，接下来我们具体介绍一下数字化转型的四大核心环节，以试图帮助更多的组织理解该如何推进以及评估在哪个环节上出现了问题。

　　业务数据化是整个数字化转型的第一个重要环节。很多组织在数字化转型中面临的问题是没有数据，或者数据不多。这样的组织应该把重心放在梳理全业务链条，并且思考如何将各业务环节的数据沉淀下来，以便未来的整合、分析、决策。一切业务皆可数据化，只要动脑筋思考。

　　举例来说，家用电器行业，传统的送货上门，基本是放在家门口就完成了。在业务数据化的驱动之下，有企业为配送人员定制APP，以便其在送货上门的时候能够轻松记录这个客户的数据。当其上门安装空调的时候，就可以把客户的家庭情况、其他电器的品牌、购买时间等一一记录下来，以便后续对于客户进行营销。

　　再举例来说，疫情阶段对于制造行业的一个打击就是工厂因为有人参与需要停产。而一家皮包制造品牌却因为无人化工厂，生产没有受到任何的影响。一个订单从进入工厂，到3000个皮包出货，全程没有人工参与，都是计算机在做流程的安排。想要实现这种“停工不停产”的业务模式，就需要将很多个业务环节（如工艺拆解环节、物料采购环节、排程环节等）的数据沉淀下来，让计算机进行分析和学习，从而完成各流程环节的无缝衔接，如下图所示。

　　产线实时运行数据、排产计划数据（产品订货量、交付时间）、产品对应工序工艺路线图、工序所需设备及完成工序所需时间、产线站位分布及对应设备信息等数据，全部沉淀到数据资产管理平台，以便后续的数据治理、分析等，最终支撑生产数据分析、产线优化、订单排期、库存自动化巡检等业务场景。

　　这个环节至关重要，所谓巧妇难为无米之炊，如果业务数据不能沉淀下来，自然后续的环节也发挥不了作用。而如何将更多的业务数据沉淀下来，组织应该考虑的往往除了技术因素还要有流程再造的方面。如果现有业务流程无法满足数据沉淀的需求，那么流程是否可以再造，完成对于数据的沉淀？这个是组织需要考虑的重要因素。

　　数据资产化的环节着重将数据进行全方位的治理从而形成一个组织重要的数据资产。大数据具有多源异构、价值分散、质量参差不齐等特征，而这一阶段做的事情就是要构建数据接入、数据治理、数据开发、资产管理乃至将治理好的数据以服务的形式开放出去的一系列能力，也就是我们通常说的构建组织的数据中台，实现数据“进得来，管得了，治理好，可得见，控得住，可共享”。

　　数据资产化是一套复杂体系流程，需要经过数据接入、数据存储、数仓设计、数据质量管理、数据安全、数据运维可视化、数据开放等多个环节的协同工作，才能将一个组织的数据转化成高质量、统一标准的数据资产，用以支持后续的数据分析和数据应用。而由于其存在很多的诸如数据清洗、数据标准建设等在内的辛苦工作，就需要组织在做此工作时具备足够的耐心、细心和责任心。数据资产化是组织数字化转型的基石，如果一座大楼的地基没有打好，对于上层建筑装修得再华丽也有倒塌的风险。

　　举例来说，一家全国性零售商业中心，在全国有数十家大型门店，每个门店独立运营，数据都是独立存储的。当这家商业中心总部想统计“皮尔-卡丹”这个品牌在所有门店的销售情况时，就要先将各门店的数据进行拉通治理。由于在之前的独立经营，不同门店的数据标准都不一样，A门店信息系统中存储的品牌名称为“皮尔·卡丹”，B门店信息系统中存储的品牌名称为“卡丹 皮尔”，C门店信息系统中存储的品牌名称为“Pierre Cardin”，如果不做充分的数据治理，就会错误地把这一个品牌处理成三个不同的品牌。那么后续的数据分析和应用就会产生偏差。而成千上万个品牌的数据治理，就需要人工+系统协同的方式进行清洗、标准化、归一化。商品的数据尚且如此，人的数据就更复杂和碎片化了。

　　如上图所示，一个组织的客户（对于To C的企业来说即消费者，对于To B的企业来说即关键人物）可能存在在多个和组织产生联系的节点上，如何以人为中心去拉通所有行为，从而形成对这个人的统一认识，就是数据治理的一个核心问题。还用零售行业作为举例，客户管理系统（CRM）、结算系统（POS）、停车场系统、线上商城、企业微信等都存在这个人的信息，而ID更是五花八门，包括了姓名、手机号、邮箱、微信号、银行卡号、浏览器Cookie等等。只有经过充分的数据治理才能形成以人为中心的数据资产，为后续的客户画像、精准营销、定制化服务打好基础。

　　数据资产化环节的重点是打造基于大数据技术的数据资产管理平台。这其中有三个关键工作。1）构建统一标准的数据治理体系。进一步地，数据治理的核心要素包括数据标准管理、数据质量稽核和源数据管理。2）建立全链路数据生命周期管理。所有的数据都应该经过一套标准的处理流程，完成采集、清洗、融合、分析挖掘、应用、归档、销毁等各环节。流程中每个步骤都要有具体的工具来支撑数据开发者快速上手。3）打造面向分析挖掘的新型数据仓库。将结构化、非结构化，实时、离线业务数据整合起来，构建一套既能管理全域业务数据，又能支撑上层应用需求的新型数据仓库，方便查找并使用各类业务数据，以及后续的数据分析挖掘和应用开发。

　　在数据资产化之后的阶段就到了和业务场景需要深度融合的资产应用化阶段。组织的数字化转型其终极目标是为了让数据发挥价值，支撑组织的战略实现，而组织的战略实现需要各业务部门各司其职，协同作业，完成目标。所以从这个角度来看，组织的数字化转型最重要拆解到对各业务部门的工作支撑上来，运用数据的力量对其洞察、分析、决策、行动做出支持。

　　这个阶段有两个重要的问题需要被回答，第一个问题是：组织有哪些业务部门的哪些工作可以被支持？第二个问题是：如何安排支持的优先级？

　　想要回答第一个问题，我们首先要对组织的业务进行梳理，并对业务的数字化现状进行评估。梳理组织的业务有很多基本的管理模型可以借鉴。其中比较常用的是波特价值链。波特价值链把组织业务分为管理类业务和核心业务两种。管理类业务包括组织管理、技术管理、人力资源管理、风险管理等，核心是完成效率、成本、质量、风险等控制类管理目标。而核心业务包括品牌推广、商品管理、渠道管理、供应链管理、营销管理等，核心目标是实现组织的发展。

　　基于波特价值链，可以对核心价值链业务和管理类业务两方面对各业务域所需要的核心能力目标进行分析，把组织的战略目标分解到业务域。举例来说，一个大型零售电商平台基于波特价值链把他的核心业务分成11个重要业务域：品牌、商品、制造、渠道、营销、零售、服务、物流、金融、组织、技术。

　　当我们得到了组织的业务域之后，我们再根据业务域拆解业务组件，业务组件要定义清楚其业务目标、用途、关键活动、资源、治理和业务接口。一个业务域通常会包含若干个业务组件，通常是这个业务域最重要的工作。例如，品牌推广的业务域包括市场研究、品牌管控、用户分析这三大业务组件。在定义清楚业务组件之后，我们就可以评估各业务组件的数字化水平和能力了，评估可以有不同的角度，通常从数据融合、数据治理、数据洞察、数据挖掘、数据可视化、数据自动化程度等维度进行评估。

　　本阶段的第二个问题如何安排数字化应用建设的优先级？这里要考虑到三个度的问题：1）业务场景的价值度；2）业务对于数字化转型的迫切度；3）业务部门的配合度。

　　业务场景的价值度通常来说和业务对于组织目标的实现直接挂钩。对组织战略目标实现帮助最大的业务组件通常来说具备更高的价值度。经常有人会问数据的价值到底怎么衡量？从某种程度上来说，数据本身没有绝对价值，数据的价值取决于它能够支持的场景的价值。而组织在进行数字化建设的过程中，需要核心人员对于业务场景价值度达成一致，这样才对后续的先后安排有所帮助，因为毕竟研发资源是有限的。

　　后两个问题在梳理组织业务域和业务组件的时候就可以感受到。不同业务部门对于数字化转型的关注度、迫切度和配合度是不一样的。有一些部门非常关注，主动配合，对于组织数字化转型很期待，对于数字技术能从哪些方面带来已有业务的支撑和新业务的设计有比较清晰的规划，这样的业务部门通常会得到优先建设。另外一些部门，对于数字化转型具有一定的抵触情绪，一方面是觉得数字化技术对于自身业务帮助不大，另一方面认为配合会带来自身时间和精力的损失，有些部门和人员对于新技术一无所知。这样的部门一般是建议在后续建设中延后安排针对其的大数据应用。

　　总结下来，一个三到五年的数字化转型规划需要结合这三个问题来安排每一阶段建设的规划，发挥种子业务应用的带动作用，当所有部门看到种子部门数字化应用取得的成绩之后，其配合度和意愿度均会有显著提升。

　　第三阶段完成后，组织可以绘制出一个数字化转型的建设蓝图。蓝图应包括组织在短期（1-3年内）、中期（3-5年）、长期（5-10年）各业务部门和管理单元利用数字化进行业务再造和创新的规划以及优先级。一般来说，组织各部门会根据其需求构建五大类型的数据分析和七大场景的数据应用。五大类型的数据分析分别是描述型数据分析、诊断型数据分析、监控型数据分析、预测型数据分析和指导型数据分析。通常随着从描述型到指导型的演进，所需要的数据源会越来越丰富，数据分析的价值度逐渐递增，其支持的数据应用的智能度也在逐渐提升。而七大场景的数字化应用分别是监控、预警、预测、决策、协调、调度和指挥型应用。值得一提的是，并不是所有组织的所有业务单元和管理部门都需要构建完整的五大类型数据分析和七大场景数据应用，而应该依具体需求来进行设计。在这里我们主要介绍数据分析的五大类型。

　　描述型分析通过量化历史数据的中心趋势、相对位置、离散程度和相关性等特征，展示出组织的运营状况，并试图从历史规律中洞察出问题所在。一般来说采取统计描述型分析，通过求和、平均值、最大最小值、同比、环比等计算过程完成，输出以日常报表、周期性报表、看板、大屏和移动端为主。例如，在企业中，用户可以基于每月的业务流转数据，进行分类、对比、趋势分析，以产出历史发展趋势和周期性报告。描述型分析可以从历史规律中洞察问题，可以回答“是什么？”的问题，想要诊断问题背后的原因还需要对数据进行深度挖掘。

　　诊断型分析由问题表面入手，通过数据下钻，深挖问题发生的根本原因，以帮助组织深入了解问题本质，预防问题再次发生。通过上卷、下钻、联动分析、筛选、跳转（传参）等计算过程实现，输出以问题原因、机会发现、诊断分析报告为主。通过对描述型分析展示异常（好的结果/坏的结果）的指标进行洞察，结合多维交互和逻辑、对比、相关性等分析方法，对原因进行推导，以避免坏的结果再次发生，实现好的结果经验沉淀。

　　例如，一家综合性汽车销售公司发现最近几个月车辆销售情况不好，想探究这其中的问题，首先需要做各门店销量展示，查看各门店汽车总销量、分品牌数量和类别进行透视；当发现某一门店销量显著低时则进一步查看销量最低的销售员情况以及销量最低的汽车品牌；再进一步查看销量最少的具体车型，并根据一系列分析结果指导仓库适当调整库存，调整营销刺激政策，改善促销政策。诊断分析往往在问题发生后才能定位原因，时效性差，具有滞后性，想要预防问题的发生还需要实时预警分析。

　　监控型分析通过接入实时数据，在分析平台灵活配置预警规则，帮助业务提前感知问题所在、自动预警潜在风险，从而有效地支撑组织快速响应。这就需要利用到实时数据，选取预警指标，确定预警规则、配置定时调度等计算过程。输出以监控型看板、预警可视化、手机、邮件预警推送为主。组织中，可根据不同流程设置业务预警规则，当业务指标达到阈值时，自动触发预警，进行消息推送/邮件告警。由“人找数”过渡到“数找人”，主动提醒业务部门及时预警。

　　例如，某物流订单数据监控应用，当购进量同比增加100%以上，或布货终端数月度增长降低50%以上时，系统应用会同时触发邮件预警推送和手机预警推送来提醒组织相关负责人进行查看。再例如，零售企业的供销存系统会打通在售数据、开云电竞网物流在途数据和实时库存数据，当库存小于一定的阈值时，进行自动化补货预警，以实现应用的智能化、动态化。

　　预测型分析利用数据变化的规律和各个节点，来进行预测事件未来发生的可能性、预测一个可量化的值，或是预估未来一个时间段业务的发展趋势，以支持组织做出更好的决策。其输入多包括历史数据、实时数据和预测需求，以构建数据模型、模型效果调优、模型开发部署等作为计算过程，输出预测结果和业务趋势。企业常通过预测未来销量，进而指导采购销售管理；政府常预测经济发展趋势或者人口增长。数据分析师首先梳理影响预测目标的内外部因素，构建预测模型的指标体系，接着采集关键节点数据，建立预测模型体系，最终输出逐级的预测结果，通过可视化展现结果或者发展趋势。

　　例如一家3C制造类企业，想要预测各部门及产品的销量，首先要明确预测目标，需要完成不同时间窗口、不同型号产品的销量预测。接下来选用超大规模多层级时间序列预测策略，使用GBDT算法进行建模，输入数百个原始变量进行预测。通过超参数进行模型优化，使用多种统计指标综合评估模型效果，最终输出结果。最后在模型确认无误后，部署上线，测试监控，和业务系统对接。

　　值得一提的是，在预测型分析中我们会用到统计模型和机器学习模型，前者具备比较好的可解释性，而后者通常以预测准确率为目标，“黑盒”性质更强一些。预测分析可以为组织提供关键洞察，但决策者还需要综合其他业务信息和经验判断才能确定决策行动。

　　指导型分析基于对“发生了什么”、“为什么会发生”和“将会发生什么”的分析，通过算法服务寻求最优路径解决方案，帮助组织决定应该采取什么措施。指导型分析是五大类型中最为复杂的分析，其以历史数据、实时数据、预测结果、优化目标作为输入，以构建业务模型、机器学习算法、运筹优化模型算法、模型效果调优为计算过程，输出决策结果和行动方案。指导型分析基于描述、诊断、预警、预测实现业务“Know-how”，结合专家经验模板提供行动智能应用。常见的行动智能应用有：金融风控、在线学习、物流路径规划等。

　　例如企业中指导定价问题就是一个常见的决策问题。单价定高了会导致销量下降，而单价定低了又会导致利润不能最大化。解决这类问题首先要有一个明确的业务目标，是最大化销售额，还是最大化利润？其次要全面收集相关数据，包括客户、产品、营销、竞争、宏观政策等多维度数据，构建业务模型并使用机器学习和优化算法进行模型构建，最后得到符合优化目标的最优化价格指导意见。这个类型的分析支撑的应用一般来说是智能性最强的应用，开云电竞网而目前业内行动智能应用落地需要结合垂直场景的业务和全栈数据智能技术进行定制。

　　组织的数字化转型是一个长期的、持续优化的过程，不是一蹴而就的。越是大型的组织，越要建立起打持久战的思想准备，不要对于技术落地的速度有盲目的预期。同时，数字化转型的组织工作也要同步开展，除了一把手重视以外，各业务和管理部门负责人和核心骨干成员也要进行技术宣贯和教育，否则很容易受到抵制，导致转型进展不利。组织的负责人应该任命数字化转型小组组长（通常来说是组织的首席数据官CDO），并抽调业务部门核心骨干成立专门的数字化转型小组，配合组长的工作。数字化转型小组可以是虚拟的，也可以是实体架构，关键是需要长期存在，并保证权、责、利对等。只有这样，才能让组织的数字化转型有良性的、长期的发展。

　　另外一个很重要的事情是，虽然数字化转型是个长期工作，但需要设立阶段性的里程碑，可以是一个快速验证价值的业务场景（通常被称为“Quick-Win”），这样做的好处是在漫长的技术落地过程中，维持业务部门和业务人员的积极性，让组织内部看到价值，充满活力，实现最佳实践从1到N的裂变。当组织的所有成员都看到数字化转型带来的益处时，就会进入到群体智慧大爆发、大众创新的迅速推进阶段。最终，组织的数字化转型能否成功还是要取决于每一个组织成员如何看待它。

　　杜晓梦，北京大学国家发展研究院助理研究员，管理创新实验室副主任。杜老师的研究领域为大数据营销、消费者行为、营销模型、数字经济。