数字化转型案例失利的3大原因 by 彭文华

简介: 数字化转型案例失利的3大原因 by 彭文华

这是彭文华的第178篇原创


大家好,我是彭文华。我一直在研究数字化转型,最近把手头上的数字化转型的成功和失败案例通读了一遍,发现数字化转型失利的3个原因。我带你挨个看看


数字化好转型吗?

先把结论拍死了:不好转!非常不好转!

有多不好转呢?麦肯锡2018年发了一个《开启数字化转型的成功之门》的报告,结论太惨了!引用一下原话:

只有16%的受访者表示,他们组织的数字化转型成功地提高了绩效,也使他们能够长期保持变革。另有7%的人表示,业绩有所改善,但这些改善并没有持续下去。

有人会说:这是啥公司啊,这不是弄了一些工厂参与进来调查吧?高技术的企业肯定会好一些的!

嘿嘿,还真不是!look~~~

高科技、媒体和电信等精通数字技术的行业也在苦苦挣扎。在这些行业中,成功率不超过26%。但在石油和天然气、汽车、基础设施和制药等更为传统的行业,数字化转型更具挑战性:成功率在4%11%之间。

无独有偶,2019年 Thought works 做了一个数据中台的调研,近1年的咨询项目里,有80%都由于各种各样的原因没办法继续下去。这实在是太搞笑了。


为啥不好转啊?

我把总结出来的前三的原因给你看看:

排名第一:没有需求。

没错!他们连数字化转型的需求都没有,跟个没头苍蝇一样!这真不是跟你胡扯!

不过这个事情我跟某巨型企业的信息化负责人深入聊过,他也感到非常无奈,因为他也不知道怎么做数字化转型啊!的确,能到这个位置的,起码也得35以上了。而数字化转型这个东西完全是一个全新的东西,而且还带有商业目的,又不是纯信息系统建设的事情。实在是很无奈。


排名第二:没有数据。

是不是绝对同样很搞笑?是的!其实我们并没有那么先进。很多公司的信息化其实还很落后。信息化做的早的,都是一堆老旧系统坚持在用。

信息化做的晚的,到现在也有只做了OA的。没有数据沉淀,怎么做数字化转型?这个很蛋疼。

很多公司的运营环节,到现在都还采用手工登记的原始工作方式。这怎么弄?你总不可能给他去做个系统吧?


排名第三:老板没想清楚。

其实这一条不是我从案例里总结出来的的,而是哈佛商业评论里一篇文章里提到的,原话是“高管之间关于数字化转型目标的设定模糊不清”。我觉得也非常符合中国国情,所以就拉出来了。

这个真的是非常有意思,很多老板真的就以为立个项目就能搞定所有问题。

说起来,正确的认知,真心是任何事情成功的必要前提。老板对数字化转型的认知还很浅,只停留在是听说某个企业很牛,转型很成功,我也要搞一个。这种情况做数字化转型,八成是毁了。因为数字化转型可是有两个关键字啊!一个是“数字化,另一个是“转型”!

“数字化是是技术范畴,到还好弄。但是“转型”可是商业层面的事情,技术可以就无能为力了。


为啥非要数字化转型?

我们在群里吵了半天,说啥的都有。国企是因为国资委发文了,不得不转。私企呢,大抵是因为同行也转了,那咱得跟上啊。还有一些呢,是真的想要建立一个推动企业前进的强力引擎。


不过另外一个大哥说了一个理由,我觉得非常有道理:

没准这个才是老板的真相。他可能不在于数字化转型是否成功,只要做这个事情,是不是就已经达到目的了?

相关文章
|
消息中间件 Cloud Native 物联网
深度剖析 RocketMQ 5.0,事件驱动:云时代的事件驱动有啥不同?
本文技术理念的层面了解一下事件驱动的概念。RocketMQ 5.0 在面向云时代的事件驱动架构新推出的子产品 EventBridge,最后再结合几个具体的案例帮助大家了解云时代的事件驱动方案。
79456 6
ubuntu22.04安装QQ音乐
ubuntu22.04 下安装QQMusic
1242 0
|
3月前
|
人工智能 安全 Cloud Native
Nacos 3.0 架构升级,AI 时代更安全的 Registry
随着Nacos3.0的发布,定位由“更易于构建云原生应用的动态服务发现、配置管理和服务管理平台”升级至“ 一个易于构建 AI Agent 应用的动态服务发现、配置管理和AI智能体管理平台 ”。
|
3月前
|
人工智能 搜索推荐 程序员
从产品经理视角深度解析五款热门AI产品:洞察创新与用户价值
本文从产品经理视角深度解析五款热门AI产品,包括ChatGPT、Midjourney、Notion AI、Perplexity与GitHub Copilot,剖析其成功要素与不足,总结AI产品设计的核心方法论,如用户体验优先、场景化落地、信任机制构建等,为AI时代的产品创新提供实践启示。
370 0
|
9月前
|
机器学习/深度学习 人工智能 自然语言处理
《多语言+多文化,自然语言处理的全球通关秘籍》
在全球化背景下,信息快速流动,多语言交流频繁。自然语言处理(NLP)面临语法、词汇、语义差异及数据获取标注等挑战。为应对这些难题,多语言预训练模型(如XLM-RoBERTa)、迁移学习与零样本学习、融合多模态信息等技术应运而生,提升跨语言处理能力。同时,文化适应至关重要,需融入文化背景知识,确保准确传达含义,增强跨文化交流效果。NLP正逐步成为跨越语言与文化鸿沟的桥梁,促进全球信息交流与合作。
1265 17
|
存储 关系型数据库 MySQL
MySQL 字符字段长度设置详解:语法、注意事项和示例
MySQL 字符字段长度设置详解:语法、注意事项和示例
953 0
|
10月前
|
人工智能 安全 大数据
企业内训|信创工作的技术难点与最佳实践-某央企金科公司
近日,TsingtaoAI组织信创技术专家,为上海某央企金融科技公司研发信创技术企业培训课程。课程通过系统化的理论学习与丰富的案例分析,全面解析信创政策、监管要求、行业趋势以及信创技术的核心难点。课程涵盖信创政策解读、行业信息洞察、业界技术栈分析、核心数据库信创改造、信创终端推广适配等多个模块。通过案例式、项目式和实战式的教学模式,帮助学员在复杂多变的信创环境中高效应对各种挑战。
484 3
|
存储 分布式计算 监控
Hadoop在云计算环境下的部署策略
【8月更文第28天】Hadoop是一个开源软件框架,用于分布式存储和处理大规模数据集。随着云计算技术的发展,越来越多的企业开始利用云平台的优势来部署Hadoop集群,以实现更高的可扩展性、可用性和成本效益。本文将探讨如何在公有云、私有云及混合云环境下部署和管理Hadoop集群,并提供具体的部署策略和代码示例。
459 0
|
监控 Java 测试技术
五步定位性能瓶颈
在进行性能测试前,了解数据流向和系统架构至关重要。绘制数据流向图以识别潜在瓶颈,使用“水池模型”分析系统架构,优化测试流程,以提高测试效率。日志分析是诊断性能问题的关键,通过快速定位问题、保持环境一致性以及灵活调整日志级别来辅助测试。硬件资源占用分析,如CPU、内存、磁盘I/O和网络I/O,能帮助发现底层性能瓶颈。数据库监控,特别是通过等待事件分析,对解决性能问题具有重要意义。最后,服务器监控和代码深度剖析是解决复杂性能问题的终极手段,利用专业工具深入应用中间件,定位软件资源限制和代码层面的问题。通过这些策略,可以系统地识别和解决性能瓶颈,提升系统性能。
52721 4
|
存储 人工智能 运维
少年云在行动!用“云机房”激活川藏高原学生的AI科普课堂
少年云在行动!用“云机房”激活川藏高原学生的AI科普课堂
675 1