3.1　模型开发背景

数字技术驱动着企业、组织、经济、社会的变革，当前摩尔定律的周期虽然不再严格有效，但硬件算力仍然在持续提升，并且数字化的新发展动力已经形成，即从技术驱动变为数据驱动。大数据技术和人工智能技术的成熟让全面数字化成为可能：大数据技术让一切可采集、可快速处理；人工智能技术能够从数据中自动发现规律，创造规模化的价值，释放数字化的巨大威力。数据已经成为企业的新资产价值增长点。

1. 全面数字化的时代呼啸而来

数字科技正在驱动生产制造业迈向智能化工业4.0时代。技术发展不但带来业务形态的升级，也带来产业上下游生态的变革。另外，客户需求与行为也随之变迁，消费意识、消费场景和消费习惯都在不断重构，新消费世代在成长。传统设计、生产方式在革新，消费者会参与到产品的设计和营销当中。传统营销、销售渠道在瓦解，消费者关系日趋复杂化，消费触点变得多维和多样。

近年来，随着全球数字经济快速增长，多种力量正在驱动全面数字化时代加速到来，这其中有技术推动力量、商业竞争推动力量、政府政策推动力量等。全球主要经济体都已认识到数字经济的战略作用，努力抓住智能制造的革命性发展机遇，大力增加数字基础设施的建设投入，加强数字技术与智能技术的基础研发，推出数据战略政策。互联网等数字化领先企业的数字经济引领作用，带来产业链的数字化重分工、协作与竞争。

推动数字经济发展是技术发展的必然趋势，以下几类技术都在日新月异的革新中。

·芯片工艺的持续突破让算力提升、成本下降，计算芯片技术的量产工艺从21世纪初的90纳米到现在的7纳米，每隔两三年就会升级一次，最近IBM宣称已取得2纳米制程的实验突破。越小的纳米制程代表同样大小芯片性能的提升与能耗的下降。

·5G和IoT让一切在线化成为可能，这两年5G的大规模基础设施建设快速铺开，实现了全国性覆盖。

·开源大数据和AI技术让数据处理能力普及，使其能够基于数据规模化创造价值，提供具有更高处理效率、更低延迟、更高并发、更健壮、更丰富功能、更安全、兼容异构跨地区部署、云原生等特性的技术组件。

·云计算与云原生技术进一步降低了数字化技术的运用门槛，包括低初始投入成本、资源扩展弹性、功能扩展弹性、服务健壮性、低运维负担，基于云的解决方案在快速完善和丰富，并在各行业中获得越来越高的接受度。

·隐私计算既可以实现数据的价值挖掘与数据交易，又可以实现个人信息与商业信息保护。目前，它已经从研究领域走向工程、产品领域。

随着国家推行数据战略，大力发展数字经济，各个领域的智能应用开始爆发，数字化将改变人类生活的方方面面，企业必须抓住数字化的机遇，迎接挑战。

2. 组织数字化发展的挑战仍然巨大

面对新的数字化热潮，不少企业决策者担心新一轮的数字化建设是信息化“新瓶装旧酒”，对新的潮流存有疑虑。确实，在曾经的信息化、数据仓库与商业智能建设热潮中，很多组织并没有得到预期的回报。一些企业大规模进行数据仓库与BI的建设，结果却收效甚微，购买和建设了一堆系统，但真正用起来的不多，“吃灰”是一种常态，“食之无味，弃之可惜”。面对DT时代提出的挑战，不论是大型组织还是小微企业都有些无所适从，不确定该不该“上车”，也缺少明确的路径指引和把握决定是否开始以及如何成为真正的数字化组织。

知道未来会来，但仍然无法做好准备，新经济成功的引领者不断布道，让大家热切期望又倍感焦虑和慌乱。各数字化供应商的产品和解决方案眼花缭乱，引来大量组织和企业的参与，但效果并没有立竿见影。

一些企业选择尝试性投入，快速引进一些先进技术，寻找几个创新点进行尝试，但效果常常不可持续或天花板明显，少有能发展壮大，形成正向商业循环。

而另一些企业又像之前实现信息化转型一样开始大规模投入，进行基础设施建设，购买大量服务器与软件，以及很多数字化解决方案供应商的系统，比如数据处理平台、客户数据平台（CDP）、数据仓库、数据湖等，收集和存储大量数据，建设数据资产，并进行组织改革，设立数据部门等。他们支付了大量成本，投入了很多资源和时间，但成效常常不能达到预期。由于大数据规模较大，处理成本高昂，如果不改变原有业务，仅试图利用一些创新业务来实现突破，企业很容易陷入成本中心的旋涡。

企业在进行数字化转型时，常常因不知如何开展而踌躇不前，或者想大跃进式发展，或者眉毛胡子一把抓，或者因投入偏颇而存在短板，不能协调发展进而建立良性循环等。这些问题主要体现在如下几个方面。

·数据应用的切入点不易寻找，核心业务怎样实现数字化升级，数字资产是否可以直接变现形成收入。

·缺少数据或者数据价值不高。

·数据开发及利用过程中存在数据不可存、数据不可见、数据不可流、数据不可用、数据不合规等很多内部阻碍。

·个人信息保护与数据安全立法逐渐加强，合规要求快速变化，监管环境存在不确定性。

·数据权益与数据流通机制方面缺乏明确的立法与政策，在行业竞争方面，平台经济通过“围墙花园”形成了数据垄断，企业在建立自己的数据资产和发挥资产的价值时需要突破这两方面的外部环境限制。

·缺少数据人才。

以上问题可以归结为两类，一是与数据应用创新相关的问题，二是与组织数据能力相关的问题。要解决上述问题，企业需要了解数字化过程中数据应用的发展规律与组织数据能力的建设规律，结合实际情况制定数字化的业务目标和发展路径。这个发展路径包括数据应用发展路径和数据能力提升路径，二者需要结合规划、协调推进。

3. 综合运用成熟度模型揭示数字化发展规律

要实现数字化发展，企业既需要在数据业务应用创新上正确投入，也需要在数据能力建设方面有效投入。曾有数据领域专家将研发“算法”和培养“数据”比作“剑宗”和“气宗”，在发展初期，“算法”（可以理解为数据应用开发）发展较快但发展空间存在局限，“数据”发展较慢但后续发展动力更坚实。无论是快速进行数据应用创新还是建设扎实数据能力，企业均不可偏废，若单重一边，必然会畸形发展，或上限受限，或短期看不到效果，使得组织和团队情绪和信心受挫。

多数成功的“数字原生”先行者已经找到了数字业务应用创新的爆发点，通过应用的发展带动数据能力的提升，而非“数字原生”的组织常常缺乏这样的“天时地利”，很容易陷入茫然的大量建设或盲目的创新尝试中，难以取得良好的效果，因此开展数字化升级与转型的组织需要体系化协调发展的路径作为参考。

事物的发展都遵循一定的规律：渐进发展、逐步成熟。运用成熟度模型总结行业发展规律的应用非常广泛，成熟度模型也非常适合用来描述数字化的发展规律。成熟度模型可分为三种类型：发展成熟度模型、能力成熟度模型、混合成熟度模型。

（1）利用发展成熟度模型总结数据应用的发展规律

发展成熟度模型的不同级别之间的区别体现在核心实践方面，代表进步和成就，因此发展模型可以基于事物最新的进展来扩展模型。

数字化转型是一个逐步发展的过程，每个发展阶段的数据应用有着本质的区别，早期数据仅用于提供宏观的业务经营决策支持，进一步发展到支持组织各个层级的微观科学决策，真正实现数据驱动，最后发展到直接基于大数据创造新业务、智能化业务，实现组织的数字化转型。注意，数据应用需要找准适合的应用场景才能实现可观的效益。

利用发展成熟度模型可以很方便地描述数据应用的发展规律。组织在将数字化新技术应用到业务创新时，通过成熟度模型能够进行符合数据应用发展规律的数字化目标制定与路径规划，分析和规划组织在引进新数字技术或推动基于数据创新的方向和步骤，并运用模型评估组织在提升数据应用成熟水平方面的发展情况。在数字化过程中，我们需要持续跟踪数字科技创新和应用的发展，适时扩展模型，调整发展目标和发展路线，以更好地实现数字化转型。

（2）利用能力成熟度模型指导组织数据能力提升

能力成熟度模型的不同级别之间的区别体现在制度化特征方面，代表过程制度化的程度（特定实践被制度化的程度）、文化的成熟度，以体现能力的变化。与发展成熟度模型相比，能力成熟度模型的核心实践活动与之相同，只是体现某领域实践过程的稳定性和绩效水平的组织能力不同。

在新的数字化技术驱动的业务创新过程中，企业需要建立数据从收到用的高效循环，如果组织的数据能力未跟上，则创新将会面临质量、稳定性和持续性问题，无法有效清除利用内部数据时的障碍，无法应对外部环境的不确定性，难以实现规模化的商业价值。因此不能把数字化仅当作技术项目来实施，而是要把它当作一个持续性的管理能力提升任务，需要综合考虑数据工程能力和数据治理能力的提升。组织运用能力成熟度模型可以实现：测量和判断组织在数据工程和数据治理方面的能力水平；规划这两项能力的提升路径；“测量”提升工作的有效性，持续监控进度。

基于能力成熟度模型，组织可以设定切实可行的能力建设目标，避免好高骛远，在数据工程能力和数据治理能力上扎实发展、稳步提升，重视数据人才队伍的培养，特别是熟悉自身业务的复合型数据人才的培养，避免低估团队能力的培养周期，避免“撒胡椒面”式项目投入，避免低估总的拥有成本，按照能力建设的发展规律逐步提升。

（3）发展数字化需要“两条腿协调走路”

发展数字化，组织需要在数据应用创新和数据能力两方面协调发展，因此需要把数据应用发展规划与数据能力提升规划结合起来，即混合成熟度模型。综合考量数据应用水平与数据能力水平的混合成熟度模型，更能体现一个组织的数字化水平（更多体现在数字化创新水平）和数据竞争力（即组织在竞争压力下的持续数据创新能力与效率）。