专栏名称: 数据治理体系

持续完善数据治理实战体系，数据仓库、标签、数字体系，实现业务数字化，数字资产化，资产业务化，资产资本化；回归业务场景的数字化案例才最具参考价值，最容易理解和借鉴的。

数字化战略发展五维度

数据治理体系 · 公众号 · · 2024-02-29 07:59

正文

企业刚开始进行数字化升级和转型时容易遇到难题。一是虽然行业中的成功案例比比皆是，但企业完全照搬外部经验构建自己的数字化战略并执行时，效率可能不增反降。二是企业在数字化战略上能够投入的资源有限，希望投在价值回报最大的方向，但数字化项目的价值回报并不确定，导致资源难以集中。针对这些痛点，本文提出企业在制定数字化战略时可以集中资源发展的五维度。

一、五维度内容侧重不同

1. 精益化维度

精益化维度的主要任务是通过精益管理定位并消除企业运营过程中存在的浪费，系统性实现降本增效。包括实际业务数据采集，企业核心流程梳理，分析核心业务数据，最后基于分析结果构建匹配的数字化解决方案和配套的新流程。

数字化战略在精益化维度的发展，首先要实现企业运转状态的透明化，充分暴露业务中预期同实践的差异，并重点寻找差异产生的原因。其次是使用数字化工具，改进甚至取代当前的工作流程，缩短业务实际状态同期望之间的差距，有效提升企业内部绩效。例如，企业通过数据分析，发现某型测试设备的单日实测任务量比预定值平均低 2个单位，主要原因是设备预约管理颗粒度较大（以天为单位）。解决方案是通过信息系统导入，将测试管理颗粒度单位提升为小时，使单日测试量大幅度上升。

数字化在精益化维度的改进不可能一蹴而就，随着市场风向的快速变化，企业的业务和流程变化也愈加频繁，数字化战略也应该遵循持续改进的原则，不断迭代。

2. 集成化维度

本文所指的集成化维度同软件工程中系统集成概念相关，但有较大区别。企业的主要工作包括数据标准化和互联化两部分。

数据标准化主要指对现有大量数据的整理和清洗，同时对后期数据采集工作流程实施改进。许多人误认为该工作只是那些拥有大量数据的企业才需要做，其实对正处在数据积累阶段的企业和组织而言更有意义。标准化工作的首要任务是依据企业的战略需要，制订符合自身的标准化计划。例如，选择标准的系统接口、通信协议、数据格式乃至数据载体等。其中还应包含建立与数据相关的标准工作流程，如数据的收集、上传、存储和使用流程。如果企业能够在数字化战略执行的初期完成标准化工作，就能够最大限度规避后期数据整理和清洗的巨大工作量。

互联化工作则非常依赖标准化工作的成果，主要工作内容是打通各数据源之间，以及数字化工具之间的壁垒。在数据互联层面，目的是实现数据共创、共存和共享，提升数据的使用效率并降低存储成本。在工具互联层面，主要是实现数字化工具的模块化、协同化和平台化。这样能够有效提高企业跨职能、跨区域、跨供应链乃至跨行业的协同工作效率。例如，将各职能部门的不同数字化工具应用化，放置在统一的信息化平台进行使用、管理和维护。从显示集成开始，逐步实现业务流集成再到底层数据的集成。

3. 定制化维度

从字面上看定制化维度，似乎与集成化维度矛盾，但实际上两者存在先后关系。定制化维度发展需要建立在集成化维度工作搭建的标准化框架上。定制化维度的核心工作是解决数字化转型中“最后一公里”的问题。由于企业内部各职能部门的工作职责、核心绩效和 KPI考核完全不同，因此不可能仅凭借一种标准的数字化工具满足所有职能部门的管理需求。在数字化转型进行到“深水区”的时候，一定要考虑各职能部门对数字化工具的定制化需求，通过满足这些需求，在微观层面立竿见影地提升某一职能部门的工作效率和产出，以实现在某个业务上的定向突破。例如，基于企业某核心产品线研发部门的研发流程，为其设计定制化的数据查询和使用工具，以此有效提高原方案设计数据的复用率，提高新产品研发和现有产品的更新速度。

4. 数据化维度

本文所指的数据化包含结构化、量化及模型化。企业在数据化维度的发展，主要需要完成以下三方面工作：

一是结构化，即对企业的核心业务流程进行结构化描述，如使用流程图或 UML 图；无法进行结构化描述的流程，意味着其在执行过程中存在较大的随机性，如果这种随机性无法被有效管理，就会存在风险。

二是量化，即对业务施行过程中的诸多核心绩效指标、流程节点或存在问题等被管理对象进行量化设置，如在项目成本管理中，某模块成本超过预算的 10% 后会被认定为成本严重超支。没有被量化的指标，也就无法被准确定义、描述、测量和管理。

三是模型化，就是尝试将客观世界内的物理实体，通过数据进行描述，如将一个产品系统数据化，并映射为一个虚拟的 3D 模型。

目前科研和工业界广泛使用的CAD/CAE/CAM、仿真和数字孪生技术，就是数据化维度范畴内需要做的工作内容，工业产品传统研发模式同数据化研发模式对比如图 1 所示。数据化研发模式有更多样、更短和更快捷的设计信息反馈途径，在软件产品管理的 V 模型和敏捷管理的实物产品设计中也能得到应用，产品迭代速度大幅提升，同时设计成本大幅下降。

图1 工业产品传统研发模式同数据化研发模式对比

5. 数资化维度

数据的最大特点是其可以像厂房、设备等实体资产一样成为企业的资产。数字化战略发展的数资化维度工作，就是针对这种特殊资产进行管理，核心目标是要提高数据资产的价值而不是数量。这不仅是因为物以稀为贵，更重要的是，若企业真正拥有高价值的数据资产，如数据、模型、图纸，甚至是数据相关算法，这些都可以成为新产品和对外业务，并促使企业在业务层面实现真正意义上的数字化转型。

基于 DIKW 模型（Data Information Knowledge Wisdom），本文总结数资化维度的主要工作包括：一是对收集的数据进行清洗、整理、组合和提炼。二是通过 4 个增值过程对数据进行加工和转化，将数据转化为高价值的数字资产，如图 2 所示。伴随整个数据的增值过程，企业的数字化转型对业务的贡献也会逐渐由内向外延展，最终实现业务上的数字化转型。

图2 数据资产增值与贡献变化过程

二、五维度能带来独特价值

1. 提升内部绩效

精益化维度带来的独特价值主要体现在为企业从内部节流。首先，组织变得更加透明，一些潜在问题能够暴露出来。其次，通过分析并寻找主要原因，改造并消除不必要的浪费。随着数字化战略在精益化维度上的发展，企业的管理颗粒度会变得越来越细，这不仅能够带来节约，更能够为企业后续要进行的基于数字化转型要求的业务工作乃至组织架构调整工作，提供真实、完整和可靠的信息。

2. 完整性与多元化

集成化维度带来的独特价值主要体现在跨组织的沟通和协作上。首先，在数据层面，采用标准的数据格式和载体，能够解决跨组织使用数据时，因数据转换导致的大量工作。其次，避免在数据转化过程中，面临信息失真和遗失的风险。

信息孤岛的消除，能够让企业可利用的数据资源变得多元化，即这些数据能够代表和反映不同职能部门的特征和信息，甚至包括外部协作组织，如供应链的相关信息。当前数字化发展已进入智能化阶段，知识图谱和自然语言类 AI 正在被大规模应用。例如，ChatGPT 等 AI工具之所以强大，就是因为其基于LLM（Large Language Model，大语言模型），能使关键词从多个数据源中关联多维度信息并组合答案，若企业中的数据资源越多元化，那么 AI工具就能够从更多角度对数据进行分析和整理，并返回更为全面和新颖的答案。

3. 共创人才与信心

定制化维度不仅能提供定点突破的具体业务价值，而且能为企业培养数字化人才梯队，增强数字化转型的组织信心。

人才是决定数字化转型成功与否的核心因素，真正的数字化人才，不是狭义上懂得编程或掌握数字化工具的 IT 人士，而应该是精通业务，同时具备一定 IT 素养的复合型人才。他们往往可以作为业务部门同 IT 团队之间的桥梁，参与协调整个数字化解决方案，包括从设计、实施到运维的全生命周期。此类人才的培养，仅通过一两次培训不足以实现，需要在实践中逐步磨炼，他们需要深度参与同具体业务紧密相关的数字化项目。此类人才在未来走向管理岗位后，因其具备扎实的业务功底，同时还熟知 IT 工具，并具备良好的数据思维，既能够成为高层数字化战略实施落地的中坚力量，又能够基于自己的成长经验，为组织筛选和培养新的数字化人才梯队。

数字化转型是一项系统化和长期化工作，组织信心非常重要。如果数字化转型实施过程很长，且中间没有重要的阶段性成果产出，可能会动摇员工对数字化转型的信心。在定制化维度发力，实施重点突击，成功落地一些解决核心业务部门痛点的数字化解决方案，能够极大增强基层和高层对数字化转型的信心，并为后续更具挑战的转型工作提供强大动力。

4. 灵活性与可预测

数字化战略发展五维度

正文

请到「今天看啥」查看全文