导读：企业应在什么阶段进行数字化转型、采用什么样的方法进行转型，这是我们必须思考和不断在实践中优化的。

作者：阿里云智能-全球技术服务部

来源：大数据DT（ID：bigdatadt）

01 云化

云化的核心目标主要体现在“降本”“提效”“聚焦主业”三个方面。简单来讲，企业会通过部分云化的混合云建设或全面的云化建设替代传统的成本较高、效率较低的建设方式，大幅提升业务需求快速实现的速度，同时降低整体运营成本，从而把精力投入企业自身核心业务的发展及业务孵化上。

图2-5和图2-6通过一个具体的场景做了进一步对比和阐述。

▲图2-5 传统应用开发模式

▲图2-6 云上新应用开发模式

通过图2-5和2-6的对比，读者会发现，在传统模式下，如果要开发一个新应用，往往需要从硬件采购开始，等设备到货后上架，进行操作系统及各种软件的安装和配置，最后完成新的应用系统的部署上线。这是一个漫长的周期，往往需要2～3个月的时间，而且会花费大量的人力，这些都是实实在在的成本。

在云化后，从需求提出开始，只需要配置好应用系统所需的资源配置模板，然后在云管平台上通过点击按钮就可以自动化地创建所需的底层虚拟资源，同时利用模板自动化地部署应用，所需时间往往只有十分钟左右。这极大地节省了时间和人力成本，而且可以按需申请和释放资源，也很好地解决了平时不用的资源的空闲浪费问题。

在企业云化的过程中，可以通过下面几个维度进行决策和规划。

1. 可行性分析

企业要建设混合云、私有云或者全部公有云，首先要做的就是对现有的IT环境做一次梳理，并且从多个维度对应用系统进行分析，评估哪些应用系统适合迁移上云、哪些应用系统需要放在原有环境、哪些应用需要经过改造才能上云。

评估的维度通常包括应用耦合、硬件依赖、IP地址固化、容灾需求、ERP、OS的软件版本等，按照一定权重得出可行性分析结果，依据可行性分析结果决定迁云范围。

2. TCO（总拥有成本）分析

应分析云化前后TCO有什么样的变化、变化的幅度有多大。可以从云化前和云化后两个维度进行评估，然后再整合对比。

在刨除应用开发成本的前提下，云化前的TCO往往包含IDC、硬件、软件、日常运营几个方面，再从这四个维度对设备、软件License、IDC机柜租用、日常运营维护成本进行估算，得出OPEX和CAPEX以及总投入。

云化后，TCO主要包含两部分，一部分是云资源，另一部分是日常运营维护。通过比较，就可以得出云化收益效果。

3. 云化全链路评估

经过可行性分析，可以判断出哪些应用适合云化，哪些应用要暂时保留原样。但是，对于要云化的应用系统，具体是平迁还是架构优化，亦或是需要进行改造，则要从更多的技术维度加以评估，主要是从虚拟化、网络、数据库、存储、中间件、安全的全链路进行分析和评估。

4. 云化路线图

如图2-7所示，企业云化大体分为云化战略研讨→云创新中心建设→上云整体规划→云上架构设计→云化实施五大步骤，一般情况下会按照这个方式进行云化。

▲图2-7 企业云化步骤

02 服务化

在传统模式下，应用系统林立、数据无法打通、开发效率低下、业务部门抱怨需求响应速度慢、业务系统越来越臃肿且耦合度越来越高，导致无法拆分且新功能实现速度越来越慢。

如何有效地解决这些问题，提升企业业务响应和创新速度？实际上，企业做过很多尝试，从早期的软件间文件交换，到后来的SOA数据总线统一数据交换格式的解决方案，再到后来的去中心化的微服务架构，技术和思路一直在演变。

不同类型的企业、企业信息化处于不同阶段、企业信息化建设战略不同，这些因素都会影响业务系统建设时的考量和选择。若企业的信息化建设出现以下问题，建议进行服务化。

1. 企业信息化建设已成规模，但业务系统林立，信息孤岛现象明显。

2. 互联网应用场景突出，有较强的业务灵活性与快速响应的诉求。

3. 业务需求及所处市场快速变化，但因使用了大量的商业软件套件，导致任何需求变更时都需要单独寻找ISV进行开发，从而使业务发展受制于ISV和商业软件厂商。

在实施服务化的过程中，一般可遵循下述思路和原则：

1. 初创企业不建议马上进行服务化，因为此时很多思路和很多业务都还没有成型，盲目服务化不但不能真正起到加快应用迭代速度和业务发展速度的作用，还可能带来反作用。初创企业可以先快速实现业务功能，等到有业务陆续成熟后再进行服务化改造。

2. 服务化需要以点破面，而不能从一开始就大而全地进行整体服务化，正确的做法是逐步实现、渐进推行。可以先从某几个业务模块着手，对业务进行拆分与聚合，做到业务的高聚合低耦合。

3. 服务化不仅是技术手段，也是一种组织行为。如果只是在技术上做出改变，那么很难真正地发挥效用，只有组织上也实现中台战略，服务化的威力才能得到最大化体现。

   那么什么样的组织才能确保服务化效率最大化呢？一般情况下，进行服务化改造，不能再像传统软件开发那样，组建一支庞大的开发团队，而是要在一个大组织里形成多个小的开发小组，由业务架构师、开发人员、测试人员等组成某个专项服务的小团队，这样的小团队模式是最适合的服务化改造组织模式。

   在这个小团队里，既有精通该领域业务又熟悉该服务中心技术架构的业务架构师，同时有这个服务中心专门的开发和测试人员，他们是最熟悉和最精通这个服务中心的人。其他小组也是一样的，这样就可以在保持组织灵活性的同时最大化地保持专业性，因为每个服务中心都是独立的。

4. 传统企业应用软件与服务化改造的关系是很多企业，特别是有商业套装软件企业关注的一个重要话题。比如，拥有ERP系统的企业该如何服务化？它们可以在完成非ERP系统的服务化改造后，开始对供应链、物流、销售、HR等相对容易改造的系统进行改造，从而提升企业信息化建设的迭代速度和效率。

   而对于生产制造、财务等复杂及有较高专业性的模块，则可以根据自身情况判断是否要进行服务化。对于暂未实现服务化的ERP等商业软件模块，可以通过采取类似传统ESB方式进行信息交互。

5. 工欲善其事必先利其器，完成了业务拆分聚合、技术架构服务化和组织架构优化，但是如果没有好的开发运维一体化平台，还是无法达到最好的效果。所以，一个好的DevOps开发运维一体化的自动化平台可以助力服务化进程走得更快，实现更好的效果。

6. 服务化在带来高效率、灵活性的同时，也会带来一些副作用。进行服务化改造后，业务系统的复杂性会急剧增加，而做好全链路应用级监控对服务化运维管理将有巨大帮助。

服务化改造是一个长期的过程，也是一个大工程，需要持之以恒。在服务化改造过程中切记不要急功近利，要控制好企业高层管理者、业务方的预期，同时也要给他们讲清楚服务化会带来的好处。

在此之上，另一个很重要的方面就是要能快速见效，通过找到一个业务突破口，快速突破、展现效果，这样有助于企业高层管理者和业务方理解服务化改造工程。

另外，服务化也需要有好的服务运营，并不是开发出来后就有人使用，而是需要对服务化进行宣传、推广、意见收集、优化迭代，才能让使用者真正感受到服务化的强大之处。同时也需要兼顾好速度与稳定性之间的关系，避免盲目求快而留下大量的稳定性问题，否则就与服务化改造初衷背道而驰。

服务化是业务中台建设中的一项重要工作，如图2-8所示，具体内容包括业务评估研讨、业务中台方案设计、业务中台系统开发、中台战略敏捷迭代和中台化组织建设等步骤。

▲图2-8 企业服务化步骤

03 数据化

有些人为数据量不大发愁、有些人为数据杂乱无章发愁、有些人为海量数据的使用发愁，虽然不同的企业在数据治理、数据使用方面的经验不同，但有些共性的经验可以互相借鉴。

首先，我们要判断目前所处的阶段和场景，不同的阶段和场景需要采取的方法各有侧重。同时，我们需要一个整体的数据化建设思路，一般有以下三个步骤：

1. 全面架构与初始化：基于数据中台全局架构，从数据向上、从业务向下同步思考，初始化数据采集、数据公共层建设，并初始化最关键的数据应用层建设；结合业务思考，直接解决业务看数据、用数据过程中关键且易感知的若干场景应用。

2. 数据中台迭代与应用优化：迭代调优数据中台全局架构，加配和完善数据中台相关产品套件；迭代调优数据中台的初始化数据采集、数据公共层和数据应用层，持续推进数据公共层的丰富完善，并平衡数据应用层建设；深入业务思考，优化场景应用，拓展场景应用。

3. 业务数据化全面推进：持续基于业务的数据中台建设；全面推进业务数据化，不断优化、拓展场景应用。

对于数据化的实现，一般会采取以下思路：

1. 采

对于任何想挖掘数据价值、发挥数据更大作用的人和企事业单位而言，第一步无疑是获取数据，只有获取到足够多的有用数据，才有可能对数据价值做进一步挖掘。

很多年前就已有很多研究人员致力于语音识别、人工智能的相关研究工作，可是应用效果总是差强人意，这并不是因为当时的语音识别和人工智能技术不够先进，而是因为没有足够的数据和计算能力。

现在，有了海量数据和云计算这样的超大规模计算能力，加速了语音识别和人工智能等相关学科的进步，才有了今天这个领域蓬勃发展的景象。

那么数据应如何采集？其实，数据藏在很多被我们忽视的地方，我们一起从用户接触数据的第一个链条开始梳理，看看从哪些地方可以采集到数据。

首先，用户接触企业信息的地方无疑是各类接入层的应用，如手机APP、网站、电话、视频、操作设备等，但是大多数企业往往忽视了这里的数据。

比如，一个用户在使用手机APP的时候，他的地理信息、性别、使用频率与日期的关系、使用时间段特征、浏览内容等信息如果都能被企业掌握到，那就可以轻松实现一个数据应用场景，从而可以实现智能销售，也可以实现智能仓储，即根据用户所需要采购的物品的地域和城市特性，智能地预测货物仓储配置，从而实现效率提升与成本优化。

另外，车间工人操作机床的日常习惯、操作动作等都是非常有用的数据，这些数据对于操作人员熟练度培训、机床流程优化等都会产生极大作用。数据采集可以按照如下方法完成：

• 接触层埋点或增加数据采集传感器，扩大数据触角。

• 丰富数据采集的维度，根据业务特性适当扩大数据采集的维度，从而扩大数据源。

• 打通数据采集链路，不要只是孤立地采集某些数据点，单点采集到的数据不完整，从而导致数据价值大打折扣。而是要在深入研究企业业务的基础上打通整个数据流，对数据流上的每个点有规则、有体系地采集。

• 边缘节点数据最好是经过处理后再上传，否则会夹杂大量垃圾数据。

2. 集

采集到了海量数据，接下来就需要考虑如何把这些数据集中存储起来，这时就要重点考虑大数据平台的建设、海量数据存储等。

3. 通

在有了大量数据的基础上，如何获得大规模计算能力、如何进行元数据的统一、如何进行数据管理、如何建设数据地图等就成为最重要的工作。

就像人体的协同、有序工作一样，大数据想要通用起来需要有专业的数据架构师像大脑一样指挥工作，同时需要建设统一的数据治理体系，包括元数据架构、数据模型、数据结构等，这就像是血管，在其中传递的数据就是血液。“通”这个阶段主要解决的是为了建设数据大厦而需要做的整体架构设计工作。

4. 用

再宏伟的高楼大厦，如果没有被很好地利用，也只是一个摆设，难以真正发挥作用。大数据也一样，如果不知道如何使用数据，那么它们也只是一堆数据，数据架构与体系建设得再完美也是浪费。

如何把规整好的数据与业务灵活地结合起来才是最终目标，所以如何实现一切数据业务化就显得非常重要。一般来说，有以下几个方法可以实现比较好的数据应用。

• 数据闭环：首先，需要实现数据赋能业务、业务带来数据，这样就可以很好地形成数据闭环，从而实现数据与业务的良性互动，在企业内部让数据活起来。

• 大数据平台：在解决好内部数据业务闭环问题之后，就要考虑如何让数据发挥更大的价值，可以对外提供一个大数据平台，把企业的数据能力对外辐射，让外部需求进一步推动数据的发展，同时通过商业化的模式让大数据业务保持长久的活力。

• 数据生态：生意有生意圈、教育有教育圈、社交有社交圈，大数据也需要有大数据生态圈。任何一家企业都不可能把所有的业务做完，也不可能覆盖所有的数据。

  企业不论多么强大，只能覆盖整个社会体系中很小的一部分数据，那么如何建立起一个完整、广泛的大数据生态圈就显得尤为重要。

  建立良好的大数据生态圈会带来数据互通与共享、数据平台能力复用、数据价值挖掘能力互补、数据应用创新等众多益处。所以，我们应努力做好数据生态，封闭数据是极不可取的。

• 数据运营：数据收集得好、体系建设得好、内部用得好还远远不够，在此基础上还要做好数据运营，酒香也怕巷子深，只有把数据价值、数据平台的作用、数据生态的能力等都充分展现给广大用户，才会吸引更多的人加入这个生态圈。

  同时，广大用户对数据、数据平台、生态是否满意、是否有更好的创意与设计，都是推动数据体系不断优化的强大力量。所以，做好数据运营和反馈同样重要。

一切业务数据化、一切数据业务化是数据化阶段的核心目标，其实现路径可以概括为四句话：从用开始、以用带通、以通促存、以存利用。

如图2-9所示，企业数据的建设步骤分为业务评估研讨、数据中台方案设计、业务数据化系统开发、数据中台和应用迭代以及业务全面数据化等主要步骤。关于数据中台的建设，阿里巴巴集团已出版了《大数据之路：阿里巴巴大数据实践》和《大数据大创新》两本书做专门阐述，有兴趣的读者可参考这两本书。

▲图2-9 企业数据化步骤

04 智能化

在完成了数据化后，让数据变得聪明起来，为企业和机构提出有益的建议，这样的数据才是众人追求的目标。数据智能化就是想实现这样的目标。那么，什么是数据智能化呢？

大多数情况下，大数据平台建设好后，很多人认为已经完成了任务，达到了大数据应用的终点，这种认识是错误的。恰恰相反，这只是起点。数据化阶段实现后，还需要人来做进一步操控，因为系统还是没有自己的思维和思考能力。

但是，如果能通过一些方法让汽车不仅可以实现自动驾驶，还能很聪明地给大家推荐最佳路线、按车主的日常爱好自动推荐餐厅、提醒休息等，或者给车主提供优化汽车的建议，那么用户会感觉更有趣、更有价值。大数据也是一样的，我们需要让大数据“聪明”起来，可以利用以下方式：

• AI中台：针对业务低感知的底层技术、比如对机器学习、神经网络等进行建设，这部分工作可以通过使用成熟产品降低研发成本，同时利用行业通用算法结合自身业务特性，研发适合企业自身的算法。这样就可以建设以数据引擎和数据应用为基础的AI中台，为大数据智能化使用提供强大的中台能力。

• 小步快跑：通过快速POC进行方案验证，快速试错，不断迭代优化算法及数据引擎，从而快速找到适合企业的大数据智能化应用场景。切忌把大量时间花在长期规划上，迟迟不能落地。

• 业务应用：解决了底层的数据引擎、数据应用，也有了POC验证后，需要加强数据应用系统的研发，从而进一步体现数据价值。

企业智能化是企业数字化转型的终极阶段，大多数企业都处于摸索试错阶段，我们推荐的实施步骤为：业务评估研讨→快速POC方案验证→算法研发与测试→系统研发与部署→系统上线敏捷迭代。如图2-10所示。

▲图2-10 企业智能化步骤

关于作者：阿里云智能—全球技术服务事业部（GTS）作为阿里云智能对外交付与服务的窗口，秉承着“自证预言，履约梦想”的担当精神，负责了阿里云智能技术产品在客户场景中切实落地的最后一公里建设。团队基于阿里巴巴多年沉淀的技术、产品、方法论为客户提供一站式的数字化转型服务。

本文摘编自《企业迁云实战》（第2版），经出版方授权发布。

延伸阅读《企业迁云实战》（第2版）

点击上图了解及购买

转载请联系微信：DoctorData

推荐语：本书以帮助读者形成完整的数字化转型和迁云知识体系为宗旨，延续从点到线、由线到面的内容组织策略，并结合源自真实的项目案例，详细介绍如何考虑、制定企业数字化转型方案并成功实施。本书既融合了作者团队和阿里云丰富的实战经验，又有对当前业界关注的热点问题的分析与思考，如业务中台、数据中台、AIoT、大数据上云等。无论是企业数字化转型的决策者，还是技术团队的负责人、技术人员，都可以通过本书全面了解、实施企业迁云。

有话要说????

Q: 数字化转型将为企业创造哪些价值？

欢迎留言与大家分享

猜你想看????

• 数据中台必备的4个核心能力，你让数据创造价值了吗？

• Python数据可视化：5段代码搞定散点图绘制与使用，值得收藏

• 2019最后一个月Python继续霸榜，想上车？看这份书单

• 什么是数字孪生？有哪些关键技术？现在怎么样了？

更多精彩????

在公众号对话框输入以下关键词

查看更多优质内容！

PPT | 报告 | 读书 | 书单 | 干货 

大数据 | 揭秘 | Python | 可视化

AI | 人工智能 | 5G | 中台

机器学习 | 深度学习 | 神经网络

合伙人 | 1024 | 段子 | 数学

据统计，99%的大咖都完成了这个神操作

????

觉得不错，请把这篇文章分享给你的朋友

转载 / 投稿请联系：baiyu@hzbook.com

更多精彩，请在后台点击“历史文章”查看

点击阅读原文，了解更多