車企數字化轉型：數據，不僅是技術

數據不僅僅是個技術問題，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，那么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

什么是數字化轉型？

數字化轉型應該如何定義？

對于以上問題，一千個人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同領域，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。

那么，經過這么多年的轉型實踐，我們回頭來看，最重要的驅動因素到底是什么？

讓我們回到工業時代的最初。

盡管有著蒸汽機的幫助，人類的體力和腦力仍然是工業生產中必不可少的因素。經過這么多年的發展，機器越來越多地替代了人類的體力，但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，也只是在增強人類的腦力而不是取而代之。

直到最近十年，情況發生了改變。

過去10年中，云計算、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，那些高頻的重復的體力和腦力工作，越來越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、思維工具等等），也越來越多地被算法所代替。從這個意義上，算力才是這個時代真正的驅動力量，算力對于體力和腦力的替代，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。

所以，站在今天的角度，我們或許可以清晰地定義數字化轉型，本質上就是以算力、算法和數據為代表的信息技術，以數字化的方式驅動社會整體的改變和變革。 數字化轉型的未來清楚指向人工智能的發展，從而讓人做人該做的事情，讓機器做機器該做的事情，人類和機器腦力算力協同發展。

人類所面臨的挑戰并不止于此。

曾經有一本名為《富足》的書指出，當人類社會從物資材料的供不應求到供過于求的富足狀態之后，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，但是今天，當這些不再是問題的時候，人們迷茫了，我們到底需要追求什么？

用同樣的視角去觀照數據，我們會發現什么？

下圖來自于互聯網女皇的報告，從圖上我們可以看到，進入2010年以來，人類社會的數據量有了巨大的增長。原圖沒有告訴我們的一點是，2015年是人類社會數據增長的一個關鍵節點，因為在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長，2015年之后，數據量每年增長40%-50%，這也被稱為「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。

如果你還記得那個阿拉伯童話中國王和算師關于在棋盤上放滿米的故事，那么，你就會知道，這種指數級增長的數據增量有多么巨大。 人類社會或許即將從數據的供不應求到數據的供過于求的狀態。從這里我們或許可以理解，為什么馬老師說未來所有的公司都將是「數據公司」。

阿里巴巴曾經就是經歷過這種數據增長的公司，在很長一段時間內，日益增長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。阿里巴巴為什么要「去IOE」？傳說王堅給馬老師算了一筆賬，如果仍然使用IOE架構來存儲數據，那么，十年后，阿里巴巴的數據存儲費用將10倍于其收入，屆時，阿里巴巴必將破產。

目前，大部分的公司仍然處于數據的加法階段，但是，在車企身上，我們已經看到了數據跨越式增長的苗頭。這個苗頭叫做「車聯網」。

隨著車企的電動化、智能化、網聯化，車企也收集到了相當龐大的數據，一天4G、一年2.5億行、3年后至少超過200T……類似這樣的描述，在大部分的車企都能聽到。或許，車企的數據量增長還不能稱為指數級增長，但是，相比之前，至少已經是乘數級的增長了。

那么，怎么辦？

作為一家已經跨越了數據指數級增長的公司，阿里巴巴的經歷或許可以給我們啟示。

2 阿里巴巴如何跨越數據指數級增長奇點

2007年，阿里巴巴在戰略會議上決定阿里未來要成為一家數據公司。但真正在數據上有所建樹，卻要把這個時間延后到2009年，阿里云也誕生在這一年。大體上可以把阿里的整個跨越過程分成三個階段：

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%是非結構化的日志數據，當有了這些數據之后，所有人都想看見數據背后的真相：我的用戶從哪里來，他們買了什么，為什么購買，轉化率如何……這些問題我們大體都可以歸結為兩個基本問題：發生了什么？怎么發生的？

和「去IOE」同步發生的，是阿里加大了對于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是后來的阿里巴巴CEO陸兆禧，有意思的是，后來成立的數據平臺部因此也習慣性被內部稱為CDO。順帶一提，老陸也是奇點云的天使投資人。

第二個階段：2012-2015年，主題是「使用」。

一個標志性的事件是2012年數據平臺部的成立，這個被稱為CDO的部門，源于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，包括在云端、數據魔方、淘寶時光機、淘寶指數、TCIF等等。這里特別要提一下TCIF（淘寶消費者數據工廠），由現在奇點云的創始人行在創立，拉通了阿里巴巴所有的消費者數據，并且完成了3000+標簽體系的建設，這些標簽每個用阿里媽媽做精準營銷的同學應該都見過，就是達摩盤里面那些勾選的選項。

2012年的標志性事件，就是TCIF的存儲和計算消耗量超過了BI，以TCIF為代表的人群定向成為了計算資源的消耗大戶；另一個標志性的指標是，阿里巴巴有50%的服務器不再處理任何事務，而僅僅用于處理數據。

這個階段，阿里巴巴開始真正實現了用數據預測未來的問題，更好地幫助業務去回答：為什么發生？未來將發生什么？

第三個階段：2015年至今，主題是「賦能」。

同樣，2015年也有兩個標志性事件：一是阿里云數加平臺的成立（行在創立），這代表阿里巴巴開始把內部形成的大數據能力外化，賦能社會去建立大數據能力；二是推千人千面算法，推薦算法一躍成為了存儲和計算資源的頭號消耗大戶。

推薦算法不僅僅是我們看到的淘寶界面那么簡單，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，天貓淘寶等等全部合在一起也只有幾千個運營小二，人效高得可怕。

經過這三個階段，我們可以認為，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，并且圍繞著數據鏈條建立了豐富的數據生態。相比之下，太多的公司還處于數據的手工勞作階段，而這給企業的數字化轉型帶來了非常不好的影響。

包括最初的連接買家和賣家的階段在內，連接——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長的奇點。

PS：具體的技術發展階段可以參看玄難的 《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

除了互聯網公司之外，汽車行業是最積極擁抱互聯網的行業之一。特別是隨著車聯網、電動車和新能源車在近些年的突飛猛進，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。

大體上，這些嘗試除了生產制造端（這是另外一個大話題，更偏向工業4.0），可以分為

01 以車和服務為中心的技術重構

比如，以電動化、網聯化、智能化為導向的未來汽車戰略，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、車輛銷售和售后市場等傳統行業的利潤份額將從71%降至41%，車企需要向出行服務商方向轉型。

02 從以車為中心轉向以人為中心

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，越來越多的車企發現，人的價值鏈應當和車的價值鏈處于相同的地位，像蔚來這樣的造車新勢力，甚至其組織架構完全圍繞用戶來構建。從核心場景上看，車企都需要打通人車數據，構建人和車的全生命周期管理能力，通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動四化

2010年以來，隨著電子商務、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。比如，有的消費者希望像淘寶購物一樣，能看到買車的全部物流過程；有的消費者希望能定制個性化的顏色……但是，這些需求，僅僅依靠主機廠傳統的信息管理系統和架構，無法得到滿足。車什么時候能到店？什么時候能提貨？這些簡單的信息都尚未實現在線可查詢，就更不要說提供復雜的個性化服務了。車企很早就意識到這一點，并且開啟了云化、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，原因會在稍后表述。

越來越多的車企認識到，那些重復性的機械勞動，未來一定會被人工智能所取代，其中不僅有事務性和勞務性的工作，甚至有很多知識性的工作，也有極大可能被機器所取代。那么，接下來，車企就將面臨嚴峻的挑戰，需要重塑人工智能賦能的員工和團隊，以及，車企未來的核心競爭力和吸引力也將來自于企業通過人工智能為員工提供支持、預測新型需求和推動工作職能的能力。

4 被忽略的數據，或將成為車企數字化轉型的阿喀琉斯之踵

盡量已經在技術上和業務上做了眾多的嘗試，乃至找了傳統的咨詢公司來為數字化轉型出謀劃策，但是車企遇到的數字化問題卻越來越多了。

新技術的廣泛使用，在部分解決老問題的同時，又帶來了更多的新問題：為什么我采集的數據，一半是空值？我有了那么多數據，要如何變現？如何對業務產生價值？就算用了新的系統，為什么還是黑箱決策？

在做咨詢的時候，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？（也就是通常所說的「一號工程」）是否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？

通常情況下，所得到的答案在數字化轉型的重要性上，表述相對清晰；但是落地到整體的項目規劃，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……唯一的共性大概是「先試試水」。

試水的好處在于，暴露了問題；壞處在于，試水所總結的經驗常常并無助于解決問題。

總結下來，目前車企試水暴露的問題主要有三個：

?1.數字化轉型缺乏頂層規劃和設計，各個部門各自為陣，基于各自的數字化轉型理解，開展轉型工作；

?2業務問題背后常常體現為數據問題，比如數據質量不行，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，通常不是真正的業務訴求和痛點，而更多體現為「別人有的功能我也要有」。

先說第一個問題： 頂層設計。

首先需要明確一點，所有的技術、所有的項目都為實現公司戰略目標服務，但是公司的戰略資源有限，需要在合理規劃前提下，最大化利用現有資源和技術，然后才是項目管理的問題，這是頂層設計的初衷。

因此，所有的頂層設計問題，都需要回到本源「為什么樣的客戶提供什么樣的價值」上來，從業務價值的角度倒推到項目優先級上，然后再考慮項目管理的問題；

其次，通常認為，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、短時間覆蓋大量業務需求，那么項目質量就不會好。要么多花錢，要么多花時間，要么就明確少量的業務需求，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。

這是一個經常被管理者和員工掛在嘴上，但是并沒有被企業提升到戰略高度來正視的問題。

SKOTT評估法認為，企業數字化轉型需要關注戰略、KPI、組織、數字技術和數字人才五個維度，才能減少和避免轉型風險。我們非常認可并且對此進行了量化（量化方法容后描述），以及根據信息技術的特點，把數字技術拆分成了算力、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： 缺乏清晰的數據戰略拖了車企數字化轉型的后腿。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。

通常車企在戰略部署和算力部署上都走得相對靠前，但是，很遺憾，如果把所有的7個維度拉成進度條，那么，數據的進度是最慢的。不僅如此，通常車企在KPI、組織和人才也都相對表現不佳，而這些也都多多少和數據進度有關系。

比如說，因為缺乏數據戰略，所以公司在數據相關的組織設立上，通常也行動緩慢，在數據和算法需要的相關人才招募和培養上，也缺乏相應的薪酬體系和激勵機制，更不清楚目前缺什么人才和角色。順帶一提，根據我們的咨詢經驗，目前企業普遍最缺的角色是業務架構師、產品經理和數據分析師。

因為數據不通和數據質量問題，企業也很難從指標上對于數字化轉型進行KPI定義，比如說，數字化業務利潤占比，那么，哪些業務算數字化業務利潤，哪些又不算呢？占比多少合理呢？這也導致缺乏有效的KPI來指引公司的轉型事務，只能各個部門各自來定義。

以阿里為標桿，我們從數據的「存通用」角度也對車企的數字化轉型現狀進行了評估，從下圖可以看到，數據尚未中心化，是現在車企普遍的現象。數據不通和數據質量問題也進一步導致了車企有算法但沒有成果，有數據采集但沒有質量，有算力部署但沒有數據變現。

從這個評估來說，車企就像看著已經被IT武裝到牙齒的希臘英雄阿喀琉斯，但是卻因為對數據這個腳踵不夠重視，一旦被業務的流箭射中就常常寸步難行。

所以我們常說，你不琢磨數據，數據就會琢磨你。

最后再說下第三個問題： 業務配合問題。

這其實是一個很大的命題。

首先， 這是一個組織問題。傳統定義上，業務作為前臺部門，要如何和IT這個后臺部門分工合作，有一套傳統的流程，但是今天，這種分工合作流程越來越不能適應企業數字化轉型的需求，需要打破體制，包括項目預算、方案設計、KPI等等都需要重新設計。

其次， 這也是一個業務問題。傳統前臺業務通常把IT視為系統和工具的提供者，IT不需要懂前臺業務，IT在業務分工里只是一個保障角色。當企業說業務價值的時候，通常說的是前臺工作，而較少提及IT的價值。但是，當今天越來越多的技術創意引領公司業務，當業務落地需要技術交付的時候，IT就不只要解決技術問題，還需要理解業務，能夠和前臺一起解決業務問題。這不僅需要跨界人才，也需要制度設計。

最后， 這當然是一個技術問題。讓IT做業務，讓業務做技術，這都是不現實的解決方案。那么，IT就需要能夠面向未來，為業務提供技術保障。麻煩在于，今天的技術保障，不僅僅是系統建設和IT部署這么簡單，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。這里面，還有一些類似標簽化這樣，需要業務一起參與和沉淀的項目，以及拉通前后端供應鏈數據這樣的跨業務領域項目，這些項目甚至需要IT從技術角度先進行規劃，由IT來拉動整個項目合作。

5 數據，不僅是技術問題

2015年，MIT斯隆管理評論和德勤一起，做了全球數字化企業高管調研，研究結論也成為了后來報告的標題，《戰略，而不是技術，在推動數字化轉型》。其研究表明： 「數字化架構企業這個能力很大一部分程度上依賴于一個清晰的數字化戰略，一個是被領導人所培育的能夠改變和創新的文化支持的戰略。」

只是就研究本身而言，只停留在數字技術的運用上，而并沒有任何提及數據的地方，或許，其研究對象都把數據視為數字技術的一部分，或者把數據視為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常常陷入困局的原因。

對于大多數企業而言，并沒有十分迫切的海量數據處理需求，在增量時代生意很好做，也并不需要通過數據挖掘來輔助精細化運營、數據化決策等等。但是當市場進入了存量拼殺時代，每個公司都需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突然就爆發出來。每個人都想知道，經營問題到底出在哪里？如何推動業績繼續增長？

另外，人工智能在近幾年的發展，也引發了有識之士的關注。我們經常聽到的問題包括：如果所有高頻的重復的機械作業，都將被機器所取代；如果所有事務性和勞務型的工作，都將被人工智能所取代，那么，企業將會是一個什么形態？在人工智能主導的社會里，企業最重要的戰略資產是什么？

進一步拆分算力、數據和算法的獲取方式，可以發現，算力和算法都可以通過公共供給來獲得，比如說上云，或者開源算法，唯獨數據很難從市場上獲得。而且，隨著國家和民眾對于個人隱私和個人信息的重視，在沒有成熟的數據交換市場之前，數據將越來越難以通過購買方式獲取。

簡單來說， 數據是唯一一個需要通過企業自身積累而來的要素，然而，和汽油類似，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，那么，數據就是躺在數據倉庫里的原油而已，看得用不得。

這點，車企應該深有體會，特別是隨著車聯網和電動車的推進，車企沉淀了大量的相關數據，每天至少幾個G的增長量，卻沒有產生任何業務價值。「我能用這些數據干什么？」這是調研過程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，從來就不只是一個技術問題，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，也需要從這三個維度入手。

6 如何從數據資產管理的角度推動企業數據戰略

根據我的研究結果，目前有三種推進企業數據戰略的主要方式：

01 整體評估，組織先行

這是及其少見的一種推進方式，目前也僅僅在阿里和華為等少數公司身上有所體現。在這些公司，隨著公司戰略調整，首先就會先進行組織調整，比如阿里巴巴在馬老師提出「新零售」之后，就會迅速在人力資源層面增加「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。他說傳統理論都認為「船大難掉頭」。但是，現狀卻是，像阿里巴巴這樣的巨型企業，因為擁有了優秀的基礎設施，面對市場變化，可以迅速地掉頭；而小企業反而因為缺乏數據缺乏有效規劃「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進企業數字化轉型。簡單來說，IT部門會先從業務最迫切的需求、或者最能夠出成果的需求入手，使用數字技術手段來推動業務「試水」。如果有成果，那么就可以把該項目變成明星項目，說服企業高管和其他業務部門繼續采用數字技術；如果失敗，那么就繼續尋找下一個明星需求。主要就是通過小步快跑試水累積數據、累積技術能力，以及來為下一步的技術規劃提供判斷。

03 技術先行，大步前進

這類企業通常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，盡管可能并沒有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，但是都經過了前期研究和討論，明確了建設需求。從我的理解來看，這些企業都希望用數據中臺（盡管詞義模糊不清）實現企業數字化轉型的跨越式發展。這類企業，對于數字化轉型咨詢的需求也最為迫切。

不管是哪種方式，我們認為，其內在的發展邏輯都會類似于阿里巴巴的經歷，先通過低成本的業務在線化「連接」企業和客戶，再通過數據在線化「看見」業績和顧客，然后建立數據「使用」能力來預測未來，最后用數據智能「賦能」業務轉型成服務公司或者平臺公司。

相對而言，我們更推薦「技術先行」的方式，因為不管選擇哪種方式，都會需要數據中臺以及數據資產管理體系，像經營人力資產一樣經營企業的數據資產。

當然，也可以尋求以數據資產管理為核心的大數據咨詢。

大數據咨詢是奇點云針對市場需求所提供的服務定義。

從上圖可以看到，傳統的咨詢通常是針對某一二個領域進行戰略咨詢和規劃，比如管理咨詢、財務咨詢、品牌咨詢和人資咨詢等等，其方法論基于經驗總結而來，通過跨層級跨部門的調研，為企業提供第三方的中立數據以及規劃建議，便于企業高層決策。但是這些經驗里面，并不包括數據資產管理經驗，因此，需要有相應經驗的公司來提供咨詢服務。這也是提出大數據咨詢的初衷。

另一方面，大數據咨詢的特殊之處在于，除了商業因素和組織因素，還需要把IT和數據考量在內，并且從能力建設的角度提供解決方案的建議，也就是不僅要面向需求端解決問題，更需要面向解決端提供能力，這也意味著大數據咨詢需要有端（需求）到端（解決）的解決能力。這也是大數據咨詢和其他咨詢方式的不同。

ps:更多大數據咨詢內容及詳細的數據智能解決方案盡在9月25日云棲大會「數智商業論壇」上獨家發布的 《大數據咨詢白皮書》，敬請期待！