数智化转型成功模式：传统行业企业必经之路与潜在陷阱

很多企业都在学华为的数字化转型，但真正实现成功转型的寥寥无几。我们不仅要问：华为数字化转型的成功经验是否具备普适性？当前数字化转型有所建树的企业，大多是类似阿里、腾讯这样的互联网企业，也称之为“数字原生企业”。这些企业诞生于互联网，其业务在数字世界中天生成长，因此“转型”一词用在这类企业身上并不吻合，但对传统行业企业（即“非数字原生企业”）却基本适用。此外，鉴于人工智能对数字化转型的独特作用，我们将数字化称为“数智化”。

作为一个“非数字原生企业”，华为在数智化转型方面，包括数据治理方面取得的成绩的确可供中国绝大多数传统行业企业借鉴。然而，向华为学习不能机械式照搬，更不能断章取义。华为在数智化转型过程中走过不少弯路，目前也存在诸多不足之处。为此，我们需要精准研究华为数智化转型的成就经验与弯路教训，尤其是去伪存真，澄清外界误传，以免对其他企业的数智化转型造成误导。本文旨在归纳华为数智化转型的经验与教训，在其基础上提炼可供传统行业企业借鉴的数智化转型模式。

华为数智化转型的三大阶段

首先回顾一下华为数智化转型的历史。华为数智化转型大体经历了三个阶段，可以分别称之为工具阶段、信息化阶段和数智化阶段。我们以华为LTC（从线索到现金流程）领域数智化转型为例，详见图1。从工具阶段到信息化阶段可被视为颠覆式转型，因为原有工具在以ERP与 Siebel为代表的系统上线之时基本被全面替换。然而，从信息化阶段到数智化阶段却更多是对原有IT系统的服务化改造，并叠加数据相关的组件。

工具阶段

华为LTC领域在2011年以前大体属于工具阶段。这个时期的特点是针对不同业务环节开发了众多孤立的IT小工具和“电子流”。这些小工具采用的IT技术没有统一的标准，工具之间的集成异常困难。为了改变这一情况，2009年华为引进了Siebel软件包，2011年建设完成isales系统。i代表integrated，也就是说当时IT的建设目标就是要建设一个高度集成的统一系统，替代原有众多孤立IT小工具。isales 1.0的交付代表着华为LTC进入信息化阶段。

信息化阶段

然而，isales从上线第一天起就一直被诟病体验不好。大系统解决了工具阶段的单打独斗问题，但也带来了新的问题。过于刚性的统一架构对于多业务场景的适配性很差。如果业务稍作变动，就要修改整体系统，不仅成本太高，而且也无法快速适应客户需求。

以合同/ PO（采购订单）处理为例。华为每年在A国的合同数量不多，但PO数量可以超过10万。为解决这些PO以及相关的开票回款等高业务量，华为在A国开发了一套自动化的PO、开票处理系统。类似业务场景在B国也存在，但仅仅因为B国PO颗粒度与A国不同，业务的前后顺序略有调整，基于信息化阶段开发的整套IT系统就需要重新开发调测。

数智化阶段

2016年之后随着服务化架构的广泛应用以及数据观念的不断更新，华为也适时提出了数智化转型。其主要工作就包括对原有信息化阶段IT系统的服务化改造、数据底座建设以及基于数据的各种应用开发。

信息化阶段用IT统一系统解决了集成问题，但却丧失了小工具灵活快速满足客户需求的优势，这个两难情况一直到微服务的技术架构出现，才找到了相对两全的解决方案。华为对需要高度灵活场景适配的业务部分进行模块化、组件化、服务化改造，相当于把它们重新做成了“小工具”，但是这些“小工具”——各种服务化的模块，遵从统一的服务化技术架构，实现了轻松的互连与集成。

华为数智化转型阶段的另一个重要工作就是数据底座以及基于数据底座的应用开发。随着大家对数据价值的认同，各种集成运营中心、各种大屏、各种智能分析、智能决策相关的应用系统被开发，这些应用往往需要大量数据，但这些数据原本分散在各个相对独立的业务子系统内部，不仅难找而且集成关系复杂。为此，华为开始构建统一的数据底座，包括数据湖与数据联接，以此为基础开发各种智能化应用。2016年以后，华为正式进入数智化阶段。

传统行业企业数智化转型的成功模式

我们认为可以学习华为，但不能照搬华为。我们希望在归纳提炼华为经验的基础上提出一个适合传统行业企业数智化转型的成功模式，其中包含总体蓝图与具体路径。数智化总体蓝图由两类应用服务与一套数据底座共同构成（图2）。

操作类应用服务：如在线报价、客户合同录入等。这类应用最早大多是出于固化作业流程或提升工作效率而建。其自身其实并不需要太多数据支撑，恰恰相反，这类服务客观上为支撑数智化转型提供了数据基础，华为在后期基于数智化转型对数据的需要，增加了很多数据采集工具的建设，也可以归属在这一部分。

决策支撑类应用服务：对于业务产生的数据的充分应用，是一个数据业务化的过程。其中包括构筑数字孪生，实现业务实时可视，从事后到事中再到事前的经营管理等。各种支撑预测和辅助决策等AI工具也包含在内。

数据底座：业务产生的数据在数据湖进行汇聚，并通过联接进行预处理，实现数据资产化以支撑上面讲到的各种业务可视和决策支撑类应用。

我们可以依据图2作为数智化的总体蓝图，指导如何选择数智化转型具体路径，为传统行业企业提供一个可供借鉴的数智化转型模式。总体蓝图包括三个构成部分，从时间维度视角逐步解构三大部分构建的顺序路径，即从A圈到底座，再到B圈，最后形成互动融合的统一系统。

目前流行的数字化转型模式在A圈构建方面存在严重缺陷，要么停留在信息化阶段，要么完全没有这部分内容。所以，在总体蓝图中A圈构建模式需要尽快纠错。我们认为，A圈构建是数智化转型的重中之重；一旦A圈成功，其他部分的构建必然事半功倍；如果A圈先天不足，则将导致事倍功半。为此，本文重点聚焦A圈构建方面。

A圈启动：操作类应用服务

操作类应用服务是所有数智化转型的起点，这部分也是数字原生企业和非数字原生企业最大的不同，即是否“在线”。

华为无论在工具阶段还是信息化阶段都是为了解决图2中A圈部分。这是因为数智化转型第一步就是要有数据。我们一直追求像数字原生企业一样，把传统行业本身在“离线”完成的工作搬到“在线”，从而形成“操作即记录”与“操作即数据”。

操作类应用服务的成功除服务化的技术架构外，还有三个关键因素：

首先是线下业务流程的优化。

从“数字孪生”视角来看，一个线下非常混乱的业务，搬到线上只能让业务更加糟糕。因此，这个阶段最为核心的学习内容之一就是线下业务流程的优化与运营，为向线上转型提供必要的基础。

其次，操作类应用服务另一个关键是需要既懂业务流程又懂数智技术（包括IT技术与数据技术）的两栖型专家。一家公司业务部门的数智化能力决定了其数智化转型的天花板。传统行业企业需要的操作类应用服务都是业务驱动的，这与其他操作系统或AI技术显著不同。真正构成操作类应用软件好用与否的分水岭是其中内含的业务设计。业务人员需要把物理世界中你中有我、我中有你的业务，以及业务基础之上再叠加的多重管控、信息安全等要素，全部解耦成为一个个相对独立又互相依赖的模块。这需要对业务进行高度抽象，提炼成为各种相互作用的应用服务以及数据服务。这个抽象过程对业务人员个人能力的依赖很大。

最后，目前流行的数字化转型模式还存在一个重大缺陷，即将数据治理归到数据底座范围，而没有将其纳入A圈范围。这是一个非常严重的谬误。事实证明，此类数据治理模式往往导致失败，因为这在本质上是一种事后的数据处理模式，最多只能解决一些IT系统自身建设不完善所导致的数据问题。我们在一家中国知名的传统行业企业做过详细调研，发现IT系统带来的数据质量问题大约仅占20%，而业务本身的问题却占44%，其他30%多的问题是数据口径、统计维度等其他原因。换言之，流行的数据治理模式只能解决20%的数据问题，而对其他80%的问题则无能为力。华为LTC其实从2011年isales上线伊始就一直在解决数据质量问题，包括及时性、准确性、完整性、可用性，但直到2015年才实现“清洁”数据，为后期数智化转型奠定了重要基础（图3）。

提供“清洁”数据，不仅仅是数据分析的需要，更是打通业务流程的要求。整个数据治理的过程其实是伴随着业务流程的打通优化，操作类应用服务不断贴近业务实践，以及不断提升业务体验的过程中完成的。数据治理必须伴随业务治理，没有好的业务治理就没有好的数据治理。这对现在很多正在致力于数据治理的传统行业企业来说具有异常重要的警醒意义。这也可以解释为何众多传统行业企业在数据治理方面收效甚微。

数据治理除了上述清洁数据治理之外，还有另外两项重要工作，即主数据治理和基础数据（也称为参考数据）治理。主数据和基础数据的治理与前面提到的另外30%多的数据口径、统计维度等数据问题紧密相连，也是确保交易数据（事务数据）准确有效的关键。同理，这两部分工作等到A圈建完之后才启动业已错过最佳时机，因此需要纳入A圈构建。

首先，统计维度问题大多与主数据相关。不少企业基本都没有统一的主数据系统，或者即使有主数据管理系统，但并没有提供统计维度服务，因此导致无法有效支撑管理者对业务数据按组织、客户、产品等关键统计维度进行汇总或深入分析。

其次，基础数据可以解决很多统计口径问题。基础数据除了支持分析应用，还有一个特别重要的作用就是把很多业务管理动作真正做到了落地。比如说我们把企业允许的商业模式（一次性付款、利润分成等）做成基础数据固化在数字化系统里，就可以比较好地控制签署未经企业许可的商业模式。

最后，还有一类数据质量问题是企业在A圈构建中特别容易忽视的，就是操作类应用服务产生的数据怎么让别人容易看懂，怎么方便业务分析。在很长的一段时间里，华为都在苦恼找不到数据。早期的数据定义和构建都是为了完成自己的操作类应用而定义和构建的，别说周边业务部门的人看不懂，就是本领域的业务人员想搞明白数据湖里自己领域的数据都非常困难。所以这也是后来为什么华为特别强调业务人员转身去做数据，去定义业务元数据，并总结归纳周边领域对本领域的数据分析需求，把这些需求也考虑到数据的定义中去，让数据不仅本领域的业务人员看得懂，也要方便周边领域看得懂、找得到。我们把业务活动直接产生的数据叫作OLTP（On-Line Transaction Processing）数据。这部分对数据定义的工作其实是OLTP数据资产化的重要组成部分。这部分工作也必须在A圈构建的同时完成，而不能等到数据底座阶段来完成。

数据底座：数据湖、数据联接、资产管理

从A圈到B圈的发展需要一个数据底座，数据在这里汇聚并集中提供给应用服务，包括A圈与B圈。数据底座主要包含三个构成部分，即数据湖、数据联接、数据资产管理。