?企業是否應該數字化轉型?發展到什么級別的企業可以進行數字化轉型?

回答這兩個問題前，我們需要明白，數據及技術工具并不能代表數字化運營程度，運用Excel不能代表數字化運營程度低，運用大數據、BI、中臺等工具也并不能代表數字化運營程度高。

數據在企業管理當中發揮的作用與價值才是衡量數字化運營程度的標準，企業通過專業的數字化MAX成熟度模型對自身的數字化水平做出判定，從而決定是否應該數字化轉型，并制定符合自身需求的數字化轉型方案。

數字化MAX成熟度模型的6個級別

數字化MAX成熟度模型的6個級別

數字化MAX成熟度模型包含第0級到第5級，共6個級別。

• 第0級: 未應用數據，完全依靠負責人主觀決策。
• 第1級: 采用Excel存儲和分析數據，數據文件零散、數據量小。
• 第2級: 依賴技術部門進行數據分析。
• 第3級: 以技術為中心，系統化地應用數據，利用數據支撐業務。
• 第4級: 以業務為中心的數據化運營，數據賦能業務。
• 第5級: 數據引領業務，賦能業務創新和變革。

從第0級公司未應用數據到第5級公司數據引領業務創新，數字化MAX成熟度模型從6個維度出發，對企業的數字化水平做出劃分，幫助企業快速了解自身的數字化短板，明確數字化轉型的必要性，找尋數字化建設的重點與切入點，合理制定數字化轉型方案，從而快速實現數字化轉型。

一、數字化運營級別測評

在了解數字化MAX成熟度模型后，企業可以對自身的數字化水平進行評定，從而明確數字化轉型的必要性，制定適合自身發展的數字化轉型方案。下面展開說明數字化MAX成熟度模型的6個級別。

1.第0級公司

第0級公司未將數據分析納入日常運營工作中，決策層缺乏數據意識，也沒有采用數據分析工具，對將數據應用于公司日常運營完全沒有概念。

2.第1級公司

第1級公司的各部門人員和管理層零散使用數據分析。某些企業的業務部門會選用最常用的Excel工具進行數據分析，但使用頻率較低，且使用人員并不多。企業可能有十多個部門，但僅一個部門會使用Excel工具進行數據分析。這種情況下的分析結果只能為該部門所用，無法實現全域數據分析，也就無法從公司高度出發，幫助高層領導制定決策。也可能是某個部門中的幾個成員會使用數據分析，所用到的數據也只是該員工日常工作中所接觸的，分析出來的結果可能比較單一、片面 。除此之外，需要進行數據分析的還可能是為領導提供分析報告的助理。助理使用的數據大多來自企業的IT系統，比如統計銷售額的數據。這些數據分析結果較為微觀，無法從企業宏觀角度為領導決策提供參考。因此，第1級公司還未形成系統化的數據使用習慣，只是將數據作為臨時性的考量意見。

第1級公司雖然已經開始運用Excel工具來滿足某些數據分析的需求，但數據應用遠遠不夠。Excel有其可取之處，也有其弊端。Excel的優點是維護成本較低，具備基礎的查詢和計算功能，可以限制用戶訪問和修改權限。但Excel的數據量一旦過大，查詢和計算的速度會明顯下降，且無法對用戶進行角色的管理，數據結構要求較簡單。因此，第1級公司所使用的Excel工具無法支撐企業級的數據體系。

3.第2級公司

第2級公司的數據運用已從個人上升到企業級別。這類公司會采用BI分析工具進行數據分析，從而輔助領導決策，但主要的使用者是技術部門。這類企業BI分析工具的應用場景有企業運營報表、管理駕駛艙等。相比第1級公司，第2級公司已經是有規模、有組織地進行企業級的數據化運營了。

最常見的運營報表基礎統計分析工具是Excel和BI(商業智能)。BI和Excel相比具有報表分析和交互功能，能更清晰地顯示數據動態，因此已成為某些具有數據思維的企業進行數據分析的首選。

使用BI分析工具需要多個部門協同合作，如下圖所示。當業務人員有數據分析需求時，IT人員首先負責數據的清洗和打通，再將整合好的數據交給數據分析部門，數據分析部門得出結果再反饋給業務部門，最終為業務人員提供決策依據，支撐公司運營。但是少則兩周、多則幾個月的分析周期無法及時響應業務人員的需求，更毋論需求較多、需求復雜的情況了。

此類BI分析工具因為技術門檻高，只有技術人員會使用和維護，不能真正覆蓋企業全方位的日常管理。

4.第3級公司

第3級公司以技術支持為中心，搭建系統化的數據運營體系。這類公司中技術團隊是數據價值產生的主體，業務部門的需求由其實現。這種技術團隊具有一定規模，通常為公司解決一些通用型數據問題，主要為公司部分核心部門提供支撐。由于這類公司的數據化運營成本高，無法實現全員數據化運營。

當企業的數據量達到一定規模時，僅僅依靠數據分析很難解決根本問題，此時數據治理顯得尤為重要。因此，搭建系統化的數據運營架構并最終將其應用于業務單元是第3級公司的運營特點。這類企業的數字化轉型是技術單元支撐的，也會產生少量的淺層應用產品。

對于等3級公司來說，治理數據是數據化運營的基礎。一般企業大多采用BI(數據分析)—ETL(數據加載)—DW(數據倉庫)模式將數據治理到數據分析的整個過程打造成工具箱，從而進行數據治理。其中，每個流程都需要做中轉工作，因此需要企業配備一支專業性強的技術隊伍。

技術部門在維護企業的各類IT產品或DT產品時會發現，許多產品之間數據聯系緊密，比如用戶在支付寶產生的個人信用數據可用于螞蟻金服上的貸款資質審批，微信賬號可用于騰訊視頻的登錄。這源于阿里巴巴和騰訊都將旗下各產品的數據做了融合。但這些產品的數據沒融合前，技術人員需要對相關App的數據逐一維護，耗費的人力成本較高，且這個數據治理過程對技術人員的專業能力也有一定的要求。

另外，企業的數據整合、數據維護、數據賦能業務需要歷經復雜的過程，如下圖所示。

首先，各類業務人員會根據自己負責的產品類型和用戶喜好，提出各種各樣的數據分析需求，比如金融行業的業務人員為保障銀行的風控能力，需要評估客戶的信用狀況。針對業務人員的需求，數據分析部門會建立模型;然后，技術部門將數據分析部門的模型語言寫成代碼，并檢驗其是否正確;最后，業務人員通過這些模型或應用實現業務價值。這種數據支撐業務的模式是單向循環的，需要歷經多個部門的多項操作。

由此可見，企業需要配備專業的技術團隊和數據分析團隊完成提出需求、建立模型并檢驗的整個過程，業務人員在這一過程中只是提出數據分析需求，實施過程需要技術人員投入大量的時間和精力。而有些數據分析需求對技術人員來說比較基礎且簡單，譬如日常統計分析，業務人員借助專業的數據分析工具將數據接入即可自動生成分析結果，不需要技術人員耗費精力和時間進行處理。技術人員常年忙于應付這些簡單的需求，無法投入更多精力研發更深層次的應用產品，也無法為企業數字化轉型賦能。這種以技術為核心的數據化運營模式讓技術人員“叫苦不迭”，而且數據使用并未進入核心業務，數據使用深度不足。

5.第4級公司

第4級公司形成了以業務為中心的數據化運營體系，即各個部門使用數據均以賦能業務為出發點。這類公司已形成數據的良性循環，實現了數據資產沉淀，達到了數據賦能業務的目標。這類公司改變了以技術團隊為中心挖掘數據價值的數據運營模式，建立了比較完整的數據中臺。一線業務人員可以自主完成80%的數據需求，這是第4級公司運用數據的特點。

數據中臺的搭建打破了第3級公司數據分析單向作業的模式，業務人員分析需求不必再像以前那樣歷經多個部門和環節，可以直接調用經數據中臺打包、封裝好的數據資料，并通過數據中臺提供的BI分析工具分析數據。甚至在業務人員自主分析數據前，數據中臺已對某些簡單的數據分析需求直接給出了答案。數據中臺打通了企業全鏈條數據，實現了數據的循環流通，它將企業已成型的數據、模型、算法、應用等“資產”進行存儲與延展開發，并設置了共享模式，確保企業的技術部門、數據部門、業務部門可隨時直接調用。因此，不僅業務人員可以數據中臺受益，技術人員的數據治理、模型研發、算法構建、應用研發等均可通過數據中臺實現。

數據中臺的搭建使業務人員可以輕松便捷地使用數據，業務人員有大量數據分析需求時，可以不再依賴技術人員和數據分析人員的力量，而是直接通過數據中臺解決。這不僅為業務人員釋放了大量數據分析需求，激發了更多應用產生的靈感，而且為技術人員和數據分析人員節省了時間，技術人員可集中精力梳理數據資產，令其對業務產生直接影響，實現數據資產業務化，從而建立基于數據的盈利增長點。

如果說第3級公司通過數據分析滿足業務需求，從而提高商機捕獲的效率，那么，第4級公司基于數據做決策，業務人員不斷調整工作重心，進一步提升了商機捕獲效率。此外，數據中臺的建設改變了以往技術部門只專注技術能力提升，不注重為業務賦能的情況。如今，技術部門以服務業務部門為工作重心，積極轉化職能，可以更快地推動業務發展。另外，業務部門也能感受到技術部門職能轉化帶來的便利，雙方協同作戰，提升能力，新的、更有深度的數字應用產品將會在雙方緊密合作中產生，從而助力企業成功轉型。

行業中的龍頭企業大多處于第3級別，專業數據中臺服務提供商可以幫助它們加速進入第4級別，使數據良性循環。

6.第5級公司

第5級公司已實現了數據的良性循環，可以沉淀出核心數據競爭力和數據資產，并能夠基于數據開創出新的商業模式。已打通內外部數據，形成完整的數據戰略、應用戰略、模型戰略、算法戰略，60%以上的員工都可以運用數據實現業務價值，基于數據創造出了新的商業模式并帶來了一定的收益:這類能夠做到“數據驅動發展”的企業便是第5級公司。這類企業內部，數據半自動化、全自動化決策能力和人為判斷決策良好地融為一體。內外部數據打通形成了數據生態，不斷推動企業進行數字化轉型。在經過幾年的數據化運營后，與同行相比，它們已經形成獨特的數據資產和數據生態，擁有自主算法資產、模型資產、應用資產，其應用深度和數量在行業內排名前列。

由于業務角色不同，研發的數字應用也不一樣，使用的場景也大不相同，企業內不同角色可以以較低的成本快速獲取相關數據。數據化運營已經深入第5級企業發展歷程中，數據安全戰略已在企業內部形成，并且展開數據應用。同時，企業因為具備了完整的數據運營思路和實踐經驗，數據人才的培訓體系和流程也比較完備。如此，“實踐培養人才，人才助力實踐”達成良性循環，為企業數字化轉型提供源源不斷的力量。

總而言之，企業可以通過數字化MAX成熟度模型測評自身的數字化運營級別，以便確定接下來的跳級策略:是按部就班一級一級發展，還是進行多級跨越。如果企業想要多級跨越，需要考慮到達目標級別需要具備的資源和能力，進而步步達成，避免跨級失敗。

回顧過去十年的企業數字化發展，行業龍頭企業大多處于第3級別，甚至有些企業很早便進入第3級別了。企業內部少則數十人、多則數百人都在解決數據問題，高成本的數據維護卻仍然無法衍生出有深度的數字應用。企業數據使用仍然停留在淺層，數據運用陷入困境，無法形成良性循環。這種情況下，企業需要根據自身的狀態，確定升級策略。?