DAAS数字化新世代的最优解

DAAS 数字化新世代的最优解 目录 引言1 一.数字化的新征途2 1.进入“数据智能”时代2 2.隐形天花板7 3.数据智能：从“选择题”到“必答题”10 二．DAAS—面向数据智能时代的转型体系12 1.Data：自生长数据平台12 2.Analytics：普惠化深度洞察14 3.Applications：规模化场景应用16 4.Success：数据智能驱动的成功19 三.DAAS建设之路24 1.DAAS建设三大难点24 2.通过矩阵精准定位自身DAAS建设路径25 3.DAAS实践案例分享27 引言 在过去十年间，几乎每一家成功的企业都在工作方式上变得更加数字化，并由此获得巨大的红利。依托信息系统，企业解决流程效率与管理标准化的问题；依托互联网，企业突破了交互的物理区隔。工具、渠道层面的数字化赋能显著地改善了企业作业流程，提升了连接客户的效率与效果。 然而近年来，我们经历了前所未有的震荡—来自新冠疫情、经济换挡、国际竞争…这些因素叠加带来的冲击，也许超过了过去十余年的累计。在如何应对变化上，或许企业各有思考，但唯有一点已经成为了所有企业的共识—传统的经营逻辑需要升级，仅靠工具层面的改良很难应对挑战。 面对加剧的挑战，数字化依然是一剂良方，数字化的内涵也在演进和升级。随着大数据处理、高级分析、人工智能等新兴技术的应用逐渐成熟，数字化进入了“数据智能时代”。领先机构的实践证明，数据智能可以深入经营模式的转型，让企业走出一条高质量增长的新路。 我们希望从过往的服务经验出发，探讨数据智能何以帮助企业持续成功，而企业应如何正确认识数据智能，找到数据智能建设的最优解。 本篇文章由德勤管理咨询、瓴羊与阿里研究院共同撰写。其中，瓴羊作为阿里巴巴集团数据中台、业务中台、客服系统、供应链服务等多个部门整合成立的企业数智服务公司，沉淀了阿里十年来数字化实践的经验与能力，为本文贡献丰富理论与实践案例支持。 一.数字化的新征途 1.进入“数据智能”时代 1.1数字化发展阶段 数字化并非新鲜的概念，从全球范围看数字化已经开展超过40年。但即便最为领先的企业，也很难说自己已经“实现了数字化”。数字化的内涵和定义在不断丰富和延展，可以分为四大阶段：信息时代、网络时代、移动时代和数据智能时代。伴随着数字化不断向更高阶段跃升，企业也因此不断获得“数字化红利”，并实现显著的业务增长。 图1-数字化转型的演进阶段 企业在数字化不同阶段的典型特征如下： 信息时代 技术基础 电子计算机技术、商用软件开发技术的成熟 核心价值 由线下手工转向系统操作，实现纸质文档到电子数据、孤立业务节点的快速链接，显著提升内部标准化程度、改善内部效率 典型用例 ERP系统、管理信息系统 技术基础 以互联网应用普及、PC普及为基础 互联时代 核心价值 以互联网替代物理交互，实现企业销售、客户服务、内部管理等脱离物理区隔 典型用例 线上渠道建设、自助服务 移动时代 技术基础 第三代、四代通讯技术、个人移动终端、特种终端普及 核心价值 实现个体的广泛互联。围绕个体使用、个体生活，实现企业服务的场景化、生活化、定制化程度显著提升 技术基础 数据智能时代 核心价值 大数据处理、人工智能、高级分析技术的成熟； 将海量数据转化为洞察，协助乃至替代人驱动企业在感知市场、管理决 策、对客服务、生产运营等方面的提升预见性、准确性与效率 典型用例客户偏好预测、智能决策辅助 典型用例跨界生态服务场景、企业APP 1.2数据智能时代：NotVersion1.4，butGenerationⅡ 虽然数据智能时代仍处于起步阶段，但其表现出的潜力让企业感到振奋。在过去3年间，认为数据智能将“成为企业未来决定性竞争力”的企业，从45%提升到了96%1。随着数据智能企业样貌的逐渐清晰，企业的高管也正逐步认识到数据智能为企业带来的变革“不同以往”。我们相信，从未来回望当下，人们会认识到数据智能时代并非仅仅是前三个数字化阶段的延续，而是一个更具有划时代意义的数字化新纪元。 从目前数据智能已经取得的成就来看，其不仅提供更有效的工具，更能够“改造企业的大脑”、“重新定义企业取得成功的核心竞争要素”。 Howwedo 企业如何做事情 Howwethink/cognize 企业如何认知思考 Howwewin 企业何以成功 图2-数字化转型不同阶段的使命 数字化前三个阶段数据智能时代数据智能阶段，从“改造企业的四肢”，转向“改造企业的大脑” 在数字化的前三个时代，主要为企业解决了纸质单据纸面信息到电子信息，孤立到联动，固定到移动的问题，但企业最基础的经营逻辑和决策没有发生调整。无论所有宏观的战略决策，还是到微观的业务判断，大都还是基于人的经验而做出。数字化工具旨在赋予企业更为强健的四肢，从而更高效地执行经营动作决策意志。 1德勤,企业人工智能应用现状分析,第5版 进入数据智能时代，数字化对企业的改造由“四肢”转向了“大脑”。企业将海量的数据转化为对趋势的研判、对客户的认知和对风险的预测，进而将企业经营中每个环节的决策，由“经验驱动”转向“数据智能驱动”。 图3-不同时期企业开展数字化的核心价值诉求在发生转变2 从2017年到2022年，持续调研国内多家企业“期望实现通过数字化实现”（且实际开展建设）的业务目标，以下为不同年份选择该选项企业占比从高到低排列 企业希望通过数字化实现 2018 2020 2021 1st 改善现有产品服务 （44%） 优化流程效率 （43%） 创造新业务模式（29%） 2nd 优化流程效率 （42%） 改善现有产品服务 （34%） 大规模客制化（28%） 3rd 更好的决策 （35%） 创造新产品与服务 （34%） 挖掘有价值的新洞见（23%） 4th 自动化释放人力 （31%） 更好的决策 （34%） 优化流程效率（22%） 目标与数据智能应用高度关联 大数据与高级分析技术成熟后，企业的接受度逐步提升。过去几年间，企业数字化建设最为关注的价值点已经悄然改变，由关注效率的改善提升，转向了对决策能力、洞察能力与企业经营逻辑转型的追求。 数据智能时代，重新定义企业的核心竞争力 过去能够在行业中占据主导地位的机构，其竞争力往往来自于“生产规模带来的成本优势”、“渠道的独占性”等。但随着数据作为新兴的核心生产要素的加入，企业掌握了全新的能力，并以过往从未设想过的方式取得成功。一方面传统巨无霸企业的竞争优势被持续削弱，另一方面重新定义了核心竞争力的新兴企业正在快速涌现和崛起。 2德勤,企业人工智能应用现状分析,第1-5版(2017-2022) 在当下，我们可以看到变革已经发生… DTC打破“标准化规模生产优势” 依托客户数据与人工智能，企业有能力通过机器自动为客户提供定制化产品方案，并跳过渠道、销售人员，直接从生产端直面客户交付。客户的价值体验远胜于为控制成本而规模化生产的标准化产品。 数据优势型企业成为行业不可或缺的基础设施 能够依托大量数据，为客户提供精细化的产品与服务的企业将成为客户的优先选择。而据此带来的更大量数据又可以帮助这类企业进一步强化自身的智能化水平。在这种自生长循环不断加强下，一般企业将不可避免选择数据能力的“外部服务化”—即依托行业核心企业的数据与洞察能力开展经营。 工具水平趋同，洞见决定成败 过去企业主要在标准化的管理和运营中寻求行业最优实践与系统工具，其所采用的工具和方法逐渐趋同。能够通过数据更敏锐的感知市场的变化，调整经营导向，快速调整变革的企业在震荡的外部环境下将获得更稳健的业务成长。 更扁平，更小的作战单元 已有企业为一线的销售队伍提供完善的洞察分析平台，支持他们了解客户、反馈需求，并通过内部的数据模型完成业务风险、收益的判断、审批，并赋能一线队伍灵活开展经营。 利用数据，在传统产品服务基础上提供新价值 企业可以利用数据洞察，提供超出传统产品范畴的服务。已经有消费品企业从家 庭日用延伸到家庭健康管理，有金融企业从损失赔偿延伸到利用数据预警风险… 数据智能对企业竞争力的改变将持续深化，且在不同行业间会有不同的表现。但总体而言，我们可以预见以下5对核心竞争力的转变： 我们可以说，在进入数据智能阶段的建设后，企业的数字化之路才真正具有了“转型”的意味。 2.隐形天花板 2.1跨入数据智能时代绝非“一步之遥” 企业进入数据智能阶段的跃升绝不仅仅是“最后一跃”的问题，而需要跨越过巨大的能力鸿沟。当前哪怕是最为领先的数字化企业，依然难以称得上实现了数据智能转型。从调研数据来看，虽然大量企业提出其数字化成熟度显著提升，但在数据智能阶段取得较好成果的企业仍在少数3。 70%的企业提出自身数字化 成熟度显著提升 27%的企业能够兼顾数据智 能项目数量与回报 企业在开展数据智能建设的过程中，面临着诸多的挑战。这些挑战不仅仅来自技术，也可能来自组织、文化、业务模式调整、变革管理等。在这些问题没有得到解决前，企业很难称得上实现数据智能“转型”。 N=2271 50% 企业上下，尤其是高层难以就转型达成的一致的共识 在最初启动转型后难以保持推动力度与资源 50% 46% 难以与原有业务模式一体融合 系统与基础设施架构混乱，难以支撑数据智能的实现 44% 42% 难以找到与业务价值紧密相关的用例 改造为适配数据智能的技术基础需要较高成本 38% 选择该选项的企业占比 调研问题：您所在企业在规模化数据应用过程中面临的最大挑战是什么？4 3德勤,洞察力驱动型企业——在“融合时代”继续成长：文化为基 4德勤,企业人工智能应用现状分析,第5版 数据的爆增与闲置 数字化的前三个阶段的建设给企业带来了海量的数据。从规模上看，企业的数据量级提升数个数量级，预测全球数据量将从2018年的33ZB增至2025年的175ZB5。从维度上看也愈发丰富，企业视之为有价值的数据也不再仅仅限于结构化数据，大量半结构化数据（如日志）、非结构化 （音视频）等类型数据的比例在持续增加。但对于绝大多数企业而言，仅有一些支持核心管理报表的数据得到了充分利用，这些数据也许仅仅不到20张宽表。 数据大量闲置很多来自基础设施的不完善，在使用数据之前需要投入大量的资源进行数据探索、整合工作；数据质量的问题从未彻底解决，90%以上的数据在使用前需要经过校对、验证与清 洗；对于不少中小型企业而言，“大数据团队”是成本不菲的“奢侈品”。 数据的闲置也与管理习惯息息相关。不少企业在决策中很少使用数据；大量企业的数据仍然孤立地存在于从不同厂家采购来的各个系统中，没有经过盘点整合，形成属于全公司的数据资产。 应用的希望和困窘 数据智能在绝大多数业务场景应用潜力极大，这是一个取得了充分共识的结论。企业对于利用数据智能改善经营充满希望，并积极投入资源开展尝试。但对于绝大多数企业而言，大量数据智能项目未取得预期的显著提升。原因在于，他们没有准确地、规模化地选择与建设数据智能用例： 很多应用偏离核心业务领域，无法驱动增长 偏某大型国有制造类企业在智能化建设启动后，成功的智能化项目集中在“智能科技运维”、"网络风险防范” 等领域，难以驱动业务价值方面的回报。 孤立地开展建设，应用多以散点形式存在，无法形成联动合力 散某消费品企业建设了对客户智能产品推荐引擎，但上线后，由于对自身产品的特征标签建设工作不完善， 导致模型无法发挥作用。 未掌握并采用规模化、流程化的数据智能建设方法 粗国内企业少用机构掌握MLOPS、智能化专用数据等工作方法，虽然这些方法已经证明能够显著提升数据智能 开发效率并降低成本。 数据应用缺乏配套机制变革，导致效用无法实现 浅某金融企业通过舆论外部数据预测客户的违约风险，希望根据风险预警开展贷中检查工作，但风险部门仍要 求定期全覆盖检查，模型未能起到节约人力的作用。 5IDC,《2025年中国将拥有全球最大的数据圈》，2021 概念的轰鸣和疲惫 我们处于一个知识充分共享、信息高度透明的时代。企业的数据智能战略不再