5、数据采集：怎样做好全量全要素的连接和实时反馈？

从这一讲开始，我们就正式进入这门课的第二模块，讲一讲企业在数字化转型时会面临的三大核心挑战。什么是核心挑战？就是你绕不开，躲不掉，难度很大但又必须要面对的问题。

如果你忽略它，做不好它，就会成为前进道路上最大的绊脚石。如果你解决好它，就像是夯实了基础，接下来的举措也会更容易实施，更快速看到效果。

这一讲我们先来看第一个挑战。

一幅终极图景

我想先请你跟我一起来大胆想象一下，数字化转型的终极图景是什么样子？每个人都会有自己的答案。

不知道你有没有看过一部电影，《谍影重重5》，影片有这样一个桥段，我觉得就是我对这个问题的回答：

女二号背着一台电脑，走进了冰岛的一个黑客大本营。紧接她黑进美国国家情报局的系统，搜集了她想要找到的资料，马上开始下载文件。

这时，镜头一切，到了国家情报局这边。国家情报局第一时间监测到了这个异常情况，并马上向负责人汇报，说有一台报废电脑正在接入我们的网络。

眼看女二号就要得手了，怎么办呢？

这时候负责人马上要求同事干了两件事：第一，通过连接摄像头、卫星、实时地图等数据库马上锁定黑客的身份和位置，并远程控制黑客所在大楼的电网；第二，迅速写一条逆向追踪的程序，植入到对方想要盗取的机密文件里，这样一来，对方只要打开这个文件，就会被反向实时追踪。

在程序植入完成后，这个负责人立刻要求同事把黑客大楼的电源切断。确定对方在冰岛后，迅速部署当地行动人员实施抓捕行动。

这是一个典型的数字化作战的场景。如果我们抽象来看国家情报局这套作战系统的能力，你会发现首先入侵风险出现的时候，系统先是作出了预警；其次在接收到预警信号后，不同职能部门能够协同起来快速找到应对的方案，然后根据实时的数据反馈采取行动。

这个时候，国家情报局已经不再是一个简单的数据化机构了，而是一个数字化的“智能体”。

这个“智能体”的所有动作都基于一个前提条件展开，那就是所有相关联的数据都相互连接，并能随时被调用、被看到、被感知到，也就是我们在第2讲中讲过的全量全要素的连接和实时反馈。

进化成“智能体”

进化成一个“智能体”，可以说是每一家企业数字化转型的终极目标。通往这个目标的道路可能很漫长，可能有无数件事等着你去做，但做所有事情的基础就是它——全量全要素的连接和实时反馈。

这是任何想要做数字化转型的企业在起步时一定会遇到的一个核心挑战，解决不好，成为“智能体”的愿景就不可能实现。

举个例子，坐过飞机的人都知道，如果飞机落地能停靠在廊桥，那乘客就能直接出入飞机，不用拿着行李来回折腾去坐摆渡车了。对机场来说，要想让旅客感受到方便快捷的出行体验，提高飞机的靠桥率就成了一个需要解决的问题。

拿深圳机场来说，以前飞机靠桥主要依靠人工操作ORMS系统，也就是运营资源管理系统，来分配机位。这套系统采集和连接了哪些数据呢？主要是机场的机位数据、机位配置数据，还有包括航线方向、机型信息、旅客信息等在内的航班的静态数据。

听上去数据已经很齐全了，对吧？效果怎么样呢？2018年底之前，深圳机场230多个可用机位里，廊桥机位只占1/4，剩下的3/4都是需要旅客坐摆渡车才能登机的远机位。

这是为什么呢？就是数据不够“全”。华为在和深圳机场合作后，提供了一套AI智能调度系统，新系统在原来ORMS系统的基础上，又多连接了运行指挥平台和空管协同决策系统的数据，包括飞机的航空器信息、冲突信息、地服信息、滑行信息等等。

这套系统采集的数据有多“全”呢？你肯定见过飞机跑道两边的助航灯吧？这套系统和智能助航灯也连接在一起，每一个灯的数据都被采集到，可以实现单灯控制。

跟以前的机场跑道灯相比，智能助航灯可以监控跑道上是不是有飞机起飞或者停靠了，从而提供更精准的滑行信息。

因为这样一套系统，深圳机场的廊桥利用率就提升了10%。10%意味着每年能让260万人省去坐摆渡车的麻烦。

你看，前面提的智能助航灯，它就是一个新维度的数据，不把它连进来就相当于就没有做到全量连接。全要素体现在，比如飞机的航空器信息，它就是飞机这个业务对象的其中一个属性。

之前深圳机场只采集了飞机的航线方向和机型信息这两个要素，但是忽略了飞机航空器这个要素。航空器信息连进来了，机场就能基于飞机的运行状态进行更精准的调度。

数字化转型的基础是全量全要素的连接和实时反馈。但问题在于，数据是海量的，不能胡子眉毛一把抓，我们怎么入手采集信息，才能确保真的连接了全量全要素的数据呢？

三个维度

接下来我要给你介绍一个所有企业都适用的模型，不管你是制造型企业，还是服务型企业，都可以参照这个模型来做全量全要素的连接。

我们就拿你的手机举例子，如果你要连接它的数据，会包括哪些维度呢？以前最简单的就是连接手机的物理属性的数据，比如手机有多厚有多重，是什么颜色的，外壳是什么材料的，系统是安卓还是苹果，芯片和摄像头用的第几代的等等。

但在华为看来，这些数据远远不够，你必须要从一个产品的设计态、制造态、运行态三个维度出发才能完成全量全要素的采集和连接。

所以同样是针对手机，我们会先采集手机的设计态数据，这里面就包括手机器件的尺寸啊，手机物料都是哪些供应商提供的，手机的设计功率和性能数据等等。

设计态之后是制造态，比如手机是在哪条产线上生产的，产线的管理员是谁，组装时具体用了哪些物料等。

最后是运行态数据，包括手机在使用过程中的稳定性怎么样，开机时间是多久，手机发热情况和卡顿情况等。

关于业务对象的采集和连接，有一个概念叫“数字孪生”。什么意思？简单说，就是把现实世界里的业务对象，在数字世界里建一个一模一样的模型，就像双胞胎、孪生兄弟一样。所以叫“数字孪生”。有了数字孪生，就好办了：现实世界里很难做的事，你就切换到数字世界里去看它的孪生兄弟。

这就是对业务对象进行数据采集的标准：把全量全要素的数据都采集和连接好了之后，要看这些数据是不是能够还原业务对象的全貌，是不是真的拥有了一个数字孪生兄弟。

举个例子，数字化时代可能出现这样的场景，一家制造飞机的企业，可以一架样机都不生产就直接生产商用飞机，因为有数字化的手段去完成所有的测试、仿真，把复杂度极高的飞机还原出来。

七项职能

说完了全量全要素的连接，怎么样确保系统做到了实时反馈？

答案也很简单，你可以看这套系统是否具备了7项职能：预测、预警、监控、协同、调度、决策和指挥。

拿华为生产手机来说，华为通过连接渠道、用户、广告投放量等这些维度的数据，就可以综合预测出新手机第一批的产量，这是预测职能。数量定了，就进入排产制造环节，现在因为工厂里所有的产线都是智能产线，不太需要人工干预，但是也会监控，比如监控产线的投料情况、运行情况等等，这是监控职能。

这些数据收集过来之后就可以用于风险预警，比如扫描物料铭牌的时候，如果铭牌信息错了，产线会自行判断装配关系不成立了，就会给产线人员的手环发预警信息，提醒需要人工干预，这是预警职能。

接下来，产品的制造信息也会和供应、物流协同起来。以前按订单生产，要先入库，等物流车来装。现在是直接跟物流数据协同，因为我们已经知道了物流车的实时位置，就可以等物流车距离华为工厂一定时间的时候，再安排生产，生产完就直接装车运输，不用再重复扫描存储。

在这个过程里，协同、调度、决策、指挥几个维度的职能都有体现。

华为把手机的全量全要素连进来了，也建起实时反馈系统了，最终会实现什么样的效果？

现在，一旦华为手机的任何一个元器件有问题，我都能定位到这个元器件有多少，装在手机的哪个位置，装了这个元器件的手机被送到了哪些用户手里，都有哪些员工经手过？甚至我也可以反向追溯元器件的问题，出问题的元器件是哪个供应商，哪个批次的产品，历史上有没有类似的情况等等。

这是华为到目前为止的一些实践。

当然，华为的数字化转型离成为真正的“智能体”还有差距，但我最后想强调一点，任何想做或者要做数字化转型的企业，都要把“智能体”当做自己的终极目标。如果没有这个愿景，那么企业在进行全量全要素连接的时候就非常容易陷入两个误区：

1.眉毛胡子一把抓，不管数据有用没用先全都拿过来再说；

2.坐在数据的金山喊穷。其实很多非数字原生企业有大量丰富的数据，但恰恰缺少通过有效的数据治理来形成数字化“智能体”的能力。

以上就是数字化转型企业面临的第一个核心挑战。