企业数字化转型-数据驱动的核心逻辑

企业數位轉型-数据驱动的核心逻辑

在前面谈企业數位轉型技术应用趋势的时候,我更多的是从万物互联和泛终端化,技术平台和云原生,IT组织架构重塑,生态构建等方面展开描述。而没有对一个关键内容的数据展开进一步的阐述。

对于企业數位化,在前面多次强调了三大核心内容,即连接,数据,智能

其内在的逻辑是首先通过连接解决了基本的业务协同问题,其次是连接产生数据,数据反哺业务,同时进一步实现数据驱动运营;最后才是进一步的基于数据来实现智能化场景应用和人工智能等高阶场景。

在最新的十四五规划和国资委下发的企业數位轉型的专题报告里面,都多次提到了大数据,数据中台,包括数据治理和元数据管理。数据作为企业的核心资产越来越受到重视,从最初的数据协助业务协同,变化为了数据驱动业务,数据驱动运营,乃至数据驱动人工智能和智能场景应用。

万物皆数-所有訊息都应该可以数据化表示

简单来说,万物皆可以用数据化的方式进行表示,不论是文字,数字,图像还是视频,所有都是数据的结构化或非结构化展现形式而已。

訊息化时代,如果库房里面有一个箱子,里面存放了我们需要的原材料,实际我们只会关系箱子里面原材料的数量,而不太会去关心箱子本身的地理位置,形状,已经箱子本身在库房里面是否移动过等訊息。

数字时代,我们从单纯的关注具体的数量,到了对整个事物所有地理空间,时间上位移,状态的关注。即从简单的对事物数量的关注到了对事物整体时空訊息和动态线索的关注。

在訊息时代,如果组织了一场会议,我们往往会在会议后整理一份会议纪要,记录会议的内容,但是文字的会议纪要却丢失了会议上类似人员沟通互动过程的形象化内容。而到了数字时代,结构化并不是唯一选择,我们完全可以通过更多的终端设备来实现会议过程视频化和图像化的全程记录。

简单来说,在數位化时代,我们对事物的观察不再是简单的状态或数量,而变成了对整个事物时空訊息和所有动态变化的全程记录。所有的文字,视频,声音,地图都是訊息,最终都会转变为类似01比特流的数据化表示。

业务驱动还是数据驱动

对于企业數位化谈得比较多的一个词就是数据驱动,那么什么才能够叫数据驱动?

两个业务员到非洲去卖鞋,发现非洲人都不穿鞋。一个业务员说,非洲人不穿鞋子,这里没市场。而另外一个业务员则说,不对,非洲人都没鞋子穿,这里的市场一片大好。

上面这个例子大家都听过,实际体现的是两种不同的思考方面。在业务驱动下的思考更多的是当前是否有市场和需求,我基于市场需求去生产对应的产品;而对于数据驱动更多则是应该考虑你当前有哪些数据和资源可以利用,如何去引导或产生需求。

在业务驱动IT的传统訊息化建设模式下,实际可以看到数据库或者数据的形成往往只是业务运作最终形成的历史记录。即数据本身是一个业务协同后的附属品,形成的数据作用也仅仅是后续的历史数据查询统计,后续的基于数据的决策分析等。

业务驱动下,虽然形成了数据,但是我们对数据的使用是有明显延迟的。我们对业务场景和流程的满足体现出了足够的敏锐度,但是在数据层面却是明显的钝感。

在谈数据中台的时候谈到了一个关键点,即数据要实时的反哺业务,数据能力要及时地开放出来,并实时的为业务服务。

那么这个是否就是数据驱动业务,数据驱动运营的核心逻辑?

我个人理解数据驱动的含义不应该局限在上面这个层面,数据反哺业务,本质还是业务驱动,只是加快了数据利用的敏捷度,减少的数据的钝感。在本质上你并没有走出业务驱动的本质思维。

訊息无处不在-如何采集和转化

在谈數位化的时候,我们比较容易谈到类似物联网,各类传感设备,5G,云计算,区块链,数字孪生等各种技术发展趋势。但是所有技术存在的目的仍然是为业务服务,为数据的产生服务。

訊息无处不在,关键是你需要如何去采集和转化。

语言的产生加速了訊息的传递,群体和组织的形成;而对于文字的产生让我们进入到信史时代,大的历史事件可以被记录和追溯。而随着物联网,各类视频音频等电子设备的产生让我们进入了大数据时代。

所有事物静态特征和动态行为表现都是訊息,所有訊息皆可以被数据化。

在訊息化时代,更多的訊息都是结构化的表单数据,需要的是人工去手工录入和变更。而在數位化时代,我们认为所有的事物静态特征,动态的时空位移訊息都应该被自动化地采集和记录。数据不应该简单停留在人工录入形态,而是应该通过连接后自动产生和形成,被自动采集,加工和存储。

数据可以精确地还原你在过去某一天的地理位置,静态特征,行动归结和路线,你开过的会,去过的餐馆等诸多訊息。而这些訊息并不是你特意进行了人工输入和录入,而是被自动化的进行了采集和存储。

数据驱动的核心逻辑

经过前面的分析可以看到,数据驱动的逻辑不应该是数据如何反哺业务,而应该是数据如何去产生新的商业模式或业务形态。

你可以考虑你当前手里面有哪些数据资产,你如何去将这些数据资产变现,或者说为了支持你的业务战略或运营,你需要什么样的数据来支撑,然后是通过什么样的方式来采集或获取这些你需要的数据。

简单来说,数据驱动逻辑步骤应该如下:

  1. 业务目标或商业形态如何分解为数据构成
  2. 当前已有哪些数据,还需要采集或集成哪些数据
  3. 如何完成数据的采集和集成操作
  4. 如何去运营数据完成你第一步的业务目标和商业形态

在整体思考的第3步,我们可能涉及了一个独立的业务流程或业务功能来完成数据的采集和形成过程。即业务流程本身为数据形成和积累提供服务。

CSF关键成功因素法是以关键因素为依据来确定系统訊息需求的一种MIS总体规划的方法。在现行系统中,总存在着多个变量影响系统目标的实现,其中若干个因素是关键的和主要的(即成功变量)。通过对关键成功因素的识别,找出实现目标所需的关键訊息集合,从而确定系统开发的优先次序。

这个实际和很多年前谈的CSF关键成功要素法类似,即先找到关键要素,要素即数据,找到关键要素后再考虑如何通过业务或流程去落地。

业务流程或协同最终服务于数据的积累和形成,业务流程是辅助,数据资产形成反而成为了核心竞争力。这才谈得上真正的数据驱动。

否则你会看到当前的数据中台,大数据分析平台等仍然是在走传统的BI和数据仓库的老路,构建的数据资产也仅仅是满足旧业务形态,为旧的业务运作服务。可以看到数据驱动思维本身又回到我们传统的目标管理和结果思维,即你关注的是最终数据资产,其次才是形成数据资产的过程,过程的价值是为结果服务。

类似当我我们谈得最多的数据驱动运营也是同样道理,你首先考虑的是运营目标和KPI,然后再考虑要达成这个目标需要采集和形成哪些数据,构建哪些模型。然后再有针对性的通过业务流程或业务功能,智能的泛终端设备等来实现数据的采集。

数据是迈向人工智能的关键

在很早以前的人工智能研究里面,更多的就是想着去模仿人脑思考和推理的过程。通过提供不同的输入方式让计算机进行学习,产生一个算法模型。然后对于新的问题可以用模型去解决。类似人工神经网络,遗传算法等都是这个思路。但是当你提供的输入不足够多的时候,这个模型很难快速地收敛,也很难得出一个精确化的确定模型。

在大数据出现后,形成了计算机解决问题的新思路。

深度学习+大数据 = 人工智能

即从传统学习和建模推理思路转移到基于统计学的思路,简单来说就是只要有足够多的数据,我就可以自我学习,自我训练,形成了类似人脑一样的智能处理和分析能力。

比如一个计算机能够识别一只动物图片是猫,并不是计算机能够精确地描述出来猫应该具备的体型特征,而是图片中的动物的特征矩阵和数据库里面的动物猫最匹配而已。包括谷歌的阿尔法狗战胜李世石在17年也引起了轰动,再次展示了深度学习算法和人工智能的威力。

以阿尔法狗为例,再来看数据驱动思维就应该是:

  • 目标:期望开发一款阿尔法狗的围棋大师
  • 数据:需要收集所有的历史棋谱訊息
  • 过程:对数据进行录入,并进行深度学习训练

这也进一步的说明数据驱动下的思维过程是目标驱动的,并不是说你以前的业务产生了多少数据,如何更好地利用这些数据。而是在谈我们希望有一种什么样的智能化能力,这个智能化的能力需要我们去采集哪些数据,开发哪些功能,如何进行建模和训练。

在业务驱动的思路下,你老想着你已有的历史数据资产,想着这些数据资产能够产生哪些价值,但是这些数据资产往往除了做一些辅助决策支持外,并不能产生大的作用。

如果真在要做大数据分析和人工智能,那么你需要采集数据的范围,时空的广度都必须成倍地增加,也就是谈到的一些訊息既数据,要以目标驱动来思考究竟需要哪些,然后有针对性的去采集和集成。

What do you think?

Written by marketer

知识付费系统搭建的三条主流路线

金融数字化转型终极畅想:成为金融智能机器人