从信息化到数字化及转型本质

信息化是企业为了提升效率、降低成本利用信息技术实现单点业务或办公能力的工具和流程改造。比如办公自动化 OA 、财务系统、人力资源管理系统等。企业的信息化解决了局部的效率问题，但也带来了新的问题：系统与系统之间彼此隔离，数据形成孤岛，信息难以共享，所以不得不去做集成。由于数据存储于各个系统的数据库中，每个系统的架构、开发语言、数据模型、数据存储、术语语义等都可能存在不同和差别，使系统间数据共享和复用变得困难，也造成了重新造轮子、重复建设。为了实现这些单体竖井系统之间的数据共享和复用，我们做了多年的集成。但信息共享和集成从数据库层 DBLink ，到业务层 DAO ，到中间件消息总线，再到服务层企业服务总线等等，都是一种加层补丁的方式，使系统之间的补丁越来越多，性能越来越差，数据越来越乱。所以我们又不得不去做数据治理。元数据管理系统、主数据管理系统、数据质量系统等等不断的建设，但也没见得数据质量有多大的提升，问题依旧，事倍功半。

虽然说数据可以通过 ETL 等手段汇聚到数据仓库、大数据平台或者数据湖，但并没有从根本上解决企业的系统建设方式和系统架构体系。不过数据的汇聚使对数据的深度分析和洞察成为可能。通过对数据的分析和洞察，找到业务对象之间的关系和联系，就可能从这些关系和联系中找到新的业务机会，就是数字化和转型的过程。

数据集成和汇聚是一种方式和路径，也是一种习惯了的简单方式，但这种方式往往面临着重复建设、代价高昂。还有一种方式是彻底地重构，按照新的企业架构分步骤分阶段逐步地重构替换或者新建。新的架构可以采用微服务架构实现系统融合，以企业主数据为核心实现 “ 数据融合 ” 。使数据在产生的地方就标准化和规范化，消除众多的数据处理流程和步骤。重构是彻底的转型，但无法一步到位，需要根据投入、人力、时间、业务需求等实际情况逐步进行重构替换、补充新建来构建新的企业架构体系，需要对整个发展路径和路线图有清晰的认识和了解，对架构师和管理人员要求非常高，他们需要有能力来把控整个路径和进展，能及时的解决在重构转型过程中遇到的问题。不过实际情况，往往集成和重构两种方式并行，既要充分利用现有的信息系统，也需要考虑在替换老旧系统的过程中将企业架构更新换代，兼顾效率与成本。

有人把数字化分为三个阶段：信息数字化、流程数字化和业务数字化。其实都是表象，没有触及数字化的核心本质。为什么要数字化？当然最根本是为了效率和成本。要提升效率，降低成本，就需要不断寻找新的机遇。机遇从哪里来？可以从数据中来。但每个单体竖井的系统数据有限，数据之间的关系简单，这就需要和其他系统的数据集成或者统一汇聚到一个地方（比如数仓、数据湖等），然后可以对这些数据进行清洗、转换、去冗、补齐等操作，使之符合数据分析、数据运算和模型训练等要求。通过对数据的计算和分析，找到数据之间的隐藏的关系，可能就意味着新的机会。比如说，通过对原来各个单体系统中客户行为的分析，从而对客户有个相对全面的了解，也就是客户画像，根据客户画像表现出的客户特点，有针对性的提供服务，投其所好，则成功的概率更大。

数字化转型，并不是简单的使业务数字化，而是利用技术去分析、洞察业务数据之间的关系和隐藏的价值。以数据驱动，需要将数据以标准化、规范化、高质量进行整合在一起，最简单的方式就是不去做转换，使数据从源头、从产生的地方就遵循同样的标准和规范，也就不会有质量问题，无需数据质量平台。随着业务系统的逐步重构和替换，从而实现 “ 数据融合 ” 、 “ 业务融合 ” 、 “ 应用融合 ”、“基础设施融合”、以及“组织融合”，在完成过程“系统融合”能力中实现企业全局数字化和转型。

数字化不是目的，利用数据进行分析洞察从而获得数据表面之下更多的认知、发现更多的潜在机会并尝试这些机会，才是数字化转型的根本目的。所以转型可以有两种方式：集成和重构。利用云计算、大数据、人工智能等技术，实现基础设施资源、数据、人力等的整合和融合。重构方式可以从根本上解决数据质量问题，提供足够多的高质量数据，消除数据因质量问题对机器学习、深度学习模型的影响，但非一日之功。集成可以利用已有的系统和资源，快速实现数据的汇聚。通过对数据深度洞察，找到数据之间的关系和联系、趋势和规律，从而指导企业尝试新的业务模式、运营模式等。

因此可以说，数字化转型的本质是以数据为要素、技术为工具，实现对数据的分析和洞察，找到数据之间的关系、联系、趋势等，比如风险控制中关联交易分析等，从而支持和促进企业业务、流程、组织架构等的变革和创新。

信息化解决了单体工具与效率问题，数字化构建起了业务应用体系，打通了数据之间的关系，数字化转型则深度分析和洞察数据之间的关系，找到数据变化趋势和规律，并有效利用这些数据关系、趋势和规律促进企业业务的变革、创新。