企业数字化转型从提出有十余年，已在越来越多的企业得以实施和推广。特别历经近两年世界经济的不均衡发展，全球供应链持续动荡的状况下，企业对数字化转型的需求更为强烈。

一份由科锐国际与海德思哲联合发布《中国企业数字化转型的思考与行动》白皮书，让我们看到了疫性后时代企业对数字化的期望。其中“优化、改进、提高、推出、升级、改善”等明确期望性质的词，替代了过去简单表述的“提效降本”，说明企业不再限制于统一数字化的落地方式，能够基于自身战略需要，做出有自己的发愿与思考数字化转型。

方向明确、细则清晰，企业该如何提升各个期望项目的成效呢？行业已成功的经验，产业已落地的项目都能提供一定参考。但是讯能集思认为在数字化进程中，企业仍有一个无法回避又急需构建的基础目标，它即能为企业数字化成效提供兜底，也是拓充成效天花板的关键；而且从国内外实践看，目前大部分企业仍未做好，这个目标就是抓住数字化转型的“七寸”：建立企业数据分析能力。

今天就跟你一起探讨面向未来3-5年的数字化转型中，企业如何提升自身的数据分析能力。

总有企业数字化转型的负责人跟我们反映，说自已该连接的都连了，该上的系统也建了，可就是看不见转型的成效。

从接触到众多的数字化案例中看，“没成效”实际包含这三种普遍状况。

第一种是钱花了却见效慢，如企业找到了关键技能符合的人，也愿意支付高薪，但在数字化落地仍有可能存在低效的现象。

比如，通过机器学习建模，每一步都是工具的开发模式，虽目前离散训练已成熟，但从项目调研立项，再到五个核心环节：数据导入、特征工程、算法调参、模型上线、应用开发，各个环节都需要有对应的专业技能人员与软件系统，建模效率必然低于高集度的平台，专项所产成果在当今创新主导的时代难具备复用性，通用性亦不高。

我们还遇上“低级认知”的例子，某家500强制造企业，通过投资新厂并配套新工艺拉动产能，新厂设立往往对数字化有更明确的需求，如老厂还在用人工排程时，老板就要求新厂从第一天生产开始必须上智能APS。

可是实际执行时，在其生产现场实际连新工艺都未完全掌握，制程远还到没成型时，负责人就要求APS系统提供商落地执行。

这种企业未具备数据分析基础，同时内部组织也没有正确数据分析认知的例子，属于第二种即使花了大价钱，如果没能事先完成“思想上的数字化”，就永远不可能见到成效的状况。

再有数量占比最多的企业类型，主要体现在企业错把数据分析能力潜能当成了实际能力。

从数据基础建设说起，企业在转型的试水阶段可能会动员业务部门来完成数据收集。怀着“源于业务、服务业务、高于业务”的组织变革初衷，业务部门也组织过数据治理与分析等科目的学习。可上手导数据到系统后，发现这种“数字化”不过是加重了自己的工作量，对业务的实际推动几乎没有作用。

能找到问题出在哪吗？老实说不好找，因为可能发生的状况太多，典型如业务导入数据时出现了数据错误，我们都知道没有“质量”保证的数据，比企业没有数据的问题更加严重。

这个过程我们还有一个重点需要关注的，就是数字化转型远不止业务部门参入，其出发点是需要卷入更多的人，让更多的人参与到通过基于数据事实的智能决策，这就可能出现数字化在组织层面存在难以推行的情况：业务高层装听不懂、中层骨干说学不会、一线底层不积极配合等行为，都会让成果无法“入系统、进流程”。简单总结来说：如果今天我们的企业没有先完成组织变革，企业的数据分析能力也无法建立起来。

还如通过IT部门完成数据收集、处理、分析的全过程，也许IT能做到数据收集的“准、快、全”，但由于缺乏专业数据分析师的支撑，最终给到业务部门所用的分析结果，就只能局限于“诊断型分析”，这类企业的转型实际上仍处在信息化向数字化转型的阶段。

数字化转型的目的，是希望透过大数据分析达到支持主动智能决策。如模拟出某机台制程的“最佳参数”，给到企业采购用的“智能采购建议”，建立动态库存安全水位，等等能够对企业带来竞争优势的“指标型分析”，而以上的决策应用场景也是IT技术角度做不到的。

因此，企业在进行数字化转型之初，一定要将技术上能够提供的“数据分析潜能”与业务部门获得的“实际数据分析能力”区分开来。实际上，许多企业说的数字化程度，往往指的是自己收集了多少数据，拥有多大的数据存储与计算能力，而这些能力仅仅为开展企业级数据分析提供了技术可能性，只是反映企业的“数据分析潜能”，它实际上并不代表企业真正拥有的“数据分析应用能力”。

攀爬企业数据分析能力阶梯的成本

在“数据分析潜能”与“实际数据分析能力”之间，就是企业浪费掉的数据分析能力。

传统减少浪费，提升实际数据分析能力的做法有两步。

第一步是引导业务部门参与数据分析项目选题、应用流程设计；

第二步是增加数据分析师，开发数据分析应用降低业务部门理解的难度，使分析成果更容易应用到业务流程中，真正产生应用价值。

从企业数据分析能力进阶阶梯看，在数据分析方法复杂度和对企业核心竞争优势支持能力两个维度，将企业数据分析能力分为支持被动决策和支持主动决策两大类共八个等级。

但这很可能是个“无限游戏”，因为随着数据分析能力的不断进化，相对应会需要更多的专业分析人员。国内一个好的数据分析师或数据工程师年薪不会低于30万，而一个有经验的数据科学家的年薪也不会低于80万。企业组建一支靠谱的，即使是最基础，由1名数据科学家+4名数据分析师5人组成的数据科学团队，仅薪酬支出便会突破200万元。

同时基于长期投入考虑，当企业建立能够支持主动决策分析能力的团队时，并不能保证在完整的经济周期内，支撑起相应编制的数据分析团队。现实中由于人力成本过高，拖跨企业经营的例子并不少见。

JarviX赋能OT端人员

数据分析实际上是建立企业核心竞争力，支持业务拓展、实现创新，支持企业从被动决策到主动智能决策建设的重要手段。

当前，大部分企业的数据分析能力仅停留在支持企业被动决策的低级阶段。这是因为，只有在数据、人才、流程、技术四个象限都做得很好的企业，才有能力采取体系化、平台化、制度化、自动化方法，真正让数据分析成果“入系统、进流程”，进入到依靠数据分析支持企业主动决策，建立企业核心竞争能力的高级阶段。

讯能集思沿着这个思路打造的JarviX全流程数据分析平台，是提供给企业数字化转型的另一条路——赋能OT+AI分析方法论。

即企业因人才缺失而难以提升实际数据分析能力，可通过JarviX平台的NLP问句式驱动机器学习+可标准规模化的AI分析方法论，让OT端人员，即让制造，品管，运营，财务等源于业务部门的用户，自主了解数据，精通工具；能在无需编程技能即可完成数据分析流程打造分析应用，带着分析成果“入系统、进流程、打造核心能力”，快速无摩擦地产生分析价值。

数字化实施过程中需要跨界人才，但从头培养跨界人才非常难。这里关键的是融合人才，我们要把工业自动化人才、运营技术人才、信息人才三方面人才进行融合。融合过程中关键不在于IT团队的培养，关键点在于我们需要去赋能今天OT人才，这个是未来中国制造业做改造升级的关键——让OT部队更现代化、智能化，给他们赋能，而不是另起炉灶。

最后，从客户价值角度思考，数字化时代的提升转型成效与客户价值，都不再是传统企业里的IT团队，而是在于系统解决生产一线OT团队的痛点难点，只有从OT出发，建立释放整个制造业创新的能力，才是提升成效的关键，才可能是数字化的未来。

【延伸阅读｜带您深入了解各产业解决方案】不会用Excel，不会Python，你也可以做数据分析！

【联系我们｜带您体验企业无痛快速转型升级】如何快速导入低代码数据平台颠覆传统企业数据流程，解决企业转型面临的效率、成本和价值等问题，提升企业的决策水平。