中国企业的数字化转型升级已经好多年了，但还存在很多不尽如人意的地方。在智能化的同时，企业数字化永远还在路上，是进行时，不是完成时，还需要解决一系列的问题。
本篇文章，将聚焦阻碍数智化转型升级的7个问题。
文/凝视深空
1对数据的认知明显滞后于技术的发展要把一件事情做好，首先就要对这个事情有清醒的认知，知道这个事情的核心要素、关键节点，然后才能制定合理的行动计划。数据已经成为一种生产要素，整个社会积累的数据量呈爆炸式增长，数据“入侵”我们生活的方方面面，但是我们对于数据的认知还停留在初级阶段，这会带来一系列的问题。主要表现在三个层次：第一，*府机构对数据的认知不足整个社会正在加速数智化转型升级，数据也逐渐成为一种重要的社会资源。对于社会资源的管理、分配，是*府的重要职责。目前来看，*府对于数据的认知还比较滞后，并不比市场高明多少。关于数据的立法不完备，用户数据隐私保护不足，对侵犯用户隐私的惩处力度，多数情况下还是不够的，黑灰产、电信诈骗、电话骚扰等问题没能得到有效治理。第二，企业管理层对数据的认知不足目前大部分企业都日益重视数据的价值，但是他们的认知基本都还停留在收集数据、存储管理数据的层面，对于如何把数据用起来的认知则远远不够。管理层对数据认知的滞后，会导致企业没有清晰的数据战略，对数据平台、数据技术的资源投入不足。企业往往依赖数据智能厂商提供的产品来实现部分业务的数智化，各个板块的协同不足，各个部门的信息孤岛现象明显。整个企业的数智化没有完整的规划，遇到问题之后容易动摇对数智化转型的信念。第三，普通员工对数据的认知不足人类与动物最主要的区别就是可以使用工具。对不同工具的掌握是划分人类时代的主要依据。进入数智化时代，就要掌握数据智能工具。普通员工在日常工作中，要充分认识数据的价值，主动学习新的数据智能工具，将其应用于日常工作中，提升工作效率。当大部分人都能很好掌握数据智能工具的时候，整个社会才算进入了数智化时代。目前，只有少部分人能够掌握数据智能工具，这严重阻碍了整个社会的数智化进程。2账户体系不健全，数据系统打不通单看企业数智化，目前最大的痛点莫过于不同系统的割裂。即使是同一个企业，不同业务系统的数据，很多时候也不能打通。这会带来两个问题：一方面，管理层无法获得企业整体情况的统一认知；另一方面，各种各样的数据系统已经成为企业业务流程的重要载体，如果系统不能打通，会严重阻碍不同部门之间的业务协作。在高度数智化的企业中，业务流与数据流是同时进行的，当数据流受阻，业务流也就不那么顺畅。造成这一局面的原因有哪些呢？第一，账户体系不健全数据的起点是账户，账户是人在数据系统里的“镜像”，人在现实世界的行为，在数据系统中就是对应账户的数据。如果以账户的角度看数据，企业的数据可以分为三类：账户属性数据，包括员工的姓名、性别、工号、岗位职级等基本情况；账户行为轨迹数据，是这个账户对应员工的业务流程行为，在线上系统的数据痕迹；多个账户的互动数据，是多个员工的业务协作数据。几乎所有的数据都与账户相关，要解决数据系统割裂的问题，要从账户体系这一源头上来解决。事实上，数据系统不能融合，一个主要原因就是没有建立起统一规范的账户系统。如果在不同系统中，同一个员工有不同的账户，这些账户的代码、属性等指标还存在差异。同样一个员工，A系统把他当做“张三”，B系统则把他当做“李四”。这样，不同系统的数据当然不能融合。账户不能没有，也不能太多。如果随便建立不规范的账户，多个系统有多个账户，不同账户标准还不统一，这会带来严重的数据混乱。可以说，如果建立起统一规范的账户体系，数据孤岛问题就解决了一大半。第二，不同数据智能厂商的技术标准不统一一个企业往往会采购多个数据智能服务商的产品，比如用A厂商的ERP系统，B厂商的HR系统，C厂商的CRM系统，D厂商的财务系统，E厂商的数据中台产品，F厂商的BI产品。不同厂商的产品，其系统接口、数据结构往往不同，导致不同系统也很难打通。在数据平台上，大型厂商都想以我为主制定标准，都想别人来适配自己的标准，而不想主动去适配别人的标准，业界标准不统一，不同厂商的数据产品融合度低。相对于本地化部署，云部署方式有助于形成统一的标准体系，实现不同数据产品的融合。尤其是基于云原生开发的数据智能产品，在接口标准化方面，比原来的软件产品更具优势。第三，数据系统中的“部门墙”一个企业中各个部门的系统无法打通，除了技术上的原因外，还有一个原因就是部门利益。在中大型企业当中，除了企业的整体利益外，往往还存在部门利益。数据作为一种新的生产要素，其价值越来越大，已经成为部门利益的一个载体。因此，部门利益的隔阂在数据系统上也会有所反应。企业的某些部门，基于自身利益考虑，可能不想与其他部门打通，也不想把自己完全“暴露”在上级部门面前，因此在推动系统融合和数据跨部门流动方面，往往态度消极。3产业链条上的数据开放不足除了企业内部的数据流动外，企业之间，尤其是同一个产业链条的上下游企业之间，也是需要数据流动的。基于数据流动和数据共享，可以有效避免上下游之间的供需错配：下游企业可以更全面、准确、及时的掌握上游企业的生产供给、库存、价格等情况，有助于其合理安排采购；同样的，上游企业能更好掌握下游需求情况，能更好的安排生产，优化库存。当然，企业向外部开放数据，会存在诸多顾虑，最核心的就对数据安全的担忧。因此，要实现不同企业相互开放数据，需要搞清楚数据开放的边界，既能加强供应链协同，又不至于泄露商业秘密。此外，还要弄清楚把数据开放给谁，开放数据的同时能获得哪些数据，如何保障数据的安全等。总之，要实现数据在供应链企业之间的共享，需要建立一系列的机制，共建信任体系，这还有很长的路要走。4数据流动与数据安全的矛盾数据的开放和流动，能够增加数据的价值，而这又会带来数据安全的担忧。如何解决这一问题呢？关于数据安全保护，我们需要换一个思路：以权限控制的“软安全”来代替硬件、系统断开的“硬安全”。这句话怎么理解呢？一直以来，在硬件和系统上断开，被当做一个重要的安全手段。一个典型的做法就是企业自建数据中心，并构建防火墙，甚至断开与外界网络的连接。外界无法访问内网，自然就大大增强了数据的安全性。事实上，这种“与世隔绝”的方法，并不能完全保障数据安全，内部人依然可以通过其他方式“将数据带出去”。更重要的是，这种“自废武功”式的数据保护方法，阻断了企业与外部的数据联系。在数智化社会，这些企业就像一个个的信息孤岛，会严重阻碍业务开展。数据系统的打通是一个系统工程，并非朝夕之功，临时抱佛脚是不行的。更为合理的方案是：除了核心数据外，企业应尽可能的开放其业务系统，尤其是向有频繁业务往来的伙伴开放业务系统，基于业务需求共享部分数据。在系统打通的基础上，通过加强身份认证和权限控制来保障数据安全。即使外部人可以很方便地接入企业的业务系统，但非授权人员也无法访问企业数据。系统连接很麻烦，但是开通权限却很方便。只要确认了访问者的身份，可以在一秒钟内开通权限，实现数据流通和共享。而要打通原来孤立的系统，则要耗费很长的时间。我们以城市供水系统为例来进行说明，原来的方式类似自来水厂没有通向各家各户的供水管道系统，居民要用水，得从头开始建立整个系统。现在的方式是，构建起完善的供水管道网络，但是却把阀门关了。只有付了水费的用户，才打开其供水阀门。自来水厂是通过控制阀门的方式来防止没付钱的用户偷偷用水，而不是不给用户修供水管道。同样的道理，数据安全的重心，是要夯实身份认证和权限控制体系，在技术上提升抵抗黑客攻击的能力。数据就像是一个人放在家里的财产，保护财产的方法是锁好门，而不是断开通往你家的路。因为路断开了，你不能拿着钱上街买东西，那放在家里的钱也就没有价值。5云厂商与企业之间的信任缺失数据和业务上云，是企业数智化转型升级的重要内容。上云，意味着企业要把自己的数据存放在云厂商的数据中心。目前来看，很多企业对云厂商还是无法完全信任的，对数据上云心怀疑虑。与美国相比，中国云计算市场有一个很明显的特点，就是私有云大行其道。在信息化时代，美国市场主流是标准化软件产品，中国则是定制化软件。在云时代，这一风格似乎要延续下来：美国以公有云为主，中国大力发展私有云。某种程度上，私有云就是软件定制化的翻版，在产品标准化、系统打通等方面天然就存在问题。云计算的核心价值不是通过虚拟化节约硬件成本，而是整个应用生态的变革。如果严重依赖私有云，对公有云信任不足，在接下来的数智化竞争中很可能会栽跟头。要解决云厂商与企业之间的信任问题，需要两方面的共同努力。第一，云厂商要担负起“信托责任”云厂商要对企业存放在的数据有足够的敬畏，在技术和管理流程上，尽全力降低数据泄露的风险。企业存放在云厂商那的数据，本质上是客户企业的财产，云厂商虽然“近水楼台”，但也绝对不可以随意触碰。更重要的是，要建立客户企业数据损失的补偿机制。目前来看，云厂商造成客户企业的数据泄露，受损失的企业并没有得到多少补偿，或者补偿与损失差距太大，这是不合理的。一旦发生数据泄露，云厂商应该要足额赔偿客户损失，这样做有两个好处：一方面，可以打消企业数据上云的顾虑；另一方，对巨额赔偿的畏惧是促使云厂商提升数据安全防护能力的动力。如果客户数据泄露，云厂商本身却几乎没什么损失，那他是没有动力在数据保护上花费过多精力的。合理的赔偿机制，需要一个基础，那就是数据价值评估。得先确定客户损失的数据值多少钱，才能确定具体的赔偿金额。不然，就是公说公有理婆说婆有理。数据价值评估是业界的一大难题，现在连理论雏形都没有，更不要说实践了。第二，企业要转变数据资产保护的思路数据也是一种资产，如何保护这种资产呢，我们可以通过另外一种资产来类比分析——货币。相对于数据资产，人们对于货币这种资产形式更为熟悉。当银行系统不完善的时候，人们都是把钱存放家里。有钱人家往往在家放置保险箱，甚至建立小金库。现在已经很少有人这么做的（除了贪污、犯罪等非法所得），核心原因就是银行系统已经足够完善，在安全性、便捷性、成本等方面，都有很大的优势。企业自建机房存储数据，就类似于把“钱”放在家里；数据上云，就类似于把“钱”存在银行。相对于企业自建的数据中心，云厂商数据中心的技术实力更强，能更好的保障数据安全，就像银行的金库肯定比家里的保险箱更安全；把钱存在银行，可以通过转账的方式来进行交易，这比线下的“一手交钱一手交货”方式更加便捷。同样的，把数据存在云端，更有利于数据系统的融合，以及数据的共享、流通。企业要慢慢转变观念，敢于让数据上云，就像当初敢于把钱交给银行一样。6对即将到来的“数据洪峰”准备不足随着万物互联时代的到来，人类社会将面临一场规模浩大的“数据洪峰”，产生的数据量大大超过以前。根据IDC预测，全球数据流量将从年的33ZB增长至年的ZB。数据的高速增长，很重要的原因就是企业加速上云，大量本地数据上传到云端。根据思科预测，到年全球云流量将达到19.5ZB,相对于年的6ZB增长3倍，年复合增长率达到27%。至年，储存在数据中心的数据，相对于年将增长4.6倍至1.3ZB，年度复合增长率达36%。相对于数据的传输和存储，由物联网产生的的数据量更为庞大。依据思科的数据，由于物联网的推动，年全球生产的数据总量将达到ZB，而年为ZB。大量的物联网数据，需要进行计算、存储、传输。而我们目前的计算体系，能否抗住这一波数据洪峰的冲击，还要打上一个大大的问号。在数据的计算、存储、传输这三个方面，从技术进步角度，传输＞计算＞存储。传输：目前我们正在经历一场数据传输的升级换代，4G升级到5G网络，再加上光传输技术对核心网的升级，整个网络能够传输的数据量提升了一个数量级。但是，即使5G网络建设完成，面对海量的物联网数据依然会略感吃力；另一方面，5G网络的建设进展其实并不快。依据工信部的数据，我国累计建成5G基站81.9万个，已经是世界第一了。需要指出的是，与其他国家相比中国进展很快，但与5G产业本身的需要相比，这个速度其实并不算快。5G基站由于通信频率更高，一个基站覆盖的面积相比4G基站要小很多。要建成比较成熟的5G网络，5G基站数量至少是4G基站的两倍，这还不包括大量室内的微基站、皮基站。中国目前的4G基站超过万个，那么5G基站至少应该在万以上。截止到目前，不到万的基站数量，其实算不上多。可以预见，随着企业数据和业务上云，本地端和云端的数据传输将呈现爆发式增长。如果5G网络迟迟不能到位，那必然会影响企业上云的进程。计算：更多的数据，就会有更大的计算需求，也就需要提升计算的供给能力。目前来看，提升算力的途径包括：发展GPU、FPGA、ASIC、TPU等异构芯片。目前异构芯片是提升算力的重要方向，尤其是针对图形、图像等数据类型，以GPU为核心的异构芯片可以大大提升算力水平；提升芯片制程，从7nm提升到5nm、3nm、1nm，榨干摩尔定律的最后一滴油水。目前台积电、三星已经突破了3nm制程，量产了5nm制程。当芯片制造工艺推进到1nm的时候，量子效应就会阻碍工艺的进一步提升，摩尔定律也就走到头了；云计算，通过算力资源的弹性配置，提升资源利用率。需要指出的是，云计算只是算力的“搬运工”，本身并不生产算力，而是优化算力资源的使用效率。随着异构算力、芯片制程、云计算这三个方面的协同发展，人类还可以较大服务的提升算力，但算力提升的幅度是否能够跟上数据增长的速度，还有待验证。存储：与传输和计算相比，数据存储面临的问题最为严重。存储技术的进展缓慢，面对即将到来的物联网数据洪峰，目前的存储能力远远无法满足要求。一方面，存储硬件需要更新换代，亟需研发出更大空间的存储芯片，降低数据存储成本；另一方面，数据库、数据仓库、数据湖这类存储软件产品，也需要升级换代。以数据库为例，虽然分布式数据库提升了海量数据存储能力，但依然无法满足需求。综上，我们目前的计算体系虽然也在快速演进，但相对于数据的增长速度已经比较滞后了。某种程度上，技术的发展正与数据的增长进行一场*备竞赛。如果没能在计算、传输、存储等方面做好准备，整个计算体系将很难承受住上千ZB级别数据的冲击。7异构数据的处理能力严重不足企业数智化的核心是把数据用起来。要用数据，首先得理解数据。但是，现在我们对于数据的理解能力还相当有限。目前能给有效处理的，主要是数据库中的结构化数据。对于更大量的非结构化数据，就像宇宙中的暗物质和暗能量一样，占比更大，但却超出了我们的认知和处理范围。比较典型的结构化数据包括图像、视频、语音，以及各种文本。其中图像、视频的数据量最大，这些数据只是存放在在数据库中，还不能理解这些数据的含义。遍布城市的安防摄像头，每天会拍摄大量视频，但要理解这些视频里都发生了，需要强大的视频分析技术，并且要耗费大量的算力。可以说，目前绝大多数视频、图像数据，都只是安静的躺在数据库里，并没有真正利用起来。相对于图像、视频数据，文本的数据量要小很多，但其价值却更大。目前，我们对文本数据的分析也处于初级阶段。要全面掌握企业经营情况，只分析财务、销售数据是远远不够的，还有大量的有用信息散落在各个业务流程中：员工的工作计划、工作总结，工作群里的沟通信息，客户投诉的信息，这些信息大多以文字、文本的形式保存在系统中，可以通过NLP、知识图谱等技术，从这些文本数据中挖掘出有用信息，了解员工的工作状态，客户对企业产品的看法，工作流程中普遍存在的问题等。理想情况下，在完成非结构数据挖掘的基础上，还需要将财务等结构化数据与图像、视频、文本等非结构化数据进行融合分析，从各个角度掌握企业的整体态势。目前对于非结构化数据的处理能力还很弱，更不要说将结构化和非结构化数据进行综合分析。以上七个方面，是目前数智化转型升级中普遍面临的问题。这些问题，有些是技术问题，比如账户体系、数据系统打通，异构数据处理，计算、存储、传输体系的升级等；有些则是思想意识和机制的问题，比如数据认知不足，不愿意开放共享数据，对数据上云心存疑虑等。经过多年的发展，数智化已经进入了“深水区”。要想继续向前推进，就要着力解决上面提到的一系列问题。怕什么真理无穷，进一寸有一寸的欢喜。虽然要实现全面的数智化，还有很长的路要走，但只要不断解决问题，就可以持续进步。来源：数据猿-END-
往期精彩推荐
企业的数字化转型之道我对工业互联网的再认识!工业互联网时代所载文章为本