文章转载自"ToB行业头条"
前不久，钉钉上出现了一个低代码版的“App Store”——钉钉搭。这件事虽然并不大，但背后反映的却是一个传统产业长期难以解决的问题：业务需求与开发能力的不匹配，以及数字化人才的缺乏。事实上，传统产业在推进数字化转型过程中，实际业务经过改造之后，在具体工作执行上会发生变化；或者需要进行新的系统、软件、App的开发，但企业或组织并没有相应的人才。比如刚刚脱贫的古蔺县，整个县城根本找不到程序员。而县城学校又希望通过数字化手段来管理教学教务，在没有低代码的时候，这个需求真的很难实现。实际上，不只是贫困县的教育教学，在工业制造业中，大部分企业也会遇到这种问题。因为这些企业在过去很多年以来都是采取的粗放式管理方式，产供销、进销存流水线也都非常传统，很多管理流程都依靠纸质单据，相关人员也并不具备数字化的工作理念与技术。显而易见，这种传统工作方式已经很难适应如今的市场竞争环境。随着近几年工厂数字化的步伐加快，许多企业开始对工厂数据做采集、分析及应用。对数据进行分析后，若再结合低代码、无代码技术的应用，可以帮助用户更快建构企业专属的分析应用，快速体现工厂数据分析价值，提升工厂运作效率及良率。这两年低代码、无代码平台在许多行业的成功就是很好的例证，现在工业领域也搭上了这班列车，开始了大规模的应用。低代码和无代码并非新的技术，实际上这些技术早在20年前就已经出现了。随着数字化需求的爆发，企业内有限的开发人力无法快速跟上业务需求变化，业务人员自行利用低代码或无代码平台进行软件开发的案例已并不少见。前文提到的古蔺县城学校，一位完全不懂代码的老师，通过自学低代码，在钉钉上开发了数字化教学管理系统、培训报销系统等等。低代码与无代码平台的爆发，降低了数字化技术的开发与使用门槛，这也催生了“平民开发者”的大量出现。针对工业制造业数字化转型中的人才问题，讯能集思智能科技CEO张宗尧博士也向首席数智官表达了自己的观点。十多年前在富士康将机器学习方法用于产线良率改善，做为最早将机器学习用于良率分析的人之一，张宗尧博士对于产业数字化转型的困难与机会有自己的一番见解。他发现，工业企业对数字化转型的认知，在经历疫情之后有了非常明显的统一，数字化转型的需求也越来越明确与迫切。在人才缺乏导致组织断层的情况下，一些新一代的分析工具问世，促使了“平民数据科学家”及“平民开发者”开始出现并填补缺口。未来，分析与开发技术“平民化”将掀起工业制造业的转型浪潮。本文系讯能集思智能科技CEO张宗尧独家投稿，首席数智官经授权编辑发布。过去几年，当我向工业或制造业企业询问数字化转型的意愿时，大家表现的都很积极，高谈自己心目中理想的工厂以及工业4.0。然而，当我们再往下深入到数据准备的情况及相关预算投入时，上一秒还很热闹的会议室瞬间安静了下来。不可讳言，疫情的突袭，让许多企业老板们开始认真思考数字化转型的迫切性，并让大家感受到，过去那一套做事方式似乎真的需要做出改变了。过去一年，在美国与中国几乎每周都有一家新的AI平台或无代码（No-Code）的公司融资。Gartner的报告显示，低代码（Low-Code）或无代码（No-Code）的市场，光在今年就增长了25％，原本市场规模已经相当庞大的分析软件市场，也在一年内成长了20%。在接下来的4年中，购买低代码平台以及增强型分析工具的部门，将有一半会是IT以外的部门。而这也代表着：那些过去是专门为了协助IT团队分析问题及简化开发流程的软件工具，其定位开始产生了巨大的变化。这类强调简单易用的软件，到底为产业带来什么改变？当非IT端的人员能够自己做数据分析甚至是开发应用程序时，对数字化转型又意味着什么?过去几年，工业数字化转型的速度，虽然远未达到大家的期望和效果。但是，许多企业主意识到，未来商业环境中数据是转型少不了的一环，几乎所有想的到的环节都需要大量数据与分析为基础。例如：如何将过去数周的产品良率分析流程减少到几小时，同时还能够更大幅提升良率；亦或是，在如今超快供应链变化下如何以最小化缺料风险同时还能满足最低成本库存。因此，不少制造业老板们虽然对于数字化转型仍处于观望阶段，却愿意投入些许资源在企业的数字化，也就是数据的收集上。有了这样的基础，虽然企业的数据价值仍然未被有效挖掘，但这些企业手上至少有了一座数据金矿了。那么，该用什么样的工具来挖掘这座金矿强化企业价值呢？工业场景中的分析需求是非常复杂且有各式长尾问题，其中包含产、销、人、发、财等各种大大小小的问题。如果用过去数据分析项目制的标准做法，大量的问题交给公司内为数不多的IT与分析团队，却又因为大量需求堆积在IT与分析团队手上，效率过低导致能解决的问题十分有限。在资源的不匹配下，工业中推动数字化转型势必需要不一样的做法。我们先简单了解一下传统作法企业的数据是怎么经过一系列的过程产生价值的。首先，数据搜集后一般要由一群懂得行业知识的人提出分析的需求。接着由一群具备分析技能的人根据这些方向进行各种数据探索，尝试从庞大的数据中找出有用的洞察。最后，找出洞察后，根据分析的结果可以开发相关的应用程序，对特定KPI进行追踪或是具体执特定流程，也可以更进一步开发AI演算法，来对特定场景做预测或判断。但是，这整个流程中一个主要的瓶颈是，现在具备分析或AI技能的人才实在是太稀缺了。根据Gartner报告指出，数据科学家的需求量至少是供给量的5~10倍之多。这样巨大的人才缺口到了制造业、传统产业等可以说是更严峻了。因此，在工业中能顺利按照这样的分析流程产生效益的企业少之又少。此外，比人才断层更严峻但更少被提及的是组织断层（Organizational Silos），即是当需求部门、分析团队和系统建置IT团队间的权责归属、解决问题范围的定义、持续的优化改善与更新、以及运维等等都会是严重问题。新世代无代码平台将驱动一线员工透过自主数据分析找到瓶颈解方这两年，为了突破这些瓶颈，许多的软件公司尝试开发更简单、门槛更低的AI数据分析或无代码开发工具。随之产生的两个角色叫做“平民数据科学家（citizen data scientist）”及“平民开发者（citizen developer）”。当分析平台再结合上无代码技术，则可以让企业中具备行业知识却不具备分析技能的一线员工使用这样的工具快速独立完成数据探索、建模甚至是直接透过打字搜索或拖拉点选的方式，快速创建分析应用整个完整的流程。这样的工具及作法可以有效解决过去数据分析及AI发展最大的人才与组织瓶颈问题。一旦企业中参与分析及开发软件的人越多，数据的价值就越大，产生的应用就越多。应用越多，业务发展的速度就越快。在提高生产力和减少资源浪费的双重驱动下，让非技术背景人员具有数据分析及开发相关应用程序的能力，为企业带来巨额的回报。如今，非技术背景的人们不再像过去只能被动地等待分析结果及“使用”别人开发出来的应用程序而已。他们本身也能自己扩展或引入新的分析成果或应用，以解决自身业务场景中一直存在的问题。 
平民数据科学的导入将能降低组织断层与人才缺乏的问题“平民数据科学家”及“平民开发”的发展代表着整个软件开发、分析流程及使用结构上的转变。关于“平民数据科学家”于近期的快速的普及，最显而易见的原因之一就是解决数据科学家/软件开发人员需求数量与供给数量间的不平衡。但数据科学以及应用开发的平民化价值远远不止解决人才缺少的问题。这两者的平民普及化还能为企业带来更深层的好处。因为企业中业务端的员工通常是最了解行业知识的一群人。一旦他们能够自己快速做数据分析、产生应用，那么就能够快速地让数据产生实际价值并摆脱繁琐又笨拙的业务与IT间的需求沟通。此外，还能够防止过去开发人员和业务端使用者频繁来回沟通中所造成的理解错误或是细节遗漏等问题，让整个企业的作业流程后分析流程真正的顺畅起来，在企业的不同层面解决问题。而IT团队也可以专注将精力花在维护好企业系统及数据库等本职工作上。而达到上述的这些价值，无需支付高昂的数据科学家团队成本也不需要额外大幅扩充团队人力。如果说“数据”正在吞噬世界，那么数据科学的平民化与规模化将成为确保这件事未来几年在大量企业中能够被普及的方式。若只是一味关注在专业数据科学家的缺乏上而驻足不前，很容易会因此而错过了数据在当代企业能创造的巨大价值。谈到这里，相信许多人有个疑问：“喔，原来这就是所谓的平民数据科学家……但是，这与工业又有什么关系呢？”现实情况是，工业是最需要平民数据科学家以及平民开发者的行业。第一，在数以万计的工业或制造业公司中IT、分析及开发人员极度缺乏甚至时常连一个都没有。这些公司若不是需要付钱给另一家公司或顾问来帮他们编写软件与分析应用，就是必须在没有软件帮助的繁杂过程中工作。这是多么糟糕的“工业4.0”真实现况。然而这些公司正是最适合培养他们员工成为真正的平民数据科学家及平民开发者的，这样的做法能使这些企业在不增加员工人数或过度花费的情况下规模化强化流程及活用数据将公司转型升级。第二，越来越多公司不愿意接受大型的“永恒系统”。我们正在逐渐远离过去那种需要花上数千万，等待一年半才能搭建完成MES系统的年代。而这样的系统导入代价是巨大的。除了近70%的成本花费在顾问与导入上，系统一旦上线，若要进行变更是非常困难的。在平民分析与开发的框架下，运营团队可以开发敏捷的工具与分析应用解决眼下遇到的问题，而不需要面对痛苦且庞大的跨组织专案沟通流程。这样的流程远比过去更敏捷、自主控制能力也比过去强多了。数字化转型是组织做事方法的升级与改变，而非仅是采购软件与硬件当数据科学能够在工业中被普及并使用，那么工业将迎来巨大转变。所谓的数字化转型，是企业整体做事的方法与过去不同而导致组织竞争力的大幅提升，而非仅采购一些数字化与自动化的工具。现在行业中有许多依靠经验法则、特定员工的主观判断、外部顾问协助的问题，未来能够透过内部员工自主分析甚至是开发各式内部的应用得到更好的效果，而不是像前几年许多企业失败的尝试那样，做一两个看起来很高大上却难以规模化落地的AI项目。并且企业并不需要额外付出高昂的成本。这样子的系统与流程，难道不是工业共同追求的解决方案?我透过这篇文章，希望让更多的人了解什么是平民数据科学家以及平民开发者，并且尝试以我们的角度来分析一下为什么最近许多工业的客户开始关注到这些相关的技术。希望有更多的企业能够真正的将数据分析带入到企业当中，并且实际解决制造企业每天面临着大大小小的各种问题。尤其在疫情肆虐的今天，能更灵活应变的企业，将取得难以替代的竞争力！
