導讀：企業應在什么階段進行數字化轉型、采用什么樣的方法進行轉型，這是我們必須思考和不斷在實踐中優化的。

作者：阿里云智能-全球技術服務部

來源：大數據DT（ID：bigdatadt）

01 云化

云化的核心目標主要體現在“降本”“提效”“聚焦主業”三個方面。簡單來講，企業會通過部分云化的混合云建設或全面的云化建設替代傳統的成本較高、效率較低的建設方式，大幅提升業務需求快速實現的速度，同時降低整體運營成本，從而把精力投入企業自身核心業務的發展及業務孵化上。

圖2-5和圖2-6通過一個具體的場景做了進一步對比和闡述。

▲圖2-5 傳統應用開發模式

▲圖2-6 云上新應用開發模式

通過圖2-5和2-6的對比，讀者會發現，在傳統模式下，如果要開發一個新應用，往往需要從硬件采購開始，等設備到貨后上架，進行操作系統及各種軟件的安裝和配置，最后完成新的應用系統的部署上線。這是一個漫長的周期，往往需要2～3個月的時間，而且會花費大量的人力，這些都是實實在在的成本。

在云化后，從需求提出開始，只需要配置好應用系統所需的資源配置模板，然后在云管平臺上通過點擊按鈕就可以自動化地創建所需的底層虛擬資源，同時利用模板自動化地部署應用，所需時間往往只有十分鐘左右。這極大地節省了時間和人力成本，而且可以按需申請和釋放資源，也很好地解決了平時不用的資源的空閑浪費問題。

在企業云化的過程中，可以通過下面幾個維度進行決策和規劃。

1. 可行性分析

企業要建設混合云、私有云或者全部公有云，首先要做的就是對現有的IT環境做一次梳理，并且從多個維度對應用系統進行分析，評估哪些應用系統適合遷移上云、哪些應用系統需要放在原有環境、哪些應用需要經過改造才能上云。

評估的維度通常包括應用耦合、硬件依賴、IP地址固化、容災需求、ERP、OS的軟件版本等，按照一定權重得出可行性分析結果，依據可行性分析結果決定遷云范圍。

2. TCO（總擁有成本）分析

應分析云化前后TCO有什么樣的變化、變化的幅度有多大。可以從云化前和云化后兩個維度進行評估，然后再整合對比。

在刨除應用開發成本的前提下，云化前的TCO往往包含IDC、硬件、軟件、日常運營幾個方面，再從這四個維度對設備、軟件License、IDC機柜租用、日常運營維護成本進行估算，得出OPEX和CAPEX以及總投入。

云化后，TCO主要包含兩部分，一部分是云資源，另一部分是日常運營維護。通過比較，就可以得出云化收益效果。

3. 云化全鏈路評估

經過可行性分析，可以判斷出哪些應用適合云化，哪些應用要暫時保留原樣。但是，對于要云化的應用系統，具體是平遷還是架構優化，亦或是需要進行改造，則要從更多的技術維度加以評估，主要是從虛擬化、網絡、數據庫、存儲、中間件、安全的全鏈路進行分析和評估。

4. 云化路線圖

如圖2-7所示，企業云化大體分為云化戰略研討→云創新中心建設→上云整體規劃→云上架構設計→云化實施五大步驟，一般情況下會按照這個方式進行云化。

▲圖2-7 企業云化步驟

02 服務化

在傳統模式下，應用系統林立、數據無法打通、開發效率低下、業務部門抱怨需求響應速度慢、業務系統越來越臃腫且耦合度越來越高，導致無法拆分且新功能實現速度越來越慢。

如何有效地解決這些問題，提升企業業務響應和創新速度？實際上，企業做過很多嘗試，從早期的軟件間文件交換，到后來的SOA數據總線統一數據交換格式的解決方案，再到后來的去中心化的微服務架構，技術和思路一直在演變。

不同類型的企業、企業信息化處于不同階段、企業信息化建設戰略不同，這些因素都會影響業務系統建設時的考量和選擇。若企業的信息化建設出現以下問題，建議進行服務化。

企業信息化建設已成規模，但業務系統林立，信息孤島現象明顯。

互聯網應用場景突出，有較強的業務靈活性與快速響應的訴求。

業務需求及所處市場快速變化，但因使用了大量的商業軟件套件，導致任何需求變更時都需要單獨尋找ISV進行開發，從而使業務發展受制于ISV和商業軟件廠商。

在實施服務化的過程中，一般可遵循下述思路和原則：

初創企業不建議馬上進行服務化，因為此時很多思路和很多業務都還沒有成型，盲目服務化不但不能真正起到加快應用迭代速度和業務發展速度的作用，還可能帶來反作用。初創企業可以先快速實現業務功能，等到有業務陸續成熟后再進行服務化改造。

服務化需要以點破面，而不能從一開始就大而全地進行整體服務化，正確的做法是逐步實現、漸進推行。可以先從某幾個業務模塊著手，對業務進行拆分與聚合，做到業務的高聚合低耦合。

服務化不僅是技術手段，也是一種組織行為。如果只是在技術上做出改變，那么很難真正地發揮效用，只有組織上也實現中臺戰略，服務化的威力才能得到最大化體現。

那么什么樣的組織才能確保服務化效率最大化呢？一般情況下，進行服務化改造，不能再像傳統軟件開發那樣，組建一支龐大的開發團隊，而是要在一個大組織里形成多個小的開發小組，由業務架構師、開發人員、測試人員等組成某個專項服務的小團隊，這樣的小團隊模式是最適合的服務化改造組織模式。

在這個小團隊里，既有精通該領域業務又熟悉該服務中心技術架構的業務架構師，同時有這個服務中心專門的開發和測試人員，他們是最熟悉和最精通這個服務中心的人。其他小組也是一樣的，這樣就可以在保持組織靈活性的同時最大化地保持專業性，因為每個服務中心都是獨立的。

傳統企業應用軟件與服務化改造的關系是很多企業，特別是有商業套裝軟件企業關注的一個重要話題。比如，擁有ERP系統的企業該如何服務化？它們可以在完成非ERP系統的服務化改造后，開始對供應鏈、物流、銷售、HR等相對容易改造的系統進行改造，從而提升企業信息化建設的迭代速度和效率。

而對于生產制造、財務等復雜及有較高專業性的模塊，則可以根據自身情況判斷是否要進行服務化。對于暫未實現服務化的ERP等商業軟件模塊，可以通過采取類似傳統ESB方式進行信息交互。

工欲善其事必先利其器，完成了業務拆分聚合、技術架構服務化和組織架構優化，但是如果沒有好的開發運維一體化平臺，還是無法達到最好的效果。所以，一個好的DevOps開發運維一體化的自動化平臺可以助力服務化進程走得更快，實現更好的效果。

服務化在帶來高效率、靈活性的同時，也會帶來一些副作用。進行服務化改造后，業務系統的復雜性會急劇增加，而做好全鏈路應用級監控對服務化運維管理將有巨大幫助。

服務化改造是一個長期的過程，也是一個大工程，需要持之以恒。在服務化改造過程中切記不要急功近利，要控制好企業高層管理者、業務方的預期，同時也要給他們講清楚服務化會帶來的好處。

在此之上，另一個很重要的方面就是要能快速見效，通過找到一個業務突破口，快速突破、展現效果，這樣有助于企業高層管理者和業務方理解服務化改造工程。

另外，服務化也需要有好的服務運營，并不是開發出來后就有人使用，而是需要對服務化進行宣傳、推廣、意見收集、優化迭代，才能讓使用者真正感受到服務化的強大之處。同時也需要兼顧好速度與穩定性之間的關系，避免盲目求快而留下大量的穩定性問題，否則就與服務化改造初衷背道而馳。

服務化是業務中臺建設中的一項重要工作，如圖2-8所示，具體內容包括業務評估研討、業務中臺方案設計、業務中臺系統開發、中臺戰略敏捷迭代和中臺化組織建設等步驟。

▲圖2-8 企業服務化步驟

03 數據化

有些人為數據量不大發愁、有些人為數據雜亂無章發愁、有些人為海量數據的使用發愁，雖然不同的企業在數據治理、數據使用方面的經驗不同，但有些共性的經驗可以互相借鑒。

首先，我們要判斷目前所處的階段和場景，不同的階段和場景需要采取的方法各有側重。同時，我們需要一個整體的數據化建設思路，一般有以下三個步驟：

全面架構與初始化：基于數據中臺全局架構，從數據向上、從業務向下同步思考，初始化數據采集、數據公共層建設，并初始化最關鍵的數據應用層建設；結合業務思考，直接解決業務看數據、用數據過程中關鍵且易感知的若干場景應用。

數據中臺迭代與應用優化：迭代調優數據中臺全局架構，加配和完善數據中臺相關產品套件；迭代調優數據中臺的初始化數據采集、數據公共層和數據應用層，持續推進數據公共層的豐富完善，并平衡數據應用層建設；深入業務思考，優化場景應用，拓展場景應用。

業務數據化全面推進：持續基于業務的數據中臺建設；全面推進業務數據化，不斷優化、拓展場景應用。

對于數據化的實現，一般會采取以下思路：

1. 采

對于任何想挖掘數據價值、發揮數據更大作用的人和企事業單位而言，第一步無疑是獲取數據，只有獲取到足夠多的有用數據，才有可能對數據價值做進一步挖掘。

很多年前就已有很多研究人員致力于語音識別、人工智能的相關研究工作，可是應用效果總是差強人意，這并不是因為當時的語音識別和人工智能技術不夠先進，而是因為沒有足夠的數據和計算能力。

現在，有了海量數據和云計算這樣的超大規模計算能力，加速了語音識別和人工智能等相關學科的進步，才有了今天這個領域蓬勃發展的景象。

那么數據應如何采集？其實，數據藏在很多被我們忽視的地方，我們一起從用戶接觸數據的第一個鏈條開始梳理，看看從哪些地方可以采集到數據。

首先，用戶接觸企業信息的地方無疑是各類接入層的應用，如手機APP、網站、電話、視頻、操作設備等，但是大多數企業往往忽視了這里的數據。

比如，一個用戶在使用手機APP的時候，他的地理信息、性別、使用頻率與日期的關系、使用時間段特征、瀏覽內容等信息如果都能被企業掌握到，那就可以輕松實現一個數據應用場景，從而可以實現智能銷售，也可以實現智能倉儲，即根據用戶所需要采購的物品的地域和城市特性，智能地預測貨物倉儲配置，從而實現效率提升與成本優化。

另外，車間工人操作機床的日常習慣、操作動作等都是非常有用的數據，這些數據對于操作人員熟練度培訓、機床流程優化等都會產生極大作用。數據采集可以按照如下方法完成：

• 接觸層埋點或增加數據采集傳感器，擴大數據觸角。

• 豐富數據采集的維度，根據業務特性適當擴大數據采集的維度，從而擴大數據源。

• 打通數據采集鏈路，不要只是孤立地采集某些數據點，單點采集到的數據不完整，從而導致數據價值大打折扣。而是要在深入研究企業業務的基礎上打通整個數據流，對數據流上的每個點有規則、有體系地采集。

• 邊緣節點數據最好是經過處理后再上傳，否則會夾雜大量垃圾數據。

2. 集

采集到了海量數據，接下來就需要考慮如何把這些數據集中存儲起來，這時就要重點考慮大數據平臺的建設、海量數據存儲等。

3. 通

在有了大量數據的基礎上，如何獲得大規模計算能力、如何進行元數據的統一、如何進行數據管理、如何建設數據地圖等就成為最重要的工作。

就像人體的協同、有序工作一樣，大數據想要通用起來需要有專業的數據架構師像大腦一樣指揮工作，同時需要建設統一的數據治理體系，包括元數據架構、數據模型、數據結構等，這就像是血管，在其中傳遞的數據就是血液。“通”這個階段主要解決的是為了建設數據大廈而需要做的整體架構設計工作。

4. 用

再宏偉的高樓大廈，如果沒有被很好地利用，也只是一個擺設，難以真正發揮作用。大數據也一樣，如果不知道如何使用數據，那么它們也只是一堆數據，數據架構與體系建設得再完美也是浪費。

如何把規整好的數據與業務靈活地結合起來才是最終目標，所以如何實現一切數據業務化就顯得非常重要。一般來說，有以下幾個方法可以實現比較好的數據應用。

• 數據閉環：首先，需要實現數據賦能業務、業務帶來數據，這樣就可以很好地形成數據閉環，從而實現數據與業務的良性互動，在企業內部讓數據活起來。

• 大數據平臺：在解決好內部數據業務閉環問題之后，就要考慮如何讓數據發揮更大的價值，可以對外提供一個大數據平臺，把企業的數據能力對外輻射，讓外部需求進一步推動數據的發展，同時通過商業化的模式讓大數據業務保持長久的活力。

• 數據生態：生意有生意圈、教育有教育圈、社交有社交圈，大數據也需要有大數據生態圈。任何一家企業都不可能把所有的業務做完，也不可能覆蓋所有的數據。

  企業不論多么強大，只能覆蓋整個社會體系中很小的一部分數據，那么如何建立起一個完整、廣泛的大數據生態圈就顯得尤為重要。

  建立良好的大數據生態圈會帶來數據互通與共享、數據平臺能力復用、數據價值挖掘能力互補、數據應用創新等眾多益處。所以，我們應努力做好數據生態，封閉數據是極不可取的。

• 數據運營：數據收集得好、體系建設得好、內部用得好還遠遠不夠，在此基礎上還要做好數據運營，酒香也怕巷子深，只有把數據價值、數據平臺的作用、數據生態的能力等都充分展現給廣大用戶，才會吸引更多的人加入這個生態圈。

  同時，廣大用戶對數據、數據平臺、生態是否滿意、是否有更好的創意與設計，都是推動數據體系不斷優化的強大力量。所以，做好數據運營和反饋同樣重要。

一切業務數據化、一切數據業務化是數據化階段的核心目標，其實現路徑可以概括為四句話：從用開始、以用帶通、以通促存、以存利用。

如圖2-9所示，企業數據的建設步驟分為業務評估研討、數據中臺方案設計、業務數據化系統開發、數據中臺和應用迭代以及業務全面數據化等主要步驟。關于數據中臺的建設，阿里巴巴集團已出版了《大數據之路：阿里巴巴大數據實踐》和《大數據大創新》兩本書做專門闡述，有興趣的讀者可參考這兩本書。

▲圖2-9 企業數據化步驟

04 智能化

在完成了數據化后，讓數據變得聰明起來，為企業和機構提出有益的建議，這樣的數據才是眾人追求的目標。數據智能化就是想實現這樣的目標。那么，什么是數據智能化呢？

大多數情況下，大數據平臺建設好后，很多人認為已經完成了任務，達到了大數據應用的終點，這種認識是錯誤的。恰恰相反，這只是起點。數據化階段實現后，還需要人來做進一步操控，因為系統還是沒有自己的思維和思考能力。

但是，如果能通過一些方法讓汽車不僅可以實現自動駕駛，還能很聰明地給大家推薦最佳路線、按車主的日常愛好自動推薦餐廳、提醒休息等，或者給車主提供優化汽車的建議，那么用戶會感覺更有趣、更有價值。大數據也是一樣的，我們需要讓大數據“聰明”起來，可以利用以下方式：

• AI中臺：針對業務低感知的底層技術、比如對機器學習、神經網絡等進行建設，這部分工作可以通過使用成熟產品降低研發成本，同時利用行業通用算法結合自身業務特性，研發適合企業自身的算法。這樣就可以建設以數據引擎和數據應用為基礎的AI中臺，為大數據智能化使用提供強大的中臺能力。

• 小步快跑：通過快速POC進行方案驗證，快速試錯，不斷迭代優化算法及數據引擎，從而快速找到適合企業的大數據智能化應用場景。切忌把大量時間花在長期規劃上，遲遲不能落地。

• 業務應用：解決了底層的數據引擎、數據應用，也有了POC驗證后，需要加強數據應用系統的研發，從而進一步體現數據價值。

企業智能化是企業數字化轉型的終極階段，大多數企業都處于摸索試錯階段，我們推薦的實施步驟為：業務評估研討→快速POC方案驗證→算法研發與測試→系統研發與部署→系統上線敏捷迭代。如圖2-10所示。

▲圖2-10 企業智能化步驟

關于作者：阿里云智能—全球技術服務事業部（GTS）作為阿里云智能對外交付與服務的窗口，秉承著“自證預言，履約夢想”的擔當精神，負責了阿里云智能技術產品在客戶場景中切實落地的最后一公里建設。團隊基于阿里巴巴多年沉淀的技術、產品、方法論為客戶提供一站式的數字化轉型服務。

本文摘編自《企業遷云實戰》（第2版），經出版方授權發布。

延伸閱讀《企業遷云實戰》（第2版）

點擊上圖了解及購買

轉載請聯系微信：DoctorData

推薦語：本書以幫助讀者形成完整的數字化轉型和遷云知識體系為宗旨，延續從點到線、由線到面的內容組織策略，并結合源自真實的項目案例，詳細介紹如何考慮、制定企業數字化轉型方案并成功實施。本書既融合了作者團隊和阿里云豐富的實戰經驗，又有對當前業界關注的熱點問題的分析與思考，如業務中臺、數據中臺、AIoT、大數據上云等。無論是企業數字化轉型的決策者，還是技術團隊的負責人、技術人員，都可以通過本書全面了解、實施企業遷云。

有話要說????

Q:?數字化轉型將為企業創造哪些價值？

歡迎留言與大家分享

猜你想看????

• 數據中臺必備的4個核心能力，你讓數據創造價值了嗎？

• Python數據可視化：5段代碼搞定散點圖繪制與使用，值得收藏

• 2019最后一個月Python繼續霸榜，想上車？看這份書單

• 什么是數字孿生？有哪些關鍵技術？現在怎么樣了？

更多精彩????

在公眾號對話框輸入以下關鍵詞

查看更多優質內容！

PPT?|?報告?|?讀書?|?書單?|?干貨?

大數據?|?揭秘?|?Python?|?可視化

AI?|?人工智能?|?5G?|?中臺

機器學習?|?深度學習?|?神經網絡

合伙人?|?1024?|?段子?|?數學

據統計，99%的大咖都完成了這個神操作

????

覺得不錯，請把這篇文章分享給你的朋友

轉載 / 投稿請聯系：baiyu@hzbook.com

更多精彩，請在后臺點擊“歷史文章”查看

點擊閱讀原文，了解更多

總結

以上是生活随笔為你收集整理的企业数字化转型与中台建设全攻略：什么阶段进行?有哪些方法?的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。