在數(shù)字化轉(zhuǎn)型工作中，十分強調(diào)通過數(shù)據(jù)科學(xué)技術(shù)來發(fā)揮數(shù)據(jù)的價值，例如通過數(shù)據(jù)分析方法，從數(shù)據(jù)中提取出有價值的業(yè)務(wù)信息，以此來提供有效的業(yè)務(wù)應(yīng)用或業(yè)務(wù)決策。在數(shù)字經(jīng)濟大趨勢下，數(shù)據(jù)分析這件事，突然之間地位得到了前所未有的提升。

當(dāng)前，為了迎合數(shù)字化的迫切需求，數(shù)據(jù)分析似乎成為一種非常有潛力的技術(shù)能力。如果一個業(yè)務(wù)人員懂得如何做好數(shù)據(jù)分析，或者說，掌握更豐富的數(shù)據(jù)分析方法和經(jīng)驗，那么他似乎也更具職場優(yōu)勢。

然而，事實確實是這樣嗎?

在開始從事數(shù)字化轉(zhuǎn)型，或者，牽頭數(shù)字化項目時，經(jīng)常會覺得數(shù)據(jù)分析技術(shù)能力很重要，然而，隨著實踐經(jīng)驗不斷積累，接觸的項目多了，逐漸發(fā)現(xiàn)，數(shù)據(jù)分析這件事變得有點“雞肋”。

尤其是在技術(shù)層面，總覺得被一些外在的因素“卡脖子”，由于這些因素的存在，縱然有很多“絕世武功”可以拿出來過招，但似乎很少有機會真正發(fā)揮出這些技術(shù)方面的優(yōu)勢。

因此，最終得到結(jié)論——在數(shù)字化轉(zhuǎn)型工作中，數(shù)據(jù)分析或許并沒有想象的那么高級。

一般來說，數(shù)據(jù)分析有兩種典型的應(yīng)用場景。一是了解現(xiàn)狀，二是發(fā)現(xiàn)未知。

而各種復(fù)雜的數(shù)據(jù)分析技術(shù)，以及相應(yīng)的數(shù)據(jù)建模方法，基本上都是為了解決第二類需求，即發(fā)現(xiàn)未知，無論是未知的業(yè)務(wù)知識、規(guī)律，還是未知的猜測場景，或未來趨勢。

比較尷尬的事實是，在企業(yè)數(shù)字化實踐中，我們經(jīng)常發(fā)現(xiàn)，大多數(shù)的數(shù)據(jù)是用來解決第一類需求，即了解現(xiàn)狀。

在數(shù)字化應(yīng)用中，往往不需要過多“花哨”的技術(shù)手段，如果你問業(yè)務(wù)人員需要什么，或者問領(lǐng)導(dǎo)想從數(shù)據(jù)中看到什么，大多數(shù)的回答基本上都是——某某數(shù)據(jù)統(tǒng)計結(jié)果能夠及時、準(zhǔn)確地反饋就好了。最多再來個可視化。

不需要建模么?不需要預(yù)測未知么?僅此而已?

當(dāng)然需要，但是這些更高級的需求，其實業(yè)務(wù)部門對“數(shù)字化”的期待并不高。

除了在工業(yè)自動化相關(guān)領(lǐng)域，如智能制造或智慧城市中的全機器驅(qū)動場景，大多數(shù)企業(yè)在從數(shù)據(jù)資源中推斷、判斷業(yè)務(wù)情況，以及進行決策活動，還仍然遵循著傳統(tǒng)的人工方式。

在數(shù)字化建設(shè)中，除了“取數(shù)”、“統(tǒng)計”，對于業(yè)務(wù)人員來說，其他需求似乎都不那么迫切。

在進行業(yè)務(wù)判斷和決策時，采用機器建模的方式，被認(rèn)為不那么可靠。

當(dāng)然，導(dǎo)致這種結(jié)果的原因一方面可能是數(shù)據(jù)科學(xué)家并不那么了解業(yè)務(wù)，總是構(gòu)建出華而不實的數(shù)據(jù)模型;另一方面可能對于一些綜合的、“非線性”的業(yè)務(wù)問題，需要考慮的因素和關(guān)系也確實太復(fù)雜，即便是業(yè)務(wù)人員自己，對問題的結(jié)構(gòu)化難度以及建模難度很大。

最終，業(yè)務(wù)人員選擇出靠譜、順手的一種數(shù)字化應(yīng)用模式就是：機器來取數(shù)，整合信息，人(靠經(jīng)驗)來進行分析。這時，數(shù)字化應(yīng)用從外表看是在做數(shù)據(jù)分析，而這種分析只是非常淺層的分析，或者說，最多只能算是數(shù)據(jù)查詢、數(shù)據(jù)統(tǒng)計。

最終，數(shù)字化應(yīng)用需求，大多數(shù)都退化為，以“取數(shù)”為中心的數(shù)字化能力建設(shè)。這類需求，在算法上沒什么難度，技術(shù)創(chuàng)新空間不大，而為了保證“取數(shù)”的質(zhì)量，技術(shù)人員又要花費大量的精力對平臺進行性能上的優(yōu)化，這屬于“純粹”工程上的事情，再不然，就是投入更多的人力來進行數(shù)據(jù)治理，保證“取”到的數(shù)據(jù)結(jié)果可靠。

數(shù)據(jù)分析，沒有什么算法，也沒有什么模型。即使有，也只是一些在業(yè)務(wù)上預(yù)定義的函數(shù)、規(guī)則、指標(biāo)。

單純數(shù)據(jù)驅(qū)動的方式得到有價值的結(jié)論，這看似是經(jīng)典的案例場景，但其實卻是數(shù)字化的未來理想狀態(tài)，目前在大多數(shù)行業(yè)的數(shù)字產(chǎn)業(yè)實踐中，并不太普及，也不太適用。

未來，數(shù)字化應(yīng)用需要逐漸從以人工分析為主，過渡到以數(shù)據(jù)分析為主的形態(tài)，不斷加大自動化、智能化要素比例。很多數(shù)據(jù)分析技術(shù)，在數(shù)據(jù)科學(xué)理論上都具有很優(yōu)質(zhì)的應(yīng)用性能基礎(chǔ)，因此要創(chuàng)造更有利的條件來促進產(chǎn)業(yè)中的深度數(shù)據(jù)分析活動實踐，具體包括：

1. 推動業(yè)務(wù)知識的數(shù)字化編碼，加大數(shù)據(jù)庫、知識庫、案例庫的數(shù)字化建設(shè);
2. 以有經(jīng)驗的業(yè)務(wù)人員牽頭，進行產(chǎn)業(yè)數(shù)據(jù)模型的研究和開發(fā);
3. 加強數(shù)據(jù)治理工作，逐步提高數(shù)據(jù)資源的可用性;
4. 研究具有可解釋性的、更加“魯棒”的數(shù)據(jù)模型，提高數(shù)據(jù)模型的適應(yīng)性、可調(diào)節(jié)性;
5. 推動數(shù)據(jù)部門和業(yè)務(wù)部門的工作協(xié)同，推動跨領(lǐng)域之間的數(shù)據(jù)共享和數(shù)據(jù)融合;
6. 推動數(shù)據(jù)平臺建設(shè)，低代碼平臺建設(shè)，降低業(yè)務(wù)人員主動參與數(shù)據(jù)建模與分析的技術(shù)門檻。