1.3.5　数字化与信息化的差别

过去的几十年内信息化在企业广泛开展，积累了大量有效的建设路径方法，很多方法（如敏捷开发、企业架构等）在数字化建设中仍然是有效的。但数字化与信息化在有些方面存在很大差别，对这些差异的认知偏差也引起了实践误区。

1.价值闭环

数字化集中在关键决策点，而不是整个业务流程中，数字化的价值闭环仍然依赖既有的业务流程或信息化系统，因此不要过度解读数字化的“价值闭环”。数字化从多领域、多流程数据关联的角度优化物理过程和业务决策。信息化以业务流程为中心，为业务活动提供必要的信息，并记录活动的状态和结果数据。在信息化系统中，很多复杂的决策过程由操作人员完成，信息化系统只需要为此提供足够的信息，以及留出足够的灵活接口即可。数字化恰恰与之互补，基于大量的数据提供智能决策，但仍需输出符合规范接口的决策建议，这样能被信息化系统消费。

2.创新主体

在工业数字化中，涉及大量的机理和工艺上下文信息，多维度分析通常需要跨技术领域，这与过去的信息化咨询和建设项目不同。信息化咨询与建设项目在不同企业间有很多共性，通常不涉及业务决策和创新，第三方咨询和技术服务是一种有效的社会分工机制，通过专业化的规模效益，可以有效提高项目建设水平。而在数字化建设中，第三方服务协同中信息传输损失和知识转移成本很高，大量基础的数据分析依靠企业内部领域专家解决是最有效率的，这样也利于促进自主创新能力。在数字化创新中，应以内部自下而上的创新为主，第三方服务主要集中在基础能力建设和个别专业难题方面。

3.建设路径

在企业自动化和信息化建设时，应特别注重整体规划和蓝图，例如，IT战略计划（IT Strategy Planning，ITSP）或企业架构（Enterprise Architect，EA），这样才能保证前后建设信息系统的一致性与兼容性。

在数字化建设中，整体规划仍然必要，但迭代创新速度更重要。数字化的不确定性远比信息化大，很大程度依赖数据量和数据质量，数据中是否存在可靠的规律，只有挖掘后才能得知，同样的分析课题在不同数据集上的效果也不同。工业不缺经验与知识，缺少的是系统化、强壮的可执行的模型。工业分析模型瓶颈很多时候不在于算力，而在于模型的强壮性。数据的结构和质量多样性是阻碍大规模应用的一个要素。因此，数字化建设走的是“顶层定业务场景，底层迭代创新”的迭代式路径。

4.数据资源

数据资源不足往往是数字化建设最大的障碍。数据分析模型（特别是数据挖掘模型）的前提是数据维度的完备性和可信度、历史相似性、状态遍历性和时空连续性。这样的前提假设在很多时候不一定成立。

很多数据分析依赖的数据源往往是信息化、自动化系统建设的成果，这些系统建设时不可能完美考虑数据分析模型的需求。在数据分析时，会遇到很多数据问题。例如，多维度数据的整体完备度，只有在数据关联后才能得知，这对数据供给和分析模型研发效率带来了较大挑战。大量历史数据没有标记，再加上工业系统的异常样本本来就少，异常样本的数量和覆盖度成为很多设备异常预警分析课题的主要瓶颈。