分享到微信
科技 作者:国云数据 2021-04-15 11:20
[亿欧导读]

数字化转型是时代发展的趋势。各行各业需要深入洞察行业变化,抓住用户需求的本质,应时而变、应需而变。不同类型的企业,先定位数字化转型的级别,再找适合自己的方法,才能成功转型。

数字化转型

本文来自: 国云数据 作者: 马晓东 题图来自“公开图片”

企业是否应该数字化转型? 发展到什么级别的企业可以进行数字化转型?

回答这 2 个问题前,我们需要明白,数据及技术工具并不能代表数字化运营程度,运用 Excel 不能代表数字化运营程度低, 运用大数据、BI、中台等工具也并不能代表数字化运营程度高。

数据在企业管理当中发挥的作用与价值才是衡量数字化运营程度的标准,企业通过专业的数字化 MAX 成熟度模型对自身的数字化水平做出判定,从而决定是否应该数字化转型,并制定符合自身需求的数字化转型方案。

数字化 MAX 成熟度模型的 6 个级别

数字化 MAX 成熟度模型包含第 0 级到第 5 级,共 6 个级别。

· 第 0 级:未应用数据,完全依靠负责人主观决策。

· 第 1 级:采用 Excel 存储和分析数据,数据文件零散、数据量小。

· 第 2 级:依赖技术部门进行数据分析。

· 第 3 级:以技术为中心,系统化地应用数据,利用数据支撑业务。

· 第 4 级:以业务为中心的数据化运营,数据赋能业务。

· 第 5 级:数据引领业务,赋能业务创新和变革。

从第 0 级公司未应用数据到第 5 级公司数据引领业务创新,数字化 MAX 成熟度模型从 6 个维度出发,对企业的数字化水平做出划分,帮助企业快速了解自身的数字化短板,明确数字化转型的必要性,找寻数字化建设的重点与切入点,合理制定数字化转型方案,从而快速实现数字化转型。

数字化运营级别测评

在了解数字化 MAX 成熟度模型后,企业可以对自身的数字化水平进行评定,从而明确数字化转型的必要性,制定适合自身发展的数字化转型方案。下面展开说明数字化 MAX 成熟度模型的 6 个级别。

04151.png.png

1. 第 0 级公司

第 0 级公司未将数据分析纳入日常运营工作中,决策层缺乏数据意识,也没有采用数据分析工具,对将数据应用于公司日常运营完全没有概念

2. 第 1 级公司

第 1 级公司的各部门人员和管理层零散使用数据分析。某些企业的业务部门会选用最常用的 Excel 工具进行数据分析,但使用频率较低,且使用人员并不多。企业可能有十多个部门,但仅一个部门会使用 Excel 工具进行数据分析。这种情况下的分析结果只能为该部门所用,无法实现全域数据分析,也就无法从公司高度出发,帮助高层领导制定决策。也可能是某个部门中的几个成员会使用数据分析,所用到的数据也只是该员工日常工作中所接触的,分析出来的结果可能比较单一、片面。除此之外,需要进行数据分析的还可能是为领导提供分析报告的助理。助理使用的数据大多来自企业的 IT 系统,比如统计销售额的数据。这些数据分析结果较为微观,无法从企业宏观角度为领导决策提供参考。因此,第 1 级公司还未形成系统化的数据使用习惯,只是将数据作为临时性的考量意见。

第 1 级公司虽然已经开始运用 Excel 工具来满足某些数据分析的需求,但数据应用远远不够。Excel 有其可取之处,也有其弊端。Excel 的优点是维护成本较低,具备基础的查询和计算功能,可以限制用户访问和修改权限。但 Excel 的数据量一旦过大,查询和计算的速度会明显下降,且无法对用户进行角色的管理,数据结构要求较简单。因此,第 1 级公司所使用的 Excel 工具无法支撑企业级的数据体系。

3. 第 2 级公司

第 2 级公司的数据运用已从个人上升到企业级别。这类公司会采用 BI 分析工具进行数据分析,从而辅助领导决策,但主要的使用者是技术部门。这类企业 BI 分析工具的应用场景有企业运营报表、管理驾驶舱等。相比第 1 级公司,第 2 级公司已经是有规模、有组织地进行企业级的数据化运营了。

最常见的运营报表基础统计分析工具是 Excel 和 BI(商业智能)。BI 和 Excel 相比具有报表分析和交互功能,能更清晰地显示数据动态,因此已成为某些具有数据思维的企业进行数据分析的首选。

使用 BI 分析工具需要多个部门协同合作,如下图所示。 当业务人员有数据分析需求时,IT 人员首先负责数据的清洗和打通,再将整合好的数据交给数据分析部门,数据分析部门得出结果再反馈给业务部门,最终为业务人员提供决策依据,支撑公司运营。但是少则两周、多则几个月的分析周期无法及时响应业务人员的需求,更毋论需求较多、需求复杂的情况了。

 04152.png.png

此类 BI 分析工具因为技术门槛高,只有技术人员会使用和维护,不能真正覆盖企业全方位的日常管理。

 

4. 第 3 级公司

第 3 级公司以技术支持为中心,搭建系统化的数据运营体系。这类公司中技术团队是数据价值产生的主体,业务部门的需求由其实现。这种技术团队具有一定规模,通常为公司解决一些通用型数据问题,主要为公司部分核心部门提供支撑。由于这类公司的数据化运营成本高,无法实现全员数据化运营。

当企业的数据量达到一定规模时,仅仅依靠数据分析很难解决根本问题,此时数据治理显得尤为重要。因此,搭建系统化的数据运营架构并最终将其应用于业务单元是第 3 级公司的运营特点。这类企业的数字化转型是技术单元支撑的,也会产生少量的浅层应用产品。

对于等 3 级公司来说,治理数据是数据化运营的基础。一般企业大多采用 BI(数据分析)—ETL(数据加载)—DW(数据仓库)模式将数据治理到数据分析的整个过程打造成工具箱,从而进行数据治理。其中,每个流程都需要做中转工作,因此需要企业配备一支专业性强的技术队伍。

技术部门在维护企业的各类 IT 产品或 DT 产品时会发现, 许多产品之间数据联系紧密,比如用户在支付宝产生的个人信用数据可用于蚂蚁金服上的贷款资质审批,微信账号可用于腾讯视频的登录。这源于阿里巴巴和腾讯都将旗下各产品的数据做了融合。但这些产品的数据没融合前,技术人员需要对相关 App 的数据逐一维护,耗费的人力成本较高,且这个数据治理过程对技术人员的专业能力也有一定的要求。

另外,企业的数据整合、数据维护、数据赋能业务需要历经复杂的过程,如下图所示。

 04153.png.png

首先,各类业务人员会根据自己负责的产品类型和用户喜好,提出各种各样的数据分析需求,比如金融行业的业务人员为保障银行的风控能力,需要评估客户的信用状况。针对业务人员的需求,数据分析部门会建立模型;然后,技术部门将数据分析部门的模型语言写成代码,并检验其是否正确;最后,业务人员通过这些模型或应用实现业务价值。这种数据支撑业务的模式是单向循环的,需要历经多个部门的多项操作。

由此可见,企业需要配备专业的技术团队和数据分析团队完成提出需求、建立模型并检验的整个过程,业务人员在这一过程中只是提出数据分析需求,实施过程需要技术人员投入大量的时间和精力。而有些数据分析需求对技术人员来说比较基础且简单,譬如日常统计分析,业务人员借助专业的数据分析工具将数据接入即可自动生成分析结果,不需要技术人员耗费精力和时间进行处理。技术人员常年忙于应付这些简单的需求, 无法投入更多精力研发更深层次的应用产品,也无法为企业数字化转型赋能。这种以技术为核心的数据化运营模式让技术人 员“叫苦不迭”,而且数据使用并未进入核心业务,数据使用深度不足。

5. 第 4 级公司

第 4 级公司形成了以业务为中心的数据化运营体系,即各个部门使用数据均以赋能业务为出发点。这类公司已形成数据的良性循环,实现了数据资产沉淀,达到了数据赋能业务的目标。这类公司改变了以技术团队为中心挖掘数据价值的数据运营模式,建立了比较完整的数据中台。一线业务人员可以自主完成 80% 的数据需求,这是第 4 级公司运用数据的特点。

 04154.png.png

数据中台的搭建打破了第 3 级公司数据分析单向作业的模式,业务人员分析需求不必再像以前那样历经多个部门和环节,可以直接调用经数据中台打包、封装好的数据资料,并通过数据中台提供的 BI 分析工具分析数据。甚至在业务人员自主分析数据前,数据中台已对某些简单的数据分析需求直接给出了答案。数据中台打通了企业全链条数据,实现了数据的循环流通,它将企业已成型的数据、模型、 算法、应用等“资产”进行存储与延展开发,并设置了共享模式,确保企业的技术部门、数据部门、业务部门可随时直接调用。因此,不仅业务人员可以数据中台受益,技术人员的数据治理、模型研发、算法构建、应用研发等均可通过数据中台 实现。

数据中台的搭建使业务人员可以轻松便捷地使用数据,业务人员有大量数据分析需求时,可以不再依赖技术人员和数据分析人员的力量,而是直接通过数据中台解决。这不仅为业务人员释放了大量数据分析需求,激发了更多应用产生的灵感,而且为技术人员和数据分析人员节省了时间,技术人员可集中精力梳理数据资产,令其对业务产生直接影响,实现数据资产业务化,从而建立基于数据的盈利增长点。

如果说第 3 级公司通过数据分析满足业务需求,从而提高商机捕获的效率,那么,第 4 级公司基于数据做决策,业务人员不断调整工作重心,进一步提升了商机捕获效率。此外,数据中台的建设改变了以往技术部门只专注技术能力提升,不注重为业务赋能的情况。如今,技术部门以服务业务部门为工作重心,积极转化职能,可以更快地推动业务发展。另外,业务部门也能感受到技术部门职能转化带来的便利,双方协同作战,提升能力,新的、更有深度的数字应用产品将会在双方紧密合作中产生,从而助力企业成功转型。

行业中的龙头企业大多处于第 3 级别,专业数据中台服务提供商可以帮助它们加速进入第 4 级别,使数据良性循环。

6. 第 5 级公司

第 5 级公司已实现了数据的良性循环,可以沉淀出核心数据竞争力和数据资产,并能够基于数据开创出新的商业模式。已打通内外部数据,形成完整的数据战略、应用战略、模型战略、算法战略,60% 以上的员工都可以运用数据实现业务价值,基于数据创造出了新的商业模式并带来了一定的收益:这类能够做到“数据驱动发展”的企业便是第 5 级公司。 这类企业内部,数据半自动化、全自动化决策能力和人为判断决策良好地融为一体。内外部数据打通形成了数据生态,不断推动企业进行数字化转型。在经过几年的数据化运营后,与同行相比,它们已经形成独特的数据资产和数据生态,拥有自主算法资产、模型资产、应用资产,其应用深度和数量在行业内排名前列。由于业务角色不同,研发的数字应用也不一样,使用的场景也大不相同,企业内不同角色可以以较低的成本快速获取相关数 据。数据化运营已经深入第 5 级企业发展历程中,数据安全战略已在企业内部形成,并且展开数据应用。同时,企业因为具备了完整的数据运营思路和实践经验,数据人才的培训体系和流程也比较完备。如此,“实践培养人才,人才助力实践”达成良性循环,为企业数字化转型提供源源不断的力量。

总而言之,企业可以通过数字化 MAX 成熟度模型测评自身的数字化运营级别,以便确定接下来的跳级策略:是按部就班一级一级发展,还是进行多级跨越。如果企业想要多级跨越,需要考虑到达目标级别需要具备的资源和能力,进而步步达成,避免跨级失败。

回顾过去十年的企业数字化发展,行业龙头企业大多处于第 3 级别,甚至有些企业很早便进入第 3 级别了。企业内部少则数 十人、多则数百人都在解决数据问题,高成本的数据维护却仍然无法衍生出有深度的数字应用。企业数据使用仍然停留在浅层, 数据运用陷入困境,无法形成良性循环。这种情况下,企业需要根据自身的状态,确定升级策略。

本文摘编自由国云数据创始人兼CEO马晓东所著,由机械工业出版社出版的新书《数字化转型方法论:落地路径与数据中台》。

作者马晓东,国云数据创始人兼CEO,原阿里巴巴数据中台优化器负责人,波士顿咨询全球高级顾问,北京信息化协会副理事长,被业内誉为“数字化转型领军人物”。


本文经授权发布,版权归原作者所有;内容为作者独立观点,不代表亿欧立场。如需转载请联系原作者。

大数据数据分析数据运营产品运营数字化转型