咨询向下，产品向上，数据与数字化转型的前世今生，未来机会在哪
咨询向下，产品向上，殊途同归，都是为了规模化加速数字化转型。
图片来源于水印
从上图可以看到，如果规模化要加快数字化转型的速度，那么可行的方法就是尽量多的将无序域，混乱域和难解域的问题，解构成复杂域和简单域的问题，然后就可以用解决方案和标准化产品这样的通用性的路径去复制。
这个理念其实和软件架构中微服务的理念是类似的，通过抽象，复用来构建微服务，然后充分复用这些微服务构建企业级能力平台，从而实现前台的快速创新和响应变化。
在企业数字化转型领域，有一些非常清晰的问题。比如，系统日志报错显示硬盘不足，那么就需要扩容。再比如，一个企业没有会员管理系统来进行基本的会员信息存储和查询，那么快速上线一个管理会员基本信息的CRM，会是最快的解决问题的办法。
Complicated/复杂域
但是，随着企业数字化的发展，这类简单问题的需求越来越少，随之而来的是复杂域的问题。
比如，企业在构建了Office软件后，需要解决协同办公的问题，那么就需要分析协同办公的用户需求，流程节点，组织结构，岗位设置，权限职责等，所以需要协同办公的专家来调研，分析不同企业的不同办公需求，从而形成一套解决方案。
在企业数字化转型进入到网络协同阶段，大部分都是这类复杂域的问题。比如，ERP系统，OA系统，MES系统等。虽然每个系统都有一定的复杂性，并且也有一定的个性化，但是如果拆解到功能级别，不同解决方案的功能都还是有一定的相似性和重复性。
这类解决路径，就是我们现在行业里不同的厂商或者服务商口里所说的“解决方案”，比如零售解决方案，交通解决方案等。
Complex/难解域
当问题到了难解域（Complex）的阶段的时候，往往已经不是可以用一个解决方案能解决的了，就像我经常讲的中台，这就是属于难解决的一个问题。
因为，中台是一个变革类的综合项目，没有标准答案，不同企业的中台完全不一样，不同企业甚至对于中台的认知都是不一样的。所以在分析清楚，定位清楚要解决的问题之前，这个问题完全是一个模糊的位置的领域，往往需要通过探索性分析来定位问题。
Chaotic/混乱域
对于一些传统企业来讲，他们如果要做整体的数字化转型，这就像进入了一个他们所不熟悉，陌生的新领域。之前他们在传统产业中积累的经验，行业认知已经完全不起作用。尤其当一些已经构建了基础的数字化能力的企业，一旦希望通过数字化转型来实现业务转型的时候，就进入了混乱域。
他们无所适从，调研了市场上很多的认为是相似的实践，东瞅瞅，西看看，感觉这个也能够有帮助，那个似乎也有借鉴意义，但是自己如何做，从哪里开始，如何投资，非常纠结。
这就是典型的数字化转型焦虑症，知道自己一定要做数字化，也看了很多的参考样板，但是迟迟无法做出决定，不知道应该下注在哪个领域。
所以这种情况下，一定是需要创新型的咨询服务来进行快速试错，探索，然后验证出一些可行的举措 变成难解域，复杂域和简单域的问题，再逐层解决。
数据、信息、知识和智慧是数据创造价值的四个层次，也许你每天都碰到它们，但并不表示对其有深刻的理解，下面是一个从数据到智慧的例子。
事实上，大多数据从业者都停留在采集数据、创造信息这个层次上，能从信息中获得知识的的人寥寥无几，而能做到智慧这个层次的人，大多数其实已经跟数据专业没有关系了，比如老板。
智慧的层次结构可以形象的用以下的图表示，这张图非常奥妙，下面我来解释一下。
1、数据
原始的、未编码的事件、经历和现象、市场、投票、音乐、下载、降水、足球比赛等等都是数据。
一支数据团队中，做数据平台和数据采集的人是最接近数据的，大多数数据从业者每天其实并不是在跟数据打交道。
2、信息
为了进一步说明数据与信息的区别，可以看看这2个例子：我这个“人”是数据，但给我取的名字就是信息。我到西湖钓到的“鱼”是数据，西湖这一天被钓走的“鱼的数量”就是信息。
数据只有通过业务的加持才能转化为信息，数据是客观的，而信息则是主观的。创造信息的目的是为了方便沟通和理解，代表大家对于各类数据的共识。
元数据被定义成描述数据的数据，其实元数据是信息的基础。
在一只数据团队中，做数据资产管理的人是最大的信息创造者，没有他们的努力，原始的数据毫无价值可言。一个企业的数据资产的价值，不取决于拥有多少数据，在于其能将多少比例的数据转化成真正的信息。
现在企业级大数据强调跨域数据的整合，其实是在说要突破各部门业务的鸿沟，达成信息上的共识和开放，企业的组织、机制和流程往往决定了数据转化成信息的效率。
3、知识
知识大致等同于模型，当然这里的模型远远超越了数据领域的模型范畴。
可惜的是，企业的数据团队大多时候做的是创造信息、展示信息的工作，比如提供取数和报表，极少比例的人在做创造知识的工作，比如数据团队的建模师，但这些建模师过于狭隘的定义了建模，将建模局限在了机器学习这个领域。
但企业面临的环境是复杂的，往往需要用多模型的思维去解释和预测，比如你要对用户进行精确营销，懂点机器学习是不够的，还需要理解4P模型，而理解了4P模型也是不够的，也许心理学上的损失厌恶模型可以帮你优化营销策略。
企业中建模师的很大问题其实是缺乏更广泛的知识。
业务人员是企业事实上最大的知识创造和使用者，他们基于自身的业务知识来解释信息，更善于从取数和报表中发现知识，从而影响决策。
FineReport做的可视化报表
4、智慧
机器学习或人工智能关注“如果我看到/听到/闻到X，那么我能得出什么结论？”，然而，决策回答的问题是，“如果我采取了行动A，会有什么结果“。正如智慧的层次结构图中的那个IF一样。
决策的关键是选择，多模型则是选择的基础。在采取行动时，有智慧的人会应用多个模型，就像医生会让病人做好几种检查来帮助诊断一样，领导在做决策的时候，也往往征询各方的意见，这些都是智慧的体现。
智慧更包括选择正确模型的能力。
对于数据从业者，南向受上游系统的限制，北向受业务管理的限制，其主流在数据和信息这两个层次难以突破，生存环境其实并不是很好。
如何更好的靠近上游系统进行数据的治理，如何更好的靠近业务发挥出数据的价值，考验着数据从业者的智慧，而所有这些，都不是靠单一的技术能解决的。
立即沟通
