作者：胡興民，中國自貿區數字經濟研究院副院長，曾在頂新國際、海爾、麥德龍、eBay等企業擔任高管。現為《商業評論》特邀講師
最近，我又密集參加了幾場研討會，再次聽到了關于數字化戰略價值的諸多說法。這些研討會的分享者主要有四類。
第一類是政府部門的代表。他們指出，數字化是必然趨勢，對企業的未來生存發展至關重要。不過，他們沒有告訴我們，數字化到底是什么？怎么做？能夠產生什么價值？
第二類是軟件廠商。這些人說，他們的ERP（企業資源規劃）、CRM（客戶關系管理）軟件是企業數字化的最佳選擇。可是，這些軟件已經面市一二十年，怎么突然換了個身份，從支持業務操作的軟件變成了“讓企業變得更聰明的軟件”？
第三類是服務于大型企業的IT主管。他們大都展示了一個非常復雜的架構圖，里面既有門店收銀、天貓、京東、移動App、官網商城等各種應用構成的前臺，也有ERP、WMS（倉庫管理系統）、TMS（運輸管理系統）、數據倉儲等諸多熟悉名詞匯聚的后臺，還有他們最喜歡談論的能夠整合后臺數據、賦能前臺運營的中臺。
企業職能主管。制造行業的分享者說，數字化可以提升產品生產效率和質量。零售行業的則說，數字化可以幫助獲客，做好客戶關系管理。顯然，他們都是從各自職能的視角出發的，好像安裝了相關系統，就完成了企業的數字化。
可見，上述各類分享者關于數字化或智能化的說法，就像是盲人摸象，每個人講的好像都很有道理，可是又不完全正確。那么，到底有沒有一個比較好的戰略思考框架，可以幫助企業審視自己的數字化做到了什么程度，還有沒有其他更有價值的應用機會？
01
企業數字化是分階段、分層次的
為了回答這個問題，我對國內外十余家大型企業的數字化路徑進行了研究，歸納出了一個企業數字化五階段模型。
利用這個戰略思考框架，你可以對自己企業所處的數字化階段或程度做出判斷，同時，可以清楚看到現階段還有哪些不足，以及接下來還可以朝哪些方向進一步提升，為企業創造更大的價值。
第一階段：數據連通
數據連通就是解決目前企業普遍存在的信息孤島或應用孤島的問題，也是企業數字化、智能化的基礎工作。
比如，在石化、煉鋼等連續型生產企業，生產流程中的很多過程控制系統（PCS）會實時收集各個生產單元的相關數據，如煉鋼爐內鐵水的溫度、壓力、雜質含量等。
在機械加工行業，需要了解生產線上加工設備的相關數據，如刀具、鉆具等的加工精度、耗損情況等。在零售行業，需要實時掌握終端的產品銷售等數據。
在倉儲物流行業，需要實時更新庫存進出等數據。在農業生產中，通過物聯網（IoT）隨時掌握農地和水塘的濕度、溫度、含氧量等數據。
所有這些通過各種方式采集的數據，會實時匯集到企業總部的控制室或老板的辦公室，并展示在一個非常壯觀的數據看板上。沒錯，如果你的企業完成了數據連通，最終就會展現在數據看板上。
雖然我并不反對將數據看板視為企業數字化的范疇，但是，當很多企業興奮地向我演示它們的數據看板，并且告訴我這就是它們數字化的成果時，我心里嘀咕著：這只是企業數字化最初級的工作，還完全不涉及任何智能化。
第二階段：運營監控
當數據匯集到企業總部時，企業需要立即對這些數據進行比對分析，以掌握業務運營過程是否發生異常現象。
比如，在煉鋼廠，煉鋼爐內的鐵水在溫度、壓力等指標上都是有一定標準的，數值過高或過低都會影響產品的質量。
在機械加工中，鉆孔的深度和位置需要實時與產品規格做比較，以判斷加工精度是否達標。
在零售行業，需要將單位小時的銷售數字做同比和環比分析，這樣才能判斷當天的銷售是否正常。
很多企業也會將這些異常信息展示在數據看板上。這時候，數據看板就成了展現企業初步智能化的可視化工具。你可能會問，都是將信息呈現在數據看板上，第二階段與第一階段的關鍵差異在哪里呢？
很簡單，第二階段開始具備發現異常的能力。在第一階段，數據看板只是展現當前的業務運營狀況，并沒有處理是否異常的相關問題。要判斷是否異常，可以用流程、工藝的標準作為比對基礎，比如在機械加工、農業生產中的應用場景。
但是，有些行業，比如零售行業、倉儲物流行業等，沒有流程、工藝標準，這時候，可以跟歷史數字或計劃數字進行比對。所以，第二階段比第一階段多做的是比對數據，發現差異，并提出警示。如果沒有做到這些，你的企業就仍然停留在第一階段。
第三階段：自主優化
自主優化開始涉及更多的智能化處理。在第二階段的數據比對中，一旦系統發現當前業務運營存在異常，需要立即做出兩個動作：1. 進行診斷，找出原因；2. 制定調整方案或處方行動。
系統如何能夠自我診斷并提出調整方案呢？關鍵在于知識的積累。
還是以煉鋼廠為例，鐵礦石投入煉鋼爐加熱，到了該出鐵水的時間，但對煉鋼爐傳感器所采集的數據進行比對后，發現爐內鐵水的溫度或雜質含量沒有達標，原因是這次加工冶煉的鐵礦石成分跟以往不同。這時候，系統可能會給出這樣的調整方案：延長加熱時間，或者添加某些助溶劑去除雜質。
同樣，在機械加工中，會通過傳感器測量鉆孔的位置和深度，如果傳感器回傳的數據跟標準存在誤差，系統就會提示調整鉆頭的位置，再進行加工。
生產制造中的問題判定和調整方案，因為有固定的操作標準作為依據，相對來說容易實現自主優化。而商業上的自動化則較難標準化。這時候，系統需要對業務行為的因果關系進行解構，了解數值變化中的機理，才能做出正確的判斷。
例如，對線上線下的銷售成績進行監控，一般都可以采用電商行業的常用指標——GMV（商品交易總額），進一步拆解的話，就是GMV = UV × CVR × ASP。
其中，UV表示來客數，就是有多少客戶進入線下門店，或者有多少客戶訪問線上店鋪；CVR表示轉化率，就是進入門店或訪問店鋪的客戶中，有多少人最后完成了購買行為；ASP表示平均客單價，就是有購買行為的客戶平均花了多少錢。
假設要監控上午10點到11點線上或線下的營業數據，發現同昨天相比，今天這個時段的GMV下滑了。
如果進一步分析發現，CVR和ASP沒有變化，UV降低了，那么基本可以判斷出今天該時段GMV下滑的主要原因是來客數減少了。如果要進行干預，系統可能給出的方案是，對于線下場景，讓店員到店外發傳單，提高引流到店的人數；對于線上場景，加大關鍵字搜索等互聯網廣告的投放。
如果分析發現是CVR出現下降，那么無論是線上還是線下銷售場景，可能的調整方案都是降低主要陳列產品的價格，或者更換用于引流的“鉤子”產品，以提高客戶購買的意愿，這樣CVR才能回升。
如果是ASP出現下降，可能就需要推出滿減活動或捆綁套餐，讓客戶能夠一次性購買更多產品，提高客單價。上述這些方案一旦實行，數據系統仍需要持續監控銷售狀況，以確定銷售下滑的問題得到解決。
在零售行業的客戶運營管理上，這種自主優化也極為重要。我曾管理一家大型連鎖便利店企業，我們擁有6000萬會員，需要制定一些規則來監控客戶行為，一旦發現某些客戶有流失傾向，就需要立即采取行動。
從6000萬會員數量來看，我們不可能讓市場營銷人員每天手工做分析，找出哪些人正在流失。我們采取的做法是，將每位會員最近來店的時間間隔與過去3個月平均時間間隔進行比對。
比如，某位會員過去3個月來店12次，就表示他差不多每周都會來店1次。如果他最近一次來店時間已經過去7天，他應該要來店了，卻沒有來，我們就會分析他的消費類型。
如果確定他經常會消失一兩周做出差旅行，那么這次過了一周還沒來店，也算正常。如果他不是經常出差旅行，我們可能就需要給他發送激活邀請，比如告訴他今天來店買咖啡可以獲得2元優惠，或者今天中午12點半后來店買盒飯可以七五折優惠。
至于到底建議他買咖啡還是盒飯，以及應當給予多少優惠，就取決于在過往消費記錄中，他對哪種商品的消費更為頻繁，以及他對價格的敏感度如何。
當然，無論是數據采集、異常判斷，還是提出方案、效果反饋，這些操作都是數據系統自動處理完成的。如果你們的業務流程也能夠做到這樣的智能化處理與經驗學習，就說明你們在業務環節上已經達到了自主優化的程度。
第四階段：智能企業
在前一階段，企業數字化的重點是，針對企業的生產制造、市場營銷、物流配送等環節中的一部分進行高效的數據采集和應用，目的是達到局部的最優化。
比如，在企業的生產制造環節，不同工作單元或工作站通過實時數據采集、數據分析、調整反饋，實現更好的產品質量、更高效的產出。但是，這些操作都限制在比較小的范圍，無法讓整個生產流程做到全面最優化。怎么辦？
我們需要將工廠內所有生產單元的過程控制數據集中存放到云端服務器，進行整合應用，從而實現整個工廠的最優化。
同理，我們把企業市場營銷環節的客戶標簽、客戶行為變化、精準營銷案例等數據，銷售環節的交易、訂單、庫存、發貨等數據，供應鏈環節的供應商產品、可供貨狀況、質量、價格等數據，倉儲物流環節的庫存、可用車輛、路線派遣等數據，也都存放到云端。
這時候，我們可以看到，云端的所有數據完整映射了企業實體的采購、供應、生產、物流、市場、銷售、服務等各個環節的真實狀態。通過建立數據模型，我們將這些跨部門的數據進行整合應用，就能夠使企業整體的效率達到最佳。
這種將整個價值鏈的實體操作狀態數據傳送到云端，在云端通過數據模型建立所有環節之間關系的數字化模型與數據應用，我們稱之為CPS（信息物理系統）。
有人可能會說，CPS不就是工業4.0的標準架構嗎？它也可以應用在非生產制造型企業嗎？當然可以！工業4.0的目標就是要達成企業智能化，它定義出虛實整合的架構，也定義了不同領域企業、不同層級數據傳輸的標準，我們只需要在應用時考慮所在行業的具體場景。
我曾在《商業評論》發表過一篇《上汽大通：C2B數字化修煉之路》的案例。上汽大通通過前端的蜘蛛智選App獲取客戶個性化的購車訂單，在確認客戶訂單的同時，蜘蛛智選即可告訴客戶什么時候能夠交車。
之所以能夠做到這一點，就是因為上汽大通將客戶訂單需求、生產排程、原材料供應等整個價值鏈的數據完全打通，這是一個典型的企業級別的智能化案例。
再看一個工程機械企業的案例。卡特彼勒是一家全球知名的工程設備公司，它在自己生產的工程設備上安裝了傳感器，可以將設備在使用過程中的狀態數據實時回傳，然后根據這些數據安排設備維修、零部件更換等。
基于此，卡特彼勒將自己的商業模式從銷售工程設備轉型為提供按設備使用時間付費的工程服務。
對于客戶來說，由于工程設備不是自己購買的，就不需要花精力做維修保養，更不需要擔心因為設備維修保養而影響設備可用率和工期。
對于卡特彼勒來說，同一臺設備可以提供給多個客戶使用，實際總收費增加了，而且可以主動安排設備維修，就不需要擔心客戶突然把設備送廠維修，而廠內的維修工位或技師都沒空的尷尬情況，維修效率因此可以大幅提升，維修人員成本也可以顯著降低。這就是打通數據鏈后可以實現的智慧型企業。
第五階段：生態整合
前一階段的智慧型企業看起來已經發展到了數字化的極致，下一步還能做什么呢？
想一想，當你面對客戶時，在很多情況下，是不是需要其他企業配合協作？這種分工協作就產生了一個時髦的詞——生態圈。其實，生態圈現象由來已久，嚴格來說，幾乎所有企業都存在于某個生態圈之中，只是過去缺乏信息對接，使得原本彼此緊密的關系鏈被切斷了。
我們平時在網上購物，下單后會開始關注商家什么時候發貨、什么時候能收到貨，這就形成了一個由電商平臺、銷售產品的商家、物流企業構成的生態圈。
商家通過電商平臺接收到訂單，然后將訂單信息傳送給自己的倉儲中心，倉庫揀貨后將物流企業的快遞單號掃入自己的倉庫管理系統，這時候，我們就可以查詢到訂單發貨以及后續的物流中轉實時信息。
在過去，由于缺乏信息整合，下單后一直到送貨上門的整個流程是無法可視化的，但是通過生態圈的數據打通，全程可視化就變得很容易。
02
應用五階段模型的注意點
企業數字化五階段模型是根據眾多案例實踐和調研總結而成的經驗法則，我們在應用這個模型時需要了解和關注它的三個特點。
1. 發展連續性
數據采集是所有企業數字化、智能化的基礎。有了數據采集和連通，企業價值鏈環節才可能實現局部的運營監控。能夠監控，才可能發現問題，做出調整，實現自主優化。等到所有環節都能做到自主優化，整個企業就實現了智能化。當一個生態圈內的每個企業都智能化了，整個生態圈也就智能化了。
可見，數字化是一個連續發展的歷程，各個階段不能斷開，也不能跳躍式推進，必須實實在在地一個階段一個階段向前走，才能積累出強大的數字能力。
就我所觀察的國內大型企業來看，無論是生產制造企業、物流供應鏈企業，還是零售企業，大部分都已經能夠實時采集數據。當然，在一些傳統大型制造企業，仍然有許多舊型號的生產設備無法進行實時的數據采集，所以應該持續更新這些生產設備，或者給它們加裝可以采集數據的物聯網設備。對于中小型制造企業，則有更多的生產設備有待升級。
零售行業也存在類似的狀況。大型零售企業在前端大都已經采用智慧型收銀系統（POS），而中小型零售企業相對滯后，仍無法實時采集銷售數據。
2. 覆蓋延展性
從企業數字化五階段模型可以看出，數字化的前三個階段都聚焦在價值鏈環節的局部功能上，第四階段開始關注整個價值鏈的數據整合和應用，到了第五階段甚至超越了企業的邊界，擴展到整個生態圈。
所以，企業數字化的覆蓋范圍是具有延展性的，企業在規劃自己的數字化進程時，需要從小到大逐步擴大范圍。
3. 價值遞增性
在企業數字化五階段模型中，對于作為基礎的數據采集，還無法計算其價值，因為數據還沒有加以利用。但是，從第二階段開始，通過數據比對分析，能夠對企業運營中出現的問題提出警示。
到了第三階段，能夠幫助制定方案，排除問題，比如在生產環節確保產品質量，在物流環節提高效率，在銷售環節避免客戶流失。
在第四階段，因為整合了價值鏈所有環節的信息，就能夠全面提升企業的運營效益，甚至實現商業模式創新，快速提升企業的競爭力和獲利能力（比如卡特彼勒的案例）。
到了第五階段，產生的價值更大，因為企業能夠更有效地利用外部資源加強對客戶的覆蓋，提升客戶價值。所以，在企業數字化五階段模型中，越到后面的階段，數字化價值就越大。
隨著人工智能、物聯網、云計算、移動互聯網等技術的迭代創新，技術對企業數字化賦能的能力更加顯著。
面對未來的發展與競爭，企業勢必要在數字技術應用上做更多的投入，才能更有效地連接內外部資源，給客戶提供更有價值的服務，創造自身更強大的競爭力。
本文提出的企業數字化五階段模型，在生產制造、物流、零售、醫療大健康等行業，已經有了很多成功案例。你不妨試著用這個模型思考一下，自己企業的數字化到了什么階段，未來可以怎么走。
