四部曲实现数据到决策闭环
程艳玲：您谈到一定要数智化转型、智能化转型。事实上，现在许多汽车及零部件企业在IT系统的建设，OT的建设方面已经有了一定的成果和积累。我们现在经常说由数致智，数字化建设到了质变的时候。我们在之前调研中收集到反馈也显示，行业数智化建设目前发展的阶段，一是战略方面会聚焦在智能决策，这其中也有一些很具体的选项，比如说从研发到服务整体的闭环，也就是端到端。还有一个就是服务化转型像您之前提到的，产品的服务化等方面的转型。
从这结果来看，您认为目前要实现战略落地，即智能决策，当前行业的基础如何，会有挑战，您的建议是什么?
程杰：一是要有基础，基础是很重要的，数据的基本能力要具备;第二个要以终为始。要意识到数据只是一个基础，并非是目标。汽车企业不是数据公司，不是一定要有一堆的数据，数据是要用来帮决策的。
在这里我们常提及两个单词，一个叫Data，数据，另外一个叫Decision，决策。我们将两个单词连在一起称之为D2D。我们之前做的很多IT相关的工作，是从Dcision到Data，做了决策之后，IT工作是用来落实和总结KPI的，比如收集销量、业务以及各部门的业绩数据，把数据管理起来，通过一定的形式出具报告或者做可视化展示，目前这种情况还有。
现在谈D2D是要倒过来，从Data到Decision，我们收集这么多数据是要服务于下一次决策。这不是展示、呈现就能够解决的问题。要实现从Data到Decision，我们可以总结为四步。
第一步描述，不是展示、呈现的过程能够解决的了，是要几步走才能完成，一般我们说要完成四步。第一步我们叫描述，用数据尽可能详尽的、实时的、高频的来描述你所处的状态，汽车里面比如说可以达到每两百毫秒采一条数据，告诉汽车在哪里，经度、纬度、速度、油耗，电池还有多少电量，能走多少路，轮胎有没有漏气，门和窗户是开着还是关着，所有的信息都是实时的采集，传送到网上，用网上和车内的智能进行调整，这就是描述。对于企业来说描述可能更多一点，比如说你卖了多少车，是什么样的配置，卖给谁的，人群的画像是怎么样的，各种各样的标签加强，这是第一步。
第二步往往就会问，这里的业绩好，那里的业绩差，这个车卖的好，那个车卖的不好，到底是价格原因、配置原因、市场原因、媒体的宣传原因还是什么原因，你会问很多为什么。“为什么”数据往往不在自己企业内部的数据里面，所以找不到，这是一个难题。你说要数智化转型，必须有这方面收集数据的能力，往往是来自于对消费者本身的理解，以及对市场竞争、政府的政策和经济的大环境数据的把握，这是第二个我要诊断、我要知道原因，能够回答这些为什么的问题。
第三，不能老是看以往理解、洞察，我得往前看。下一步我有很多的事可以做，我可以去搞优惠，可以把产品的配置再优化一下，我可以推出新的产品等等，对每一个动作有一个成本，也有一个期望。我希望市场上怎么响应，这有仿真、模拟和预测的能力，下一步会发生什么，而我能做的事情很多，我不会每一件事情都去尝试一下，但我必须用数据、算法、模型来帮我推测，做沙盘推演，哪一个东西、哪一种决策可能会帮我达到最好的回报，这是第三个(预测)。
第四，决策如果解释又是一个、两个人也就看了数据做了预测以后就能做决定了，但如果场景是很多的，我可以有几十种场景能对付，现在都是几十万种场景的组合，你怎么对应的过来?这时候就要用机器的方法来帮你找寻最可能达到效益最大化、利润最大化的方案，叫优化。
整个过程从Data到Decision四步走，从描述到诊断、到预测，到最后决策的自动化，四步走的好处真正达到了闭环，在一系列的过程当中帮你理顺，产生或者是提示你最优的决策方向在哪里。
没有闭环达不到效果，没有以终为始的态度和基本的策略，往往对数据化转型每一个动作期望很高，马上转为失望。
管理者要有数据的意识和用数据的习惯
程艳玲：您刚才提到这四步所形成的闭环，我们可以称他为方法论、路径或者是理念。但是，真正在落地的过程当中，可能侍有一个普遍现象，还是会把他当做一个技术型的工作去操作，从刚开始规划的角度来讲没有形成这样的闭环，在实践的过程中，可能到这个阶段下一步就不知道往哪走了，是不是会有这种情况?您觉得我们要补上这个缺，您有什么样的建议?大家应该做一些什么样的事?
程杰：美国也不少这方面的经验，走的比中国早了一点，我在福特拿到亨利福特奖的时候，在杰里帕文拿到埃德蒙大奖的时候，也就是美国在做数智化转型的时候，从这里面得到几个启发。
第一点：管理者必须有数据的意识和用数据来指导决策做优化的习惯，变成职业习惯，不能用提示，不用说上面的叫口号。数智化转型的目标是方方面面的，绝对不能把它等同于建一个平台、写一段代码，成立一个组织叫DTO就完事了，这确实要有战略上的规划，而且管理者要有这方面管理的能力。当初麦肯锡在大数据初期，提出美国缺了20万个数据科学家，但缺了200万个知道怎么用数据来进行管理的管理者。MBA没有这个课程，缺乏用数据管理的案例，传统的课程培养出来的管理者根本没有这个意识。所以，2010年我们在美国一个组织里面提出了动议，居然被接受了，就是所有的MBA课程里面必须把统计学作为必修课而不是选修课。
第二点，要提升团队软件开发和数据处理、数据分析综合能力。国内软件的开发能力相当好、相当充裕，每个大学都有这样的课程，培养写代码的程序员，但是缺综合性的能力。体与在两个方面，一个方面用写代码来实现数据分析、数据处理这方面的能力比较短缺。另一方面学统计的人不会写代码，写代码的人没学过统计，所以一大堆数据，要么是用一个数据库管起来就完事了，要么就是做个模型，但模型始终没法自动化，模型的效率没法提高。这种现象逐渐在改观，但是相对来说，也是数智化转型的一个难题。
低代码破解“人才”和“场景”难题
程艳玲：据ENI汽车产业数智化应用调研结果，大家认为当下数智化建设比较大的挑战，一个是人才，另外一个涉及到我们现在经常说的场景、建模等等。尤其在场景这方面，我们之前在做“5G+工业互联网”系列采访的时候，大家的答案很多让你觉得很可惜。一个是数据收集的能力，基本上达到了90%多，甚至99%。但是这一堆数据放在这干嘛?不知道，很多数据利用率是非常低的，就是您刚才提到的情况，我有平台、有技术能力，我收集了这么多数据，但是用不了。
一方面可能我们在战略上没有预期说要实现什么样商业的模型，或者是创新的东西。另外一方面，在转型的过程中没有一些新的东西给大家示范，大家如果都在观望，往前走这一步不知道该怎么去走。另外在人才方面我的理解，我可能理解比较局限性，我记得我们经历了两个阶段，两个阶段对我印象比较深刻，一个是我们之前从定制开发到通用系统的过程当中，媒体做过一波引导，说你做企业的，招这么多IT人才去做开发没有必要，而且可能在理念上、技术上有局限性，所以我们不如用通用的东西，这是第一个。
另外我们在提云服务的时候也提到了，企业要专注做商业的事情，不用去考虑专业的事情，专业的事情交给专业的人做。我们现在再重新提需要有人才，所以人才的定义也是我觉得比较困惑的点，有两个问题我想请程博士给大家支个招，一个是在人才方面，我们在数智化转型过程当中到底需要什么样的人才，或者说在人才培训体系，或者在人才的管理体系方面有什么样的建议?
程杰：这两个方面的难题不是一天两天能解决的，大家都在想怎么尽可能用科技的手段，用改变我们习惯的做法使得差距可以被弥补上。再总结一下，做数智化转型从人才的角度需要有四个方面的能力，不可能一个人全部具备，但一个团队可以具备。
第一是对数据的能力，对数据的敏感性，对数据知道怎么去解读，知道数据从哪去取，什么样的定义使得数据能够比较好的呈现在做模型、做分析、做业务的人的手上，知道怎么去解释数据，数据的定义、数据的采集、数据的管理等等。
第二部分就是分析。分析里面包括传统的BI，知道数据表达了什么意思，用来诊断什么问题，做模型、做算法。另外一个就是软件，做的所有东西一旦成型以后能够自动化，使得它能够反反复复的在流程当中被使用，而不成为人的负担，大量的要靠人去做这些事。
最后一个就是你刚才说的场景，一切是以解决问题、优化决策为目标的，要有针对性的部署人才。往往搞业务的人是知道场景，知道决策，但他表达的方式使得做软件也好、做分析模型或者做数据的人不能理解。我说销售上不去，你们给我想个办法，做数据的人就说采集一大堆数据，做模型的说我要做模型，但是往往就解决不了这个问题。所以这里面四方面能力要结合起来，大家能够善于分解、善于里面拉出关系，把它变成比较自动化规范的流程，使得成为企业的习惯，而不是一次性的解决问题。
这里面一个是理念，理念怎么达到?低代码可以很好地从技术的入口来解决这个问题，业务的人往往跟写代码的人讲不清楚，写代码的人憋了三个月，给他一个做呈现的代码结果，他说这不是我要的。事实上，低代码不仅仅是帮你减少工作量，更是一种沟通工具，是一种写代码的习惯，使得写代码的人从第一天开始就知道代码是要跟用户去交流、沟通的，他必须能看得懂。所以从流程的描述到最后代码实现的过程始终贯彻到细节，是能够在写代码的人和业务的人之间能够产生一个对话，这是低代码的好处。
与此同时，低代码可以将很多企业能力的积累分解成一个一个小的单元、一段一段的代码，而代码一旦形成了以后不用写第二遍，可以积累在一个库里面，到时候调用就是了。
此外，低代码还可以助力数据管理规范化，保证数据安全及网络安全。你要按照一定的要求来做，而不是随意的谁也可以操作。这就是低代码带来的好处，如果你从人的培养、组织的培训，一个人不可能所有的能力，低代码很多程度上降低了挑战带来的困难。
程艳玲：这两方面是可以结合的，你不懂技术没有关系，有人懂，我已经给了这样一个工具，你可以直接去用。但是涉及到落地场景我还是想请教一下，即使是有低代码这样的工具可能也没有办法解决所有的问题，需要一些创新理念或者业务的支撑。这方面高科数聚可以提供哪些方面的支持。对企业自身需要如何去做，您的建议是什么?
程杰：我以现在比较热门的话题为例，一个就是出海，出海的里面就牵涉到数智化，我之前提到过原生跟不原生的区别，出海的业务不用从传统的方法开始做起，企业一开始就可以用数智化、数据的应用作为基础，使得过程能够相对简单而且优化，没有转型这一说了，因为是原生的。这就用到刚才我刚才说的D2D，用低代码的形式来帮助实现。
国内一家很成功的新能源车企，他们在欧洲和南美使用了西门子的低代码Mendix，帮助把很多已经开发好的数据化应用代码迁移到海外的环境当中，快速的实现了业务的功能，而不需要招很多的人，再人为的建立流程。转型实际上已经把国内的成果拿到那边去了，但毕竟有很多本地化的要求，所以你原生的把一个系统搬过去不现实，可以把很多的模块通过拖拉拽的方式以脏话少量的代码整合起来形成完整的系统，在海外能够快速的拉起来应用。
另外，还有利用低代码实现质量检测，像丰田、三星这些公司，他们在常规的业务尤其在检测业务中用了低代码。一般包括几类，分布在几个主要的部门，有生产部门，关于排产、质量;有研发部门，关于设计、测试;有营销服务，涉及投广告、销售、布店、服务客户等等所有这些方面现在都有大量的低代码落地的场景。
高科数聚可以从多个角度帮助汽车行业客户，除了一般的开发以外，我们有咨询，帮助客户来理解数智化方面的挑战、设计方案;帮助客户开发平台，做到端到端的功能实;。帮助客户解决怎么获取他们以前拿不到的数据，融入到方案里面去，使得更智能化;也可以驻厂，帮助完成系统的开发，尤其是车联网方面的超级APP等等。在整个过程中m低代码是很好的基本要素，使得我刚才说的很多人才方面的不足和团队之间的交流困难得到了很好的解法。
多重Buff叠加，打造数据应用安全屏障
程艳玲：我们可以理解高科数聚有一系列的理念，或者是场景方面的方法论，同时可以通过Mendix低代码平台落地理念和方法论，把我们的数据利用起来.这其中是不是也会涉及到下面这个问题的解法。就是大家现在比较注重的数据安全等等，一方面国家相应的政策越来越严格，出台了一系列相关的规定，包括整个产业的数据流通、数据应用等等方面的管理规范。您刚才提到这两点，不管是从理论和方法论上，或者从平台上，本身已经规避了这样的隐患，可以这样理解吗?
程杰：是的，现在从数据的安全来说是分成很多的具体需求，一是系统的安全，包括数据的采集、传输、管理、应用的权限等，保证数据不要被窃取，不要被不合规的使用。
第二就是隐私的保护，数据好像都在你的系统里面去用，但是没有得到消费者授权，能不能去用?很多企业是不熟悉的，要不就过度的保守，什么也不做，要不就是轻易的把数据用在不该用的场合，这是数据隐私的保护。
第三是数据商业机密的保护，有时候不可避免地进行数据分享，实现一些对接。有一些乙方来帮助你做数据的应用，在这个过程当中商业机密的不能外泄，所有这些都是数据安全从不同的角度要解决的问题。正如我前面所说的，很多东西已经有很好的实践，已经代码化了，所以可以通过低代码，尤其像西Mendix有上千个低代码的组件可以重复使用，使得你不至于在每一次要有法务的人，要有谁来审计、来考试。在数据安全应用方面，高科数聚可以帮助企业从培训、从咨询以及代码的使用角度来快速提升这方面的能力。
程艳玲：具体的您能不能举例说明一下?我之前也是采访一个汽车的CIO，他当时也提到了这个问题，就是您刚才谈到的，他们现在提议数据安全已经不仅仅是企业自身的数据安全，也会涉及到安全的使用、消费者的数据，听刚才提到的问题，这也是我们很多汽车企业现在面临的问题，包括我们在有些大数据平台做的比较好的，但是提到车联网数据应用的时候，也是会比较保守的介绍这方面的经验。您是否可以就一些具体的场景跟大家举个例子，说明一下我们能够提供的支持，能够帮助企业实现到什么样的程度。
程杰：现在的汽车行业的数据使用，尤其在车联网里面有一个需要克服的问题，就是车及车主数据应用风险。比如车的行驶轨迹数据跟人的数据相连接，使得一个厂家能够充分知道他的客户人群是怎么用车的，怎么为他们提供更好的服务。以及下一代汽车的配置、定价和附属的出行服务怎么能够创新，来提供给他的客户人群。
所以他需要这样的智能，包括人和车是什么关系?什么样的人开什么样的车，过程当中能不能理顺，这里面因为牵扯到个保法，是很难的难题。高科数聚帮助车企克服这个难题用了很多的技术。这里面最简单的，比如以前用数据加密就行了，现在通不过了，有联邦学习的平台。还有用不经意传输，无碰撞的方式，即两个数据库我们可以在不碰撞的情况下进行一系列的连接，来完成洞察分析的需求。这方面我们已经帮助不少的车企解决了核心的洞察问题，为他们做研发、做汽车的配置、设计和服务提供预测和创新依据。
另外一方同，高科数聚要帮助客户知道怎么能够合法、高效的得到客户的授权。其实，如果消费者知道你是为了服务需要授权，很多人都会授权。得到授权的过程也是需要技术的支持，流程的设计等一系列的服务。
程艳玲：谢谢博士，今天时间的关系，博士给大家分享的内容只能涉及这些方面，因为我们今天的访谈也是基于我们之前汽车产业的调研，旨在解决调研反馈的一些具体的问题。刚刚博士也是从理念、方法论，落地的平台、技术管道，包括能够提供脑力，或者整体技术方面的支持，给大家做了完整的介绍，但是这个从博士整体，包括高科数聚擅长的内容给大家提供更多引导性，或者参考性的东西来讲，这可能还是冰山一角，我们也期待接下来能够从不同的角度跟博士再做进一步的交流，给大家更多的参考。
