传统行业企业数智化转型的成功模式（下）
“上两期推文分享了华为数智化转型的三大阶段，提出数智化总体蓝图由操作类应用服务（A圈）、决策支撑类应用服务（B圈）与一套数据底座共同构成，重点阐述了如何启动A圈，构建操作类应用服务。
今天，我们将继续分享传统行业企业数智化转型的成功模式，探讨如何构建好数据底座和实现B圈闭环。”
——侯建英 李平
部分正版图片来源：摄图网
预计阅读时长：10分钟
数据底座：
数据湖、数据联接、资产管理
从A圈到B圈的发展需要一个数据底座，数据在这里汇聚并集中提供给应用服务，包括A圈与B圈。
数智化总体蓝图
数据底座主要包含三个构成部分，即数据湖、数据联接、数据资产管理。
数据湖的使命是把分散在各个领域的OLTP数据集中存放，便于搜寻，但在入湖前必须保证数据是清洁的。
因为各个领域在数据湖构建之前都已奠定基础，华为数据湖的构建基本在一年之内就完成了。
数据联接的目的是为了方便挖掘数据价值，对数据进行预处理，比如与合同相关的数据过去可能分布在销售、制造、开票等各个独立物理表中，现在可以从这些物理表中把相关字段挑出重新汇聚，构成一个宽表，为未来开发基于合同的端到端可视、经营分析等提供方便。
类似的还有围绕某个产品打标签，或者做一些指标数据加工的初级准备等。
这些数据建设主要是为了支撑决策应用，所以我们也称之为OLAP（On-Line Analysis Processing）数据。
因为决策支撑类应用还有很大发展空间，这一部分工作华为也还在持续构建之中。
数据在底座上集中存储的本质是为了实现数据资产化，所以数据的资产管理能力必不可少。
从目前的情况来看，OLTP数据资产化管理已经很成熟，所以这里也不再赘述。然而，OLAP数据管理方面还存在很大缺失。
实际工作中，我们往往发现数据底座上已经建好的一些数据汇聚与数据联接往往不能满足企业管理的具体需要，所以我们又会按照具体业务需要，比如全球税务情况分析等，重新对数据进行整合，构筑专有目的的宽表。
华为过去也会把这些宽表直接添加到数据底座上，作为数据资产提供给其他应用共享，其结果却发现这类宽表没有经过公司的统一标准定义，并没有完成资产化的真正转变，直接把它作为资产并要求其他用户使用最终变成一场灾难。
OLAP的本意是方便数据分析，而后来却发现这类资产很难理解。
当出现数据问题时，更加难以定位的是原OLTP数据的质量问题，还是对宽表的误解导致引用了错误数据。
随着决策支撑类应用越建越多，这些宽表在华为的数据底座中一度呈指数级上升，管理难度越来越大。这些宽表不仅没能成为资产，反倒成了负资产。
因此，对OLAP数据标准定义的意大异常重大。
整体来看，对OLAP做标准化的业务定义目前整个业界也还不是很完善，也就造成了OLAP数据资产管理的不足。
华为针对指标类的OLAP数据资产按照分析对象、分析维度、指标数据三个维度进行了标准化定义，覆盖了目前最常用的一类OLAP资产，在OLAP资产定义上前进了一大步。
但是，这种定义尚不能证明对所有OLAP资产同样有效。
B圈闭环：决策支撑类应用服务
按照流行的数字化转型模式，应该是先建数据底座（数据湖、数据联接、资产管理），实现数据资产化，再在该数据底座基础上构筑业务流程实时可视、智能化决策支撑等功能。
然而，对于大多数企业管理者来讲，这个过程过长，前期投入过高而不可接受，因为他们迫切需要获得数据，并基于数据进行决策分析。
我们认为，这种迫切需求合情合理，同时也不一定非要完成数智化转型所有流程才能满足这一诉求。
很多传统行业企业信息化底子薄弱，资金和人才都非常有限，如果按部就班完成数智化蓝图的三大构成部分，就会遭遇投入太大、周期太长的突出挑战。
为此，我们认为在数据底座建设完成前，直接到业务操作系统中进行数据集成也可作为一条急用先行的路径。
采用急用先行的模式，短期支持仪表板即席查询模式基本没有太大问题，只要涉及的数据量和种类不要过多导致数据集成关系过度复杂。
但要再往前发展就推荐开始逐步构建数据底座，集中提供数据服务给到决策支撑类应用的BI系统。
华为在A圈建设时把一些关键数据（如合同数据）与应用做了解耦，构建了单独的数据源。
这些数据从分类上属于事务数据，但华为采取了类似主数据的建设模式。
伴随A圈内的应用建设构建好这些数据源，不仅为后续入湖奠定了良好基础，也为没有数据湖时进行决策支撑类应用提供了较好的数据支撑。
在这些数据基础上构建决策支撑类应用服务受限于数据的丰富程度可能达不到全面数智化转型所能达到的完美程度，但对于很多传统行业管理者的主要诉求来说基本可以满足。
只要这些决策支撑类应用本身能跟上当前数据分析系统和数据展现的主流设计方式与技术，这样虽然后期还会需要改造，但其改造的工作量可以达到最低。
华为经验表明，数据分析最主要的问题出在分析诉求多变方面。
华为在这方面走过一些弯路。华为最开始的决策支撑类应用都是枚举方式，把管理者要的各式各样分析表格、分析数据枚举，直接用硬代码写成BI，后来发现因为管理者的诉求太多、变化太大导致后期开发成本居高不下，系统越做越复杂。
在栽了跟头后，华为采用数据服务+BI工具模式，进入如下图仪表盘即席查询模式。
我们事先把管理者可能要用到的数据做了一下预处理，可以是一些标准指标的预制，也可以把一些关键数据按组织或产品等关键管理维度做一些关键切片。
把这些预制的数据服务化提供给BI工具，这些BI工具可以做一些简单的计算及按需图像化展示。这种方式较前面的刚性的BI设计上已经前进了一大步。
我们认同硕磐智能对数据分析系统现状及未来趋势的基本判断（图4），目前一些前沿企业已经研究第三代智能可视化分析和第四代预测性分析机器学习模式，以便支持随时随地、针对任何维度的快速业务问题根因定位。
另外一个重要方法就是AI应用。我们认同一个观点，就是要把AI技术应用当作一项投资来对待，需要具体分析此类投资是否能够得到合理回报，不能盲目跟风。
目前看来，AI技术，尤其是生成式AI大模型技术在商业领域的有效应用还处在初期阶段。然而，AI技术在某些具体领域的应用确实取得不俗成效，比如优化物流路径、智能资源匹配等。
然而，必须指出，面对不同企业规模与不同业务复杂程度，AI能够发挥的作用潜力不尽相同。
从华为经验来看，AI技术在决策支撑类应用领域的有效应用依然有限，尚在初期探索阶段。
图4：数据分析系统现状与发展趋势
作为一个非数字化原生企业，华为在数智化转型方面取得的成绩的确可供中国绝大多数传统行业企业借鉴。
然而，向华为学习不能机械式照搬，更不能断章取义。华为在数智化转型过程中走过不少弯路，目前也存在不足之处。
为此，此文归纳华为数智化转型的经验与教训，在其基础上提炼可供传统行业企业借鉴的数智化转型成功模式，其中包括总体蓝图与具体路径，即A圈-底座-B圈三大组成部分，以及这三大部分构建的顺序路径。
对于绝大多数传统企业来说，在首先规划总体蓝图的基础上，选择局部先行的具体路径，采取小步快跑方式逐步完善，更加切实可行。
内容来源：《数智化转型成功模式：传统行业企业必经之路与潜在陷阱》/ 侯建英 李平，文章发表于中欧商业评论（2024年3月刊），本文已获作者授权。
关于作者：
李平为丹麦哥本哈根商学院中国企业管理领域终身正教授，东北财大、厦门大学特聘讲座教授，原宁波诺丁汉大学国际企业管理领域李达三首席教授、浙江大学求是讲座教授、2020年斯坦福大学全球2%经管专业顶尖学者、国家自科基金重点项目负责人、传世智慧学术委员。
侯建英曾任华为运营商BG质量与运营部部长、LTC变革总监、海外子公司COO、海外大客户部长、海外投标业务部长。具有20年以上产品营销、客户管理、子公司管理以及企业管理体系建设经验。主导华为公司级重大项目 LTC变革方案的制定与落地执行，主导华为经营数据中台建设，华为变革管理实践者。
*文章仅代表专家个人的专业意见表达，不代表本平台的任何观点与立场。
