
大家好,2017年我有幸成為CDA持證人,就此開啟了自己數據人轉型之路,一路學思維、學技術,并成為了我們公司數字化轉型的推行負責人,以下是這幾年工作中的一些思考。供同行參考,指正!
思考一:企業(yè)為什么要數字化轉型
先說結論:企業(yè)數字化轉型是一個運用技術和數據對企業(yè)業(yè)務持續(xù)優(yōu)化的過程,這是所有企業(yè)提升效率的必由之路。
然而很多企業(yè)并未搞懂數字化轉型是干什么,就大張旗鼓的搞起數字化,以下誤區(qū)對比您的公司看看有沒有:
云、大數據、人工智能等。而往往許多公司就是被這些高大上概念嚇退的。
簡單點說,
舉個例子:
每個企業(yè)都在做的各種滿意度調查,傳統(tǒng)的做法是,列問題,發(fā)問卷,抽樣統(tǒng)計,出結論。至多就是通過問卷星等等從網絡進行填報,本質是一樣的。得出的結論往往是片面的,比如問您對食堂的飯菜滿意嗎?對您的領導打幾分?您計劃在本公司工作多少年?放心,我預測基本都是滿意,滿分,終身。但這是實際答案么。尤其是受訪者身份會暴露的情況下,通過問卷調查的方式是不可能得到正確答案的。
那么數字化是怎么做的呢:
公司有員工每天的用餐刷卡記錄,也有每天的人員出勤記錄,將吃飯人數除以出勤人數得到一個比值,這個比值越高就說明食堂的滿意度越高。這是一個極其簡化的例子,但已經包含了數字化轉型的大部分內容。
這個例子中,食堂吃飯記錄,考勤記錄各自都是一個數據孤島,當他們可以在一定范圍內整合,那就是云的概念了,云其實就是打破了物理界限的存儲。單獨一條用餐記錄,出勤記錄是沒有任何意義的,但大量的數據是必有規(guī)可循的,這就是大數據。通過數據計算出指標,就是人工智能,就是算法。解決簡單的問題需要簡單的算法,比如上例中的除法運算。解決復雜的問題需要復雜的算法,也就是人工智能,比如AlphaGo用到的神經網絡算法。
所以我說,數字化是一種思維,而并非技術。轉型的成敗在于企業(yè)中的大多數人是否具有這種思維。
數字化是幫助業(yè)務部門用技術手段構建新型的作戰(zhàn)平臺,是發(fā)自各業(yè)務內心的,打通各業(yè)務板塊,解決各業(yè)務問題的。
我經常用上帝視角來形容數字化轉型,站在云端,伸手可及的數據,加工成需要的業(yè)務指標。
我有一個朋友需要總體掌握工廠的廢品情況,而不單單是廢品率。其實就是希望能自動化生成一張圖表并進行預警。這張表需要的數據來源于公司各個部門,生產數據,出入庫數據,發(fā)貨數據,定額數據,廢品數據,采購數據,財務數據等等。公司規(guī)定廢品單件的損失需要質保領導,財務領導簽字審批后,才能將數據給業(yè)務人員。最終的結果就是,及時的預警變成了月報表材料??矗块T的壁壘加上看似合理的制度成了推行數字化轉型的壁壘。
所以我說,數字化轉型還真是非企業(yè)一把手推行不了的。
有一句話叫“任何偉大的產品都來自一個偉大的問題”。現(xiàn)在企業(yè)在談數字化的時候,往往忽略了要解決的問題,談的都是別人家的概念。
我見過一個企業(yè)的老板,說要對自己的小公司進行數字化改造,買了ERP對資源進行管理,買了大屏給員工展示項目進度。一年后,系統(tǒng)荒廢,因為整個采購過程是老板娘一手主辦,除了入庫沒有什么需要協(xié)作的工作。大屏成了播放企業(yè)宣傳片的工具,還得配一個人專門去維護項目進度耗時耗力。試問,公司數據化轉型到底是為了解決什么問題?
數字化轉型,不是簡單的引進新技術,新設備就能完成的。目標多少年數字化轉型成功的,絕對傻子,保證多少年數字化轉型成功的,無疑是騙子。
我的觀點,數字化的終極目標就是解決固定的問題。
數字化帶來的效率提升,可以讓效率真正成為企業(yè)競爭力的核心,將成為企業(yè)的護城河。
所以企業(yè)為什么要進行數字化轉型?因為這是提升效率的必由之路,成敗的關鍵在于業(yè)務問題和人,最終目的是使公司的產品、流程更簡單、更愉悅、更快捷、體驗更好。
“路非自行不知遠,事非親歷不知難”
企業(yè)數字化轉型,必須是因人而異,每個企業(yè)的轉型過程是不一樣的,轉型的結果必然也不一樣。
思考二:數字化轉型的目標,基礎,過程
下面來談談數字化轉型的目標,或者說數字化轉型后組織會成為一個什么樣的狀態(tài)?
在復仇者聯(lián)盟中有這樣一段場景,蟻人縮小后通過縫隙進入鋼鐵俠戰(zhàn)甲,戰(zhàn)甲檢測到異物侵入,進入預警狀態(tài),當蟻人徒手撕扯一根電線時,系統(tǒng)自動判定蟻人具體位置,并自動啟動沖洗裝置,將蟻人從戰(zhàn)甲中沖洗了出去。
其實,在我認為,數字化轉型成功的企業(yè)和鋼鐵俠的戰(zhàn)甲一樣,是一個數字化的“智能體”。
組成這個智能體的每一個細胞都有相關聯(lián)的數據鏈接,能即時感知并調用,也就是全量全要素的連接和實時反饋。
最終進化成這樣一個“智能體”,可以說是每一家企業(yè)數字化轉型的終極目標。要完成這個終極目標,道路極其曲折和漫長,但做所有事情的基礎就是—全量全要素的連接和實時反饋。
怎樣進行全量全要素的連結呢,接下來我要給你介紹一個所有企業(yè)都適用的模型,不管你是制造型企業(yè),還是服務型企業(yè),都可以參照這個模型來做全量全要素的連接。
就拿造車舉例:
如果需要你來設計采集的數據,你會選擇哪些維度呢?
一般都是以下數據,排量、功率、扭矩、馬力、軸距等等,這些數據僅僅只是一個環(huán)節(jié)的局部數據。
我認為,這些數據遠遠不夠,你必須要從這個產品的設計、制造、銷售、后期服務一整個流程上去完成全量全要素的采集和連接。
比如汽車的、顏色、輪轂尺寸、理論速度、理論油耗、內飾顏色等性能參數,這些都是在設計環(huán)節(jié)的數據。
汽車是在哪個廠,哪條產線上生產的,核心零部件是哪里生產的,流程的操作員是誰,檢查員是誰,組裝時具體用了哪些物料,這些物料的屬性有哪些,這是制造過程產生的數據。
車被誰買了,買家的年齡,性別,職業(yè),首次買車or換車,貸款or全款等等,銷售員數據,銷售員銷售過程怎樣,這是銷售過程數據。
買家維修記錄,故障數據,對車的內外飾改裝記錄,甚至開車習慣記錄,這是汽車后期服務記錄。
關于業(yè)務對象的采集和連接,有一個概念叫“數字孿生”,我以前稱為“數字鏡像”,這不是個新概念,喜歡編程的同學都知道“面向對象編程”,就是將實際的業(yè)務對象抽象成系統(tǒng)中的一個虛擬對象,也就是在數字世界里建一個一模一樣的模型。有了這個虛擬體,現(xiàn)實世界里很難做的事,你就切換到數字世界里去看它的虛擬體。所以所謂的全連接全采集的過程,就是根據采集現(xiàn)實世界的數據,生成一個數字平行世界,通過數字平行世界得到的經驗來指導真實世界,再次收集真實世界的真實情況,再次優(yōu)化數字平行世界,如此循環(huán)。筆者在傳統(tǒng)制造業(yè)供職多年,制造業(yè)的持續(xù)改進理念和這個非常類似。所以說,數字化轉型并不是什么高大上的東西,只是使用的工具不同而已。
舉個例子,數字化時代可能出現(xiàn)這樣的場景,比如一汽造車,可以一輛樣車都不生產就直接生產商用汽車,因為有數字化的手段去完成所有的測試、仿真,碰撞試驗等,把復雜度極高的汽車直接還原出來。
這就是對業(yè)務對象進行數據采集的標準:把全量全要素的數據都采集和連接好了之后,要看這些數據是不是能夠還原業(yè)務對象的全貌,是不是真的擁有了一個數字孿生兄弟。
當然,完全還原對象全貌是理論上的,現(xiàn)實中只會越來越接近,不會等于。但好在,現(xiàn)在信息的存儲成本是極低的(此處主要指可用于分析的結構化數據),一個excel表都能存100多萬行呢,不用為了取舍是否該保存某項信息而焦慮,垃圾信息里可能隱藏著誘人的寶藏,就好比一個人說紅旗車好,你可以忽略,認為這就是情懷驅使,但一群人說紅旗車好,那你就應該考慮這車是不是真有點意思了。
接下來,當數據全量全要素的連接后,怎么樣確保系統(tǒng)做到了實時反饋?
答案也很簡單,你可以看這套系統(tǒng)是否具備了7項職能:預測、預警、監(jiān)控、協(xié)同、調度、決策和指揮。
還拿生產汽車來說,通過連接渠道、用戶、廣告投放量等這些維度的數據,就可以綜合預測出新車第一批的產量,這是預測職能。
數量定了,就進入排產制造環(huán)節(jié),現(xiàn)在因為工廠里所有的產線都是智能化生產線,不太需要人工干預,但是也會監(jiān)控,比如監(jiān)控產線的投料情況、運行情況等等,這是監(jiān)控職能。
這些數據收集過來之后就可以用于風險預警,比如掃描物毛坯碼,發(fā)現(xiàn)型號錯了,產線會自行判斷裝配關系不成立,給生產人員發(fā)預警信息,提醒需要人工干預,這是預警職能。
接下來,產品的制造信息也會和供應、物流協(xié)同起來。在成品數量滿足一定量時自動調配物流車,生產完就直接裝車運輸,節(jié)省了存儲環(huán)節(jié)。在這個過程里,協(xié)同、調度、決策、指揮幾個維度的職能都有體現(xiàn)。
將汽車生產的原料方、供應商、總裝廠,銷售等等全量全要素連進來了,也建起實時反饋系統(tǒng)了,最終會實現(xiàn)什么樣的效果?
假設汽車在使用過程中發(fā)現(xiàn)任何一個元器件有問題,此元器件在連續(xù)工作20小時以上會有較大自燃風險,我們就可以及時查詢到同批次的原件都安裝到哪些車里,現(xiàn)在車在哪些環(huán)節(jié)里,有多少已經銷售給用戶,調取用戶的使用數據,針對不同用戶對車的使用習慣給定特定的處置方案,例如:對頻繁使用的車輛可以采取專人上門服務,對不頻繁使用的車輛可以用優(yōu)惠券的形式引導顧客提前來4S店保養(yǎng)時維修等。從而將損失降到最低。甚至可以反向追溯元器件的問題,出問題的元器件是哪個供應商,原材料是什么,同樣的原材料是否影響到其他的元件。
這是一些優(yōu)秀的汽車企業(yè)正在做的一些事。
可想而知,大多數企業(yè)離“智能體”還差的很遠,但值得強調一點,任何想做或者要做數字化轉型的企業(yè),都要把“智能體”當做自己的終極目標。如果沒有這個愿景,那么企業(yè)就很容易成為坐在數據的金山上喊窮的富人。其實很多企業(yè)都擁有大量豐富的數據,或有意識也有財力去采集大量數據,但恰恰缺少通過有效的數據治理來形成數字化“智能體”的能力,采集數據絕大部分是技術活,可以通過花錢請人搞定的,但數據治理能力很難外委,因為同時具備業(yè)務能力和IT思維的人不多。絕大多數公司都將數字化轉型當成了項目,最終做成了一個能顯示幾個主要指標的大屏幕,做成了面子工程。
下面舉再舉個例子,說明這個“智能體”是一步一步進化而來的。
案例:
社區(qū)中的孤寡老人的管理
level 1,社區(qū)人員定期拜訪,但人手不足,成本高,真發(fā)生意外發(fā)現(xiàn)時間過晚
level 2,客廳里安裝監(jiān)控,社區(qū)人員抽查監(jiān)控,但涉及老人隱私問題,推行較難
level 3,為住戶安裝智能水表,當每日的用水量小于一定值時,自動發(fā)出報警,提醒社區(qū)人員干預檢查。效率大大提高,但當老人外出后,用水量小,電話沒人接,社區(qū)服務人員無法判斷,撬門還是不撬門
level 4,連接電梯的視頻數據判斷老人是否外出
level 5,持續(xù)改進
你看,所謂的全量全要素的連接也只是一種理想狀態(tài),現(xiàn)實中無法在設計時就考慮到所有的要素數據連接,而是在實際場景中,一步一步卷入了更多的設備和人,持續(xù)改進。
所謂數字化轉型只有起點,沒有終點,正是這個意思。
思考三:數字化與信息化的關系
了解了數字化轉型的目標后,我們來探討下轉型的過程,其實也很簡單,就是瞄準業(yè)務行動。
說起數字化轉型,必須得提信息化,這也是很多人問我的問題,那么信息化和數字化有什么區(qū)別呢,我試著解釋下!
在信息化以前,信息的載體主要是紙張,決策者要想全面了解信息,又沒有全量處理信息的能力,所以只好通過科層制組織架構,層層匯總數據、層層上報信息,這樣信息極易衰減、失真、甚至篡改。
信息化,通過網絡傳輸數據、數據庫存儲和處理數據,決策者就能全面快捷掌握業(yè)務信息,有利于快速采取對策,所以信息化的指向是決策。但是,這樣的信息化實質是把原來紙質載體上的內容信息,變成網絡能跑的數據、文字、圖片、影像等數字形式信息,業(yè)務流程本質并沒有根本性變化。
數字化,是“萬物數化、萬物互聯(lián)”,是卷入流程鏈條上所有人、物、事,極大提升效率、優(yōu)化體驗。數字化的終點是直接行動。
以下這個簡單的標準來判定您公司處于哪個階段,您可以對號入座:
如果數據的采集大量來源于手工的謄抄,然后匯總到專人處理,這個專人的Excel功力深厚,公司的匯報形式以PPT為主,實行層層上報制,定時匯報制,這屬于前信息化。
如果數據的采集大部分來源于自動采集或底層人員的業(yè)務流水,通過平臺系統(tǒng)數據清洗,建模,以業(yè)務駕駛艙模式指導決策,能即時發(fā)現(xiàn)并處理問題,屬于信息化。
如果數據的采集大部分來源于自動采集或底層人員的業(yè)務流水,打通各環(huán)節(jié)數據,依據算法,達到提醒、預警、建議、自動行動,是數字化。
因此,我們要對數字化轉型建立的第一個新的認知是:
“數字化不是信息化,數字化是直接行動。”
你可以想象這樣一個場景,交通管理中心的大屏幕,上面有N多的屏幕攝像頭循環(huán)監(jiān)控著各個交通路口,屏幕前方是幾十至上百人的辦公卡位,當某個路口車流增大,辦公人員就會電話通知交警前往指揮交通,這是信息化的解決方案。
那么數字化是怎樣的呢?當攝像頭檢測到東西向車流變大時,便自動調整路口紅綠燈時長,讓東西方向綠燈長一些,然后再將路況信息上傳至交管中心云服務器,并被導航地圖軟件調用,反饋至每一個用戶APP,提示繞行。同時設置當擁堵達到一定程度時報警提醒交警是否實地介入,這就是數字化的方案。
所以,信息化不是數字化,數字化是直接行動。
再舉個一般公司都會遇到的場景,每個公司都有大量的采購業(yè)務,一般ERP的對應流程是人提采購申請,人審批,人下訂單,人維護入庫,人維護出庫,全程留痕,這是信息化的解決方案。數字化的方案呢,從客戶訂單開始,整合產品庫存、在制品量、現(xiàn)生產量、產品定額、物料庫存、物料訂單、到貨期、物料入庫、物料出庫數據,自動給合作供應商發(fā)送一條信息,“請貴公司于2021年6月22日將液體樹脂膠HQ300(物料編碼HT25487)送達XX公司,結算價格按照上次價格XX元結算?!?
所以,信息化提供的是一大堆的信息,指向決策,而數字化指導行動,甚至直接行動。
我們需要建立的第二個新的認知是:
“數字化的過程將卷入所有的業(yè)務流程,只要開始就不會結束”
什么是業(yè)務流程,是為達到特定的價值目標而由不同的人分別共同完成的一系列活動。簡單說就是“人用工具干事”。
因此,卷入流程實際就是卷入更多的人及更多的物。
卷入更多的人。
數字化的本質是從信息采集到智能化的行動,數字化系統(tǒng)不只是決策者能用,而是產業(yè)鏈上的所有人都能用。
再回到我們前面提到的城市交通管理的案例。
那塊布滿整面墻的大屏,只是為少數決策者服務的,也就是交管中心警察的決策工具。
數字化轉型后,我們開發(fā)出了新的地圖導航系統(tǒng),這個系統(tǒng)可以讓每一個使用城市道路的人用,無論是司機還是上班的普通市民,每個人都可以利用地圖App進行導航。
再舉個簡單的例子:
我公司過去產品出廠后基本失控,甚至連數都統(tǒng)計不準。后來自研了一套簡單的物流系統(tǒng),出廠后以整箱二維碼為唯一標識,每一個業(yè)務環(huán)節(jié)都是掃碼確認,對出廠后的物流各個環(huán)節(jié)的數量算是統(tǒng)計準確了。
后來因客戶發(fā)現(xiàn)質量問題,需要增加一個功能,就是當客戶處發(fā)現(xiàn)某一件產品有問題時,可以對產品實施精準追溯,外服人員可以對同屬性的產品(比如同一時間段,同一模具號等)進行一鍵封存,封存的物資沒有辦法流入下一環(huán)節(jié)。因此增加了產品激光打碼功能,裝箱時自動記錄箱碼和產品碼匹配記錄。
再后來,由于質量部門并不負責組織發(fā)貨,發(fā)生質量問題導致倉儲部門臨時組織配貨,抱怨嚴重。因此需要根據客戶的收貨情況,外部質量情況來修正發(fā)貨計劃。這樣,系統(tǒng)中又加入了發(fā)貨計劃提醒功能。
再后來,發(fā)貨計劃的修改,又導致了生產計劃的變動,便加入了生產計劃提醒功能。
接著,由于生產計劃的變動,導致了采購部門的抱怨,一環(huán)一環(huán),最后對接了公司內部物料采購系統(tǒng)。直接修改了物料的采購申請計劃。
看看,原本只是為了掌握出廠后的產品數量而設計的流程系統(tǒng),但卻逐步卷入了客戶,外服,質保,倉儲,生產,采購等各個環(huán)節(jié),無一幸免。
數字化轉型對企業(yè)就是這樣,它并不只是讓一家公司的CEO用,或者只讓一個生產車間的負責人來用,或者是讓一些專業(yè)人士來用的,而是企業(yè)內部生產線上的每一個人,上下游供應鏈上的每一個人,都可以利用這個系統(tǒng),來給自己的業(yè)務提供決策參考。也就是說,產業(yè)鏈上的所有人都被卷進了數字化系統(tǒng)里了。
卷入更多的設備
數字化在應用層不僅卷入越來越多的人,還要把越來越多的設備也卷入進來。也就是萬物互聯(lián)。
我們還是回到一開始說的城市交通管理的例子,一開始只是警察通過監(jiān)控信息大屏來監(jiān)控交通擁堵,再往下一步就是手機導航應用,每一個人都成為了決策和應用的主體。但這些就是數字化的最終結果了么?當然不是,如果把城市交通的全價值鏈打通,未來就應該和路上跑的每一臺汽車聯(lián)通,不用導航,汽車直接就能把我送到我想去的目的地,這也就是自動駕駛。這是最終結果了么?當然不是,必然自動駕駛會卷入了你的智能穿戴設備,智能家居設備,而給你更好更優(yōu)的體驗。
所以,數字化是一個軟硬件設備不斷被卷入的過程。在智慧交通的場景里,數字化先是卷入了基礎的道路交通系統(tǒng),然后再變成手機上的應用,再往前一層就要卷入汽車和硬件廠家,數字化也在這個過程中得到深化,并且一步一步將所有設備卷入其中。
思考四:數字化轉型必須一把手親自干
其實我認為最難最難的,數字化轉型成敗的關鍵,那就是一把手的作用。
《華為數據之道》一書中總結數字化轉型過程中,有三張圖只存在一把手的腦袋里,別人沒法替代。大家可以在網上搜一搜。
簡述一下文中的內容:
文章闡述為什么數字化必須由一把手推進,因為有些東西只能跳出來,站在中立的角度來看待,才能知道什么是對組織真正帶來價值的內容。這個角色,誰都不行,只能是一把手。
文中提到三張圖:
第一,用戶價值圖,這是對外,要理解你的用戶;不同的部門,對用戶價值的理解角度不一樣,生產部門覺得是低價,質保部門部覺得是服務,但是怎么可以兼顧價格和價值,需要一把手來衡量做取舍。
第二,業(yè)務演進圖,這是對內,要理解你的業(yè)務方向;人都是利己的,誰都想要為自己和自己的部門爭取更多的資源和權限,資源和權限的爭奪就是零和游戲。怎么平衡,并且推進業(yè)務展,需要一把手來拍板。
第三,架構生長圖,這是對未來,要理解企業(yè)終將變成什么樣?這其實跟企業(yè)的愿景相關,很多短期目標和長期目標是不匹配的,但是短期目標達不到就關乎生死又怎么辦?誰能有這個魄力說一定要這樣干,哪怕做出很大的犧牲。
文章其實是在說人性,用戶價值,業(yè)務方向,架構生長,這并不是多么玄乎的事,但是因為人有了不同的組織身份就有了不同的訴求。怎么跳出人性的自私和惰性,怎么延遲滿足,怎么從一而終,對任何一個人,真的都是一個挑戰(zhàn)。
這篇文章真的很精煉,那我只是補充下我的一點拙見。
拙見一、完全認同數字化轉型“一把手必須親自干”
扎克伯格說“80%的企業(yè)文化由創(chuàng)始人決定”,文化是一把手塑造的,而且是需要長期經營的。這里有兩個關鍵詞,一把手塑造,長期經營。
數字化轉型成敗,首要轉文化。因為只有分享和樂于奉獻的企業(yè)氛圍才是數字化生長的優(yōu)良土壤。
我們已經知道,轉型的基礎就是數據的打通,而傳統(tǒng)企業(yè)大多數的組織機構都是職能部樹狀結構,猶如一根根高聳的煙囪一樣,屁股決定腦袋,這是人性。拋開技術能力不說,每個部門也基本都是各自為戰(zhàn)的,每個團隊都只關注自己領域的事,能力無法沉淀及互通。
企業(yè)與企業(yè)之間的壁壘更是如此,如果數據沒有充分地共享,那業(yè)務流上就有一個個斷點。那么及時響應,快速迭代啊,都因為這些斷點沒法實現(xiàn)。數據不能有效地流動和共享,就不能發(fā)揮數字化的價值。
數字化轉型必須轉文化,轉的就是這種各自為戰(zhàn)、不開放共享的文化。
但人性本就是自私的,共享這個事是反人性的,因此我們的所有手段都應該瞄準人性,促使員工自發(fā)的去分享。提升的是企業(yè)知識管理的能力。
拙見二、企業(yè)的知識管理是一個大事
其實很多公司現(xiàn)在也有了知識管理的平臺,但大多都存儲各種標準,總結,紀要,文檔等等,留存的都是高度濃縮的結論,這個應該叫應知應會比較合適。而關于知識,知識本身只是知識的一半,還有一半,是它當時解決的那個問題。知識的管理一定要瞄準,什么時間發(fā)生了什么事,為什么這么做,也就是重現(xiàn)員工的思考過程,這個以論壇帖的形式應該是不錯的選擇。
有一個經典的案例:
電腦鍵盤,天天都用,但是你想過沒有,鍵盤上的那些字母,為什么是QWERTY,亂排一氣,而不是ABCDEF?而且所有的鍵盤都是這樣排列的。
答案是,1.科學家經過研究設計的符合“人體工程學”的排布;2:錯亂的排序可以降低打字速度,從而適應早期電腦較差的性能。你會認為哪個呢?
其實兩個都不對,真實的情況是,老式打字機的主體部分是一個鍵盤(上圖),然后每個字母鍵的下面連一個桿兒。一按這個鍵,就驅動一根小棍上彈,打到前面的紙上。發(fā)明鍵盤的是一個美國人,叫肖爾斯。他一開始設計的鍵盤就是按ABCDE排的,但很快發(fā)現(xiàn)一個問題,就是如果相鄰兩個鍵幾乎同時按下去,會有相鄰兩個棍彈出去,它們很容易卡在一起,這就麻煩了。所以肖爾斯就把英語中經常用到的那些字母,在鍵盤上分開了,分成了我們現(xiàn)在用的QWERTY布局。就這么簡單。
后來技術改進了,不存在卡一起的問題了,但是鍵盤本身的排列卻定下來了。
你看解決方案留下來了,但是它解決的那個問題卻被遺忘了。
那么華為是如何將知識原汁原味的傳承下來的呢?
10年前的華為,大都也是單兵、精兵,能力在個人身上,沒法沉淀。留下的也大多都是標準操作等等。
華為通過近10年時間建立起來了類似微博論壇的全球知識分享平臺。平臺上的方案,成果,經驗以及遇到的坑都有對應的版權,有人評論、有人點贊,就會得到相應的分數,分數高的公司會給予你榮譽和獎勵。這套評價體系里有一個挺巧妙的心思在里面,衡量開放共享的方式,用的是別人調用了你多少次,而不是你分享了多少東西。細品!反正阿里巴巴也效仿了這種做法。這樣經驗豐富的專家通過數字化的方式,把個人能力沉淀并分享出來,成為公司整體的能力。也幫公司形成了共享的氛圍,原先誰有一個好東西都得藏著掖著,現(xiàn)在有一個好東西,恨不得立刻分享出來,昭告全球。
其實這還只是傳統(tǒng)知識管理升級版,因為有很多隱性知識不能用文字準確表述和轉載,任正非說過“公司最大的浪費就是經驗的浪費”,華為怎么做的,華為還為員工共享了一份精準的“知識地圖”。沿著這份地圖,每個人都能找到對的人,同樣可以很好地學習、解決問題。
最后,知識在華為,要么沉淀在了平臺上,要么沉淀在了一群華為人中。
嗚呼哀哉
筆者供職國有企業(yè),對國企數字化轉型還是有挺大的疑慮或遺憾。國有企業(yè)任何重點工作都是一把手掛帥,雖是一把手掛帥,但是否真的是“一把手親自干”呢?這是一個未知的問題。我看到的無外乎成立領導小組,工作小組,但真在干的時候是沒見過領導的面的。因此也無從知曉一把手心中是否有文章中提到的“三張圖”。畢竟,作為國有企業(yè)的一把手,也只是在企業(yè)中打一份“高級工”而已,任期績效就像達摩利斯劍一樣懸于頭頂,短期目標無法達成就可能面臨換人的風險,又談何犧牲自己達到長期目標的實現(xiàn)。因此,可能在大多數的國企,即使一把手心中真有這三張圖,但與現(xiàn)實的沖突也是必然的,因為這三張圖都是針對公司未來的長期發(fā)展。更何況,絕大多數的一把手根本不具備這樣的素質。因此也只有對企業(yè)長期目標抱有堅定不移的信念,并無畏投入的一把手才能帶領企業(yè)走向生存。
按照這個思路,民營企業(yè)且創(chuàng)始人思想融入企業(yè)愿景中的企業(yè)才有可能成功,而國有企業(yè)幾乎是無法成功的??梢哉f99%的企業(yè)都不會成功。而數字化轉型是企業(yè)發(fā)展的必由之路,由于馬太效應,未來極有可能在各行各業(yè)只有頭部的幾家龍頭公司能夠生存。
悲兮痛兮
以上便是我對數字化轉型的一些思考。盡管最后得出的結論是數字化轉型幾乎99%的企業(yè)是無法成功的,但企業(yè)員工具備數字化的思維和一些相關的技能,對企業(yè)的效率提升還是十分巨大的。
那么接下來我們來談一些實戰(zhàn)行動及技術方面的問題。
優(yōu)化組織機構:
1.成立業(yè)務技術一體化的組織。就是把技術能力建在業(yè)務上,為業(yè)務部門配備技術人員,使其成為具體業(yè)務部門的一部分,形成一種長期固定的組織形式。因為人在哪兒,能力就在哪兒。職能部組織和項目型組織之所以沒辦法在數字化轉型中發(fā)揮作用,就是因為忽略了這一點:能力是長在人身上的。而業(yè)務技術一體化的組織是目前華為探索10多年后,形成的最好的一種組織方式。這種組織模式下,能力不是封閉固化的,而是在不斷生長的。
職能部組織和項目型組織的缺點可以自行度娘。
2.成立公司級的數據管理部門。由各個領域的專家組成,發(fā)布企業(yè)數據管理總綱,編制數據質量管理政策和數據源管理政策,定期專門對數據架構進行評審,確定數據所有權,確定數據互通的規(guī)范等。
數據是資產,數據是資產,如果沒有這樣一個組織,那資產連個管理部門都沒有,好意思說數據是資產嗎?
這個組織承擔的最大的職責就是建立架構,組織數據高效互通,沒想明白前絕不能貿然上各種系統(tǒng),寧愿慢一點,否則就是需要花好幾倍的精力去清理數據。
管理數據質量:
1.元數據管理:元數據就是用來描述數據的數據,這個十分重要,比如生產班次數據,定義為B、C、A,分別代表白班、夜班、三班,這才使得BCA有了意義,而一旦定義好后,存儲C就代表夜班,不能再隨便更改,不能是C班,也不能是二班。這必須由對應的業(yè)務部門承擔管理責任,而大多數企業(yè)都不重視這個。重申,這個非常非常重要!
2.“一數一源,用而不存”:標準化數據是不同業(yè)務流程間相互交流的業(yè)務語言,對一個數據定義完成后,其他系統(tǒng)的調用只能從這個數據的源頭調用。這個非常非常重要。實際上在絕大多數公司,明面上是數據源由單一部門管理,而存儲時轉手部門過多,實際調用時數據的真實性和準確性根本無法保證。舉個例子,本公司產品二維碼編碼規(guī)則末尾兩位代表產品模具號(元數據概念),有一張對照表存于開發(fā)部門數據庫中,其中45代表B產品12號模具。生產部門調用時將45這個數解讀成B產品12號模具,存儲在生產數據庫中。這樣,45就可能誤解成12。中間經過轉儲的過程越多,數據的丟失和改變也就越多,最終使得不同業(yè)務部門之間對同一對象的描述不一致。
3.數據類型:主要就是文本、數字、日期等類型,按照業(yè)務類型設置,該是什么類型就選擇什么類型,很多企業(yè)不重視數據類型的管理,基本都是文本類型,舉個例子,將日期存儲為文本類型,導致數據庫里存儲了大量的不是日期的日期(比如2021-01-35),后期在數據聚合分析時,經常報錯。
4.ER模型:也叫雪花模型,實體關系模型,提供了表示實體、屬性和聯(lián)系的方法,是描述現(xiàn)實世界概念結構模型的方法。實體對象之間的聯(lián)系方式通常為一對一,一對多,多對多等。這些概念十分重要且基礎,嚴格按照這種方法設計信息系統(tǒng),會避免大量冗余。且ER模型是數據建模分析的基礎,在數據分析的各個環(huán)節(jié)都是必不可少的理論基礎。
5.主數據編碼:公司的核心實體對象一定要編碼,編碼規(guī)則可以由公司自行設計,只有編碼后的對象,才能成為數字世界里面現(xiàn)實對象的孿生對象。這個不難理解,人的身份證號就是人的實體對象編碼,在數字世界里身份證號代表人的唯一實體,并參與到數字世界的業(yè)務運行中,而不是人的姓名。
很多公司辛辛苦苦開發(fā)系統(tǒng),創(chuàng)業(yè)未半而中道崩殂,大體就是以上對象管理不到位引起的。這也是我在工作中經常遇到,耗費大量時間去處理的事情,其實都是些臟活累活體力活,系統(tǒng)設計時若考慮足了以上問題,將為后期不斷拓展卷入更多流程提供方便。
數據治理能力并不是什么高大上的概念,只要企業(yè)具有良好的數據素質,不斷打磨適合企業(yè)的數據標準。就可以開發(fā)出適合自身的數字化系統(tǒng)。也就是說數據治理是個標準的管理問題。
學習數據工具:
以下內容主要針對企業(yè)業(yè)務提效,掌握的人越多對企業(yè)越有利。
互聯(lián)網是當今世界最大的數據庫,如果學會爬蟲技術就可以在網絡里采集你需要的數據,并及時將數據保存至本地,參與到您公司的業(yè)務流程中。
常見的非編程爬蟲軟件有:八爪魚采集器、簡數采集器、后羿采集器等,基本都是拖拖拽拽就可以形成采數規(guī)則,非常友好,可以滿足80%的使用場景,進階需要學習一些HTML標簽,及Xpath定位技術。再升級就是用編程語言寫爬蟲了,推薦Python。
Regular Expression,簡寫RE,是對字符串操作的一種邏輯公式,就是先定義好一些特定字符的組合,然后用這種組合代表的規(guī)則對字符串進行過濾的邏輯。主要用于對文本輸入的合規(guī)性檢測,在數據入庫前進行把關,從而使得入庫數據干凈整潔,滿足要求。比如“^d{n}$”用來限制只能輸入n位的數字。
這里主要需要學習的就是SQL語言了,99%的語法在各數據庫是通用的。如果業(yè)務人員掌握了簡單的SQL,那在后面提到自助分析時將如魚得水。
為了得到一份可供分析系統(tǒng)使用的質量良好的源數據,必須進行數據清洗(ETCL,
Extract-Transform-Clean-Load),此過程是將業(yè)務系統(tǒng)的數據經過抽取、轉換、清洗之后加載到數據倉庫的過程。ETCL是數據集成的第一步,也是構建數據倉庫最重要的步驟,目的是將企業(yè)中的分散、零亂、標準不統(tǒng)一的數據整合到一起,為下一步建模分析做好準備。
大多ETCL工具都集成在分析工具中,我理解ETCL其實是一種使不規(guī)則數據變?yōu)橐?guī)則數據的方法,并非單指清洗工具。
比如數據庫里的視圖功能,你可以將表中數據通過各種函數加工成可供分析的數據形式。
在清洗過程中,如果能懂一些統(tǒng)計學基礎知識是極好的,比如平均值,標準差,中位數等等(CDAlevel1的主要內容哦),這些函數是個工具都自帶。有一次成都政府調查我們公司員工收入時就要求分類填寫中位數,可難壞了我們HR。
ETCL工具,個人使用推薦Excel的powerquery,在2016版本后直接集成在了Excel中,無需單獨安裝,重要性不言而喻。它可以從各種數據庫,文件中抽取數據,可視化的操作過程讓數據清洗變得十分簡單。
報表系統(tǒng)
個人使用,推薦Excel power pivot,2013以后版本的Excel直接集成了此插件,用DAX表達式(和Excel函數幾乎一模一樣)進行簡單的數據清洗,拖拖拽拽就完成了數據建模,最終以數據透視表的形式進行OLAP多維分析。Excel基礎還可以的同學學習這個毫無壓力。(CDAlevel1換證考試的最后兩個大題就是寫DAX表達式)
團隊使用,推薦Finereport,低代碼編程,完全可以定制設計一整套企業(yè)解決方案。設計界面類似Excel(函數基本和Excel函數一樣),如果你的Excel功力還可以,SQL功力十分強悍的話,學這個也毫無壓力。
自助分析系統(tǒng)(BI)
又稱敏捷商業(yè)智能系統(tǒng),讓業(yè)務人員可以自由在數據中探索的系統(tǒng)。
舉個例子,當業(yè)務人員需要分析廢品率與哪些因素有關系時,傳統(tǒng)的做法是先依據經驗或專業(yè)理論,猜想可能原因,比如溫度濕度,然后采集一段時間的數據,最后做成散點圖,求相關系數。而BI是怎么做的呢?你可以打開BI軟件,用SQL調取溫濕度數據,再調取廢品率數據,做成散點圖,自動求相關系數,聽起來差不多一樣,但如果你好奇心強,你可以將企業(yè)運行所有數據拿來和廢品率求相關性,比如拿材料的化學成分,機械性能數據,甚至是員工出勤率,食堂用餐人數,拖拖拽拽看和廢品率的相關關系。從而找到可能突破點。耗時幾分鐘而已,這在傳統(tǒng)的分析里是無法想象的。有些朋友可能已經聽出來了,我說的就是探索式分析。我認為BI就是為業(yè)務人員探索式分析而生的。
BI 常用工具
BI,是未來的趨勢,我相信會越來越受到管理層的重視。
萬能工具Excel
在上述工具中已經多次提到了Excel,這是學習以上工具的基礎,因為:
數據分析咨詢請掃描二維碼
若不方便掃碼,搜微信號:CDAshujufenxi
LSTM 模型輸入長度選擇技巧:提升序列建模效能的關鍵? 在循環(huán)神經網絡(RNN)家族中,長短期記憶網絡(LSTM)憑借其解決長序列 ...
2025-07-11CDA 數據分析師報考條件詳解與準備指南? ? 在數據驅動決策的時代浪潮下,CDA 數據分析師認證愈發(fā)受到矚目,成為眾多有志投身數 ...
2025-07-11數據透視表中兩列相乘合計的實用指南? 在數據分析的日常工作中,數據透視表憑借其強大的數據匯總和分析功能,成為了 Excel 用戶 ...
2025-07-11尊敬的考生: 您好! 我們誠摯通知您,CDA Level I和 Level II考試大綱將于 2025年7月25日 實施重大更新。 此次更新旨在確保認 ...
2025-07-10BI 大數據分析師:連接數據與業(yè)務的價值轉化者? ? 在大數據與商業(yè)智能(Business Intelligence,簡稱 BI)深度融合的時代,BI ...
2025-07-10SQL 在預測分析中的應用:從數據查詢到趨勢預判? ? 在數據驅動決策的時代,預測分析作為挖掘數據潛在價值的核心手段,正被廣泛 ...
2025-07-10數據查詢結束后:分析師的收尾工作與價值深化? ? 在數據分析的全流程中,“query end”(查詢結束)并非工作的終點,而是將數 ...
2025-07-10CDA 數據分析師考試:從報考到取證的全攻略? 在數字經濟蓬勃發(fā)展的今天,數據分析師已成為各行業(yè)爭搶的核心人才,而 CDA(Certi ...
2025-07-09【CDA干貨】單樣本趨勢性檢驗:捕捉數據背后的時間軌跡? 在數據分析的版圖中,單樣本趨勢性檢驗如同一位耐心的偵探,專注于從單 ...
2025-07-09year_month數據類型:時間維度的精準切片? ? 在數據的世界里,時間是最不可或缺的維度之一,而year_month數據類型就像一把精準 ...
2025-07-09CDA 備考干貨:Python 在數據分析中的核心應用與實戰(zhàn)技巧? ? 在 CDA 數據分析師認證考試中,Python 作為數據處理與分析的核心 ...
2025-07-08SPSS 中的 Mann-Kendall 檢驗:數據趨勢與突變分析的有力工具? ? ? 在數據分析的廣袤領域中,準確捕捉數據的趨勢變化以及識別 ...
2025-07-08備戰(zhàn) CDA 數據分析師考試:需要多久?如何規(guī)劃? CDA(Certified Data Analyst)數據分析師認證作為國內權威的數據分析能力認證 ...
2025-07-08LSTM 輸出不確定的成因、影響與應對策略? 長短期記憶網絡(LSTM)作為循環(huán)神經網絡(RNN)的一種變體,憑借獨特的門控機制,在 ...
2025-07-07統(tǒng)計學方法在市場調研數據中的深度應用? 市場調研是企業(yè)洞察市場動態(tài)、了解消費者需求的重要途徑,而統(tǒng)計學方法則是市場調研數 ...
2025-07-07CDA數據分析師證書考試全攻略? 在數字化浪潮席卷全球的當下,數據已成為企業(yè)決策、行業(yè)發(fā)展的核心驅動力,數據分析師也因此成為 ...
2025-07-07剖析 CDA 數據分析師考試題型:解鎖高效備考與答題策略? CDA(Certified Data Analyst)數據分析師考試作為衡量數據專業(yè)能力的 ...
2025-07-04SQL Server 字符串截取轉日期:解鎖數據處理的關鍵技能? 在數據處理與分析工作中,數據格式的規(guī)范性是保證后續(xù)分析準確性的基礎 ...
2025-07-04CDA 數據分析師視角:從數據迷霧中探尋商業(yè)真相? 在數字化浪潮席卷全球的今天,數據已成為企業(yè)決策的核心驅動力,CDA(Certifie ...
2025-07-04CDA 數據分析師:開啟數據職業(yè)發(fā)展新征程? ? 在數據成為核心生產要素的今天,數據分析師的職業(yè)價值愈發(fā)凸顯。CDA(Certified D ...
2025-07-03