01 记录 Recording

数字化的第一步是记录。把物理空间的人、事、物都转换成数字记录。

比如，企业在销售活动中需要记录客户的信息、销售转化的过程、报价的文件以及签约的合同；在采购活动中，需要记录供应商的信息，询价的过程以及采购合同的签订。因为销售和采购活动管理质量的需要，我们还因此需要记录销售产品和采购物料的规格信息、客户和供应商的联系人信息等。

企业经营活动中，所有涉及的对象最好都能够被记录。

从上面这个销售和采购例子延伸，可以覆盖到一个企业运营的全部环节。我们会发现，所有的业务环节都会需要数据，也会产生数据。那么我们应该怎样遍历企业的经营活动来识别这些需要记录的对象呢？

在企业架构理论中，通常使用价值链分析方法来列举企业的所有价值创造活动。经典的价值链分析会按照一个企业价值创造的全过程列出管理活动，顺着这个思维，我们列举企业经营活动就不至于挂一漏万。但是，不同行业和企业都有自己独特的价值创造过程。在列举的时候不必拘泥于下图这个经典框架。比如在我们软件行业，所有涉及物料和物流的环节都不存在，价值创造过程的结构是完全不同的。

有了属于自己的价值链图景，就可以通过这个全环节过程来依次检查其中的所有数据是否都被记录下来了。要注意，我们说的记录指的是企业拥有全局一致的记录，而不是指的个别企业员工的自发的部分记录。

企业价值链分析的终极目的就是为了实现更高的价值创造效率，所谓效率就是使用更低的成本，和用单位成本带来更大的产出。围绕价值创造过程记录数据就是为了能够完成相关效率指标的衡量和改进。比如在客户沟通环节，我们要记录的对象包括客户对象本身，沟通的内容，沟通的批次，以及沟通带来的反馈。当我们记录了这些数据以后，就能够通过持续的数据积累来分析客户沟通方法的优劣。

上面这个例子只是企业运营过程中的一个微小环节，管理它的记录过程并不特别复杂。但是在这个例子中，有一些对象的记录依然容易被忽视。比如，营销部门可能记录了营销活动的内容，却没有记录完整批次，或者可能没有对客户反馈进行统一记录。造成这样遗漏的主要原因是我们在识别记录对象时没有从闭环的改善目标（PDCA方法）出发，而仅仅是为了完成一个运营任务。这给我们一个启发，规划数据记录任务的时候，不能仅仅围绕执行角色的需求，还要兼顾管理角色进行分析和改善的需求。

在实际进行数据记录的时候，可以把涉及一个业务环节的所有人、物和事分别列举出来，检验其中哪些对于执行和改善的闭环有帮助的。比如在采购询价环节中，对应的“人”包括企业方的采购人员、供应商和供应商的联系人，对应的“物”包括需要采购的物料，而“事务”则是询价的过程和采购的过程，我们实际使用询价单和采购单来实现。如果和供应商有采购框架合同的，则这个合同当然也是需要记录的对象。我们在后面讲到”结构化“数据管理习惯的时候还会进一步提出更专业的要求。

在理想情况下，这些数据都应该管理在数据库中，并通过应用软件和用户进行交互。但在实践中，企业的数字化建设不会立刻进入理想条件，所以，即便没有整合的信息系统，企业依然应该创造条件先记录下这些信息，哪怕是用Excel文件。

在没有信息系统，或者信息系统没有覆盖的业务环节，记录工作也有巨大的价值。Excel作为商业分析的最通行工具，也是商业数据记录的主要载体。无数经理人使用Excel建立了各种各样的台账表格。它们可以用于事后的分析，用于决策和运营改善，也用于日常的数据查询需求。

除了Excel，还有类似石墨、腾讯文档、飞书表格等在线表格替代品。它们起到的作用是类似的，而且具备在线共享的天然优势。所以最近几年，已经有越来越多的组织开始用在线表格记录和管理业务数据，作为更完善的数字化系统的前奏。

因为缺失了信息系统的约束和控制，在使用Excel或者在线表格记录业务数据时，要注意一些问题：

（1）一个数据文件或者表格应该只管理单一的对象。比如订单和客户的信息最好分开保存。

（2）同一性质的对象只使用一个数据文件或表格来记录，而不是按照月份、地区等维度分开建立。即使分开建立，也要保证使用相同的结构，便于合并。

（3）要记录事实的流水，而不是汇总信息。比如我们应该记录仓库的每一笔出库和入库记录，而不只是记录累积的出库数量。

如果一个的企业的业务数据都能够被规整地记录在电子表格中，那么它就基本完成了数字化的第一步。接下来，用专业的数字化系统来进一步提高使用效率就没有那么困难了。

02 分类 Classification

分类也是一个数字化意识和习惯。在数字化环境中进行分类并不需要把数据一堆堆分开，而只需要在数据上加入分类维度即可。个人用户也会利用分类法来管理自己的任务、书签、笔记等，它也常常被作为生产力工具被开发成各种个人应用。

每一项商业数据，无论是管理人员，事务还是物理对象，都需要有大量的属性来去描述。所谓企业数据的分类，就是对各种业务数据记录赋予维度属性。

什么是维度属性呢？比如，在销售过程中，我们应该对客户所处的行业，所在的地域，人员规模等指标建立统一的维度。这些分类维度一旦确定，一般就不会再进行修改。比如，有的企业把客户规模细分为“大中小”三个选项，有的则根据雇员人数分成若干等级，有的则按照销售额划分成不同级别。设计不同的分类维度既为了业务运营效率的考虑（为不同规模的客户适配不同的销售人才和流程），也为了完成业务分析（分析销售额和不同产品在不同规模企业中的购买量）。

概括来说，对数据进行维度分类是为了运营和分析的需要。所以，这些维度设计需要来自管理人员的策略计划，而不是忽略或者从其他系统照搬。

具体执行分类工作时，相当于在Excel文件中加入用于分类的列。这些列不同于一般的文本和数值，通常应该是一个预先确定的选项列表。只有通过这个方式，才能让分类维度标准化（Normalization）。除了创建选项列表，直接使用关联的对象来标识也可以起到同样的作用（在后文介绍结构化时会提及）。而如果分类维度本身是时间和数值的区间，则不再需要人为建立这些维度。数据分析工具一般都能够提供数值和时间的聚类能力（Clustering）。

用Excel文件来进行数据记录时，不同数据表格之间一般是不关联的，因此，如果要规范分类维度，Excel文件中的列就需要预先确定录入规则，或者我们可以使用Excel的选择下拉列表功能来帮助控制输入的唯一性。分类维度的一致性（Integrity）对于数据质量非常重要。
 

然而，我们不能完全依赖电子表格的这些特性来维护数据质量。要建立有序的数据记录，我们就需要使用关系数据库概念来建立数据之间的关联。当一个销售订单出售了一个产品的时候，在订单明细中，应该关联产品记录，而不只是从一个列表中选择正确的产品名称。接下来，我们就介绍与此相关的数据结构化。

03 结构化 Structuring

讲到数据的结构化，在不同的语境中含义有所不同。在企业业务数据领域，我们特指关系数据结构（Relational Data Model）。上一节最后提到的例子，一个销售订单是一个数据表，它和销售订单明细表关联，后者的记录可以直接关联订单表的记录。同时，销售明细表也和产品表关联，因为一个产品可以出现在多个销售订单明细中。这种反映业务数据关系，不冗余信息的数据结构就是关系数据库。

下图就是一个反映以上例子的关系数据结构描述，我们一般使用这种实体关系图的标准描述方法。其中每个矩形框代表一种业务数据对象，其中行就是属性，我们提到的分类维度属性也被包含其中。两个矩形之间的连接箭头代表了数据关联关系。
 

如果不建立关系数据库应用，依靠电子表格也可以部分地模拟关系数据结构。用户只需要在主表的单元格引用关联表格的数值就可以。比如在联系人表格中引用关联公司表的公司名称，但是使用电子表格无法建立约定，如果用户没有按照约定使用，那么这个关联关系的质量就难以保证。

虽然Excel和在线表格都无法替代完善的关系数据库应用，但是结构清晰，分类严谨的电子表格依然能够成为数字化建设中的优质原材料。良好的数字化意识和习惯能够加速企业的数字化进程，节约建设成本。当企业拥有了专门建设的应用系统时，只需要导入这些电子表格内容就能够建立关系数据结构，只要数据质量足够高，关联甚至能够自动创建。

04 模块化 Modularization

数字化建设的模块化和工业、建筑等行业中的模块化有类似的含义。它一方面指的是可以复用的业务单元或者业务环节，另一方面则强调建立某种标准和协议，让模块之间可以按照约定共同使用。

数字化领域的热词“中台”，它的本质就是业务模块化设计。在较大规模的企业中，业务组织架构复杂，很可能包含多个事业部门，每个事业部门都有部分重复的职能。数字化建设的要点就是不要重复发明轮子。所以模块化思维是大中型组织的必修课。

在具体的企业实践中，模块化设计的数字化系统贯穿在几乎所有职能上。我们例举几个例子：

（1）不同事业部门都涉及会计信息处理。涉及财务影响的业务活动都可能对公司的损益表和资产负债表产生影响。昂贵的财务分析工作一般也都集中在公司层面，而不是分散在事业部门。这就要求每个事业部门在构筑自己的应用系统时，使用统一的财务分类维度（成本，收入和费用的财务科目编码）。我们可以理解业务系统和财务系统都应用了模块化设计思维，相互之间时可以无缝连接的。企业软件行业把这个过程称之为“业务财务一体化”。

（2）销售、服务、营销等环节都会创建和更新和顾客有关的信息，因此，模块化的企业数字化系统会独立考虑建立顾客数据，或者让某一个环节的顾客数据被其他相关环节共同使用。因为这个思维，企业就有机会查看一个顾客的全生命旅程数据，从广告营销的触点，一直到售后的服务过程。这个概念被描述为顾客数据平台（Customer Data Platform），也是一个中台相关概念，它也是模块化设计的经典体现。

（3）一个零售品牌可能同时面对多个电商平台，也可能管理自己的线上线下店铺。它需要在一个共同的物流和仓储平台上为每个零售终端提供准确的库存信息，同时，这个库存信息还需要连接采购和生产系统，以保证每一个SKU的流动都被准确的记录和跟踪。企业增加任何采购和销售环节，都是通过一致的接口向物流和仓储系统写入和读取数据。这就是模块化的供应链系统。

以上三个例子表明，模块化设计思维是复杂的企业数字化运行成功的核心。缺乏全局考量的盲目和孤立建设都会让数字化举步维艰。

到了模块化这一层级，电子表格这样的零散工具就无论如何也满足不了企业的数字化需求了。这也是企业软件和服务行业的生意源泉。高水平和高质量的模块化设计产品，在满足企业需求方面具备明显的竞争优势。

05 自动化 Automation

在企业管理中，经常有一句话，“能够让机器做的事情绝不让人做”，这反映的正是“自动化”的数字化思维。机器执行不仅比人的效率更高，而且准确度也更高，而我们花费了精力去记录，分类和结构化数据，就是为了让软硬件能够自动为我们执行一些事务。

比如销售团队签署了合同以后，可以自动化执行交付流程；产品交付以后，可以自动化执行财务流程；员工入职以后，可以自动化执行岗位培训流程；根据生产设备的点检计划，可以自动化定期生成点检任务。这些例子都是企业的自动化场景。

要理解自动化，并且能够主动规划自动化流程，就要理解自动化逻辑的基本概念。所有的自动化都应该有“触发器”和“动作”这两种要素组成。触发器就是自动化执行的触发条件。抽象来看，在企业事务的自动化中，触发器可能是某一个业务数据的新增或变更，也可能是一个特定的时间。比如，在以上例子中，产品交付状态变更为已交付就是一个数据变更性质的触发器，而对应的动作就可以是开发票。
 

有了这个抽象思维以后，我们就可以在企业运营工作中寻找应该自动化的环节。识别出这个事务的触发器，以及编订满足触发条件后的执行动作。

06 分析和洞察 Reasoning

结构化的数据除了实现自动化，还有一个重要的目的就是为了商业分析。对于管理角色而言，商业分析可能是数字化的思维起点。如果我们要知道原材料价格变化对利润的影响，我们就需要在采购过程中结构化记录各种原材料的精确成本信息，并能够与财务利润数据进行比较；如果我要分析加工设备参数对质量结果的影响，我们就要搜集加工工序和设备参数的时序信息，并与含有同样标记信息的质量数据进行比较。

所有的分析和洞察都是为了某个判断或决策。这个决策可能是运营的改善，也可能是更中长期的战略决策。数字化意识中最高级的就是数字化决策，但它不是空中楼阁，高价值的分析洞察来自于完整记录的高质量数据。所以，前文介绍的基础意识是建立数字化决策的前提。

商业分析的意识来自于对企业管理目标的追求。所以，我们可以从常见的管理目标出发来开展商业分析工作。

1）为跟踪和检验目标达成

目标管理是现代企业管理方法中最基础的实践。无论什么职能部门，都可以识别到符合SMART原则的目标，这个目标通常必须是定量且可衡量的。比如销售部门会衡量销售转化率，质量部门会衡量缺陷率，人力资源部门会衡量员工流失率。围绕这些管理指标展开商业分析是目标管理的前提。在这种需求下，商业分析不仅要能够提供指标答案，还最好是自动化实时计算的，它提供了管理看板，让管理者对结果和趋势都有全盘的掌握。

2）围绕改善的目标而进行归因和相关性分析

首先，需要改善的问题本身就需要数据的确认，而不能来自经理人的主观感受。比如，我们不能以质量经理个人的感觉来评判质量水平。问题的确切识别是需要对专门指标进行对标分析，比较质量指标和客户要求规格以及行业平均水平之间的差距。

当发现了低下的运营指标，我们可以通过数据分析来找到它的归因。无法找到根因的也可以找到相关指标。通过对关联要素的持续改进，不断检验这个指标的变化，从中就能够找到更好的实践方法。这就是所谓的PDCA过程。

3）决策辅助

信息系统无法替代企业决策，但是它能够为人的决策提供辅助。企业决策包含运营决策和战略决策，前者更多地依赖信息系统给出结果，比如在制造业的采购决策中，采购数量和时点取决于生产、销售、库存和物料结构数据的复杂计算。而战略决策则对企业外部环境信息更为敏感，企业未必能够通过自己拥有的数字化系统得到辅助，所以更多依靠的是经理人的分析和综合。