車企數字化轉型：數據，不只是技術

數據不只僅是個技術問題，更是關乎企業數字化轉型生死攸關的關鍵因素，數字化轉型的首要問題就是數據戰略問題，那麼數據戰略問題具體如何解決？

1 數字化轉型的本質是信息技術驅動商業變革

什麼是數字化轉型？

數字化轉型應該如何定義？

對於以上問題，一千我的或許就有一千個回答。目光所及，這些回答覆蓋了戰略、管理、技術、業務、用戶中心等等企業經營的不一樣領域，從工業4.0、消費互聯網到產業互聯網，各自有各自的描述和解釋。

那麼，通過這麼多年的轉型實踐，咱們回頭來看，最重要的驅動因素究竟是什麼？

讓咱們回到工業時代的最初。

儘管有着蒸汽機的幫助，人類的體力和腦力仍然是工業生產中必不可少的因素。通過這麼多年的發展，機器愈來愈多地替代了人類的體力，可是腦力仍然是上個世紀最重要的驅動力量，哪怕是最初的計算機，也只是在加強人類的腦力而不是取而代之。

直到最近十年，狀況發生了改變。

過去10年中，雲計算、大數據和人工智能技術的發展，不斷驅動機器智能替代體力和腦力，那些高頻的重複的體力和腦力工做，愈來愈多地被機器智能所取代；而腦力賴以生存的經驗公式（方法論、思惟工具等等），也愈來愈多地被算法所代替。從這個意義上，算力纔是這個時代真正的驅動力量，算力對於體力和腦力的替代，是過去十年來，人類面臨的最大挑戰之一，既往的運營和商業模式不斷被顛覆。

因此，站在今天的角度，咱們或許能夠清晰地定義數字化轉型，本質上就是以算力、算法和數據爲表明的信息技術，以數字化的方式驅動社會總體的改變和變革。 數字化轉型的將來清楚指向人工智能的發展，從而讓人作人該作的事情，讓機器作機器該作的事情，人類和機器腦力算力協同發展。

人類所面臨的挑戰並不止於此。

曾經有一本名爲《富足》的書指出，當人類社會從物資材料的供不該求到供過於求的富足狀態以後，社會的組織模式和商業模式都發生了巨大的改變。吃不飽穿不暖，曾經是過去幾千年來人類社會的主題，可是今天，當這些再也不是問題的時候，人們迷茫了，咱們到底須要追求什麼？

用一樣的視角去觀照數據，咱們會發現什麼？

下圖來自於互聯網女皇的報告，從圖上咱們能夠看到，進入2010年以來，人類社會的數據量有了巨大的增加。原圖沒有告訴咱們的一點是，2015年是人類社會數據增加的一個關鍵節點，由於在2015年，其一年產生的數據量是人類過去歷史上產生的數據量的總和。換句話說，人類的數據量自此進入了指數級增加，2015年以後，數據量每一年增加40%-50%，這也被稱爲「新摩爾定律」：人類有史以來的數據總量，每過18個月就會翻一番。

若是你還記得那個阿拉伯童話中國王和算師關於在棋盤上放滿米的故事，那麼，你就會知道，這種指數級增加的數據增量有多麼巨大。 人類社會或許即將從數據的供不該求到數據的供過於求的狀態。從這裏咱們或許能夠理解，爲何馬老師說將來全部的公司都將是「數據公司」。

阿里巴巴曾經就是經歷過這種數據增加的公司，在很長一段時間內，日益增加的數據存儲費用和仍然稀缺的數據應用之間的矛盾一直都是阿里巴巴的主要矛盾。阿里巴巴爲何要「去IOE」？傳說王堅給馬老師算了一筆帳，若是仍然使用IOE架構來存儲數據，那麼，十年後，阿里巴巴的數據存儲費用將10倍於其收入，屆時，阿里巴巴必將破產。

目前，大部分的公司仍然處於數據的加法階段，可是，在車企身上，咱們已經看到了數據跨越式增加的苗頭。這個苗頭叫作「車聯網」。

隨着車企的電動化、智能化、網聯化，車企也收集到了至關龐大的數據，一天4G、一年2.5億行、3年後至少超過200T……相似這樣的描述，在大部分的車企都能聽到。或許，車企的數據量增加還不能稱爲指數級增加，可是，相比以前，至少已是乘數級的增加了。

那麼，怎麼辦？

做爲一家已經跨越了數據指數級增加的公司，阿里巴巴的經歷或許能夠給咱們啓示。

2 阿里巴巴如何跨越數據指數級增加奇點

2007年，阿里巴巴在戰略會議上決定阿里將來要成爲一家數據公司。但真正在數據上有所建樹，卻要把這個時間延後到2009年，阿里雲也誕生在這一年。大致上能夠把阿里的整個跨越過程分紅三個階段：

第一個階段：2009-2012年，主題是「看見」。

從2003年成立以來，淘寶收集了大量的數據，其中90%是非結構化的日誌數據，當有了這些數據以後，全部人都想看見數據背後的真相：個人用戶從哪裏來，他們買了什麼，爲何購買，轉化率如何……這些問題咱們大致均可以歸結爲兩個基本問題：發生了什麼？怎麼發生的？

和「去IOE」同步發生的，是阿里加大了對於BI（商業智能）的需求，用數據「看見」答案的BI，在這個階段是阿里存儲和計算資源消耗的主力軍。阿里巴巴也是第一個設立CDO（Chief Data Officer，首席數據官）的公司，第一任CDO是後來的阿里巴巴CEO陸兆禧，有意思的是，後來成立的數據平臺部所以也習慣性被內部稱爲CDO。順帶一提，老陸也是奇點雲的天使投資人。

第二個階段：2012-2015年，主題是「使用」。

一個標誌性的事件是2012年數據平臺部的成立，這個被稱爲CDO的部門，源於七公組建的數據平臺團隊，在這個團隊手上，誕生了一系列數據分析和挖掘工具，包括在雲端、數據魔方、淘寶時光機、淘寶指數、TCIF等等。這裏特別要提一下TCIF（淘寶消費者數據工廠），由如今奇點雲的創始人行在創立，拉通了阿里巴巴全部的消費者數據，而且完成了3000+標籤體系的建設，這些標籤每一個用阿里媽媽作精準營銷的同窗應該都見過，就是達摩盤裏面那些勾選的選項。

2012年的標誌性事件，就是TCIF的存儲和計算消耗量超過了BI，以TCIF爲表明的人羣定向成爲了計算資源的消耗大戶；另外一個標誌性的指標是，阿里巴巴有50%的服務器再也不處理任何事務，而僅僅用於處理數據。

這個階段，阿里巴巴開始真正實現了用數據預測將來的問題，更好地幫助業務去回答：爲何發生？將來將發生什麼？

第三個階段：2015年至今，主題是「賦能」。

一樣，2015年也有兩個標誌性事件：一是阿里雲數加平臺的成立（行在創立），這表明阿里巴巴開始把內部造成的大數據能力外化，賦能社會去創建大數據能力；二是推千人千面算法，推薦算法一躍成爲了存儲和計算資源的頭號消耗大戶。

推薦算法不只僅是咱們看到的淘寶界面那麼簡單，在某種程度上，推薦算法讓阿里巴巴跨越了「從人指揮機器到機器指揮人的奇點」，今天阿里巴巴75%以上的GMV都由機器來運營，流量由機器來精準分配，相比之下，天貓淘寶等等所有合在一塊兒也只有幾千個運營小二，人效高得可怕。

通過這三個階段，咱們能夠認爲，阿里巴巴已經圍繞數據完成了數據工業化生產鏈條的搭建，而且圍繞着數據鏈條創建了豐富的數據生態。相比之下，太多的公司還處於數據的手工勞做階段，而這給企業的數字化轉型帶來了很是很差的影響。

包括最初的鏈接買家和賣家的階段在內，鏈接——看見——使用——賦能四個階段，讓阿里巴巴成功跨越數據指數級增加的奇點。

PS：具體的技術發展階段能夠參看玄難的 《阿里巴巴業務中臺發展四階段》和行在的 《阿里巴巴數據中臺發展四階段》。

3 積極進取的車企數字化轉型

除了互聯網公司以外，汽車行業是最積極擁抱互聯網的行業之一。特別是隨着車聯網、電動車和新能源車在近些年的日新月異，車企也投入了大量的資金和精力在IT基礎建設和先進技術研發上。

大致上，這些嘗試除了生產製造端（這是另一個大話題，更偏向工業4.0），能夠分爲

01 以車和服務爲中心的技術重構

好比，以電動化、網聯化、智能化爲導向的將來汽車戰略，以及圍繞數字化出行打造全方位的服務能力等等。根據普華永道思略特的估計，到2030年，供應商業務、車輛銷售和售後市場等傳統行業的利潤份額將從71%降至41%，車企須要向出行服務商方向轉型。

02 從以車爲中心轉向以人爲中心

車企傳統上都圍繞車的價值鏈來構建其組織結構，也就是圖中右邊那個半圓，而把人的價值鏈指定給銷售或者市場營銷來負責。但今天，愈來愈多的車企發現，人的價值鏈應當和車的價值鏈處於相同的地位，像蔚來這樣的造車新勢力，甚至其組織架構徹底圍繞用戶來構建。從核心場景上看，車企都須要打通人車數據，構建人和車的全生命週期管理能力，經過數據資產化和業務智能化來突破業績瓶頸。

03 消費者海量個性化需求倒逼車企推進四化

2010年以來，隨着電子商務、社交網絡和移動互聯網的發展，個性化、多樣化的消費需求海量涌現。好比，有的消費者但願像淘寶購物同樣，能看到買車的所有物流過程；有的消費者但願能定製個性化的顏色……可是，這些需求，僅僅依靠主機廠傳統的信息管理系統和架構，沒法獲得知足。車何時能到店？何時能提貨？這些簡單的信息都還沒有實如今線可查詢，就更不要說提供複雜的個性化服務了。車企很早就意識到這一點，而且開啓了雲化、服務化的進程，來實現大規模精細化的人車匹配，只是結果難稱滿意，緣由會在稍後表述。

愈來愈多的車企認識到，那些重複性的機械勞動，將來必定會被人工智能所取代，其中不只有事務性和勞務性的工做，甚至有不少知識性的工做，也有極大可能被機器所取代。那麼，接下來，車企就將面臨嚴峻的挑戰，須要重塑人工智能賦能的員工和團隊，以及，車企將來的核心競爭力和吸引力也未來自於企業經過人工智能爲員工提供支持、預測新型需求和推進工做職能的能力。

4 被忽略的數據，或將成爲車企數字化轉型的阿喀琉斯之踵

儘可能已經在技術上和業務上作了衆多的嘗試，乃至找了傳統的諮詢公司來爲數字化轉型出謀劃策，可是車企遇到的數字化問題卻愈來愈多了。

新技術的普遍使用，在部分解決老問題的同時，又帶來了更多的新問題：爲何我採集的數據，一半是空值？我有了那麼多數據，要如何變現？如何對業務產生價值？就算用了新的系統，爲何仍是黑箱決策？

在作諮詢的時候，我第一時間都會觀察，或者直接提問，這家公司的數字化轉型是否有核心項目？（也就是一般所說的「一號工程」）是不是公司或部門最高領導直接出任負責人？以及，技術規劃是否有效解決了現有問題？

一般狀況下，所獲得的答案在數字化轉型的重要性上，表述相對清晰；可是落地到總體的項目規劃，以及項目對業務的貢獻，就會變得面目模糊。以及，常見一種表述，「數字化轉型是公司一號工程」，然而，再往下，「數字化轉型」的實際定義千差萬別，有建數據庫的，有建平臺的，有開展創新項目的……惟一的共性大概是「先試試水」。

試水的好處在於，暴露了問題；壞處在於，試水所總結的經驗經常並沒有助於解決問題。

總結下來，目前車企試水暴露的問題主要有三個：

✨1.數字化轉型缺少頂層規劃和設計，各個部門各自爲陣，基於各自的數字化轉型理解，開輾轉型工做；

✨2業務問題背後經常體現爲數據問題，好比數據質量不行，數據統計口徑不一致，數據不通等等；

✨3.IT和業務的配合問題，業務所表達的需求，一般不是真正的業務訴求和痛點，而更多體現爲「別人有的功能我也要有」。

先說第一個問題： 頂層設計。

首先須要明確一點，全部的技術、全部的項目都爲實現公司戰略目標服務，可是公司的戰略資源有限，須要在合理規劃前提下，最大化利用現有資源和技術，而後纔是項目管理的問題，這是頂層設計的初衷。

所以，全部的頂層設計問題，都須要回到本源「爲何樣的客戶提供什麼樣的價值」上來，從業務價值的角度倒推到項目優先級上，而後再考慮項目管理的問題；

其次，一般認爲，項目的質量由money、time、scope三個因素決定，這也構成了一個項目管理的不可能三角：要想少花錢、短期覆蓋大量業務需求，那麼項目質量就不會好。要麼多花錢，要麼多花時間，要麼就明確少許的業務需求，只有這樣，數字化轉型項目才能比較高質量地轉化成業務成果。

再說第二個問題： 數據問題。

這是一個常常被管理者和員工掛在嘴上，可是並無被企業提高到戰略高度來正視的問題。

SKOTT評估法認爲，企業數字化轉型須要關注戰略、KPI、組織、數字技術和數字人才五個維度，才能減小和避免轉型風險。咱們很是承認而且對此進行了量化（量化方法容後描述），以及根據信息技術的特色，把數字技術拆分紅了算力、數據和算法三個維度，來對企業的數字化轉型現狀進行評估。

評估結果，一句話描述就是： 缺少清晰的數據戰略拖了車企數字化轉型的後腿。或者說，到目前階段，車企數字化轉型首先要解決數據戰略問題。

一般車企在戰略部署和算力部署上都走得相對靠前，可是，很遺憾，若是把全部的7個維度拉成進度條，那麼，數據的進度是最慢的。不只如此，一般車企在KPI、組織和人才也都相對錶現不佳，而這些也都多多少和數據進度有關係。

好比說，由於缺少數據戰略，因此公司在數據相關的組織設立上，一般也行動緩慢，在數據和算法須要的相關人才招募和培養上，也缺少相應的薪酬體系和激勵機制，更不清楚目前缺什麼人才和角色。順帶一提，根據咱們的諮詢經驗，目前企業廣泛最缺的角色是業務架構師、產品經理和數據分析師。

由於數據不通和數據質量問題，企業也很難從指標上對於數字化轉型進行KPI定義，好比說，數字化業務利潤佔比，那麼，哪些業務算數字化業務利潤，哪些又不算呢？佔比多少合理呢？這也致使缺少有效的KPI來指引公司的轉型事務，只能各個部門各自來定義。

以阿里爲標杆，咱們從數據的「存通用」角度也對車企的數字化轉型現狀進行了評估，從下圖能夠看到，數據還沒有中心化，是如今車企廣泛的現象。數據不通和數據質量問題也進一步致使了車企有算法但沒有成果，有數據採集但沒有質量，有算力部署但沒有數據變現。

從這個評估來講，車企就像看着已經被IT武裝到牙齒的希臘英雄阿喀琉斯，可是卻由於對數據這個腳踵不夠重視，一旦被業務的流箭射中就經常步履維艱。

因此咱們常說，你不琢磨數據，數據就會琢磨你。

最後再說下第三個問題： 業務配合問題。

這實際上是一個很大的命題。

首先， 這是一個組織問題。傳統定義上，業務做爲前臺部門，要如何和IT這個後臺部門分工合做，有一套傳統的流程，可是今天，這種分工合做流程愈來愈不能適應企業數字化轉型的需求，須要打破體制，包括項目預算、方案設計、KPI等等都須要從新設計。

其次， 這也是一個業務問題。傳統前臺業務一般把IT視爲系統和工具的提供者，IT不須要懂前臺業務，IT在業務分工裏只是一個保障角色。當企業說業務價值的時候，一般說的是前臺工做，而較少說起IT的價值。可是，當今天愈來愈多的技術創意引領公司業務，當業務落地須要技術交付的時候，IT就不僅要解決技術問題，還須要理解業務，可以和前臺一塊兒解決業務問題。這不只須要跨界人才，也須要制度設計。

最後， 這固然是一個技術問題。讓IT作業務，讓業務作技術，這都是不現實的解決方案。那麼，IT就須要可以面向將來，爲業務提供技術保障。麻煩在於，今天的技術保障，不只僅是系統建設和IT部署這麼簡單，還包括數據和算法的解決方案規劃、線下數據的收集能力建設、數據應用能力的建設等等一系列超出傳統IT定義的建設部分。這裏面，還有一些相似標籤化這樣，須要業務一塊兒參與和沉澱的項目，以及拉通先後端供應鏈數據這樣的跨業務領域項目，這些項目甚至須要IT從技術角度先進行規劃，由IT來拉動整個項目合做。

5 數據，不只是技術問題

2015年，MIT斯隆管理評論和德勤一塊兒，作了全球數字化企業高管調研，研究結論也成爲了後來報告的標題，《戰略，而不是技術，在推進數字化轉型》。其研究代表： 「數字化架構企業這個能力很大一部分程度上依賴於一個清晰的數字化戰略，一個是被領導人所培育的可以改變和創新的文化支持的戰略。」

只是就研究自己而言，只停留在數字技術的運用上，而並無任何說起數據的地方，或許，其研究對象都把數據視爲數字技術的一部分，或者把數據視爲面向客戶分析的材料而已。

對數據的忽視也是今天談大數據經常陷入困局的緣由。

對於大多數企業而言，並無十分迫切的海量數據處理需求，在增量時代生意很好作，也並不須要經過數據挖掘來輔助精細化運營、數據化決策等等。可是當市場進入了存量拼殺時代，每一個公司都須要在保有自身份額同時，從競爭對手手上搶奪存量市場，業務對數據質量和數據挖掘的需求忽然就爆發出來。每一個人都想知道，經營問題到底出在哪裏？如何推進業績繼續增加？

另外，人工智能在近幾年的發展，也引起了有識之士的關注。咱們常常聽到的問題包括：若是全部高頻的重複的機械做業，都將被機器所取代；若是全部事務性和勞務型的工做，都將被人工智能所取代，那麼，企業將會是一個什麼形態？在人工智能主導的社會裏，企業最重要的戰略資產是什麼？

進一步拆分算力、數據和算法的獲取方式，能夠發現，算力和算法均可以經過公共供給來得到，好比說上雲，或者開源算法，惟獨數據很難從市場上得到。並且，隨着國家和民衆對於我的隱私和我的信息的重視，在沒有成熟的數據交換市場以前，數據將愈來愈難以經過購買方式獲取。

簡單來講， 數據是惟一一個須要經過企業自身積累而來的要素，然而，和汽油相似，一旦沒有煉油廠去處理石油原油把數據變成可用的汽油，沒有加油站去給汽車加油，那麼，數據就是躺在數據倉庫裏的原油而已，看得用不得。

這點，車企應該深有體會，特別是隨着車聯網和電動車的推動，車企沉澱了大量的相關數據，天天至少幾個G的增加量，卻沒有產生任何業務價值。「我能用這些數據幹什麼？」這是調研過程當中最常被問到的問題。

以及，正如上文所描述的三個問題， 數據如何處理和消費，歷來就不僅是一個技術問題，而是涉及到業務價值、技術規劃和組織保障三個領域的綜合戰略問題。要想解決技術問題，也須要從這三個維度入手。

6 如何從數據資產管理的角度推進企業數據戰略

根據個人研究結果，目前有三種推動企業數據戰略的主要方式：

01 總體評估，組織先行

這是及其少見的一種推動方式，目前也僅僅在阿里和華爲等少數公司身上有所體現。在這些公司，隨着公司戰略調整，首先就會先進行組織調整，好比阿里巴巴在馬老師提出「新零售」以後，就會迅速在人力資源層面增長「HR-新零售線」，來統一進行人力資源的規劃和安排。這件事情有多可怕呢？借用一位老師的觀點。他說傳統理論都認爲「船大難掉頭」。可是，現狀倒是，像阿里巴巴這樣的巨型企業，由於擁有了優秀的基礎設施，面對市場變化，能夠迅速地掉頭；而小企業反而由於缺少數據缺少有效規劃「船小難掉頭」。這就顛覆了傳統的管理理論。

02 業務先行，小步快跑

經驗數據，90%-95%的公司都會選擇這種方式來推動企業數字化轉型。簡單來講，IT部門會先從業務最迫切的需求、或者最可以出成果的需求入手，使用數字技術手段來推進業務「試水」。若是有成果，那麼就能夠把該項目變成明星項目，說服企業高管和其餘業務部門繼續採用數字技術；若是失敗，那麼就繼續尋找下一個明星需求。主要就是經過小步快跑試水累積數據、累積技術能力，以及來爲下一步的技術規劃提供判斷。

03 技術先行，大步前進

這類企業一般都有比較明確的數據中臺（平臺）建設和數據資產管理體系的建設需求，儘管可能並無明確數據在企業內的重要地位，以及如何去規劃和建設數據中臺和數據資產管理體系，可是都通過了前期研究和討論，明確了建設需求。從個人理解來看，這些企業都但願用數據中臺（儘管詞義模糊不清）實現企業數字化轉型的跨越式發展。這類企業，對於數字化轉型諮詢的需求也最爲迫切。

無論是哪一種方式，咱們認爲，其內在的發展邏輯都會相似於阿里巴巴的經歷，先經過低成本的業務在線化「鏈接」企業和客戶，再經過數據在線化「看見」業績和顧客，而後創建數據「使用」能力來預測將來，最後用數據智能「賦能」業務轉型成服務公司或者平臺公司。

相對而言，咱們更推薦「技術先行」的方式，由於無論選擇哪一種方式，都會須要數據中臺以及數據資產管理體系，像經營人力資產同樣經營企業的數據資產。

固然，也能夠尋求以數據資產管理爲核心的大數據諮詢。

大數據諮詢是奇點雲針對市場需求所提供的服務定義。

從上圖能夠看到，傳統的諮詢一般是針對某一二個領域進行戰略諮詢和規劃，好比管理諮詢、財務諮詢、品牌諮詢和人資諮詢等等，其方法論基於經驗總結而來，經過跨層級跨部門的調研，爲企業提供第三方的中立數據以及規劃建議，便於企業高層決策。可是這些經驗裏面，並不包括數據資產管理經驗，所以，須要有相應經驗的公司來提供諮詢服務。這也是提出大數據諮詢的初衷。

另外一方面，大數據諮詢的特殊之處在於，除了商業因素和組織因素，還須要把IT和數據考量在內，而且從能力建設的角度提供解決方案的建議，也就是不只要面向需求端解決問題，更須要面向解決端提供能力，這也意味着大數據諮詢須要有端（需求）到端（解決）的解決能力。這也是大數據諮詢和其餘諮詢方式的不一樣。

ps:更多大數據諮詢內容及詳細的數據智能解決方案盡在9月25日雲棲大會「數智商業論壇」上獨家發佈的 《大數據諮詢白皮書》，敬請期待！