注：微信公众号不按照时间排序，请关注“亨利笔记”，并加星标以置顶，以免错过更新。

新书消息：

秋天里的第一本云原生巨著：《Harbor权威指南》

我们云原生实验室从事着联邦学习的 FATE / KubeFATE 等开源项目的研发，联邦学习解决的是机器学习中企业数据联合使用的问题，因此我们也很关注各类数据管理框架和技术。

近期读了一本关于数据管理的书：《华为数据之道》，对企业管理和使用数据做了系统的总结，其中有不少的原理值得借鉴。在征得出版社许可后，摘录部分章节分享给大家，本文为摘录的第2篇，感兴趣的读者可以点击图片购买图书作参考。

如今，各行各业都在探索数字化转型的方法和策略，尤其是非数字原生企业，它们的需求急迫，但是数据积累和技术基础又相对薄弱，对于他们来说，数字化转型的道路更为艰难。（本文来自公众号：亨利笔记 ）

华为作为一家非典型的非数字原生企业，在数字化转型方面做了很多探索，如今已经取得了初步的成效。最近的畅销书《华为数据之道》在各个圈子里传阅和刷屏，华为官方首次在书中披露了华为数字化转型经验和方法，向读者展示了华为的数字化转型是如何支撑华为在170多个国家和地区同时开展不同业态的业务的。

有很多企业和华为一样，都是非数字原生企业，非数字原生企业他们在做数字化转型时究竟会面临哪些挑战呢？

数字原生企业在设立之初就以数字世界为中心来构建，生成了以软件和数据平台为核心的数字世界入口，便捷地获取和存储了大量的数据，并开始尝试通过机器学习等人工智能技术分析这些数据，以便更好地理解用户需求，增强数字化创新能力。（本文来自公众号：亨利笔记 ）

部分数字原生企业引领着云计算、大数据、人工智能技术的发展，推动了数字化时代的发展。在这些数字原生企业中，整个企业的战略愿景、业务需求、组织架构、人员技能、管理文化、思考方式都是围绕着数字世界展开的。

与数字原生企业不同，非数字原生企业在成立之时，基本都是以物理世界为中心来构建的。绝大部分企业在创建的时候，是围绕生产、流通、服务等具体的经济活动展开的，天然缺乏以软件和数据平台为核心的数字世界入口，这也就造成了非数字原生企业与数字原生企业之间的显著差异。所以在数字化转型过程中，非数字原生企业面临着更大的挑战。

华为公司作为典型的非数字原生企业，在数字化转型过程中面临着与大多数非数字原生企业相似的问题。

挑战1：业态特征——产业链条长、多业态并存

非数字原生企业，特别是大中型生产企业，往往有较长的业务链路，从研发到销售全产业链覆盖。以传统的钢铁企业为例（如图 1所示），完整工艺包括采矿、选矿、烧结、炼铁、炼钢、热轧、冷轧、硅钢等，辅助生产工艺包括焦化、制氧、燃气、自备电、动力等，在各个工艺流程中沉淀着大量的复杂数据。

图 1 钢铁企业工艺流程简图

华为公司在构建面向客户价值流的过程中，同样形成了从研发到销售、供应、交付、运维的长链条，同时产品类型包括电信基站、服务器、CPU、电脑、手机、耳机等，横跨多个产业。这在某种程度上造成了各条块分割、业务组织强势、变革困难、变革复杂度极高等问题。（本文来自公众号：亨利笔记 ）

挑战2：运营环境——数据交互和共享风险高

非数字原生企业，特别是注重实物生产、交易的大中型企业，还面临着场景复杂的特点，比如交易复杂、风险周期长、内外部风险多等。生产过程中需要关注原材料供应、人工成本、物流过程；交易过程中涉及进出口的还需要关注外汇汇率、当地政治环境、海关、法律法规、安全隐私、环境保护等多种信息；对于设备需要异地安装的情况，还需要考虑地理环境、道路环境、施工条件、运输条件、用工政策和安全防护等复杂因素。

华为公司的服务对象从运营商、企业客户到个人消费者，服务范围和雇员遍布全球 100 多个国家和地区，需要严格遵守各个国家和地区的进出口管制措施、环保条例、安全隐私法规等。这些业务形态上的特点，导致包括华为在内的诸多非数字原生企业对数据共享（特别是生产、销售侧数据的对外共享）有更多顾虑， 更容易形成客观上的“数据孤岛”。

挑战3：IT 建设过程：数据复杂、历史包袱重

非数字原生企业普遍有较长的历史，组织架构和人员配置都围绕着线下业务开展，大都经历过信息化过程。很多制造型企业随着不同阶段的发展需求，保留着各个版本的 ERP 软件和各种不同类型的数据库存储环境，导致数据来源多样，独立封装和存储的数据难以集中共享，也不敢随意改造或替换，IT 系统历史包袱沉重。Oracle ERP 历年的版本信息如图 2 所示。

目前，华为公司的主业务流程中存在几千个系统模块，有多版本的 ERP、多种集成方式，系统间存在大量复杂的集成和嵌套。各业务领域开发了上千个应用系统模块，包含上百万张物理表、几千万个字段，这些数据又分别存储在上千个不同数据库中，共享困难；数据链路呈“长网”状，典型链路达 12 层以上，部分链路甚至高达 22 层。（本文来自公众号：亨利笔记 ）

图 2 Oracle ERP 历年的版本信息（资料参考：Oracle）

挑战4：数据质量——数据可信和一致化的要求程度高

基于业务特征和运营环境的特点，非数字原生企业对数据生成质量有更高的要求。数据产生时的质量高低不仅直接影响产品质量，而且直接影响整个内部业务的运作效率和成本。例如，华为公司会对合同录入质量进行严格度量和控制，以确保下游各环节能够及时、准确、完整地获得所需数据，并在整个端到端链条中对异常数据进行严格监控。数据质量要求严格，需要配置多重精确规则，基于客观事实多重校验，确保数据可信、一致。

非数字原生企业在消费数据时对数据质量的要求也更高，一般会更聚焦于与业务流程相关的特定场景，更关注业务流程中问题的根因和偏差，数据挖掘、推理、人工智能都会聚焦于对业务的理解，面向业务去做定制化、精细化的算法管理，因此消费数据时的质量容错空间非常小。

感兴趣的读者可以点击图片购买图书作参考。

要想了解云原生、区块链和人工智能等技术原理，请立即长按以下二维码，关注本公众号亨利笔记 （ henglibiji )，以免错过更新。