跳到主要內容

企業到底要數位轉型還是數據轉型?

暑假看了幾本數位轉型與數據轉型的書,覺得這兩者之間可能有層次與因果的關係。一間企業如果成功的「數據轉型」,必然會有良好的數位轉型。但如果只是數位轉型,有可能並沒有數據轉型。

前 P&G 的數位服務 VP Tony Saldanha 談數位轉型的著作《 Why Digital Transformations Fail: The Surprising Disciplines of How to Take Off and Stay Ahead (數位轉型為什麼會失敗:從起飛到領先的驚奇原則)提到了數位轉型的5個階段,每個階段都是從部門到跨部門到全公司的改善,其中數位轉型的5個階段分別為:

  • Foundation:公司開始使用外部的SaaS等方案來改善流程
  • Siloed:部分部門開始利用數位工具來產生新的商業模式
  • Partially Synchronized:公司間有些部門的數位 / 數據工具可以對接
  • Fully Synchronized:全公司的內部系統都已經數位化並且在同一個系統上
  • Living DNA:變成一家純數位公司,這並不是說傳統業務並不要做,例如一間物流公司,純數位化之後,就是一間有貨車的數位公司。
這5個階段既是數位轉型的階段,從下面的例子可以看到,也必然需要數據分析作為基礎。

在台灣以《輕鬆搞懂數字爆的料》走紅的 Thomas H. Davenport,2017年也出版了 Competing on Analytics 更新版,雖然書本不是談數位轉型,但其中提到的企業數據轉型的5個階段,其實也與數位轉型息息相關。Davenport認為企業在數據轉型的5個階段分別是:
  • Analytically impaired: 前數據階段的公司,公司當然有數據、公司當然有分析,但都是只在基本「商業計算」的層次,沒有任何分析策略。我認識很多中小企業主,幾億身家的這種,都在這個階段,開心就好。
  • Localized analytics: 與上面的數位轉型5的階段1與2有點類似,已經開始導入數位分析工具,但分析的層次以描述型分析為主。數據儲存在部門當中(數據孤島),沒有跨部門的數據倉儲或者現在流行的數據中台概念。
  • Analytical aspirations: 高階主管開始關心數據分析,公司可能會有個數據長或者分析長 (Chief Data & Analytics Officer) 之類的角色,公司已經有大量的預測型分析的能力,也有資料倉儲,不過許多資料庫還是沒有完全整合、沒有標準化,無法跨部門使用,自然也無法跨部門分析,與前述數位轉型的 Partially Synchronized 非常類似。
  • Analytical companies: 全公司已經完全數位轉型也數據轉型,公司具有成熟的預測型分析、指示型分析能力,也導入了即時自動分析的能力,數據分析是公司的主要任務,資料儲存完全整合,數據分析可以跨部門。
  • Analytical competitors: 到這個階段,公司不但已經轉型成數位公司,也是數據公司,公司的流程已經在數據的基礎上大量自動化,數據分析能力變成公司的主要競爭力。
數位轉型並不是在生產、物流、財務、人資等管道導入數位工具就好,否則這樣數位轉型也太簡單了。如果數位轉型沒有搭配數據轉型,數位工具可能很快就淪為數位化的閒置資產。一間公司要數位轉型到具備 Digital Living DNA,前提必然是先成為 Analytical company。

Why Digital Transformations Fail: The Surprising Disciplines of How to Take Off and Stay  AheadCompeting on Analytics 兩書在數位轉型與數據轉型的5個階段如此相像,也能彼此對照驗證,相當有趣,非常推薦同時閱讀。

這個網誌中的熱門文章

Google 專案管理認證如何準備?值得考嗎? Project Management Professional Certificate

Google 2021年開始在 Coursera 上開設了一系列以科技業就業為導向的 Certificate 課程,我今年6月底到7月初,大概花了2週的時間,從早學習到晚,取得了 Google Project Management Professional Certificate 這個認證,覺得可以來談談這個認證,並且推薦年輕朋友考一張看看。 結論先講 這是一個不錯的初階認證課程,有系統、有難度。我覺得上過這個課,對於專案管理的流程、文件、軟技能都有基礎的認識,應該需要知道的細節都有基本的知識,重要的文件都自己寫過一次,建議生涯初階的人可以考看看。從用人主管的角度來看,我覺得這個認證是有效的。 什麼是 Certificate Certificate 在美加的教育環境中,就是一個最基本的職業文憑,很多大專院校,會同時頒發 Certificate、Diploma與Degree, Certificate  差不多就是一年的課程(Diploma 2年、Degree 4年),一般學校都要求10-30學分左右的課程份量,大概是150到500小時的學習。一張Certificate通常有發證單位的背書,證明具有尋求該職業最低的要求,但不是「大學學歷」。 Google 每一張 Certificate 都是說 Prepare for an entry-level job as a ________. 然後在課程中會引導學員了解這個證書也不是 讓你幻想拿到之後就可以到跨國外商 PMO 管理大型專案 ,而是只能從各種 助理工作 開始。 Google Certificate 要求 6 個月的學期,課程安排大概是27週左右,每週要求10小時左右的學習,我覺得大概有台灣的大學10-20學分的份量(看是什麼大學),大概比台灣很多大學的「學分學程」少一點。 Google Project Management Professional Certificate 難不難? 我先簡單說一下我的背景,我沒有留學美國的經驗,但Toeic裸考9xx分,並且有在外商參與各種大小本土與跨國專案的經驗。 對台灣人而言,這個課程有 三個難度 ,一個是課程難度、一個是語言難度、一個是個人時間管理難度。 課程難度 :課程難度我覺得還好,如果都是用中文上課,台灣國中會考5B的學生還算可以應付。 英語難度 :加上英文之後,就

如何讓老師幫你寫推薦信

到了推甄的季節,許多學生都會請老師幫忙寫推薦信,但老師通常無法一一達成你的願望。因為你會找的老師,通常也有很多同學會找。沒有人找的老師,就是沒有人找。 想要獲得一封「 有效的 」推薦信,同學必須自己協助完成,而不能期待老師從無到有幫你寫完。原因有幾個: 你認識老師,老師也認識你,但,老師真的跟你 沒有很熟 。你可能修過這位老師幾門課,但課堂上不是只有你一個學生,老師「知道」你這個人的存在,但通常跟你不會很熟,特別是大學部的同學,除非當過老師的助教或助理,否則老師跟你單獨說話、見面的時間合計起來不超過一小時。加上現在社群媒體爆料的文化興盛,老師能夠避免與你單獨相處就盡量避免,請問這種狀況下,老師對你瞭解有幾分?如果你只修過老師一兩門課,老師就能幫你寫一封對你非常瞭解的推薦信,你可能要考慮報警。 二、老師對你的生涯規劃與讀研究所的脈絡並不清楚。除非你主動告訴老師,否則沒有人知道你為什麼要讀這個所、你的讀書計畫與目標是什麼,你的天性與專長如何滿足這個所的需求。 三、老師真的很忙。即便真正很熟的時間,寫起來也要幾個小時的時間,更何況不是真的很熟、半熟、三分熟的學生? 推薦信的底稿 這種時候,你應該自己先寫好一份推薦信的底稿,讓老師在這份底稿上邊修,這樣你才能夠得到一份真正對你推甄、申請有效的推薦信。 一封 推薦信的底稿 應該包含幾個段落: 被推薦人的簡單介紹(就讀學校、主修、副修、學業成績表現、生涯目標) 推薦人如何認識被推薦人(課堂、實習、研究助理、認識多久) 被推薦人的主要特長(積極、適應力強、認真、好學等等) 推薦人如何知道被推薦人有這些特長(STAR寫作法,文末有詳述) 這些特長與被推薦人要申請的研究所、工作或獎學金的連結是什麼? STAR 寫作法 在特長的部分,同學請依照 STAR 的方法來寫作。STAR 包含了: Situation Task Action Result 如果你覺得自己有「領導力」,老師大概很難直接寫「這位同學富有領導力」。通常要寫: Apple同學具有良好的領導力,她在2017年時曾經修過我的資訊圖表課程,當時我曾經有一個小組作業非常複雜困難,很多小組都無法排解組內的紛爭,成績表現並不好 (Situation)。但Apple同學身為小組組長,知道這個專案需要透過溝通來解決 (Task) ,她花了非常多時間與同學討論作業的需求、安排大家都滿意的分

Google Data Analytics 數據分析專業認證介紹

Google 在 2021 年開了5個他們認為低學歷也可以進入網路科技業的墊腳石課程,都是 Certificate 程度,也就是美式求職證照中的最低階。 我先前已經先考過了 專案管理的專業認證 ,這次繼續花大約2周的時間來完成數據分析師 / 資料分析師認證,看看這張證書是否值得推薦。 Google Data Analytics Certificate 結論先講 如果你具有任何一個非數據類的專業(aka良好的大學文憑)或者在工作上累積了不錯的專業知識 (Domain Knowledge) ,這門課可以 提高你的專業知識與求職機會 (前提是你真的 所有作業 都做完哦~~) 這門課的重點是 Data,不是 Business ,主要提供你與 Data 最基本的互動知識,但談不上 Business Analytics ,使用的工具、課程內容重點都不同。 課程難度 Google Data Analytics Professional Certificate 這門課是全英文的,你要全程用英文參與課程、學簡單 Coding,完成作業,語言上有難度。不過與另外一門 Project Management Certificate 相較,我覺得英文要求沒有那麼高,畢竟沒有 Peer Review,等於是沒有對英語寫作的要求。 課程的工具核心有三個,分別是 Excel(試算表)、SQL與R,假如這三樣你都沒學過,也沒有任何寫程式的基礎(這種人現在也不多就是了),可能會有一點點學習上的門檻,但如果你已經有任何一個程式的基礎,相信不會太難。 課程安排 這個專業認證課由8個課程組成,課程架構與大部分數據分析、商業分析的都差不多,Google 這邊使用的為 Ask、Prepare、Process、Analyze、Share與Act六大步驟,除了第一個課程是數據分析快速入門外,後面5個就是Google數據分析的前5個階段,然後第7個課程專門講R,第8個是專題作業。 Ask 階段主要是定義商業問題與需求,Prepare階段讓你了解數據、欄位等特性,規劃資料需求並且取得資料。  Process階段就專門談資料的清理、整理,花了很多時間在談清理的樣態、手工清理與SQL清理,令人驚訝的是完全沒有介紹 OpenRefine 。 Analyze階段講得比我想像的要少,重點還是在試算表與SQL的使用,完全沒有提到商