top of page

企業數碼化轉型難點

Updated: Apr 28

筆者擔任紅杉專家合夥人,有幸與很多企業老闆討論數碼化轉型的問題,其中包括中小企,甚至是資源充足的上市公司。總括而言,雖然業務性質五花八門,但八成機構在轉型所遇到的困難卻有很多共通點,最典型例子莫過於管理方式與技術發展上銜接的問題,這可能源於業務主管對科技的抗拒,或是技術人員對業務不熟悉所致。

如果要找出最關鍵的原因,肯定是企業在數據化思考上缺乏共識;試想,若管理層之間對數碼轉型的認知存在偏差,全面推動起來必然事倍功半,有見及此,內地政府部門把數據的「存儲、管治、應用」形容為牛鼻子工程,意指一旦找不到對口的方式來牽引蠻牛,確實很難讓牠馴服。就筆者多年來對企業及機構的觀察和經驗所得,把數據能力泛化到企業的每個崗位之前,相關思想教育是不可或缺的,這亦是我堅持到不同企業與學校演講的理由。

10年前,中高層管理者普遍對數據分析表現很冷淡,數據團隊做的事情總是吃力不討好,假如不解決這個核心問題,投入再多技術和資源也是徒然。這種想法萌芽於支付寶,為了提高公司上下對數據重要性的意識,以及希望能從外部吸引更多人才,筆者向公司申請50萬元人民幣經費,籌組當時國內還未舉辦過的大數據峰會「西湖品學」。為求做到一個既高瞻遠矚又承接地氣的分享會,我們絞盡腦汁,從國內外把出色的數據實戰者(包括科學家、產品總監、CEO)邀請到杭州現身說法,隨後便成為了每年一度的「西湖品學」峰會,亦由於效果理想,觸發了筆者出書的想法。

在10年大數據職業生涯中,筆者寫了3本書,分別是《決戰大數據》、《數據的本質》及《數循環》,內容涵蓋自2010年起,阿里巴巴、京東數科、微眾銀行和中國市政府等機構渡過數碼化轉型的過程。

身為一位作者,最感到欣慰的,就是讀者對自己的肯定,然而遺憾的是印刷版本沒法持續進行更新與補充資料,因此筆者最近嘗試把書本中的要點重新編輯,並把當時沒趕及寫進書本裏的資料放在網上(www.datainnolab.com),公諸同好。

Recent Posts

See All
選擇胖模型還是胖鞍具?

打開任何人工智能(AI)方案,你會看到兩種完全不同的產品策略在較量:一種叫做胖模型(Fat Model),另一種叫做胖鞍具(Fat Harness)。 胖模型的信念很直白:以更大的大腦解決更多的問題。參數多、數據龐大、算力強,模型自然顯得聰明。這驅動了ChatGPT、Claude和Grok之間的競賽──每一代都宣稱新產品比上一代更強,而企業只要付費就能直接使用,代價是你的AI能力完全綁定在供應商的

 
 
慎防智能代理「無聲」脫軌

試想想,人工智能(AI)系統已在生產環境中完成部署,但究竟要如何防止AI「悄然失靈」?過去3個月,全球超大規模企業在AI基礎設施上的資本支出達到一個前所未有的量級。單憑這一數據,人們或許會得出結論:AI的生產化部署正在全力推進,市場充滿信心。 然而,7月份第一周,來自不同領域的幾個訊號同時浮現,揭示出一個更為複雜的真相。一邊是史無前例的基礎設施投資;另一邊是一群深諳「系統可靠性」的專家──那些專門

 
 
AI預算黑洞 根源在架構設計

過去兩年。美國眾企業不約而同墮入一個速成陷阱: 認為購買了一個模型、聘請幾位演算法工程師、便能成功實現人工智能 (AI) 落地。然而,即使模型選擇正確數據卻 難以整合;數據成功整合,系統卻無法運行;系統成功運行,但業務部門不會操作;即使學會操作,3個月後模型又變得過時。 問題根源其實不在模型,而在架構。猶如建造大樓,若設計圖存在缺陷,再昂貴的材料也難以支撐。許多企業投入巨資購買「鋼筋水泥」(模型和

 
 
bottom of page