企業數字化轉型從提出有十余年，已在越來越多的企業得以實施和推廣。特別歷經近兩年世界經濟的不均衡發展，全球供應鏈持續動蕩的狀況下，企業對數字化轉型的需求更為強烈。
-
企業數字化轉型從提出有十余年，已在越來越多的企業得以實施和推廣。特別歷經近兩年世界經濟的不均衡發展，全球供應鏈持續動蕩的狀況下，企業對數字化轉型的需求更為強烈。
圖片
一份由科銳國際與海德思哲聯合發布《中國企業數字化轉型的思考與行動》白皮書，讓我們看到了疫情後時代企業對數字化的期望。其中“優化、改進、提高、推出、升級、改善”等明確期望性質的詞，替代了過去簡單表述的“提效降本”，說明企業不再限制於統一數字化的落地方式，能夠基於自身戰略需要，做出有自己的發願與思考數字化轉型。
區分企業數據分析潛能與實際能力
-
總有企業數字化轉型的負責人跟我們反映，說自已該連接的都連了，該上的系統也建了，可就是看不見轉型的成效。
從接觸到眾多的數字化案例中看，“沒成效”實際包含這三種普遍狀況。
第一種是錢花了卻見效慢，如企業找到了關鍵技能符合的人，也願意支付高薪，但在數字化落地仍有可能存在低效的現象。
比如，通過機器學習建模，每一步都是工具的開發模式，雖目前離散訓練已成熟，但從項目調研立項，再到五個核心環節：數據導入、特征工程、算法調參、模型上線、應用開發，各個環節都需要有對應的專業技能人員與軟件系統，建模效率必然低於高集度的平台，專項所產成果在當今創新主導的時代難具備覆用性，通用性不高。
我們還遇上“低認知”的例子，某家500強制造企業，通過投資新廠並配套新工藝拉動產能，新廠設立往往對數字化有更明確的需求，如老廠還在用人工排程時，老板就要求新廠從第一天生產開始必須上智能APS。可是實際執行時，在其生產現場實際連新工藝都未完全掌握，制程遠還到沒成型時，負責人就要求APS系統提供商落地執行。
-
這種企業未具備數據分析基礎，同時內部組織也沒有正確數據分析認知的例子，屬於第二種即使花了大價錢，如果沒能事先完成“思想上的數字化”，就永遠不可能見到成效的狀況。
再有數量占比最多的企業類型，主要體現在企業錯把數據分析能力潛能當成了實際能力。
從數據基礎建設說起，企業在轉型的試水階段可能會動員業務部門來完成數據收集。懷著“源於業務、服務業務、高於業務”的組織變革初衷，業務部門也組織過數據治理與分析等科目的學習。可上手導數據到系統後，發現這種“數字化”不過是加重了自己的工作量，對業務的實際推動幾乎沒有作用。
能找到問題出在哪嗎？老實說不好找，因為可能發生的狀況太多，典型如業務導入數據時出現了數據錯誤，我們都知道沒有“質量”保證的數據，比企業沒有數據的問題更加嚴重。
這個過程我們還有一個重點需要關注的，就是數字化轉型遠不止業務部門參入，其出發點是需要卷入更多的人，讓更多的人參與到通過基於數據事實的智能決策，這就可能出現數字化在組織層面存在難以推行的情況：業務高層裝聽不懂、中層骨幹說學不會、一線底層不積極配合等行為，都會讓成果無法“入系統、進流程”。簡單總結來說：如果今天我們的企業沒有先完成組織變革，企業的數據分析能力也無法建立起來。
還如通過IT部門完成數據收集、處理、分析的全過程，也許IT能做到數據收集的“準、快、全”，但由於缺乏專業數據分析師的支撐，最終給到業務部門所用的分析結果，就只能局限於“診斷型分析”，這類企業的轉型實際上仍處在信息化向數字化轉型的階段。
數字化轉型的目的，是希望透過大數據分析達到支持主動智能決策。如模擬出某機台制程的“最佳參數”，給到企業采購用的“智能采購建議”，建立動態庫存安全水位，等等能夠對企業帶來競爭優勢的“指標型分析”，而以上的決策應用場景也是IT技術角度做不到的。
因此，企業在進行數字化轉型之初，一定要將技術上能夠提供的“數據分析潛能”與業務部門獲得的“實際數據分析能力”區分開來。實際上，許多企業說的數字化程度，往往指的是自己收集了多少數據，擁有多大的數據存儲與計算能力，而這些能力僅僅為開展企業級數據分析提供了技術可能性，只是反映企業的“數據分析潛能”，它實際上並不代表企業真正擁有的“數據分析應用能力”。
-
攀爬企業數據分析能力階梯的成本
在“數據分析潛能”與“實際數據分析能力”之間，就是企業浪費掉的數據分析能力。
傳統減少浪費，提升實際數據分析能力的做法有兩步。
第一步是引導業務部門參與數據分析項目選題、應用流程設計；
第二步是增加數據分析師，開發數據分析應用降低業務部門理解的難度，使分析成果更容易應用到業務流程中，真正產生應用價值。
從企業數據分析能力進階階梯看，在數據分析方法覆雜度和對企業核心競爭優勢支持能力兩個維度，將企業數據分析能力分為支持被動決策和支持主動決策兩大類共八個等級。
但這很可能是個“無限遊戲”，因為隨著數據分析能力的不斷進化，相對應會需要更多的專業分析人員。國內一個好的數據分析師或數據工程師年薪不會低於120萬，而一個有經驗的數據科學家的年薪也不會低於300萬。企業組建一支靠譜的，即使是最基礎，由1名數據科學家+4名數據分析師5人組成的數據科學團隊，僅薪酬支出便會突破800萬元。
同時基於長期投入考慮，當企業建立能夠支持主動決策分析能力的團隊時，並不能保證在完整的經濟周期內，支撐起相應編制的數據分析團隊。現實中由於人力成本過高，拖跨企業經營的例子並不少見。
JarviX賦能OT端人員
數據分析實際上是建立企業核心競爭力，支持業務拓展、實現創新，支持企業從被動決策到主動智能決策建設的重要手段。
當前，大部分企業的數據分析能力僅停留在支持企業被動決策的低級階段。這是因為，只有在數據、人才、流程、技術四個象限都做得很好的企業，才有能力采取體系化、平台化、制度化、自動化方法，真正讓數據分析成果“入系統、進流程”，進入到依靠數據分析支持企業主動決策，建立企業核心競爭能力的高級階段。
訊能集思沿著這個思路打造的JarviX全流程數據分析平台，是提供給企業數字化轉型的另一條路——賦能OT+AI分析方法論。
即企業因人才缺失而難以提升實際數據分析能力，可通過JarviX平台的NLP問句式驅動機器學習+可標準規模化的AI分析方法論，讓OT端人員，即讓制造，品管，運營，財務等源於業務部門的用戶，自主了解數據，精通工具；能在無需編程技能即可完成數據分析流程打造分析應用，帶著分析成果“入系統、進流程、打造核心能力”，快速無摩擦地產生分析價值。
數字化實施過程中需要跨界人才，但從頭培養跨界人才非常難。這裡關鍵的是融合人才，我們要把工業自動化人才、運營技術人才、信息人才三方面人才進行融合。融合過程中關鍵不在於IT團隊的培養，關鍵點在於我們需要去賦能今天OT人才，這個是未來中國制造業做改造升級的關鍵——讓OT部隊更現代化、智能化，給他們賦能，而不是另起爐灶。
最後，從客戶價值角度思考，數字化時代的提升轉型成效與客戶價值，都不再是傳統企業里的IT團隊，而是在於系統解決生產一線OT團隊的痛點難點，只有從OT出發，建立釋放整個制造業創新的能力，才是提升成效的關鍵，才可能是數字化的未來。
關於SYNERGIES
由張宗堯博士在 2016 年時創立於美國波士頓，核心AI技術源于麻省理工學院。全球首創中文對話式決策AI，2019年發表JarviX數據分析全流程平台，透過頂尖AI增強分析技術，降低人員大數據分析門檻，輕量化和標準化企業冗長的分析流程，減少IT（資訊單位)、DT（數據科學家)和OT營運端的溝通成本及組織斷層，大幅提升企業數據決策品質和速度，加速企業數位轉型。Synergies曾獲Gartner評選為亞洲最佳工業AI新創，2021-22年連續獲Gartner Market Guide肯定為全球最佳數位轉型平台之一，成功案例橫跨500強企業及中小企業。
