企业数字化转型想要取得成功，需要具备哪些必不可少的因素？本文作者结合之前数字化转型战略落地的项目经验，归纳为战略、组织、技术三个重要因素，并对每一项进行了分析。

数字化转型是寒冬之下企业的必经之路，但是数据统计70%的企业数字化转型最终以失败告终，企业数字化转型想要取得成功，需要具备哪些必不可少的因素呢，结合这两年做的数字化转型战略落地的项目，总结下来核心的三架马车分别是：战略、组织和技术。

一、战略：数字化战略

变革、转型对于企业来说一般都是刮骨疗伤，会经历比较长的阵痛期，所以想要转型成功，首先需要有企业自上而下的战略支持，也就是说需要CEO层面认识到数字化转型的价值，并将数据战略作为企业未来阶段的核心战略规划之一，曾经遇到过一个企业CIO牵头推动数字化转型项目，虽然CIO初期说服老板立了项，但CEO并未真正意识到数字化的战略意义，后期项目落地需要市场、运营等其他团队协同执行时，阻力重重，最终项目结果可想而知。

一把手抓数字化转型（至少表名鉴定的支持态度），执行团队才能师出有名，拿着CEO的尚方宝剑，一路披荆斩棘，攻坚克难。

二、组织：组织基础

在企业管理领域有个著名的组织杨三角模型，总结下来就是企业的成功和组织能力息息相关。制度、组织、机制等一系列最基础的保障。

组织架构：事在人为，事情总是需要有人做，企业应有合理的组织架构，以支持走完数字化转型从战略到落地的职能部门，比如战略分析部门、数据研发部门、IT软件研发团队等。

1、CIO/CTO

数字化转型是一把手工程，转型必然涉及现有组织或流程的变革，自下而上的转型几乎不可能成功，所以需要战略层面的授权，否则师出无名必然功败垂成。

2、外交官

术业有专攻，尤其是传统行业的业务人员对数据的认知处于比较浅的层次，想要在转型过程中，数据团队不是闭门造车，而是深刻的理解了业务流程和痛点，就需要具备深厚的数据功底的“外交官”的角色，去不断深入业务过程，可以告诉业务数据能够带来哪些改变，现有哪些数据，还需要做哪些工作。

这一角色最好主要由数据产品经理承担，因为他可以去协调组织不同的资源，去把事情做成。同时数据分析师，或者数据仓库的负责人也可以参与，作为信息的输入和输出。

3、智囊团

数字化转型最终的目的是带来实打实的价值收益，所以需要能够基于数据，充分挖掘出有用的信息，为业务提供决策或智能应用的输入，数据分析师主要利用数据分析的技术和手段提供最优的决策，算法工程师则依赖于AI技术，提供更加智能的能力，比如基于AI的智能排班流程，个性化营销或产品推荐服务等。数据产品经理主要是参与其中，提供部分业务知识的输入。

4、奠基者

数据是数字化转型的根据，没有数据或者数据脏乱差，转型过程必然坎坷或面临失败。数据汇聚、清洗加工处理，形成可以高复用的数据资产，并对数据进行持续的治理，保障数据质量，降低存储和计算成本，主要是数据开发工程师的职责。在这过程，数据产品经理主要是数据需求或数据产品需求输入，提供数据资产建设所需要的业务信息输入。

5、建筑师

工欲善其事必先利其器，数字化转型过程中，数据从采集到分析应用过程中，基于数据产品或工具来提升数据应用流转的效率，在这过程中，需要相关的数据产品经理规划和设计对应数据产品，由前端工程师和后端工程师进行开发变现。

流程机制：项目落地需要有规范的项目管理流程，否则必然会遭遇延期、质量问题、成本问题等，一般成熟一些公司会有标准的PMO流程，比如定期会议机制，可用来督进工作进度、监控实施流程；定期审查机制等，用来审查操作过程、优化操作标准等；此外，相应的激励和考核指标（通过对各层级、各方面利益相关者设置激励举措和KPI等硬约束指标，提升各方工作积极性和工作，如KPI和OKR管理制度。

三、技术：数据及IT技术

数字化转型除了战略层面的思维和组织转型外，想要战略取得实际的降本增效的效果，则必须要有相应的数字化工具或者数字化应用开发技术，辅助战略落地。数字化转型设计的主要技术通常包括：

数据获取与采集技术：数据是数据化、数智化的根基，对于线上化的产品和工具是数据埋点相关，而一些智能制造等其他行业，数据采集则是传感器数据采集和同步技术

大数据存储与计算技术：大数据4V特点（价值密度低、数据量大等）决定了需要大量的服务器资源来进行数据的存储，以及相关任务的计算，所以需要具备大数据集群的建设和运维的技术能力

数据分析与挖掘技术：数据分析一般是指的数据分析师的商业分析或者业务分析，常用的如SQL、Python等技术。

数据科学与AI能力：数字化转型的高阶阶段是数智化应用，数智化主要是利用机器学习及各种算法模型来产生业务应用价值，包括设计开发统计算法和模型技术

数据安全技术：数据一旦广泛应用就意味着数据暴漏在阳光之下，数据作为核心战略级资产，需要数据脱敏、鉴权管理等一系列的数据安全技术。

IT产品研发技术:主要是指数据工具的产品化，需要前端开发、服务端开发（Java等）的资源，过去对接的项目中，客户没有前后端技术能力，所有的数据化应用依赖于数据团队输出结果给到应用，业务没有办法使用工具进行自助化的应用。