数字化转型毋庸置疑是近几年一个持续的热门话题，全球各行各业的企业都在进行、或者计划推进数字化转型以期提高市场竞争力。这样的趋势在疫情期间显得尤为突出。
国家工业信息安全发展研究中心连同埃森哲商业研究院针对中国企业的数字化转型方面的调研表明：在数字化转型领先的企业，数字化优势持续扩大；更重要的是；这样的数字化优势直接转化为财务优势：以营收增速为例，从下图右边的图表可以看出，疫情前的转化优势为 1.4 倍，在 2020 年的疫情后，这样的优势转化为 3.7 倍。
这样的差距，完全可能决定一个企业的生死存亡！
通过数字化转型改善企业经营、增强竞争优势不仅仅发生在国内；比如北美汽车企业通过在供应链分析引入 AI/ML 数据科学算法，在半年时间就通过改善库存水平、减少延期交货订单、缩短周期获取 5 倍的投资回报。另外一个例子，大众德国汽车在点焊质量监控引入机器学习分析实时对每天七百万个焊接执行 100% 的自动监控替代原来的人工抽样监控，企业投资回报以百万欧元计算；最最重要的是无限提升汽车安全指数，毕竟生命是无价的。世界各个国家、不同行业的例子比比皆是。
根据业界知名的分析机构 Gartner 和 IDC 针对数字化转型在数据与分析领域的调研结果，可以预期后续几年企业在数据方面的应用将持续加大力度：
高德纳预测到 2025 年
- 企业的数据利用率将提高到现在的 400%；
- 情景（场景）驱动的数据分析和人工智能模型将取代 60% 建立在传统数据上的现有模型；
- 互联治理 – 建立数据分析的信任机制相关，包括数据质量、数据安全、数据隐私，以及对数据的定义模型等要素。
IDC 的 2022 年中国数据与内容技术预测
- 到 2026 年，成功实现数字化创新的企业将从数字产品、服务和/或体验中获得超过 25% 的收入；
- 到 2024 年，35% 的中国 500 强企业将通过数据洁净室与外部利益相关者建立数据共享伙伴关系；
- 数据运维（DataOps），55% 的中国 500 强企业将拥有面向最终数据使用者的统一数据应用架构，以支持数据运维（DataOps）、推动基于 ML 的数据工程、降低数据风险并推动数字一代（Gen D）员工的创新；
- 到 2026 年，50% 的组织将致力于实现横跨 10 年以上的短期、中期和长期可持续性的治理目标，该目标已获得了利益相关方的资金支持；
- 到 2024 年，60% 的中国企业将通过 MLOps/ModelOps 来运作其 ML 工作流程，并通过 AlOps 功能将 AI 注入 IT 基础设施运营过程。
大数据在成为国家定义的生产要素之一后，企业如何能够乘风踏浪在当今经营环境、国际形势快速变化的局面中利用数字化转型突破成为绕不过去的坎。但是，数字化转型不是一个单一的、可以一触而就，或者一劳永逸的信息后项目；而是一个旅程。
企业在考虑数字化转型的时候，应该从企业战略层面考虑整个数据生态与全生命周期管理为指导纲领。在经历了数据仓库、数据湖 10 多年的发展之后，企业的数据环境不再是单一的平台能支撑的；生态化的演进趋势愈加明晰可期。企业的数据生态演变可以归纳为四个方面的发展：
数据资产化 – 数据资产化的提法近5年前开始被关注，在国家将大数据纳入新的5大生产要素后；数据资产化已经是板上定钉的事情。企业如何运营和管理数据资产也将必然成为一个重要议题，更别说是如何通过数据资产变现。对企业来讲，数据资产运营的定位应该是一段旅程；这其中涉及到：
- 搭建数据管理能力
- 数据标准化的设计规范
- 数据质量的提升
- 数据资产化运营的促进
- 支撑数据服务
架构生态化 – 从架构方面看，单一数据平台架构将不再能够满足企业对数据应用的需求 – 无论是数据仓库、数据湖、或者数据中台，甚至是湖仓一体；单一平台架构都无法满足企业的发展需要，企业需要是能够更灵活的体系架构生态，既要能过满足企业统一的数据管理、规范；同时能够快速、敏捷的满足业务在数据创新的诉求。
- 数据架构不应该是集中的，而应该是面向领域的去中心化的数据所有权和体系架构
- 以产品思维定位数据
- 数据基础架构即平台支撑数据领域的自服务
- 企业范围的联邦计算治理和公共标准
面向领域的体系架构能够满足企业在统一规范、治理的框架的同时，鼓励领域级别的数据创新与灵活性、敏捷应对业务在数据方面的要求。
管理运营化 – 随着架构、平台的多样化，数据应用的不断创新；巨量的数据使用必然导致数据管理的复杂度提高、业务对数据分析的反应速度要求越来越高；传统的管理手段远不能满足当下的要求。数据运营在多年前已经受到国外企业的重视。正如 IDC 预测的，DataOps 理念应用到数据管理是企业在制定数据生态战略的时候不应该忽略的重要范畴。
数据管理从传统依靠 IT 人员的运维方式往运营化转变始于 2011 年首次概念提出，后来多家世界知名的咨询公司纷纷提出自己的观点；2013 年麦肯锡、2014 年德勤、2018 年埃森哲；高德纳-业界知名的 IT 行业分析公司首次把数据运营DataOps包含在数据管理技术成熟度曲线里面。Teradata 在 2019 年提出数据工业化概念，不仅仅是提出数据管理的工业化、运营化的观点；更是把分析运营也涵盖在数据工业化策略里面，形成从数据获取到智能分析流程的自动化、运营理念。
数据工业化框架的提出完善了数据运营的管理，达到持续集成、持续开发、持续部署的目的；并且自动化这个过程。
Teradata 的数据工业化运营框架包括 DataOps、专注于数据获取到数据供给的流程自动化和数据轻集成；ModelOps 把 AI 模型的训练、评价、部署体系、流程自动化。
数据工业化框架也是企业数据治理能够落地实现的重要手段之一，在数据治理体系的标准和流程的管控基础上，依赖数据运营让企业在数据治理方面真正能够建立有效的长效机制。通过与 Teradata 数据治理 1-2-3 DataGov 平台解决方案结合：在 DataOps 数据的输入层，导入 DataGov 的数据标准作为规范化参考；在数据处理层，字段级处理链路（即数据血缘）实时由 DataGov 获取和监控；在数据输出层，DataGov 实时通过数据质量规则检测提供问题报告，以便跟踪并解决数据质量问题。
分析智能化 – 分析智能化已经是眼前在发生的事情；随着机器学习与 AI、算法的成熟、引入；分析再不是停留在报表、或者商业智能层面上。而是往 “如何通过数据分析指导业务流程优化”的方向行进。遗憾的是，大部分的企业还停留在分析 1.0 阶段 – 商业智能；如何能够弯道超车直达 3.0、4.0 是企业需要考虑的创新课题。企业需要在 3 个方面构建企业的 AI 分析能力：
企业数据生态落地策略
企业在考虑数字化转型，构建数据生态的时候；应该根据自己的现状和业务优先级制定实施策略。根据 Teradata 在 30 多年来为全球不同行业的企业服务的经验，成功的客户都遵循着几个大的步骤：
- 定策略、选方向– 评估自身现状，并结合企业中长期战略制定数据策略与路线图；并按照路线图进行分阶段的实施，迭代改进。这需要企业具有高瞻远瞩的眼光，紧扣整体企业战略目标制定相应的数字化转型策略与蓝图；并保持坚定的战略定力分阶段实现，在完成短期业务需求的同时一迭代的方式达成长远的IT战略目标。
- 定标准、打地基– 建立企业范围的治理体系与标准、构建共享数据基础设施。数据标准与规范应该基于行业的数据模型标准与最佳实践，构建各业务单位能够遵循的统一标准，形成企业内的数据资产，提倡数据资产/产品的共享与复用。
- 快速迭代 – 根据业务优先级，以域为单位进行建设、迭代；在建设的时候，必须遵循治理体系标准；并且始终保持数据产品思维。
Teradata 咨询服务 30 多年来秉承“价值引领、技术赋能”的服务愿景，致力于建立企业级的普适数据智能，使企业不仅能有数据用，数据还要能好用；同时让数据能为企业产生价值。
为应对企业在数字化转型中数据领域的挑战，Teradata 咨询服务开发了一系列服务与解决方案, 构成智道1、2、3服务系列，为企业在数据领域的数字化转型保驾护航；包括数据1-2-3、数据治理1-2-3、数据运营1-2-3、Analytics 1-2-3、CX 1-2-3 与 Business 1-2-3，分别应对企业在数字化转型旅程中架构、治理、运营、分析、业务方面的挑战。
作者：刘宏文，大中华区咨询服务总经理
