1.3　通往数据自由：数字经济之现状

数据中蕴含了非常有价值的业务知识，因此通过对数据进行分析可以获得宝贵的业务洞察和业务机会。人们可以充分利用数据资源，结合各种信息技术实现对业务的升级和优化。那么当前在数字化的产业落地方面的发展水平如何呢？如果要想做好数字化转型，接下来又应该做好哪些方面的工作？

本节主要讨论当前数字经济发展的现状及数字化产业中的一些基本角色与业务活动。首先本节将讨论一个与数字化十分密切的概念——信息化，并指出信息化是企业走向数字化的必经之路。通过介绍信息化与数字化的关系与区别，可以让读者更加清晰地认识到数字化的内涵和意义。

1.3.1　信息化浪潮：数字经济发展的必经之路

提到数字化，就不得不提到信息化。信息化的概念出现比数字化要早很多，早在20世纪70年代后期不少国家就逐渐开始了关于信息化应用的探索。与数字化不同，信息化强调引入信息技术来提高业务效率，但并没有突出对数据的使用和围绕数据的业务创新。信息化的概念并不复杂，简单地讲就是企业通过构建各种业务系统，实现业务活动从线下到线上化的转变，提高业务执行的自动化水平和信息获取的便捷程度。

办公自动化（Office Automation，OA）是信息化的典型应用代表，很多办公流程可以通过网络平台实现无纸化办公，其意义不仅是能耗的节约，更多优势在于实现信息留痕，使内容便于检索，以及远程任务的实时对接。

在市场营销领域，通过客户关系管理（Customer Relationship Management，CRM）系统，企业的运营人员可以更好地对客户的信息进行集中管理和分析，并根据营销计划对每个用户细分群体进行定向的活动信息推送。

在制造业领域，信息化则对应着企业资源计划（Enterprise Resource Planning，ERP）和制造执行系统（Manufacturing Execution System，MES）的大规模引入和普及。ERP实现了制造企业在供应链中财务、市场、物流、销售、采购等不同维度的信息整合与统一管理，MES则提供了对工业生产设备进行自动化执行控制的核心连接功能。

OA、ERP、CRM都属于MIS（管理信息系统）的范畴，相比较来看，MES更倾向于业务运营系统的范畴，但不管怎样，广义上这些信息系统都属于信息化时代的产物。随着越来越多的企业对信息技术的接受程度不断加深，并寄希望于通过引入信息技术来提高产业效率，面向不同行业、不同业务的信息系统解决方案在过去三十多年来层出不穷，很多业务在电子化、线上化、自动化水平上都得到了大幅度的提升。

在信息化的过程中，通过构建信息系统，让业务的效率得到显著增加，在系统的运作过程中也实现了数据自动产生和自动存储的效果。信息化和数字化都涉及系统建设，并且都涉及与数据的紧密联系，尽管如此，二者工作的本质逻辑是完全不一样的。很多进行数字化转型的企业会对信息化和数字化的概念产生混淆，并且难以区分二者之间的差异。信息化和数字化的区别如图1-9所示。

信息化解决的是“效率”问题，而数字化解决的是“效能”问题，或者说数字化解决的是“创新”问题。在信息化中，数据是业务系统的输出，是结果，而在数字化中，数据既是输出也是输入。业务系统产生的数据，通过数据分析得到结论，再反过来作用于业务系统。

从本质上讲，信息化只是把业务从线下“搬到”了线上，提高了业务的执行效率，而并没有对原有的业务流程产生本质的改变；数字化则充分利用数据中的结论，并把数据作为业务生产要素之一（用于控制或决策），对原有的业务模式进行更深入的改造和优化，实现业务创新，增加业务的整体“效能”。

很多企业在数字化转型中，经常犯的错误就是，“误把”数字化当作信息化来做。在数字化工作中，只是建设了一些业务系统，提供基础的信息服务，但并没有把系统中的数据真正用于业务模式的创新优化中，即便如此，信息化建设对于数字化转型来讲，也是无可厚非需要重点开展的一件事项。信息化是企业进行数字化转型的必经之路。

很多传统企业或者其他非数字原生企业，本身技术基础比较薄弱，这些企业在上一波的信息化大浪潮中没有很好地跟紧时代趋势，在现有业务中对信息系统的建设和使用方面仍然存在较大的短板。正是基于这样的情况，这些企业对数字化创新所需的数据积累天然不足，因此，它们首要的工作就是搭建基础的信息技术能力。

“巧妇难为无米之炊”，数据是一切数字化转型工作中离不开的核心内容。在进行数字化转型之前，企业首先需要在日常运营活动中充分地引入信息系统的使用，通过信息系统自动地积累必要的业务数据，从而保证数字化活动开展有足够多的数据资源可以调用。

数字化必须基于信息化的基础展开，这样做的好处在于可以获得足够的数据生产环境和信息化服务环境，同时也面向数字化建设的人才需求和技术需求形成丰厚的能力积累。

1.3.2　当数据科学走向实用化：数字化创新

随着产业端信息化的进程不断加深，很多企业开始尝试在通过信息系统所获得的数据内容上进行分析实验，人们通过各种数据分析方法和数据挖掘算法得到有趣的分析结论，同时数据科学的学科发展也迎来了加速的发展节奏。

数字化创新是数据科学走向实用化的产物，优秀的数字化创新成果既取决于数据科学技术的应用能力，也取决于很多非技术的业务因素。

1.数字化创新的技术因素

数据科学是关于数据处理方法的学科，数据科学的研究目的是通过对数据进行分析，揭示关于数据背后业务的有价值信息并指导业务实践。除了传统的统计分析，数据科学还关注和计算机科学相关的数据挖掘算法和人工智能算法。数据科学的学科发展并非近一两年的事情，统计学的理论从20世纪初叶就已经成熟，而计算机技术的能力升级和广泛应用加速了这一过程。

计算机的“算力”优势拓宽了人们处理数据的能力边界，与此同时，大数据技术的流行又进一步提升了人们对数据的计算和分析能力。人们不仅可以从处理中等规模的数据中快速寻找统计规律，从中提炼有价值的业务结论，还能够在海量数据环境中处理更加综合、更加复杂的业务问题。

数据科学的发展让人们在技术维度拥有更强的工具来开展数字化应用，人们对数字化实践热情和动力也随之高涨。在数据科学技术的促进下，利用数字技术进行业务创新的尝试和相应的成功案例也在不断增加。

2.数字化创新的业务因素

人们的确应该由于技术的进步对数字化创新更有信心，但需要注意的是，技术工具只是数字化成功的必要条件之一。尽管数字化业务创新离不开数据分析，但是从数据分析到真正成功的数字化创新应用之间仍存在着很大的差距要逾越。一个典型的数字化应用的标准流程如图1-10所示。

首先，数字化转型不仅关于数据分析，数据分析工作只是整个数字化活动中的一个环节。在数据分析之前，首先要从外部环境中获取数据，而在数据分析之后，还需要根据数据分析结果进行业务决策和与数据相关的应用系统设计，而即便在系统建设工作完成之后，数字化也还没有结束，真正决定数字化结果好坏的关键其实在于数据相关系统的具体使用情况，即企业是否通过系统能力对业务进行了优化。

在定义清晰、结构化程度较高、数据完备、数据质量优质的业务场景下，构建一个“漂亮”的数字化案例是比较简单的，但是现实场景往往不这么理想。现实应用中，业务问题是开放的，业务逻辑是模糊且复杂的，数据是不完备甚至是不可获得的，而同时业务需求又通常是重要而迫切的，因此，如何把现实世界中综合复杂的业务需求抽象为数字世界中可客观量化评估的数据科学问题，并构建出相对可行的技术解决方案，就成了数字化实践的核心工作。

做好这样的数字化业务顶层设计，仅仅掌握数据科学技术能力是不行的，还需要具备丰富的业务经验和管理协调能力。这也是为什么在企业的数字化转型中，相关工作更多地以跨部门、跨团队的形式展开。另外，数字化转型项目的牵头人，不仅需要一定的数据科学素质，更应当是在行业中有一定深耕积累的行业专家。

数据科学的理论能够帮助人们更好地理解数据的价值和内涵，当人们具备了一定的业务经验储备后，可以更好地洞察到数据中蕴含的业务机会。数据科学提供了一个新的看待业务问题的视角。在业务域无法看清的问题在数据域中可能存在可行解。数据科学可以极大地拓宽人们解决问题的工作思路。

可以确定的是，在数字经济时代，随着数字化转型的实践项目经验越来越丰富，数据科学也必将逐渐走出“实验环境”与现实业务更加紧密地结合，加速数据资源的价值释放。

1.3.3　数字化产业服务：转型的技术落地

数字化转型都需要做哪些事情呢？这些工作又与数据科学技术有什么关系呢？数字化转型是一个企业战略层面的综合任务，因此在应用落地上涉及包括管理、技术在内的多方面、多环节的具体工作。接下来不妨围绕数据相关工作来对数字化的相关工作进行介绍，具体包括数据治理、数据平台建设、数据创新三部分内容。

1.数据治理

数据治理（Data Governance）是组织中涉及数据使用的一整套管理行为，国际数据管理协会（Data Asset Management Association，DAMA）给出的定义是：数据治理是对数据资产管理行使权力和控制的活动集合。

通俗一些讲，数据治理就是要在企业内部构建起一套围绕数据管理工作的业务标准，基于这个业务标准，企业内部的所有数据相关事务可以有据可依，全部人员可实现从“业务到数据”的一致性理解和认知。在整个数字化项目中，数据治理处于最底层，支撑上层的数据平台建设和数据创新工作。数据治理进一步包括数据标准管理、数据质量管理、数据安全管理，以及数据架构管理等主要部分。

数据标准管理解决数据表示统一性问题，在企业中，只有对数据进行标准化，才能实现不同业务线条、不同信息系统之间数据信息的互联互通，实现高效的信息交换和数据服务支撑；数据质量管理解决数据质量评估的问题，企业需要持续地改进数据资源质量，保证基于数据资源所实现数字化服务的有效性，并不断提高数据资源的业务价值潜力；数据安全管理规定了数据存储和使用的安全性规范，保证数据所有者的信息安全和信息隐私，同时也让企业的数据相关业务能够符合行业监管要求；此外，企业架构管理是数据治理的另一个重要的管理内容，规定了企业中数据的业务内涵。数据治理的主要工作内容如图1-11所示。

企业的数据架构包括企业的数据模型、信息的价值链分析（使数据与业务流程及其他企业架构的组件相一致）、相关数据交付架构（包括数据库架构、数据整合架构、数据仓库和商务智能架构、文档和内容架构，以及元数据架构等）。基于企业的数据架构，企业可以建立起技术模型与业务活动之间科学的映射关系，进一步把业务需求转换为数据科学技术需求，并进行高效、准确的方案实践。

2.数据平台建设

对于转型的企业来讲，所有关于数据的工作都需要有系统载体落地实现，因此需要开展相应的软硬件资源建设，包括底层的数据基础资源建设和数据管理能力建设。

1）数据基础资源建设

对于数据基础资源建设，企业聚焦于通过底层软硬件资源解决数据的存储问题和计算能力问题，企业除了可以依托自身的技术团队来完成基础建设工作，也可以通过租用“云计算”服务的方式来快速获得相应的技术能力。

数字化转型中的第三方软件供应商也称为“云服务”厂商，其中，阿里云、华为云、腾讯云是国内数字化产业的核心“云”技术厂商。这些厂商不仅可以为数据中心的基础设施提供托管服务，还可以提供面向数据处理的软件运行环境及具体的软件功能。

一个相对通用的软件架构分为3个基本层级，即基础设施层、平台开发层，以及用户应用层。根据企业从“云服务”厂商获得数字化能力所覆盖的层级差异，可以分为IaaS、PaaS、SaaS 3种“云服务”模式。

在IaaS模式中，“云服务”厂商提供软件系统的基础设施层，包括基于互联网数据中心（Internet Data Center，IDC）的服务器、虚拟机、磁盘柜、计算网络，以及包括电力、照明、冷却设备在内的其他机房基础设施。

在PaaS模式中，“云服务”厂商提供软件系统的基础设施层和平台软件层，在基础设施层的软硬件资源之上，预配置所有与数据系统运行相关的平台框架，包括操作系统、基础算法库及和数据存储相关的数据库管理系统。此外，与大数据应用相关的技术中间件（分布式存储、分布式计算、流式计算）也会在平台软件层实现。

在SaaS模式中，“云服务”厂商除了提供基础设施层和平台软件层的能力，还可以直接为企业的终用户端提供上层的应用软件。订阅SaaS服务让企业不用自己建设应用软件也能快速获得软件服务能力，解决数字化的业务需求。

通过“云计算”服务，大多数进行数字化创新或数字化转型的企业不必重复构建底层的“数据基建”，从而能够快速适应业务需求的变化。除了便捷性的好处之外，企业还可以把与系统建设相关的底层复杂技术细节从数字化应用中剥离出来，更加专注于数据的使用和基于数据分析的业务创新，更有效地协调转型中多方面的资源投入。

2）数据管理能力建设

在数据管理能力建设方面，企业需要构建一套面向数据管理和数据分析的系统环境，这里又进一步包括两大类系统的建设，分别是数据中台和数据分析平台。

其中，数据中台提供了企业内数据资源的集中管理和数据基础服务的集成，可以把数据中台看作企业的数据资源池，源源不断地向前端业务场景进行数据赋能。数据中台提供了以数据作为要素的业务创新能力，数据中台提供的数据服务接口是前端数字化应用系统的重要组成部分。

数据分析平台主要是为企业内部提供综合数据分析能力，满足自动化的数据交互分析需求，数据分析平台是企业数字化管理的重要技术工具。除了提供与数据分析相关的统计和挖掘算法，数据分析平台还为企业提供丰富的数据可视化能力，能够以图表的呈现方式，直观地表达业务信息的内容。数据可视化功能可以帮助企业管理人员快速形成业务洞察力，更加快速、精准地形成围绕数据结论的数字产品设计。

3.数据创新

在构建了系统建设能力后，接下来是数据创新工作，也是最终面向业务活动真正让数据能力发挥作用的环节。数据创新包括对内创新和对外创新两方面内容。

1）对内创新

对内创新是通过引入必要的信息系统，以“系统+数据”的方式构建全新的业务活动机制，增加决策能力，提高服务质量水平和生产能力。对内创新也可以看作产业端的数字化创新。对内创新涉及数字化在智能制造、数字化办公、数字交通管理、数字城市管理等方面的应用，在该模式下，企业需要为围绕其日常运营需求构建起一套垂直的数字化技术能力，利用数字技术对产业赋能。

在数字产业服务方面，第三方机构除了可以提供基于IaaS或PaaS的底层数据服务能力，还能够提供面向具体行业的数字化解决方案，即SaaS（Software as a Service）软件应用。不同领域中都有很多权威的SaaS厂商，这些厂商大多熟悉某一行业的业务知识和业务逻辑，会提供面向该行业的一系列通用的数字服务技术。数字化企业可以根据其自身业务需求“按需订阅”所需的数据服务，灵活搭建自身的数字技术能力体系。

数字化综合服务产业图谱可以整体展示为传统企业进行数字化赋能的关键技术品牌。数字化服务产业图谱分为基础层、平台层和应用层，如图1-12所示。

基础层为数字化应用提供底层的软硬件运行环境，主要数字技术产品包括云服务、基础软件、基础硬件；平台层为企业提供跨业务、跨场景的通用数据处理系统，主要数字技术产品包括大数据平台、数据中台、数据可视化平台；应用层为企业提供面向具体应用需求的数据分析工具或基于数据处理能力的业务自动化工具，赋能办公、销售、人力、采购、客服、财税、电子签名等不同运营和管理职能。

2）对外创新

对外创新是要以数据为基本业务要素，设计数字化产品或数字化服务，进行业务创新设计和服务体验的增值，这类创新更多地被看作消费端的数字化创新。对外创新不仅是企业运营能力的升级和优化，更是对服务模式的创新，给消费者带来全新的产品和服务体验，以赢得市场上的产业竞争力。

对外创新涉及数字化在智能家居、智能穿戴设备、数字传媒、在线社交、智慧金融、智慧医疗等方面的应用。考虑企业自身的业务特色和市场竞争需求，企业在设计面向C端的数字创新应用时更多采用“自研+合作”的方式来开展。这些数字创新应用的技术内核通常以数据服务的形式部署在“云”端的数据中台的底座之上。随着数据中台不断积累高质量的数据资源，企业可以构建出越来越稳健的数据服务，并支撑更加丰富的数字化应用场景。此时，企业面向前端服务的创新能力也会同步得到强化。

值得强调的是，无论是产业端的数字化创新还是消费端的数字化创新，都离不开优质的数据资源。对于开展数字化转型的企业来讲，尽管数据价值体现在最终数字化应用创新的环节，但是更多的努力需要集中在前期数据积累、数据准备，以及与数字化实践相配套的数据管理制度建设方面。