既然數據技術是延伸人類的“思考” 能力，那么人們就需要從仿生的角度研究人類“思考”的方式，從而打造大數據的“思考”能力。

大數據底層模型

先想象一個生活中的場景，如洗澡，先打開水龍頭，在絕大多數情況下，人們會把手伸在花灑下用手感知水的溫度，如果溫度過高就會調節閥門，把水調涼一些，然后伸手感知水溫，如果溫度過低則再調節水龍頭閥門將水溫調高一些，這個動作會一直做下去， 直到獲得合適的水溫后才去洗澡。這個過程就是典型的人類“感知—思考—行動”的基本模型。
人們通過手感知水溫，就相當于人們通過手采集數據的過程。手將水溫數據通過神經網絡傳遞到大腦，這是數據傳輸的過程；大腦就會對這個數據進行思考，做出判斷，應該將閥門向哪個方向調節，調節多少，這就是數據分析和挖掘的過程；然后大腦做出決定，形成指揮手進行調節的指令，這就是決策指揮過程；然后將決策信號通過神經網絡傳輸到肢體，指揮肢體做出響應。這就是一個感知到響應的完整過程。
手做出調節閥門的響應之后，繼續伸到花灑下去感知水溫，之后水溫信息通過手傳遞到大腦之后做出判斷：水溫是否合適，如果不合適，再指揮手做第二次調節，這就是人類“感知—響應”系統的第二個循環，不斷循環，直至得到最合適的水溫。
如果是在自己家中洗澡，則人們可能會有一個記憶，當閥門在哪個位置時水溫是最合適的，調節多大的幅度會帶來水溫多大的變化，這些就形成了“知識”，基于對這個水龍頭的“知識”，人們可以更快地調節到最合適的溫度。這個過程通過“感知—思考—響應”模型的循環完成知識沉淀，并使整個行動變得更加高效（見圖 2-3）。

生活中處處都是“ 感知— 思考— 響應” 模型， 有些是有意識地構建這個循環閉環的過程，有的是下意識的。當人們第一次做某事時會主動構建這個閉環從而對外部世界的變化做出主動響應，這個過程需要大腦的積極參與； 當人們對這個循環形成多次循環，獲得“知識”之后，就會交給“下意識”或者自主神經處理這個過程，此時這個循環閉環已經成為人們自己的“能力”。在企業管理中也是如此， 第一次做事時， 人們缺少經驗和知識， 所以需要探索， 這時候的決策不精準，當經營管理中的活動做過多次之后，人們就會有經驗，形成自己的方法，成為企業的訣竅，能夠更加高效地處理日常經營和管理活動。人們的經驗越豐富，走的彎路就會越少。
下面用生活中的場景解釋這個過程。例如，人們駕駛汽車。最初，人們不會駕駛汽車，需要到駕校找教練學習開車， 取得駕照且購買汽車之后才開始上路開車。開車的過程是一系列“感知—思考—響應”的閉環。當看到前面的障礙物時，需要告訴我們的肢體，向某個方向打方向盤躲避障礙物，因為不知道該轉多大的角度進行變換，所以會出現過大或者不足的情況，致使汽車行駛不穩；當速度減慢，則會告訴肢體減速， 告訴腳抬腳松油門， 當看到前面有速度更慢的汽車需要減速時，就告訴腳去踩剎車。開始的時候，人們不知道一腳踩多深能獲得什么樣的剎車效果， 往往會使勁踩， 車在急剎車時會劇烈震動。 整個開車過程中， 大腦不允許被打擾，所以人們開車時非常緊張，大腦隨時在思考和判斷，并不斷修正轉方向盤的角度和踩油門、剎車的幅度。當進入一個陌生的市場或者陌生的領域時，人們都需要一個學習和適應的過程。
當開車時間長了，就會非常熟練，很多動作已經變成下意識的動作，而且在轉方向盤的角度、踩油門和剎車的幅度上有了很好的效果，這時候人們甚至不知道是大腦在指揮手腳在開車，變成了“老司機”。很多開車的動作都是下意識的，甚至是無意識的，這時駕駛能力得到大幅度提高。對應到管理上，當人們在一個行業中時間很久，就會深諳這個行業的“竅門”，就能夠游刃有余，駕輕就熟，輕松處理各種情況，如果企業中所有的人都是“老司機”，那么企業的競爭力就會大幅度提升。

實現瞬時決策

未來的大數據技術或者數據技術也正是一個這樣的循環閉環。人們通過各種智能硬件設備采集數據， 然后通過互聯網技術、 移動互聯網技術、 物聯網技術、通信技術等將數據傳輸到數據處理器， 在數據處理器中通過建立的模型算法，對數據進行分析和挖掘，形成對事物的認知和判斷，基于認知和判斷，中央處理器做出如何響應這些數據的“決定”，然后形成響應指令，將指令通過通信設備、互聯網技術、移動互聯網技術、物聯網技術傳給控制器，由控制器對事物進行調節控制，再進行下一個循環閉環。 如果上一個循環閉環發出的指令沒有很好的效果，則中央處理器的算法必須能夠自動調節，針對響應得到的效果，形成反饋機制，這樣一個基于數據和算法的大數據技術的閉環就能夠形成，從而逐步構建智能化的體系。
在這個閉環中，任何一個環節的缺失都無法創造真正的價值，在任何一個環節缺失的企業都不是真正的大數據企業。現在市場上有很多大數據企業，有的是做數據采集的，有的是云計算企業（但只提供計算能力），有的企業是做算法的，有的是做通信的，有的是做數據傳輸的，都自認為是大數據企業，但如果不能構建這個閉環，則都只是大數據領域的服務商而已。
傳統的市場調研企業或者數據檢測企業的核心職能就是采集市場數據，幫助甲方實現基于數據的反饋，但這些數據最終如何影響決策，這些企業可能并不知道。所以，市場研究企業如果沒有與廣告公司結合，就無法深度加工市場研究數據并形成真正的決策報告，而只是提供數據分析報告而已。有些媒體監測企業通過在各種媒體上進行數據埋點采集消費者端的行為數據，但是這些數據是否真正形成決策，也存在無法形成閉環的缺陷。
企業的經營和管理決策也必須是這樣一個循環閉環。如果缺少其中一個環節，企業經營和管理決策可能就會出現問題。在洗澡場景中，如果手因為事故失去了感知水溫的能力，那么將手伸到花灑下試水溫就沒有意義，如果不知道現在的水溫是高是低， 那么調節水龍頭閥門的動作就變得毫無意義，有可能本來合適反而會被調節為不合適。在企業的經營和管理中，如果沒有足夠的數據，企業的經營和管理決策就變得不僅沒有任何意義， 反而是非常危險的。如果企業的領導者不能感知更全面的數據，就會造成“盲人領導盲人”的情況。所以，在企業管理中，應主張“無數據，不管理；無判斷，不決策”。

具有敏捷性

“ 感知— 響應”是人們認知世界、改變世界的基本模型，是大數據技術的底層模型。在這個模型中，還有一個參數就是從感知到做出響應的時間，這個時間可被稱為“感知響應周期”。再次回到洗澡的場景，如果手感知到溫度很高，需要調低溫度，人們會馬上調節，而不是等待 10 分鐘白白浪費大量的水資源。如果等待 1 秒就調節則很正常，如果等待 5 秒再調節就會顯得慢騰騰，如果等待時間超過 10 秒就會有人感到著急，但沒有人會等待 10 分鐘再進行調節。
在企業經營管理中，經常開月度經營會，主要是對上個月的數據進行分析，研究這個月如何調整，從而做出新的調整方案。如果每個月 1 日開上個月的分析會上個月 1 日發生的事情，現在才做出調整，時間已經過去 30 天， 但 30 日的事情可以算是及時調整，那么在開月度會的情景下，平均“感知—響應”的周期是 15 天。
即使如此，絕大多數企業很難做到 1 日就開月度會。這是因為很多統計數據還沒有完成，財務可能需要 3 天才能完成財務數據統計；人力資源部需要 5 天才能核算出所有的工資和人力成本，做分析報告可能也需要 1 天，做完報告還需要尋找數據分析找到的問題點，找到問題的根源才能匯報，所以還需要 2~3 天，這樣月度會到了 10 日才能召開。在這種情景下，該企業經營和管理決策的“感知—響應”周期就從 15 天變成 25 天。
未來的市場競爭將越來越激烈，企業間的競爭都是爭分奪秒的，誰在這個過程中能夠更快地做出正確的決策， 誰就是市場上的勝利者。 因此， 必須將“ 感知響應周期”逐步縮減，從 25 天縮減到 15 天，從 15 天縮減到 5 天，再縮減到 1 天，甚至縮減到 1 小時， 直到達到“ 瞬時決策”。 要想做到這個體系化的“ 感知—響 應”，利用數字化技術實現的閉環必須構建起來，并能夠自動執行。而這個要求在信息化時代的軟件系統是無法做到的，必須借助最新的智能硬件自動采集數據， 在分析模型上逐步優化，能夠及時做出分析判斷，在響應指揮系統上，盡可能采取自動化的控制器自動做出響應。

迭代升級的模式

從數據技術背后的“ 感知— 響應”模型可以感受到，數據技術不是一次就做正確，而是在做的過程中不斷思考和總結，然后形成更加正確的決策，從而保證能夠持續做出更好的決策。也就是說，“感知—響應”的閉環，每一次循環之后都能夠比上一次更好，這種模式就是“感知—響應”模型的閉環循環效應，即迭代效應，換一句話說，數據技術與信息技術不同，信息技術是一次性交付的完整的軟件產品，可能會存在迭代升級的可能。當安裝 Office 2010 版本時，必須卸載 2007 版本； 當安裝 2016 版本時， 需要卸載 2013 版本。 但是數據技術是不斷迭代的版本，不需要卸載之前的，因為數據必須保持連續性，所以必須在原有數據模型的基礎上進行優化迭代， 從而保證第二代比第一代更好，而且在每一代產品上必須實現每日都迭代， 不斷成長， 積累經驗。 這就類似于人類知識的積累， 當一個知識被發現并傳播之后， 人類能夠不斷傳播，并在原有的知識基礎之上進 行深度迭代，比上一代更強。
另外，信息技術往往要求的是產品和服務的一次性到位，而數據技術對應的產品和服務往往是迭代效果，一次比一次更強大，一代比一代更優秀，每次算法的升級都是數據技術的進步，而這個進步的頻率和周期不是按照軟件的版本進行的，而是基于數據與應用場景應用的不斷反饋帶來的，這個迭代周期可以是一年，也可以是一個季度，還可以是一個月、一周、一天，甚至可以是一個小時。數據技術的迭代效應比軟件技術的升級更加猛烈和快速。
很多企業和 IT 從業人員對這個效應認識不足，在對數據技術項目招標時，希望供應商提供的是一個完整的解決方案，是一個成熟的產品，是一個既適合 A 公司也適合 B 公司的產品。如果一個算法能夠適合所有的企業，那么這個算法就是沒有價值的；如果一個客戶的標簽算法適合所有的企業，那么對客戶所打的標簽就沒有任何競爭優勢可言。 例如， 將客戶分成男女， 但產品是男裝和女裝， 所以將客戶分成男性和女性帶來的優化效果其實不會有太大的差異，因為這是普適性的標簽。
但同樣是女裝，如果將女裝產品打上完全不同的標簽，如外向型、瀟灑型、內秀型、張揚型、知性型、聰明型、樂觀型、瀟灑型、信仰型、貴族型、淑女型、主婦型、奮斗型等，那么所涉及的服裝款式絕對比只將人分為男人和女人受歡迎。數據技術的應用需要結合業務場景不斷迭代和升級， 一次比一次更優化，一次比一次更精細，能夠做到從千人千面到一人千面。

數據驅動工業互聯網轉型升級

信息化提升了人們交易的效率，在終端的交易環節，利用信息技術實現了超越時空的交易模式， 各類電商提供了便捷的交易方式， 但這僅僅是在整個供應鏈的單點的環節上。企業采購可以使用電商模式，企業的銷售也可以采用電商模式，但兩者往往以孤島的形式存在，并沒有從產業鏈整體效率角度出發建立新的打通產業鏈的交易模式。也就是說，信息技術為商業環境帶來的變革還是不夠徹底。
隨著數據技術的應用，如果數據技術在所有產業鏈環節被應用，就能夠出現一種新的電商模式，這個電商模式是基于產業鏈的，從最初的原料端到零部件端，再到成品的銷售端， 同時每個環節的生產也都加入這個新型的電商平臺，除了能夠實現物的交易， 還可以實現技術的交易、 流程的交易、 生產的交易、 勞動力的交易、 空閑資源能力的交易， 包括生產線、 生產設備、 廠房空間、 庫存空間、物流車輛、 司機、 生產工人等。 因此， 未來的這個機遇產業鏈整個產供銷環節的所有人、財、物和技術都可以通過這個平臺進行共享與交易，從而大幅度優化整個產業鏈的效率，大幅度降低生產成本，大幅度提升響應終端需求的能力，大大消除整個產業鏈的各種浪費（見圖 2-4）。

這種整合全產業鏈條的基于數據技術構建的互聯網稱為產業互聯網，英文簡稱為 IIoT，英文全稱為 Industrial Internet of Things，也可稱為產業物聯網，因為在這種互聯網中，上網不僅僅是人們使用的手機、電腦、服務器，還有生產設備、終端智能化產品及整個產業生產環節的各種物理存在，也包括物理空間的上網。
一般情況下，當終端商超有產品采購需求時，通過終端電商環節在該網上提交采購需求，這時就需要確定生產該產品的 A 廠家是否有庫存，如果沒有庫存，就要確定 A 廠家是否有足夠的產能接該訂單，如果 A 廠家沒有空余產能可以使用，那么訂單就會被推遲。但是，如果終端商超、A 廠家、B 廠家、供應鏈和原料供應商都在一個互聯網平臺上，終端商超的采購系統和銷售系統接通該平臺， 物流廠家接通該平臺，并將車輛信息和運行信息接入該平臺，有 N 個能夠生產此產品的廠家接通該平臺，將設備情況、設備使用情況、設備使用計劃等（即產能信息）上傳平臺，同時，針對該產品的 M 個原材料供應商能夠將其庫存、生產產能等信息上傳平臺，此時，當終端發起一個訂單需求時，系統自動安排有閑置產能的廠家進行生產，以有最高效率和最低生產成本的產能優先利用為原則， 然后自動安排前端原材料供應商為系統指定生產廠家供應原材料，以原材料價格、品質和交付周期的綜合考評為原則，自動安排相關的閑置物流車輛將原材料運送到生產廠家，并在廠家生產完成之后自動安排物流車輛將產品配送到終端商超下訂單的商家，這個過程中 A 廠家的產品可以由 B 廠家生產，按照 A 廠家品牌、研發和設計的知識產權分享收益，各個環節都有利可圖，并且效率得到大幅度提升。
基于多次智能交易撮合的產業互聯網平臺概念圖如圖 2-5 所示。

這個配置過程不需要人為干預，所有上平臺的主體都簽署智能合約機制，并對自己的產能利用和生產產品進行各個環節的動態定價。這種跨產業鏈條和供應鏈條的多次智能匹配與交易撮合類似于美團現在的后臺機制，只是美團后臺只進行兩次智能匹配和撮合，后臺指揮商家接單、騎手接單的都是算法在指揮，沒有人為的干預過程，只要將算法設計好，就可以自動運行。上述場景只是比美團的場景更加復雜，跨越了更長的產業鏈和更長的訂單下單交付周期。
上述工業互聯網平臺并不只是一種想象的場景，而是已經被某些企業付諸實施，筆者曾經參與到至少兩個這種產業互聯網平臺的規劃設計中。因為項目還在規劃設計和初創時期，處于保密期間，所以不便透露具體的平臺運營方和平臺的 實施主體，也不便透露目標產業。

總結

以上是生活随笔為你收集整理的企业数字化转型：构建“感知—思考—响应—反馈优化”闭环的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。