Aalytic）。

预测性分析是根据过去的情形和趋势来推测未来变化（见图8.12），其理论和技术支撑是统计性推理和线性回归等统计学模型，其最典型的应用是生产过程质量管理中的统计过程控制（Statistical Process Cotrol，SPC），即根据样本的表现来推测总体的表现，并进一步预计总体未来的表现。随着机器学习和人工智能技术的发展，除了统计性推理模型外，决策树（Decisio Tree）、支持向量机（Support Vector Machie）、神经网络（Neurol Network）、随机森林（Radom Forest）等新兴计算模型的应用日益广泛，并催生了预测性设备维护、预测性质量控制、预测性安全管理等业务应用场景。

图8.12　预测性分析

规则性分析则是预测性分析的进一步应用（见图8.13）。预测性分析还只是预测事物的未来变化，规则性分析则是告诉人们如何影响未来的变化，即为了在未来某个时间可能达成某种期望的结果，当前应该怎么做？Aalytic）。

预测性分析是根据过去的情形和趋势来推测未来变化（见图8.12），其理论和技术支撑是统计性推理和线性回归等统计学模型，其最典型的应用是生产过程质量管理中的统计过程控制（Statistical Process Cotrol，SPC），即根据样本的表现来推测总体的表现，并进一步预计总体未来的表现。随着机器学习和人工智能技术的发展，除了统计性推理模型外，决策树（Decisio Tree）、支持向量机（Support Vector Machie）、神经网络（Neurol Network）、随机森林（Radom Forest）等新兴计算模型的应用日益广泛，并催生了预测性设备维护、预测性质量控制、预测性安全管理等业务应用场景。

图8.12　预测性分析

规则性分析则是预测性分析的进一步应用（见图8.13）。预测性分析还只是预测事物的未来变化，规则性分析则是告诉人们如何影响未来的变化，即为了在未来某个时间可能达成某种期望的结果，当前应该怎么做？If我想……（在下个季度销售收入增长10%、成本下降5%等），The应该如何做……

图8.13　规则性分析

由此可见，规则性分析还需要在预测性分析基础上，加上运筹学模型等的支持。也只有有了规则性分析，洞察才可以转化为决策和行动。总体上，规则性分析的输出是关于业务的优化性建议。

（5）决策

由洞察转化为决策，就是根据预测性分析或规则性分析的结果，来支持企业经营目标的设定或特定活动的选择，是一个由建议（Advices）到选择（Choose）或目标设定（Goal Settig）的过程。

由洞察到决策，或由建议到选择或目标，可以是纯手动、半自动或全自动的过程，数据全生命周期的深化应用就是希望能够逐步提高If我想……（在下个季度销售收入增长10%、成本下降5%等），The应该如何做……

图8.13　规则性分析

由此可见，规则性分析还需要在预测性分析基础上，加上运筹学模型等的支持。也只有有了规则性分析，洞察才可以转化为决策和行动。总体上，规则性分析的输出是关于业务的优化性建议。

（5）决策

由洞察转化为决策，就是根据预测性分析或规则性分析的结果，来支持企业经营目标的设定或特定活动的选择，是一个由建议（Advices）到选择（Choose）或目标设定（Goal Settig）的过程。

由洞察到决策，或由建议到选择或目标，可以是纯手动、半自动或全自动的过程，数据全生命周期的深化应用就是希望能够逐步提高由洞察到决策的决策质量和自动化水平，这才是“智能+”的核心内涵。

根据涉及的范围和时间的跨度不同，有不同类别和层次的决策。一般而言，全局性的、时间跨度比较长的决策，还是需要在IT系统建议的基础上进行人为调整，以体现经营者的判断、意图和权衡，这是一个半自动的过程；而对于那些局部的、时间跨度缩短到周或天，乃至班次的决策，尤其是操作层面的决策，则可以考虑尽量实现自动化，直接从建议到计划的制订或计划订单的生成，比如预测性设备维护和预测性质量控制等业务场景。

（6）行动

由决策转为行动，就是根据目标的设定来制订企业的经营计划，它的输入是经营目标，它的输出则主要体现在ERP、CRM等IT系统中的主生产计划、市场推广计划、定价策略，等等。这里的行动，在IT系统里体现的是各种计划（Pla）或计划订单（Pla Order），是一个由目标（Goal）到计划（Pla）的过程。

从数据到信息，从信息到知识，从知识到洞察，从洞察到决策，从决策到行动（计划），由计划（行动）到组织，由组织到执行，数据的全生命周期完成了一个循环；接着再在业务的执行过程中采集数据，……，数据的生命周期又进入新的循环，企业的经营在数据生命周期的循环中不断优化和提升。

如果，再进一步，数据全生命周期管理的PDCA循环能实现完全自动化，或者只需少许的人工干预，企业数字化转型的智能化阶段就由洞察到决策的决策质量和自动化水平，这才是“智能+”的核心内涵。

根据涉及的范围和时间的跨度不同，有不同类别和层次的决策。一般而言，全局性的、时间跨度比较长的决策，还是需要在IT系统建议的基础上进行人为调整，以体现经营者的判断、意图和权衡，这是一个半自动的过程；而对于那些局部的、时间跨度缩短到周或天，乃至班次的决策，尤其是操作层面的决策，则可以考虑尽量实现自动化，直接从建议到计划的制订或计划订单的生成，比如预测性设备维护和预测性质量控制等业务场景。

（6）行动

由决策转为行动，就是根据目标的设定来制订企业的经营计划，它的输入是经营目标，它的输出则主要体现在ERP、CRM等IT系统中的主生产计划、市场推广计划、定价策略，等等。这里的行动，在IT系统里体现的是各种计划（Pla）或计划订单（Pla Order），是一个由目标（Goal）到计划（Pla）的过程。

从数据到信息，从信息到知识，从知识到洞察，从洞察到决策，从决策到行动（计划），由计划（行动）到组织，由组织到执行，数据的全生命周期完成了一个循环；接着再在业务的执行过程中采集数据，……，数据的生命周期又进入新的循环，企业的经营在数据生命周期的循环中不断优化和提升。

如果，再进一步，数据全生命周期管理的PDCA循环能实现完全自动化，或者只需少许的人工干预，企业数字化转型的智能化阶段就基本实现了。基本实现了。第三节

数字化之术

企业数字化的本质是进化，进化在过程中酝酿、变革和诞生。在这个过程中，既有文化方面的宣导，又有技术工具的学习，更有组织架构的调整，各种形式的风险和不确定都将出现。作为路径参考或引领，需要在关键阶段有相对应的工作重点和策略，要有关键性的里程碑和事件作为阶段完成的标志。大体上，企业的数字化转型可分为五个阶段：认知颠覆，工具转换，虚实融合，物种诞生和组织重塑。如图8.14所示。第三节

数字化之术

企业数字化的本质是进化，进化在过程中酝酿、变革和诞生。在这个过程中，既有文化方面的宣导，又有技术工具的学习，更有组织架构的调整，各种形式的风险和不确定都将出现。作为路径参考或引领，需要在关键阶段有相对应的工作重点和策略，要有关键性的里程碑和事件作为阶段完成的标志。大体上，企业的数字化转型可分为五个阶段：认知颠覆，工具转换，虚实融合，物种诞生和组织重塑。如图8.14所示。