笔者曾在《深入聊一聊企业数字化转型这个事儿》

一文中给出了数字化转型的定义，即：通过应用数字化技术来重塑企业的信息化环境和业务过程。本质上来讲，企业数字化转型，不仅是技术方面的升级，更是企业文化、思维方式的转变。

那么，企业数字化转型究竟需要什么样的思维方式？

01 企业数字化转型，需要什么样的思维方式？

不知道你有没有过这样的感觉：不知道从什么时候开始，和人沟通过程，以及要说服别人的时候，光靠一嘴的“伶牙俐齿”似乎行不通了，别人总会要求你“用数据说话”；当你给领导汇报工作的时候，领导也会要求你“用数据说话”。事实上，用数据说话就是一种思维方式的转变。

数字化时代，数据连接一切，数据驱动一切、数据重塑一切，数据是企业数字化转型的核心要素。数据在企业决策过程中，将发挥出越来越重要的作用，尤其是在商业活动中，数据不仅能够辅助企业快速做出决策，实现降本增效，甚至可以重构企业的商业模式。

数据连接一切

数字化时代，人们所处的环境是一个由现实世界和网络世界组成的虚实交织的世界。人们把现实世界的事物、事实和联系，用数据记录下来，形成了一个抽象的网络世界。在现实世界中的人、事、物，都有着众多的特征和千丝万缕的联系，这一切都是通过数据来描述和连接，数据实现了人与人、人与物、物与物之间和互联，形成了对现实世界的抽象。

数据驱动一切

数字化时代，在各种数字化技术的影响下，数据的特性和价值发生了很大的变化，从原来数据只是作为业务流程的输入和输出，转变为驱动企业经营和管理的重要要素。企业通过将各业务领域的数据进行收集、融合、加工、分析、挖掘，从而能够发现业务中问题，帮助企业做出科学合理的决策。数据是客观的、清晰的，能够帮助企业化繁为简，通过繁芜的流程看到商业的本质，更好的优化决策。例如：利用各类运营数据，驱动的精细化管理；利用客户数据、商品数据、销售数据等实现精准化营销；利用订单数据、商品数据、客户数据，制定合理的生产计划等等。

数据重塑一切

数字化时代，数据的价值不仅在于它可以记录历史，还能预测未来。数据对各行各业正在产生着天翻地覆的影响。例如：在金融行业，企业通过多维度的数据采集与获取、数据的深度加工和应用，实现实时征信、风险审计、内部管理、精准推荐、客户预测、客户流失分析等诸多应用场景。再如：在制造行业，企业通过对内部应用系统、外部电商平台、物联网IoT、以及相关产业链之间的数据打通和融合，探索和实践智能工厂、个性化定制、制造服务化、产业链全面协同等方面的应用，实现企业业务创新。

综上，企业数字化转型需要建立“数据思维”，从数据中发现问题、洞察规律，挖掘价值，帮助企业优化资源配置，扩大经营范围，重塑商业模式。

02 企业数字化转型需要数据思维，那么，什么是数据思维？

古希腊哲学家说：“思维是灵魂的自我谈话”。思维是一个比较玄乎，难以用一两句话说的的清楚的东西，其本质是人脑的活动，以探索和发现事物的本质联系和规律性。

先看一个故事，说某天公司领导要求一项目经理汇报项目的完成情况，对话如下：

项目经理：报告领导，项目已经差不多完成了！

公司领导：差不多是差多少？请用数据说明下情况，能量化的尽量量化。

项目经理：项目已经完成接近99%了！

公司领导：晕~~~

故事中的项目经理是数据思维吗？

显然不是。尽管他的汇报中也用了“数字”，但并不是因为有数字，就是数据思维。就像我们问1+1等于几？三岁小孩也能迅速回答出来。但这并不是数据思维，而是人脑根据人体的感官作出的一种自然反应，是人类进化中对数据的一种天生携带感。

我们判断和分析事物的变化形成结论，一般有两种方法，一种是通过对事物所涉及的一系列数据进行收集、汇总、对比、分析而形成结论。另一种是通过感官、经验、主观和感性判断而形成结论。前者可以称为“数据思维”，后者可以称为“经验思维或传统思维”。

数据思维是用数据来探索、思考事物的一种思维模式，用数据来发现问题、洞察规律、探索真理。企业的数字化转型过程需要的数据思维，就是用数据思考，用数据说话、用数据管理、用数据决策。

用数据思考，就是实事求是、坚持以数据为基础理性思考，避免情绪化、主观化，避免负面思维、以偏概全、单一视角。

用数据管理，就是对客观、真实的数据进行科学分析，并将分析结果运用到生产、营运、销售等各环节的业务管理过程中。

用数据说话，就是要杜绝“大概、也许、可能、差不多……”，而是要以真实的数据为依据，基于合理、有逻辑的“推论”，去说服别人，去汇报工作。

用数据决策，就是要以事实为基础、以数据为依据，通过数据的关联分析、预测分析、事实推理获得结论，避免通过直觉做决定和情绪化决策。

数据思维具有可简化、可量化、可创新、追求真理等特点。

1、数据思维是一种简化思维

我们当下生活在一个信息浩大庞杂的时代，我们的身边充斥着各种正面的、负面的、片面的、全面的、真实的、虚假的，各种各样、真真假假的信息，一不小心就会被纷繁复杂的因素所干扰。在纷繁的信息中我们思考问题要善于简化，抓住重点，聚焦核心问题，以终为始、抽丝剥茧、多维度收集信息、多角度思考问题，找到高效的解决方案。

2、数据思维是一种量化思维

数据化的核心是量化，所有的业务都可以用数据来量化描述。在我们的工作中，用数据来量化业务是十分常见的，不论是企业高层领导作出的年度经营报告，还是企业日常的生产计划、采购计划、销售完成情况等都需要用数据来量化描述。确少数据描述的工作报告，无论词藻再华丽，语言再优美，结构再严谨，其内容都是苍白无力的。数据量化一切，当文字变成数据、当沟通变成数据、当考核变成数据，皆可被量化的一切事物，正在将数据化变成社会发展的主旋律。

3、数据思维是一种创新思维

数据是一种“可再生资源”，我们能直观看到、感受到的价值只是数据价值的“冰山一角”。数据具有可重复使用，组合使用，跨平台使用的特点，企业可以通过多维度的数据采集、融合、重组、扩展和再利用，突破部门边界、业务边界、系统边界、技术边界的束缚，创新新模式，开拓新领域，确立新决策，不断发掘数据背后所隐藏的“价值”。

4、数据思维是一种追求真理的思维

虽然我们说“数据不仅能够记录历史，还能预测未来！”。但是，我更要给你强调的是“数据不是万能的”。要知道，世间万物的关系是非常复杂的，我们虽然可以用数据来对其简化，但简化必然会导致误差；我们也可以用数据来对其进行量化，但却无法穷尽。更要知道，数据都是历史的，而万物是动态变化的，现有的知识都是也有真伪的。因此，我们需要深入探究数据的真实性、客观性，不断探寻隐藏在数据背后的真相，追求真理永无止境。

03 警惕，数据思维中的认知陷阱！

数据思维具有可简化、可量化、可创新、追求真理等特点。数字化时代，每个人都应该建立起用数据思考，用数据说话、用数据管理、用数据决策的思维模式，培养用数据来发现问题、解决问题能力。

数据很重要，然而，企业在数据驱动的数字化转型的过程中， 也要避免掉入数据思维中的认知陷阱。

1、数据收集，越大越好？

数字化时代，随着企业对数据的重要性的认识越来越高，以及数据收集的技术、方法越来越完善，即便是小公司也可能轻易拥有海量的“大数据”。企业在数据的收集和分析和过程中，应避免掉入“大而不全”的陷阱。

大，主要是指数据的量大，规模大，体量大；

全，指的是数据要全面、完整，考虑的数据维度要足够多。

给大家讲一个战国“孙庞斗智”的故事：

在马陵之战中，庞涓善于数据分析，一场战役过后，它能够通过分析战败敌军丢弃的“灶”分析出敌军的人数和战力情况。而孙膑反其道而用之，通过编造“使齐军入魏地为十万灶，明日为五万灶，又明日为三万灶”的数据，成功实施了诱敌深入，杀死了庞涓。庞涓之死，不仅在于其过于轻敌，但更重要的数据收集的不全面。孙膑撤退的过程中，表面在不断减少吃饭的灶坑，却在暗地里偷偷增兵，如果庞涓能够在观察仔细一些，数据在收集全面一些，不难发现孙膑的“阴谋诡计”。

企业的数据分析也一样，不一定是收集的数据量越大越好，而更应该注重数据的完整性，重视数据治理，以实现全维度、全过程、全场景的数据分析，支持企业的数字化转型。

2、有数据就一定有真相？

数据作为当前时代重要的生产要素其重要性是不言而喻的，但是有数据不一定有真相。

早在2008年的时候，iPhone手机刚刚诞生不到一年，并没有体现出如今这样的优势，手机界的霸主依然是诺基亚和摩托罗拉。那时候，移动端智能终端设备还存在诸多不成熟的地方，很多人认为智能手机就只是一种时尚，这股时尚风潮也会很快过去，手机还得是要质量可靠，皮实耐用的。

而Nokia也不是完全没有重视智能手机，他曾经做了一个高达100万人参与的调研样板，而在那个智能手机尚未普及，概念都不够清晰的年代，绝大多数的用户压根不清楚调研所指的手机和他们自己所用的手机有何区别，大多数用户面对这样广泛而粗略的调研，回答非常简单：没有兴趣。

毕竟：“谁会想携带一部笨重而续航差的智能手机呢？更何况它还那么脆弱”。

但是谁又会想到，在不久之后，人们为了购买一台智能手机，宁可去借钱，甚至去“卖肾”！

因此，有数据也不一定有真相。数据很重要，但也不要过于迷信数据。数据分析样本的片面性、时效性、数据本身的质量缺陷都会导致数据结果失真。即使数据分析结果是真实的，也需要我们在实践中不断去验证。

3、数据让管理变得简单？

随着数据收集和存储变得越来越简单和低价，即使是小公司也能拥有“大数据”。从而基于数据的整合、加工、处理、分析和挖掘，帮助企业发现业务中问题，帮助企业做出科学合理的决策，“数据驱动管理”的时代已经到来。

但是世间万物都存在不确定性，企业管理也一样。管理决策、数据分析都存在一定的不确定性，即便拥有了百分百客观的数据分析，也无法保证决策结果的百分百正确。

企业管理中的不确定性，来自于影响企业管理决策的各种因素的变化速度和复杂性。这些因素包括企业内部管理因素，例如：组织机构、人员、产品、业务流程、信息系统等，以及外部环境因素，例如：竞争环境、政治环境、法律环境、经济环境等。复杂性带来信息的膨胀和因素之间的因果关系模糊，快速变化使得决策难以跟上变化的速度。

数据分析中的不确定性，来自于数据收集，数据处理，数据分析等过程的不确定性，数据收集是否完整和齐全，数据处理是否合理和准确，数据分析是否及时和有效，结果的解读是否标准一致等等，几乎每一个环节都存在不确定性

不确定性让管理变得扑朔迷离，各种表象掩盖了事实。如果企业管理者缺乏对信息和数据的洞察力，缺乏透过信息表象追溯本源的分析判断能力，缺乏大局观和利弊差异的决断能力，缺乏决策后可能后果的预测预防推算能力，即使有了客观完整的数据，也不会让企业管理变得简单。

数据能够为业务赋能，但也要清楚事物是动态变化的，任何预测都存在不确定性，必经结合现状和需求，通过“数据和业务的双引擎驱动”循序渐进的推动企业的数字化转型。

04 企业数字化转型，数据思维该如何建立和培养？

1、培养对数据的敏感度

数据敏感度是对数据感知、计算、理解能力，是通过数据的表象理解事物本质的程度。对数据敏感的人，看到数据能够找出问题，找到规律，发现机会或做出决断；对数据不敏感的人，看到数据只会问这是什么，这反映了什么，这能说明什么？对数据毫无敏感而言的人，“数据就是数据”，甚至不会想到以上问题。

人并非天生就会对数据产生敏感度，人们对数据的敏感度来源于经验的积累，看的数据越多，种类越丰富，处理的问题越多、敏感性就越强。因此，数据敏感度是可以培养的。

所谓培养数据敏感度，本质上就是培养通过数据发现问题、解决问题的能力，可以从以下几个方面入手：

质量评估，对数据的表象和质量进行评估，判断数据是否完整、是否准确、是否符合业务规范？

识别真伪，能够对数据的真假做出判断，看出数据中存在的猫腻，例如：年度报告，本事业部今年老员工的离职率为0，实际上新入职的员工有大批离职的。

找到因果，能够通过数据找到事物之间因果关系，从而找到产生问题的主要原因和根本原因。例如：产品销量下降了，直接原因是客户量减少了，本质原因是市场出现了更具竞争力的产品。

找出关联，能够通过数据多维采集和分析找到事物之间关联关系，关联分析是洞察事务本质的重要方式，关键点在于数据维度全、数据样本完整且具有足够的代表性。

判别优劣，能够通过数据的对比判断事物的好坏优劣，例如：季度销售完成率为50%的报告，如果没有历史数据作为对比很难判断出这个季度销售业绩的好坏。

洞察规律，能够从数据中找到事物发展的规律，例如：古人为了农业生产需要，顺应自然规律，通过对春夏秋冬、冷热交替的不同时间的记录和研究，总结出来了二十四节气。

预测预估，能够从已知的数据中提取到的规则，从而对未知的业务影响作出预测。

2、培养理解和使用数据的能力

“数据为王，业务是核心”，与其说培养理解数据的能力，不如说是理解业务的能力。只有将数据置于业务场景中，数据才能变得有意义。企业数据化转型过程中，要求数据管理和数据分析人员懂业务，理解数据的对业务价值；要求业务人员要懂数据、会使用数据。

对于数据管理或数据分析人员，要能够看得懂数据并理解数据背后的业务含义。

作为数据管理或数据分析人员，首先需要你摸清楚企业的核心业务价值链，甚至企业多处行业的整个产业链业务情况。其次，你需要逐步了解企业都涉及哪些业务域，每个业务域中包含哪些业务流程，每个业务流程之间的斜街关系，以及每个业务的输入输出等。最后，在理清楚业务域以及业务流程的输入输出后，需要对详细列出每个业务的绩效考核指标（KPI），再通过对每个指标进行更细致的拆分，最终落地的内容数据数据分析所需的报表、指标、维度、明细等。

对于业务人员，要懂数据，会使用数据指导业务开展。

数据源于业务，并服务于业务。作为业务人员，首先你要知道数据对业务的重要性，清楚数据的标准，按标准规范输入数据，并确保数据结果的正确输出。其次，你要能够识别业务数据的真伪，判断数据质量的优劣，并能够为数据质量的改善提供必要的改进建议。最后，你还需要加强对数据管理和数据分析工具的掌握，利用数据管理工具将数据合理、正确、规范的管理起来；利用数据分析工具自助进行分析建模、场景设计、数据探索、价值挖掘。

3、培养问题拆解的能力

数据思维的核心在于用数据发现并解决问题，学会用结构化、量化的思维方式去分析问题、拆解问题、解决问题，能够让我们事半功倍。

假如你是一家零售企业的数据分析师，日常主要工作是销售数据的采集、整合、处理和分析。有天，公司领导突然让你写一个PPT，谈一谈如何用数据做业务预判、如何用数据赋能业务，提升产品销量，实现业务增值？

这是一个典型的开放式问题，第一，缺乏明确目标和范围，例如：哪些业务需要研判，业务遇到的问题是什么；第二，缺乏明确的判断依据和标准，例如：产品销量要提高多少？很多数据项目往往都死于此，这时候就需要有问题拆解的思维。数据赋能业务的过程一定是一个循序渐进的，逐步建立共识的过程。

例如基于以上问题：

首先，要搞清楚业务的目标是否明确，如果目标不明确，则先明确目标。例如：通过收集和分析现有的数据报表情况对销售业务现状进行研判，找出改进点。

第二，在明确业务目标之后，要搞清楚是否有业务判断的标准，判断标准一定要建立起来，不然提升多少才算好都不知道，事后难免陷入扯皮和纠结。例如：XX产品同比增长20%

第三，定了判断标准之后，要分析用什么样的策略支撑实现这个目标。例如：优化推荐算法、增加线下营销活动等。

第四，在明确了实施策略之后，要制定策略执行计划。例如：算法的升级需要谁来负责、什么时间完成？

第五，在明确行动计划之后，还需要通过数据来监控执行情况，并实时反馈执行的效果。

4、培养用数据说话的习惯

数字化时代，每个人都应该具有量化思维，习惯用数据说话。用数据说话不是单纯的使用“数字”，而是用数据来支持观点，做到有理有据。

第一，在一定程度上，数据就是证据和事实，用数据说话，能够增强你的说服力

任何观点都会有破绽，但数据摆在那里却难以让人反驳。如果你是企业销售主管，给领导汇报销售情况，不要说你的市场竞争多激烈，你的销售人员多努力，你的目标多高远，直接说你增加了多少客户，提升了多少客单量、实现了多少销售业绩、增加多少项目漏斗，这样的汇报效果会更好一些。

第二，数据可以揭露问题，发现本质，用数据说话，可以辅助你做出正确的决策

数字化下，企业管理不仅需要管理者丰富的管理经验，还需要有多维的数据支撑。如果你是一个企业领导，你更愿意做薄利多销，还是坚持确保每一单都要保证一定的利润？貌似选择哪个方案都可以，关键是要看具体的场景和数据支撑。正常情况下，假如是批产的产品，可以考虑薄利多销，以量取胜；假如是定制产品，就需要考虑一定的利润空间。如果只是从利润角度考虑，有产品定价数据、销量数据就能容易做出决策，但如果还需要考虑产品的市场定位，客户的回头率，企业的售后服务能力等因素，就不能只考虑价格和销量两个维度信息，应该建立多维度分析模型，以帮助你做出更合理的决策。

第三，用数据说话要有量化思维，简化思维，还要尽量避免使用太过专业的术语

量化，有利于对事物（业务）给出一个判断标准，例如：提高产品销量，提升用户活跃度，到底销售多少算是提高？怎样的用户才算活跃用户？只有将指标进行量化，才能推动达成共识。

简化，有利于抓住主要矛盾，直击事物（问题）的本质，摆脱各种复杂情况，轻松应对难题。例如：某企业要其对10W+条物资编码进行治理，通过对历史数据分析，发现这些物资编码中，有40%3年之内只用过一次，还有10%在业务中从来没有使用过。基于这个分析结果，发现企业真正要花力气治理的数据只有5W多条，而不是10W条。简化的思维就是对复杂问题进行拆解、降维、极限归纳，筛选并只使用相关数据，从而找到简单且可行的解决方案。

用数据说话本质上还是沟通，为提升沟通的效率，要尽可能使用“标准语言”，或者对方能够听得懂的语言。从这点上讲，数据治理就显得十分重要，统一企业的数据标准，明确业务术语、指标、维度的业务含义、规则等，能够提升业务部门之间、业务与IT之间的沟通效率。

写在最后的话

数据思维是一种“知行合一”的思维模式和行动总则。数据思维的建立，不仅仅需要对数字的敏感，更需要擅长观察数据，从数据中找出问题、找到规律并提炼见解，让数据赋能业务，服务管理。数据思维的建立，也不仅仅要懂数据，理解数据背后的业务含义，更需要有将数据用起来的能力，只有真正将数据用起来，才能检验数据的对错，发现数据的价值。

文章转自： “谈数据”公众号 石秀峰老师原创

派可数据一站式企业级 BI 可视化分析平台，"零代码数据仓库" + "可视化自助分析" ，为企业提供一站式数据整合平台、数据填报平台以及数据可视化分析展现平台，大量行业及财务供应链等通用类指标体系沉淀，欢迎咨询交流