技术对于企业而言固然重要，然而某些时候还有比技术更重要的东西，如战略与模式，因为其影响可能是更长远、更全局的。

 

 

 

 

战略涉及企业发展方向。当然存在不同层面的战略，如企业宏观战略、部门战略、生态战略、市场战略、产品战略等。

 

企业应该注意收集宏观层面的很多信息，以利于企业的战略决策。如伊利集团设立了技术查新机构，及时获知行业前沿数据。集团建立了国际、国家、地方科技部门的信息、情报数据收集中心，能够灵敏地获知行业动态信息。数据中心的建立，使数据收集更为迅速、准确，内部信息共享更为及时，极大地服务了集团新产品的开发决策。在技术研发过程，研发部与国家食品安全风险评估中心、北京市营养源研究所、江南大学、内蒙古农大等高校及科研院所开展项目合作，并与康美、利乐、帝斯曼（DSM）、丹尼斯克、奇华顿、敏特（Mintel）等国际知名原料、设备供应商合作，引进、开发、消化及吸收国际先进技术。

 

 

对于西班牙连锁酒店依鲁尼恩（Ilunion）而言，数据已成为该企业解决问题的有力工具。自2017年1月起，为了让管理层和员工们做出更明智的决策，依鲁尼恩开始为他们提供关于客房预定和公司收入的详细信息。公司的系统整合了来源各异的1200万余个数据点，呈现在易于使用的状态界面上。例如，定价分析工具界面，能够根据实时供需信息为酒店房间的价格变动提出建议。另一个状态界面，能够根据细分市场和渠道，显示每个分店的营收、平均价格和客房占用率等关键指标。如此一来，管理人员可以尽早发现问题，并及时采取措施。现在，依鲁尼恩开始在其它业务领域（如公司的健康俱乐部和洗衣服务部门）开放相关运营数据，以提高决策能力，为流程创新带来灵感。他们已成功将数据分析融入到企业的日常运转中，使企业具备了许多数字初创企业的核心能力：利用数据完善现有价值主张，或是提出新的价值主张。对几乎所有行业而言，

 

无论新老企业，这种数据驱动的方法已不仅仅是一种追求，而是正在迅速发展为

一项战略要务，关乎企业客户留存、增加收入和保持竞争优势的能力。

 

普华永道最新全球CEO调研的结果也印证了“数据驱动”的重要性：77％的CEO计划在2019年提高运营效率以增加企业收入。有规则、有规划、全面而深入地使用数据，对于实现这一目标至关重要。

 

让数据驱动成为企业战略，即是说要成为数据驱动型企业。如何成为数据驱动型企业？想要完成数据转型，企业需自上而下明确数据对业务的决定性作用。在此基础上，正确的洞察应随时可供访问、解释和操作——这是技术支持之下才能达到的境界，也是一种“让数据易于访问”的企业文化。数字优先的企业明白数据驱动的必然性，并将其作为一切企业行为的组织原则。更成熟的企业，通过将数据与业务议程相关联、营造数据驱动的企业文化、将数据洞察灵活运用并建立必要的基础技术设施，也可以达成数据驱动。更详细的描述如下：

 

（1）将数据与业务议程相关联。数据的力量取决于使用方式。企业须明确定义数据的用例，将其运用于更广泛的议程中。成功的企业通常会确保其业务战略和创新计划是建立在数据驱动决策之上的。前提之一，是将数据视为一种资产，能够直接影响公司的业绩。Adobe软件公司建立了一种数据驱动的运营模式（data-driven operating model，DDOM），用于运营数字业务。DDOM状态界面能够显示企业的整体经营状况，并记录客户发现、试用、购买和续约产品的全过程，如同一个数据驱动的涡轮增压CRM系统。通过DDOM，Adobe在建立详细客户模型的过程中，不仅可以基于交易记录，还可以基于行为习惯、经验洞察和数字触点。因此，企业可以更准确地预测客户会在什么情况下考虑更换供应商，或者考察某客户是否适用Adobe的其它产品，因而让公司采取正确的行动，如在正确的时机进行交叉销售或向上销售等。

 

（2）培养数字文化。能否成为一个数据驱动的企业，取决于所有企业员工的支持，让每个人都根据数据调整自己的思维方式和工作方式。在更大的组织范围内维持员工的热情可能会很困难——尤其是，过程中往往需要说服那些不同意该模式的领导。将员工做决策时的思维模式从“基于直觉”转变为“基于证据”，绝非只是改变一下管理名词、或者是简单培训即可实现的。这种转型，需要从根本上改变员工平日里的思考方式和工作方式，包括培养数据文化、加深员工对数据所有权的认知、使用数据来指导工作流程或质量改进等。Geotab，一家加拿大通信公司，提供用于跟踪和管理车队的GPS系统。公司将数据和业务的融合做到了极致。创始人Neil Cawse说：“你不知道自己的盲区在哪，但数据可以告诉你。我们公司的业绩增长主要归功于对数据驱动的重视。”Geotab并未设立集中的数据科学部门，而是在每个业务部门内部安插数据科学家，“目的是帮助销售组织、财务部门或客户中心更好地运营。”

 

（3）在实际工作中运用数据洞察。数据访问不应仅限于管理人员,目标应该是把有效的数据输送到需要的地方和一线工作人员手中。为了真正将数据分析和应用嵌入主流思想和行为中，企业需要研究如何将数据洞察预先注入到现有的业务流程中。Geotab的每个决策都是基于数据的。该公司监控生产状态和性能、产品的安全状态、账单结算（哪些客户尚未付款）等。一旦从这些数据中提取出有效信息和见解，它们就会被反馈到随处可见的公司大屏幕上，向需要的团队提供实时报告。更方便的是，团队可以在状态界面上进行查询和运行数据，这样就可以立刻获得他们所需要的信息和见解。若某个新的客户行为提示企业存在比表面看起来更严重的问题，那么其团队可以快速采取措施并解决问题，因为企业状态界面同时显示“树林和树木”——概述和细节。例如，8月，实时客户支持指标显示德克萨斯州突然出现异常。没过多久，客户支持团队就意识到供应商的SIM卡在该州的高温下弯曲变形，主要原因是使用了错误的塑料材料。Geotab立即与制造商反馈了这个问题，使其快速的得到了解决，恢复了高品质的客户服务。

 

（4）构建必要的技术支持和基础设施。选择合适的技术将对企业的数据运用能力产生重大的影响，特别是在提取有针对性的数据和运行方面——使它们能够打破“数据孤岛”，抓取底层数据，并将其与其他数据来源进行整合，以发现对企业有帮助和有意义的数据信息。另一个纳入考虑的因素则是使数据处理过程简易化的技术，如人工智能、机器学习和增强现实（AR）。在生成更细致入微的数据洞察和使用创新技术运行数据方面，这些工具发挥着关键作用。例如，人工智能和机器学习可与物联网相结合，以监控新增的大批量数据反馈，或者与社交媒体聆听工具相结合，旨在衡量不断变化的市场趋势和客户偏好。Sanitas是保柏医疗保健集团旗下位于西班牙的一家医疗保健和健康服务公司，非常了解有效利用数据帮助企业实现更高效决策的重要性，公司已经围绕一个平台重新构建了自己的信息战略。只需点击一下，公司的任何一个员工即可访问所有数据。他们正在开发一个一键式数据平台（Data-One-Click），旨在不仅使数据访问大众化，同时也使通过数据分析带来的知识和见解更大众化，让用户能快速访问不同种类的数据以及让数据更易于分析，即避免繁琐的搜索过程并帮助提高决策效率。在这些平台的开发过程中，遗留工具和新技术共存，增大了我们的转型空间，从而减少低效的业务流程。

 

 

对于一个企业而言，其业务可能成千上万，要善于发现具有战略意义的项目。某一看似常规的项目在特别时期可能具有不一般的示范作用，或者在特别时期要善于发现具有潜在战略意义的项目。欲做到这一点，就需要对数据的敏感。美国参数技术公司（简称PTC）的工业互联网发展始于2013年对ThingWorx的商业收购。ThingWorx平台是经过实际验证、可加快工业创新的出色平台。2020年新冠病毒疫情期间，PTC对疫情信息的关注使他们发现能够利用他们的技术为抗疫贡献力量，一方面是社会责任的驱使；另一方面，他们能意识到特别时期的特别贡献所具有的战略意义。

 

2020年3月初，罗氏诊断公司（Roche Diagnostics）宣布，获得美国食品药品监督管理局（FDA）为新的COVID-19测试颁发的紧急使用授权，Roche的新测试方法将会在仅三个半小时内为患者提供报告，比现有的测试方法快大约10倍。自3月起，Roche开始运送用于COVID-19的cobas®SARS-CoV-2检测仪，每周向全美各地运送40万份检测盒，并计划在全球范围内每月提供数百万份检测盒。

 

罗氏诊断公司是PTC的重要物联网客户，使用PTC的工业互联网平台服务已有10多年。在获得FDA批准的消息后，罗氏希望其应用的PTC平台能够具有可扩展性，包括添加和连接大量新的诊断系统；具有保障覆盖全球的工业互联网平台服务性能；并能保障所有测试系统的正常运行时间。PTC组建了一支跨职能云服务快速响应小组，包括研发、产品管理、物联网卓越中心、软件更新管理、技术支持和客户成功管理等职能部门的7*24小时响应团队，齐心协力地帮助罗氏进行远程设备监控，故障诊断及排除，并迅速解决可能出现的任何问题。

 

另外，PTCOnShape助力MasksOn实现在30天内为抗疫一线医护提供100万人次/日的防护目标。MasksOn是一项非营利性计划，由来自美国各地的医疗保健，学术界和技术公司的志愿者组成。其工作目标是为抗击COVID-19疫情一线的临床医生提供耐用的可重复使用、可消毒的个人防护装备（PPE）。MasksOn当前首要的目标是创造出足够的面罩，在4月份内为临床医生提供100万个人次/日的防护能力。PTC在得知MasksOn的需求信息后，迅速利用工业互联网平台服务、OnShape产品设计和制造的服务能力为MasksOn的项目实施提供了强有力的支持。借助云化的OnShape技术，简化了面罩协同设计、评审和BOM发布的过程，加速了零部件加工和交付的速度。在MasksOn面罩交付的过程中，项目每天的进展相当于传统标准流程3个月的进度。这让MasksOn团队能以每天1000个面罩的速度加紧生产。最终，该团队希望制造50000个面罩，在COVID-19危机期间为50000临床医护人员提供防护，确保未来3-12周400万病患（该数据按当时病情发展情况预估）得到更好的治疗。

 

纯粹从技术角度而言，MasksOn的业务对于PTC而言并无特别难度。但在疫情的特殊时期，此项目引人关注的程度大不一样，为PTC带来的声誉也不一样。从此例所得到的启示是，要善于挖掘某些数据信息，它可能使企业发现具有战略意义的项目。

 

 

1996年高德纳提出商业智能（business intelligent，BI）概念，商界掀起了一股基于数据库的革命浪潮，真正的商业智能时代到来。BI的特征就是从数据分析入手。比如，2007年，SAP收购法国Business Objects公司，推出SAPHANA商业智能方案。该方案由数据仓库、查询报表、数据分析、数据挖掘、数据备份等组成，帮助企业提升在财务会计、资源计划、产品生产与品质，到供应链、客户关系等经营性管理上的效率。公开数据显示，《财富》世界500强中有80%以上的公司都运行在SAP管理系统上。

 

中国香港有一家叫Deep Knowledge Ventures（DKV）的风投公司，5年前聘请了一名叫作“瓦投”（VITAL）的AI董事，它是英国Aging Analytics公司研发的AI投资系统。AI董事的专长是基于大数据机器学习，能在毫秒内，分析、判断、决策那些无法被人类分析师观察到的趋势。公司高级合伙人德米特里·卡明斯基（Dmitry Kaminskiy）指出，瓦投把投资决策中复杂的尽职调查自动化了。也就是说，瓦投做了人们“直觉”做不了的“针对海量信息的逻辑分析”。这相当于靠强大的计算机直觉，确保投资决策“做正确事”。除了投资决策，AI董事还颠覆了传统投资管理流程。比如，对相关项目融资、临床试验、知识产权，以及前几轮融资等各种信息，AI董事负责分析、判断；之后，基于AI董事的数据分析，董事会全体成员（包括AI董事）投票；再就是，一旦涉及AI董事的专属领域——老年医疗，没有它发话，其他人类董事不做决策，这时的AI董事更像一个董事会主席。至今，在AI董事的帮助下，DKV已经完成多个项目的投资，包括Insilico Medicine、Pathway Pharmaceutical、Vision Genomics等初创公司。

 

需要指出的是，AI董事的智能是基于各种数据的，或者说也是数据驱动的。

 

 

 

商业运营模式这一概念所包含的范围也很广，大至企业运营的基本理念，如定制生产；小至经营中某一环节的具体模式，如租车服务中的接单模式。此处要讨论的是，不管是已有的运营模式还是新的运营模式，都离不开数据驱动。

 

 

早期快的很重视争抢用户市场而忽略了数据应用，当他们意识到数据的重要性，很快形成一个专门的团队主要负责大数据体系、商业体系、基础架构与新业务等方向。这个三四十人的团队在最初的3个月，进行了数据导入、清洗、存储、结构化等一系列最基础的处理，最终建成了快的的大数据体系。后来进一步扩建后团队的核心力量进行大数据2.0系统的研发。这套内部代号为“地平线系统”的大数据架构，克服了1.0系统中突出的数据数量与数据质量、处理速度之间的矛盾，实现了数据纯度、处理速度的跨越式升级。这个“超级大脑”支撑了快的大数据应用所需要的所有基础数据，在此之上是支持产品、商业、运营商业化的团队，每个团队配备了20个人左右。这样的架构实际上避免了基础数据和应用数据之间的“污染”问题，比如一个需求场景形成了A的画像集合，其中结合B行业又会出现一个AB子集，应用到特殊的场景C之后又会形成一个同时满足ABC的集合。如果每次都从基础数据抽取，就很容易影响基础数据的稳定性。清晰的数据架构对于“每秒（毫秒）都产生海量数据”的快的来说，重要性不言而喻。数百台机器支撑着的快的大数据系统就像是公司的“心脏”：业务规模越大，越是重要。正是在海量的数据基础之下，出行的需求被不断细分，而且是实时匹配。也就是说，运营模式在改变完善。例如一个乘客下单之后，需求方的用户图像和需求同时被识别，结合供方的车辆条件和位置地图进行第一轮筛选，不过这个看似“正常”的订单却不一定符合实际，因为有一些订单发出来是司机不愿意接的，比如高峰时段的拥挤路段，那么在这个时候就要进行订单评估和内部调节，结合历史数据制定一些刺激措施、叠加“乘客自行出的小费”来诱导司机，这样一个符合供需双方胃口的“合理”订单就生成了，下一步要做的就是实时调度，要考虑当时的交通情况、车的朝向、车速、附近是否有突发性事件等因素，选择最为优化的方案。

 

当然，这种投入不是任何一个公司都能够负担的，却是每一个公司都应该及早想清楚的。过早投入，对精力和资本消耗太大；但如果前期缺乏考虑，后面就要做很多工作才能把之前错失的那些数据漏洞补回来。这一点需要企业权衡。

 

这里以两种情况为例说明。

 

 

大数据科学和新的IT标准提高了数据的集成能力，也使得数据跨行业的交互成为可能。智慧城市是进行跨行业数据整合的最佳案例。在伦敦，电动汽车的使用给城市带来一系列新问题，大量电动车同时充电会使电网产生峰值，影响城市用电。如果把电网和交通网的数据能整合到一起，就可以根据交通网的数据预测当天城市电网的情况，对电力的调配是非常有帮助的。反之，也能给交通管理提供信息咨询，更好地管理城市交通。另一个情况是，奥运会之后伦敦交通堵塞情况比以前提高了8%，小型车数量日益攀升。研发发现，这与伦敦网上购物人数越来越多有关。人们在网上购物后，就使用小型车来运输这些商品。伦敦目前正在将网上购物数据和交通拥堵数据进行整合，分析原因，寻找创新的解决方案。

 

 

数据的交易和买卖是数据时代一个典型的业态。沃达丰(Vodafone)是世界上最大的移动通信网络公司之一，它利用其手机客户端能够准确识别谁在开车、行驶在哪里、速度怎样？汤姆汤姆(TomTom)公司是一家提供卫星导航设备和服务的企业，它从沃达丰手中买来这些蜂窝数据，实现了对交通拥堵的精确定位。实际上，蜂窝移动电话数据对很多行业都有价值，例如对客户精准地投放附近餐馆或商店的广告、车辆信息等。

 

 

数字孪生技术是普利司通转型之旅的核心。数年来，企业一直使用由传感器数据增强的数字孪生仿真模拟作为研发工具，以提升轮胎寿命和性能。普利司通的团队正在开发更复杂的数字孪生，以期最终在整个价值链上提供洞察，其目标是提升利润率、维持竞争优势、减少上市时间，并提供尖端的轮胎即服务（As-a-service）产品。欧洲车队正逐渐转向一种按公里数计费的（PPK）订购模式，以帮助车队运营商优化现金流，减少整体成本。尽管商业模式很简单，但为每公里设定合适的价格却绝非易事。轮胎的生命周期受各种因素的影响，包括负重、速度、路面情况以及驾驶行为。数字孪生可以通过模拟不同的驾驶条件，洞悉这些相互关联的条件是如何影响轮胎性能的。但是，如果没有数字孪生体的真实数据输入，想要确定一个令人满意且具有竞争力的PPK价格——并且期望这一价格能够持续为企业带来利润——即使有可能性存在，也将十分困难。普利司通进入PPK市场可谓是战略飞跃，其产品的定价就是为了赢得大多数车队的业务。企业利用初始安装基础收集性能数据，再将这些数据用于高级分析算法中。既然已经有大数据了，为什么还要数字孪生——为什么不直接进行分析呢？虽然分析很重要，但它只是增强数字孪生的能力。数字孪生能够让人们从多个维度看到轮胎性能，也可以在尚无可用数据的时候应用于产品的开发。输入的传感数据被增强、净化和处理；而后应用数字仿真和分析获得洞察，从而为维护、更新等其它因素的决策提供依据，这些依据可以为普利司通及其客户带来更多价值。

 

为了持续发展数字孪生技术，普利司通2019年收购Web Fleet Solutions，并

开发了新一代的传感器，以实时了解汽车和轮胎的使用情况，帮助车队根据具体的驾驶条件选择合适的轮胎，并就如何减少轮胎磨损及避免故障提供见解。随着数字模型越来越精确，普利司通将更多关注PPK商业模式的高级应用。如今，普利司通正使用数字技术为其车队客户带来更多价值。随着时间的推移，企业计划扩大数字孪生技术的使用范围包括从驾驶员、到车队经理、到零售商、分销商、制造商等的整个价值链。企业管理者表示，鉴于未来可能使用无人驾驶汽车，可能还会涉及安全协议。他们确定已经抓住了引领走向未来的驱动因素，这便是数字孪生技术的用武之地。

 

 

 企业宏观的制造模式需要数据驱动，前面提到过服务制造过程就需要数据驱动，也就是说，服务制造模式需要数据驱动。这里仅以定制模式为例加以说明。

“红领模式”通过对业务流程、管理流程的全面改造，建立柔性和快速响应机制，实现了个性化手工制作与现代化工业生产的完美协同。红领模式的关键是数据驱动，所谓数据驱动的智能工厂，就是从前端客户需求的采集到需求的传递、需求的满足，包括跟踪，全程是数据驱动的，实现用工业化的手段和效率进行个性化产品的批量生产。从产品定制、交易、支付、设计、制作工艺、生产流程、后处理到物流配送、售后服务全过程数据化驱动跟踪和网络化运作。

 

这种模式的基础是企业横向、纵向和“端到端”的高度集成，实现数据驱动全流程，使客户与工厂在网络内实现零距离。通过横向集成使企业之间通过价值链以及信息网络所实现的资源整合，实现各个企业间的资源协同；通过纵向集成打通了内部信息孤岛，实现企业内部所有环节管理协同；通过价值链上不同企业资源的整合，实现从产品设计、生产制造、物流配送、使用维护等产品全生命周期的价值链协同，见图。

 

 

 

从图中可以看出，驱动企业定制化生产的数据主要是两方面：一是直接从客户获取的需求数据；二是其数据库中包含的历史数据及其分类，如540个可定制的分类，11360个可设计的选项，19个量体部位，90个成衣部位，113个体型特征，1万多种可选择面料，等等。正是这些数据的匹配、融合驱动了定制服装的设计和生产。