要想成功借鑒華為數智化轉型的成功經驗，就必須完整總結華為在工具階段、信息化階段和數智化階段的經驗與教訓，取長避短，對其中走過的彎路提出新的解決方案。因此，我們認為：

可以學習華為，但不能照搬華為。

我們希望在歸納提煉華為經驗的基礎上，提出一個適合傳統(tǒng)行業(yè)企業(yè)數智化轉型的成功模式，其中包含總體藍圖與具體路徑。

首先，我們不能局限在華為數智化階段的經驗，上一期推文已經提到信息化階段對數智化階段的重要意義。因此，我們需要保留華為數智化階段之前的重要經驗，把它視為數智化轉型整體過程的具體階段之一。

此外，我們需要構思一個完整的數智化總體藍圖，以終為始，指導設計該藍圖構建的具體路徑，尤其是各個組成部分的輕重緩急。

換言之，我們需要首先規(guī)劃總體藍圖，然后選擇局部先行的具體路徑，采取小步快跑方式，逐步構建數智化轉型模式。這對于絕大多數傳統(tǒng)企業(yè)來說，應該是更加切實可行的模式。

數智化總體藍圖由兩類應用服務與一套數據底座共同構成（圖2）：

如在線報價、客戶合同錄入等。這類應用最早大多是出于固化作業(yè)流程或提升工作效率而建，其自身其實并不需要太多數據支撐。

恰恰相反的是，這類服務客觀上為支撐數智化轉型提供了數據基礎，華為在后期基于數智化轉型對數據的需要，增加了很多數據采集工具的建設，也可以歸屬在這一部分。

對于業(yè)務產生的數據的充分應用，是一個數據業(yè)務化的過程。

其中包括構筑數字孿生，實現業(yè)務實時可視，從事后、到事中、再到事前的經營管理等。各種支撐預測和輔助決策等AI工具也包含在內。 

我們可以依據圖2作為數智化總體藍圖指導如何選擇數智化轉型具體路徑，為傳統(tǒng)行業(yè)企業(yè)提供一個可供借鑒的數智化轉型模式。

下面我們將詳細介紹該總體藍圖的三大構成部分，尤其是從時間維度視角逐步解構三大部分構建的順序路徑，即從A圈到底座，再到B圈，最后形成互動融合的統(tǒng)一系統(tǒng)。

需要特別指出，目前流行的數字化轉型模式在A圈構建方面存在嚴重缺陷，要么停留在信息化階段，要么完全沒有這部分內容。所以，在總體藍圖中A圈構建模式需要盡快糾錯。

我們認為，A圈構建是數智化轉型的重中之重。

一旦A圈成功，其他部分的構建必然事半功倍；如果A圈先天不足，則將導致事倍功半。為此，接下來重點聚焦A圈構建方面。

操作類應用服務是所有數智化轉型的起點，這部分也是數字原生企業(yè)和非數字原生企業(yè)最大的不同，即是否“在線”。

為了闡明在線的重要意義，阿里CTO，阿里云創(chuàng)始人、中國工程院院士王堅專門寫了一本書，就叫《在線》。

數字原生企業(yè)的業(yè)務天生就是“在線”完成，所以只要有業(yè)務就有數據，就像吃飯睡覺一樣正常?！霸诰€”聽起來似乎沒有什么特別之處，可是非數字原生企業(yè)業(yè)務的正常狀態(tài)就是“離線”。

構建A圈內容，很大程度就是為了解決“在線”問題。

回顧華為歷史，無論工具階段還是信息化階段都是為了解決圖2中的A圈部分。這是因為數智化轉型第一步就是要有數據。

最簡單粗暴的解決方式就是要求業(yè)務人員錄入數據，但這種方式給業(yè)務人員帶來太多工作量，往往難以成功，而且錄入數據的準確性、時效性和完備性都較差。

所以，我們一直追求像數字原生企業(yè)一樣，把傳統(tǒng)行業(yè)本身在“離線”完成的工作搬到“在線”，從而形成“操作即記錄”與“操作即數據”。

操作類應用服務的成功除服務化的技術架構外，還有三個關鍵因素：

首先，從“數字孿生”視角來看，一個線下非?；靵y的業(yè)務，搬到線上只能讓業(yè)務更加糟糕。

因此，華為操作類應用服務系統(tǒng)從一開始就建立在業(yè)務變革項目優(yōu)化完成的基礎之上，其具體使命也是為了固化業(yè)務變革取得的成果。

但是，業(yè)務變革面臨巨大挑戰(zhàn)。

要想設計一個有效的業(yè)務運作模式，需要改變人的思維模式、行為習慣。

這往往需要花費數年時間，而且常常會出現反復。這可能是因為業(yè)務變革設計方案需要調整，也有可能是因為管理者和業(yè)務操作人員的固有思維模式和行為習慣導致業(yè)務回潮。

如何有效地優(yōu)化業(yè)務，即如何主導業(yè)務變革，華為在這個階段積累了大量實踐經驗與教訓。

很多業(yè)務設計剛上線跑的時候可能看不出問題，但經過一段時間的實際運營才會發(fā)現問題發(fā)生在什么地方。

所以，這個階段最為核心的學習內容之一就是線下業(yè)務流程的優(yōu)化與運營，為向線上轉型提供必要的基礎。

其次，操作類應用服務另一個關鍵是需要既懂業(yè)務流程、又懂數智技術（包括IT技術與數據技術）的兩棲型專家。

我們認為，一家公司業(yè)務部門的數智化能力決定了其數智化轉型的天花板。

傳統(tǒng)行業(yè)企業(yè)需要的操作類應用服務都是業(yè)務驅動的，這與其他操作系統(tǒng)或AI技術顯著不同。

例如，我們之前提到的信息化階段所面臨的技術架構不靈活問題，一旦有了服務化的技術，大家都可以直接引用，也就是說它的通用性很強，引進借鑒也比較容易。

而真正構成操作類應用軟件好用與否的分水嶺是其中內含的業(yè)務設計。

業(yè)務人員需要把物理世界中你中有我，我中有你的業(yè)務，以及業(yè)務基礎之上再疊加的多重管控、信息安全等要素，全部解耦成為一個個相對獨立、又互相依賴的模塊。

這需要對業(yè)務進行高度抽象，提煉成為各種相互作用的應用服務以及數據服務。這個抽象過程對業(yè)務人員個人能力的依賴很大。

具備數智化思維的業(yè)務人員不僅應富有業(yè)務實踐經驗、經歷過各種紛繁復雜的業(yè)務場景，還要有能將實踐經驗歸納提煉，變成通用性較高的模塊或組件，最終滿足低成本、高效率支持業(yè)務的要求。

然而，現實的情況卻是絕大多數的業(yè)務專家在業(yè)務實踐中非常優(yōu)秀，但無法完成總結解耦、抽象提煉的任務，也就是說不具備業(yè)務的數字化重構能力。

如果由這類專家主導，雖然技術層面可以完成服務化架構，但最終往往還是會建成一個剛性的系統(tǒng)，無法滿足靈活適應業(yè)務發(fā)展的迫切要求。

換句話說，相對服務化這個較為通用的技術能力，業(yè)務的模塊化和組件化這種業(yè)務能力才是數字化系統(tǒng)靈活好用的關鍵分水嶺。

需要指出，具備數智化思維能力的業(yè)務專家一開始也只是普通的業(yè)務專家，很多也是在數智化轉型過程中經歷過很多失敗，在多次實踐中才慢慢構筑起數字化思維能力。

IT領域的專家也有可能在一個業(yè)務領域深耕多年后逐步對業(yè)務精通而成為兩棲型跨界人才，但相對業(yè)務人員發(fā)展數字化能力而言，IT技術人員掌握業(yè)務的難度要更大。

對于企業(yè)來講，需要盡快培養(yǎng)這些特殊人才，使其成為數智化轉型的骨干，幫助企業(yè)盡可能避免數智化轉型的彎路與陷阱。

最后，目前流行的數字化轉型模式還存在一個重大缺陷，即將數據治理歸到數據底座范圍，而沒有將其納入A圈范圍。我們認為，這是一個非常嚴重的謬誤。

事實證明，此類數據治理模式往往導致失敗，因為這在本質上是一種事后的數據處理模式，最多只能解決一些IT系統(tǒng)自身建設不完善所導致的數據問題。

我們在一家中國知名的傳統(tǒng)行業(yè)企業(yè)做過詳細調研，發(fā)現IT系統(tǒng)帶來的數據質量問題大約僅占20%，而業(yè)務本身的問題卻占44%，其他30%多的問題是數據口徑、統(tǒng)計維度等其他原因。

換言之，流行的數據治理模式只能解決20%的數據問題，而對其他80%問題則無能為力。

華為LTC其實從2011年isales上線伊始就一直在解決數據質量問題，包括及時性、準確性、完整性、可用性，但直到2015年才實現“清潔”數據，為后期數智化轉型奠定了重要基礎（圖3）。

圖3：經營分析分維度分析示例

提供“清潔”數據，不僅僅是數據分析的需要，更是打通業(yè)務流程的要求。

整個數據治理的過程其實是伴隨著業(yè)務流程的打通優(yōu)化，操作類應用服務不斷貼近業(yè)務實踐，以及在不斷提升業(yè)務體驗的過程中完成的。

這個可能跟現在很多專業(yè)數據治理公司所講的不同。數據治理的方法論導入看起來差不多，而且方法論為了適應各種情況不得不大而全，但在實際操作應用中不加選擇地全盤套用，往往只是徒增不必要的工作量，而最為核心的問題卻往往沒有被識別與解決。

總之，數據治理也必須伴隨業(yè)務治理，沒有好的業(yè)務治理就沒有好的數據治理。

這點對現在很多正在致力于數據治理的傳統(tǒng)行業(yè)企業(yè)來說具有異常重要的警醒意義！這也可以解釋為何眾多傳統(tǒng)行業(yè)企業(yè)在數據治理方面收效甚微。

數據治理除了上述清潔數據治理之外，還有另外兩項重要工作，即主數據治理和基礎數據（也稱為參考數據）治理。

主數據和基礎數據的治理與前面提到的另外30%多的數據口徑、統(tǒng)計維度等數據問題緊密相連，也是確保交易數據（事務數據）準確有效的關鍵。同理，這兩部分工作等到A圈建完之后才啟動也已錯過最佳時機，因此需要納入A圈構建。

首先，統(tǒng)計維度問題大多與主數據相關。我們調研發(fā)現不少企業(yè)基本都沒有統(tǒng)一的主數據系統(tǒng)，或者即使有主數據管理系統(tǒng)，但并沒有提供統(tǒng)計維度服務，因此導致無法有效支撐管理者對業(yè)務數據按組織、客戶、產品等關鍵統(tǒng)計維度進行匯總或深入分析。

其次，基礎數據可以解決很多統(tǒng)計口徑問題。比如統(tǒng)計今年合同中多少是按框架合同格式簽的，而這部分金額最終是否都能形成收入尚不確定，還需繼續(xù)落實；哪些是按標準銷售合同簽的，而這部分就是已經“落袋為安”的金額。

這些統(tǒng)計口徑按照基礎數據來建設會讓交易數據（事務數據）更為準確，也更容易分析。

基礎數據除了支持分析應用，還有一個特別重要的作用就是把很多業(yè)務管理動作真正做到了落地。

比如說我們把企業(yè)允許的商業(yè)模式（一次性付款、利潤分成等）做成基礎數據固化在數字化系統(tǒng)里，就可以比較好的控制簽署未經企業(yè)許可的商業(yè)模式。

有些基礎數據對于業(yè)務設計也有很好的指導意義。如商務優(yōu)惠，華為通過對碰到過的各種各樣的商務優(yōu)惠進行了總結提煉，發(fā)現其實其最根本的就是幾種，之所以在實際應用中出現了那么多，其實是優(yōu)惠場景和多種優(yōu)惠的組合。

找到這個本質并把它做成基礎數據就可以很好地支撐未來的商務優(yōu)惠業(yè)務管理和業(yè)務設計。華為LTC領域的基礎數據也是后來才意識到這個問題，并且在2014年基本建設完成。

最后，還有一類數據質量問題是企業(yè)在A圈構建中特別容易忽視的，就是操作類應用服務產生的數據怎么讓別人容易看懂，怎么方便業(yè)務分析。

在很長的一段時間里，華為都在苦惱找不到數據。一開始大家認為集中放到數據湖里就可以解決這個問題，后來發(fā)現這遠遠不夠。

早期的數據定義和構建都是為了完成自己的操作類應用而定義和構建的，別說周邊業(yè)務部門的人看不懂，就是本領域的業(yè)務人員想搞明白數據湖里自己領域的數據都非常困難。

所以這也是后來為什么華為特別強調業(yè)務人員轉身去做數據，去定義業(yè)務元數據，并總結歸納周邊領域對本領域的數據分析需求，把這些需求也考慮到數據的定義中去，讓不僅本領域的業(yè)務人員看得懂數據，也要方便周邊領域看得懂，找得到。

我們把業(yè)務活動直接產生的數據叫做OLTP（On-Line Transaction Processing）數據。這部分對數據定義的工作其實是OLTP數據資產化的重要組成部分。這部分工作也必須在A圈構建的同時完成，而不能等到數據底座階段完成。

華為其實在數據治理這方面也走了很多彎路，有些是走到后面才意識到前幾步的問題?？上?，鑒于調整成本和用戶習慣等原因，華為已經喪失了修改彌補的最佳時機。

華為目前的數據資產里沉淀了大量的業(yè)務邏輯（這部分具有很高價值），但是在業(yè)務對象定義、邏輯實體定義及邏輯實體所包含的數據屬性方面還有很多改進空間。

如果這方面直接全盤采用華為經驗，那就可能抄了錯誤作業(yè)。

如何構建好數據底座？實現B圈閉環(huán)？更多精彩內容正在持續(xù)連載中，本文為系列文章的第2篇，歡迎關注。