2019年9月20日，2019中国人工智能高峰论坛在中国数交会期间召开。思特沃克软件技术有限公司副总裁数据智能事业部总经理史凯在“数据智能 数字化转型的第三次浪潮”为主题，指出当今的数字化转型正从流程驱动发展到数据驱动的阶段，从人看数据，到数据驱动系统，数据革命已经到来。数据驱动的数字化转型的三大成功要素为业务价值、数据质量和规模复制，同时要应战数据的流动性、不确定性、复制性等三大挑战，思特沃克数据中台和方法论将助力企业数字化成功转型。

以下为演讲实录：

感谢主办方的邀请，跟大家做一个分享，中国一项是一个重实践落地的文化。我现在在斯特沃克公司，他的技术故谷哥还要难，他主要是做咨询开发，帮助企业做定制，我们的同事都思考输出这种方法  实践。我本人也在做实践和方法结合的事情。

今天时间比较紧张，我快速地分享一些我们的实践和观察，希望给大家一些启发。今天的主题是数据智能，数字化转型的第三个浪潮。我有一篇文章得到了10万+的阅读，我没有想到，因为是一篇技术性的文章，但是数据中台成为了风口。数据这个行业是非常传统的一个行业，我本人在十多年前就做数据仓库，报表，做很多的数据类的项目。但是为什么数据中台这么火？很有意思的一个问题。数据行业非常的传统的，大家可以思考一下。

我们的企业对于数据的使用的方式需要一个变革，原来的数据的使用更多的是看报表，可视化，人看数据，人驱动流程的变革，人驱动系统的改造。但是现在由于云计算、大数据的技术，人工智能，AI是处理数据、挖掘数据逻辑的技术。现在我们发现我们需要数据直接驱动系统和流程，而不是让人去看。我们举一个例子，我们做了一些案例，比如我们给零售企业，原来这种小店的连锁的补货、备货是店长技术经验来做，根据经验来看第二天需要补什么货，是人驱动系统。但是现在通过预测，通过区域的分析，可以做到数据驱动店长，所以人只是一个分析数据，分析出来的结果来操作的，这是一个很大的变化。

我们给一些大型的钢厂做调试，如果配料做的好，可以提高产能，降低成本，以前这样的事情更多的是根据经验，拿表格来看，现在可以做到用数据训练模型，指导你的配方，然后去模拟。如果我们做了这样的产品的搭配，我的物料这样的组合，最后我在市场上的销售额、成本，就是数据在驱动这个企业的流程，驱动人在工作。

刚才杨总讲到供应链、物流，我们在给全球的一个最大的PC企业做的一个供应链，产品交付的程度等有很大的提升，数据越来越可以指导企业。自动驾驶是继续学习领域最多的场景集合，看到的画面，传感器的数据，通过机器学习的模型作出决定，是左拐还是右拐。人工智能落地现在已经到了规模化的时代，技术就不详细讲了。

我们发现工业4.0和之前的区别是什么？就是机器和机器自己交互，自己做决策，他靠什么做决策？靠的就是数据，数据分析总结出来的智能。

我举的是智能制造的场景，大家发信所有的场景都来自于数据的积累和数据的应用。时间的关系，不详细讲了。

我们在行业里看了一下，所有的行业的咨询公司，研究机构，这两年对于数据的认知提上了前所未有的高度。我们认为数字化转型已经从流程驱动进入了数据驱动，这是我们的文章。

什么是数字化转型3.0？我们把数字化转型分三个阶段，第一个阶段是信息化就是IT，IT这个词来自哪里？来自1958年哈佛商业评论的一篇文章，预测80年代的商业管理。IT  的跨度很长，它的核心解决的企业内部的管理和生产问题，典型的代表是ERP，OA等，这是我们理解的数字化转型1.0。2.0是数字化，是把内部的企业生产和内部的管理、用户、市场连接起来。2.0典型的代表系统是电商，DMP，就是广告系统。我们理解为数字化转型的第二阶段。现在我们很多企业处于数字化和信息化交错的阶段。

3.0是智能化。从原来人驱动，制订流程来驱动企业的流程，用系统来落地，变成由数据驱动企业的运行。所以我们叫智能化，代表的系统是自动驾驶，是工业4.0。

我们回头看一下，1.0是信息化，在信息化时代，数据怎么被使用的？是做报表，做分析。2.0是数字化，连接你的用户，让企业内部和市场更紧密地打穿大的供应链。3.0是智能化，AI是数据3.0的典型的代表。        

我们认为数据这个行业现在进入3.0的变革时代，大家可以想象一下，最到的数据不被存储，软件诞生的那一天起，计算器这些工具的数据不被存储。1.0的时候，要做查询分析，2.0是跨域的分析，3.0是数据驱动系统。而且我们发现很有意思的现象，原来的数据是依托于软件，我们预测未来软件更新的速度会非常快，但是数据会永远保存在那里。所以说数据和软件的关系发生了变化。

但是每个企业都希望成为数据驱动的企业，都希望由人做决策变成由数据做决策。但是我们发现数据驱动要想成功需要三点，第一是业务价值，就是要找到合适的场景， 你自己的场景和别人的场景看起来一样，但是完成不能复制。第二是数据的质量，我们这里有很多观点可能和大家不一样，我们认为数据的质量不能百分之百的解决，因为业务和数据有时差。第三是规模化复制，就是把场景规模化的复制，而不是一个很小的创新。

总结下来，我们发现数据驱动的三大挑战，要如何实现三个关键的成功因素？第一个挑战是数据的流动性，上线测试报表很准确，再运行三个月数据就不准了，因为你的源头是业务，业务是变化的。第二不确定性，测试是通过或者不通过，而人工智能的模型是百分比，谁能说90%就一定可以，30%就一定不能用？不是的，取决于场景。比如自动驾驶，如果没有99.999%的准确度就不敢上路，但是钢厂的模型准确度如果达到30%，我们就可以使用。最后是它的复杂度，我们看这是一个典型的从数据到价值的一个流程，非常的复杂，每一个环节都面临着错误被放大失真的情况。

所以如何解决应对流动性、不确定性和复杂性？我们需要实践+技术去综合解决，我们也在探索。

我们看到全球各个国家都在制定人工智能战略，数据战略。我们叫做数据崛起，会使这个行业发生变革。

我们现在在探索的方法，我们用精益的方法找到业务的价值，找到场景，按需服，不需要那么多报表，业务有什么样的价值，你去找到，最后要持续地优化和运营。

通过这样的方法我们帮助企业判断你的业务场景，你的数据资产，你的数据平台。这样才能既看得远，又能去落地。

这是我们的数据中台加方法结合起来，快速地推动驱动推动数字化转型的方法。