1.3.5　數字化與信息化的差別

過去的幾十年內信息化在企業廣泛開展，積累了大量有效的建設路徑方法，很多方法（如敏捷開發、企業架構等）在數字化建設中仍然是有效的。但數字化與信息化在有些方面存在很大差別，對這些差異的認知偏差也引起了實踐誤區。

1.價值閉環

數字化集中在關鍵決策點，而不是整個業務流程中，數字化的價值閉環仍然依賴既有的業務流程或信息化系統，因此不要過度解讀數字化的“價值閉環”。數字化從多領域、多流程數據關聯的角度優化物理過程和業務決策。信息化以業務流程為中心，為業務活動提供必要的信息，并記錄活動的狀態和結果數據。在信息化系統中，很多復雜的決策過程由操作人員完成，信息化系統只需要為此提供足夠的信息，以及留出足夠的靈活接口即可。數字化恰恰與之互補，基于大量的數據提供智能決策，但仍需輸出符合規范接口的決策建議，這樣能被信息化系統消費。

2.創新主體

在工業數字化中，涉及大量的機理和工藝上下文信息，多維度分析通常需要跨技術領域，這與過去的信息化咨詢和建設項目不同。信息化咨詢與建設項目在不同企業間有很多共性，通常不涉及業務決策和創新，第三方咨詢和技術服務是一種有效的社會分工機制，通過專業化的規模效益，可以有效提高項目建設水平。而在數字化建設中，第三方服務協同中信息傳輸損失和知識轉移成本很高，大量基礎的數據分析依靠企業內部領域專家解決是最有效率的，這樣也利于促進自主創新能力。在數字化創新中，應以內部自下而上的創新為主，第三方服務主要集中在基礎能力建設和個別專業難題方面。

3.建設路徑

在企業自動化和信息化建設時，應特別注重整體規劃和藍圖，例如，IT戰略計劃（IT Strategy Planning，ITSP）或企業架構（Enterprise Architect，EA），這樣才能保證前后建設信息系統的一致性與兼容性。

在數字化建設中，整體規劃仍然必要，但迭代創新速度更重要。數字化的不確定性遠比信息化大，很大程度依賴數據量和數據質量，數據中是否存在可靠的規律，只有挖掘后才能得知，同樣的分析課題在不同數據集上的效果也不同。工業不缺經驗與知識，缺少的是系統化、強壯的可執行的模型。工業分析模型瓶頸很多時候不在于算力，而在于模型的強壯性。數據的結構和質量多樣性是阻礙大規模應用的一個要素。因此，數字化建設走的是“頂層定業務場景，底層迭代創新”的迭代式路徑。

4.數據資源

數據資源不足往往是數字化建設最大的障礙。數據分析模型（特別是數據挖掘模型）的前提是數據維度的完備性和可信度、歷史相似性、狀態遍歷性和時空連續性。這樣的前提假設在很多時候不一定成立。

很多數據分析依賴的數據源往往是信息化、自動化系統建設的成果，這些系統建設時不可能完美考慮數據分析模型的需求。在數據分析時，會遇到很多數據問題。例如，多維度數據的整體完備度，只有在數據關聯后才能得知，這對數據供給和分析模型研發效率帶來了較大挑戰。大量歷史數據沒有標記，再加上工業系統的異常樣本本來就少，異常樣本的數量和覆蓋度成為很多設備異常預警分析課題的主要瓶頸。