数字化转型是指适应新一轮科技革命和工业革新趋势，不断深化运用云核算、大数据、物联网、人工智能

近代人类文明的飞速开展和社会面貌的改变，要从开启工业年代的蒸汽机发明说起，随着工业革命，人类开启了技能革新经济、技能革新政治乃至技能革新日子的技能革新进程。从工业年代到电子年代，再到信息年代，逐渐走进了如今这个数字化和智能化的年代。不管是全球经济大势，仍是国家顶层设计发文，言必谈及“数字化转型”这样一个热门词汇。

数字化转型，又包括中心内在呢？答案是数据。如果做欠好数据建造，数字化转型就如同无根之木，无源之水，因而，数字化转型必先做好数据建造。

一、数字化转型

1. 什么是数字化转型

下面这段话摘自MBA智库的“数字化转型”词条解说：

数字化转型是指适应新一轮科技革命和工业革新趋势，不断深化运用云核算、大数据、物联网、人工智能、区块链等新一代信息技能，激发数据要素立异驱动潜能，打造进步信息年代生计和开展才能，加速事务优化晋级和立异转型，改造进步传统动能，培育开展新动能，发明、传递并获取新价值，完成转型晋级和立异开展的进程。

从大背景上来说，为什么“数字化转型”浪潮正在席卷全球呢？

简言之，数字化转型已成为企业适应数字经济，谋求生计开展的必然选择。特别是关于中国，经历接连高速增加，中国经济增加已经由高速增加，转入低速增加和高质量驱动的阶段。面对工业结构调整、资源环境挑战、数字技能与立异带来的行业颠覆与机遇，中国企业逆水行舟，不进则退。因而，应对新环境和新年代的挑战，企业转型势在必行。

2. 数字化转型的关键

咱们已经知道了数字化转型的重要性和必要性，那么，数字化转型要成功，关键在于什么呢？人、信息与根底架构。

具体来说，数字化转型要做的就是将人的发明力、由信息衍生的才智与结合万物和流程的连接性这三大关键价值驱动要素聚集起来。

3. 数字化转型的相关技能

俗话说：工欲善其事，必先利其器。

那么数字化转型的“利器”是什么？技能。

需求哪些技能？笔者罗列如下。

• 云渠道：基于硬件的服务，供给核算、网络和存储才能。
• 移动化：在归纳通信渠道根底上，通过运用、服务及网络三个层面，完成办理和服务的移动化、电子化和网络化，向社会供给高效优质等全方位办理与服务。
• 物联网：通过智能感知、辨认技能与普适核算、泛在网络的融合运用，完成智能化辨认和办理。
• 人工智能：通过普通电脑完成的智能化。
• 网络剖析：依托网络拓扑联系，调查网络元素的空间及属性数据，对网络功能进行多方面剖析。
• 互联网安全：使网络体系的硬件、软件及其体系中的数据受到维护。
• 云核算：通过网络以按需、易扩展的方法取得所需的服务。
• SDCI（软件定义互联根底架构）：增强数据中心虚拟化的收益，进步资源灵活性和利用率。

4. 数字化转型与数据建造的联系

尽管数字化转型的相关技能里并没有提到大数据、数据建造等关键词，但所提到的云渠道、云核算、人工智能等，则是个个都离不开数据建造和运用。云渠道所供给的存算才能正是为了数据服务的，云核算所供给的服务也大多是以数据结果的方法，而人工智能则是彻底的以数据为载体的运用和服务。因而，数据建造是数字化转型这个体系工程的中心子工程。

二、数据建造

1. 数据中台

有人说，在数字化年代，数据将成为地位等同于黄金、石油等稀缺物质资源的新式战略资源。如果把数据比作石油，数据终究的价值变现则是体现在一切会用到“石油”的场景里。那么数据这种“石油”是直接就能够运用并发生价值了吗？那肯定是不行的，需求“炼油厂”。

“炼油厂”是什么？就是数据中台。

数据将由数据中台进行“收集”->“加工提纯”->“分发运用”的整个链路，终究转化为数据运用或者数据服务供给事务价值。

而在这个场景里，数据中台的价值是什么？

数据中台的价值在于——让数据稳定继续地发挥事务价值，完成事务赋能。

2. 数据生产消费全链路

数据生产消费全链路如下图所示。

从图中咱们能够知道，要完成整个全链路的搭建和稳定继续地发生价值，需求做很多个模块的构建和协同，通过进一步抽象和提炼，其实是要依托四大中心才能，分别是：数据收集、数据开发、数据办理和数据运用。

3. 数据中台架构

关于数据中台架构，业界内基本上都是大同小异的，这里放一个相对规范的以供参阅。

4. 四大中心才能

1）数据收集

首先，数据收集是整个数据全链路的源头。数据收集处理的是什么问题？数据来源。整个数据链路上，到底有哪些数据资源能够用来做加工？获取这些数据资源的时效性怎么，有延迟仍是实时？这是由数据收集决议的，更深一层，这也是由需求和终端事务场景所决议的。

为了把这个问题说得更清晰一点，这里举个简单的比如。

咱们投入了很大的精力和本钱，把来自事务体系的订单数据收集做成了实时同步（即每当事务体系中发生了一条新的订单数据，立刻就收集过来了），但实际在数据运用上，不管是看数（运用数据看板等可视化功能）、剖析（运用BI等数据剖析功能）仍是取数（运用自助取数功能），用户都仅仅是拉取以月粒度为主的数据来运用，对数据更新的灵敏程度最多到天这个粒度，并且有没有当天的数据参与剖析，也不是特别重要。

那么这时候，我就会发现，至少在数据收集这个作业上，“杀鸡”用上了“牛刀”。尽管咱们在技能上很厉害，支持到了实时等级的同步更新，但实际上投产比很低，并不是一个好的实践。

这个比如想要说明的是，在数据收集的实务落地上，应面向需求制定方案，而不是面向技能。