作为经济学概念的数字化的经济是人类通过大数据（数字化的知识与信息）的识别—选择—过滤—存储—使用，引导、实现资源的快速优化配置与再生、实现经济高水平发展的经济形态。
一、数据成为新的关键生产要素。在数字化的经济时代下，万物互联，各行各业的一切活动和行为都将数据化。
二、信息通信技术为创新提供动力。以信息技术为基础的数字化的经济，正在打破传统的供需模式和已有的经济学定论，催生出更加普惠性、共享性和开源性的经济生态，并推动高质量的发展，例如基于物联网技术诞生出诸如智慧路灯、智慧电梯、智慧物流、智能家居等丰富多彩的应用，为经济生活注入了极大的创新动力。
三、数字化的经济推动产业融合。数字经济并不是独立于传统产业而存在，它更强调的是融合与共赢，与传统产业的融合中实现价值增量。数字化的经济对传统产业融合大多数表现在生产方式融合、产品融合、服务融合、竞争规则融合以及产业融合。数字化的经济与各行各业的融合渗透发展将带动新型经济范式加速构建，改变实体经济结构和提升生产效率。
数字经济受梅特卡夫法则、摩尔定律、达维多定律三大定律支配，具有快捷性、高渗透性、自我膨胀性、边际效益递增性、外部经济性、可持续性、直接性等产业特征。
主要指企业在经营发展过程中，重视数据的价值和影响，以数据作为重要的生产要素进行资源整合与业务优化。数字化转型是一个中长期的概念，涉及到企业多重维度的业务环节；
数字化创新就是指用数据作为业务资源，进行新的业务场景、服务场景、技术产品的设计和开发。数字化创新是一个中短期的概念，企业在数字化转型的成果，是以许许多多优秀、成功的数字化创新的案例所反映出来的。
很多企业在数字化转型工作中，先要进行业务现状梳理、 数据综合治理、 数据平台系统建设、 企业级信息架构设计等很多重要的基础准备工作，在这些充分的准备工作基础之上，公司能够更有效地数字化创新的过程。
数字化、信息化、智能化，三者概念相似，广义的数字化包括信息化和智能化的含义。从技术特点来说，企业使用现代信息技术提升业务能力的有从信息化，到数字化，最后再到智能化的总体发展的新趋势。三者主要特征如下：
关注分析，支持从数据中分析挖掘出有价值的业务知识和商业洞察，指导业务决策。
关注自动，支持使用数据模型代替人的工作，降低人工负担，让人关注更重要的创新性工作。
数字化转型经常会被和系统建设联系起来，但是系统建设并非数字化转型的必选项，甚至对于大多数企业来说，重要的是搞清楚怎么用系统，而不是怎么建系统。
企业的数字化创新依赖于信息系统能力，需要把业务和系统相结合，对业务改造、升级、赋能。当企业的数字化对信息技术的个性需求不强时（往往是浅层的数字化转型），仅仅采用购买整套的ERP系统或者租用/订阅SaaS服务的方式就能处理问题，也就是不用自建，直接用就好了。
而当数字化越来越深入，随企业的个性化业务需求慢慢的变多，就要进行系统的定制开发。很多企业有自己的专业开发团队，但是对于没有专业开发团队的企业，则需要找第三方的ISV厂商。ISV厂商有多重的外包服务模式，比如负责开发、负责咨询方案、负责方案+开发，负责方案+开发+培训等。
由于数字化转型的本质是系统加业务的组合，因此除代码落地以外，ISV厂商如果还能主动挖掘企业数字化业务的需求，并提出基于系统的全套解决方案，才能构成真正的核心竞争力。
将实际应用中的业务问题转化为数据需求，进行数字化场景的设计，生成数据建模或数据分析问题。
为数据问题寻找合适的、高质量、可靠的数据源，对数据源进行筛选和预处理，统一数据格式。
选择用于建模或分析的数据特征，特征工程的工作体现数据科学家对业务的深刻、准确理解。
尽管在技术维度，数据建模看起来有一定门槛，实际上在一些成熟的算法框架、大数据框架下，但是该环节很可能是花费时间最少的。
数据科学家构建数据模型的最终目的是为了对业务进行相对有效支撑，因此数据模型在正式上线应用之前，有必要进行多方验证，数据科学家需要与业务人员以及管理人员进行模型的效果确认，汲取业务端的反馈，并对模型进行及时的调整和优化。
将数据模型成果进行文档撰写，说明模型的使用场景、规范、以及调用方式等，汇报技术工作成果。
SaaS的灵活性能够完全满足企业快速扩张带来的变化，同时减轻资金方面的压力。
对SaaS的需求在于核心业务衍生的、方便跨部门协作、决策辅助型产品。如数据分析、视频会议等。
数字化系统在开发实施的阶段，按照数字化系统的定制化要求持续不断的增加的顺序，有几种具体的情况：一是直接买现成的SaaS系统或服务，二是基于已有的模板进行微调适配，三是完全定制开发。
对数字化系统的定制化要求越高，系统的研发成本也就越高，系统研发的周期也更久，系统实施的风险也越大。不同业务活动对数字化系统的定制化要求不一样，一般来说：
与日常生产运营相关的业务活动（在线环境）对系统的定制化要求更高，通常涉及到针对企业的现有系统集群进行信息系统的增值改造和功能集成的需求，需要与在线业务系统和硬件设备做数据同步；
与企业管理决策相关的业务活动（离线环境）对系统的定制化要求较低，如财务系统、 人力系统、 供应链系统、 库存系统、 OA办公系统、 项目管理系统、 文件管理系统等，这些功能通常可以直接采购现成的ERP或订阅SaaS服务快速实现数字能力的升级赋能。
应用融合数字传感、AI的智能检测装备；接触或非接触式在线采集生产数据；自主判断、识别和定位相关缺陷问题。
应用六希格玛、6s和TPM等先进精益管理方法，实现基于数据扰动的全流程精益生产管理。
应用约束理论、寻优算法和大数据分析等技术，结合需求预测和产能评估制定生产计划。
随着城市过度拥挤，交通将在缓解未来智能城市的拥堵方面发挥关键作用。智能交通大数据技术对大量摄像头、传感器、GPS等设备采集的大量图像信息、车辆运动信息、道路信息、GIS信息、气象环境信息做综合处理和挖掘，对交通流量、出行规律等统计和预测数据来进行分析和预测，并通过可视化手段展示，能大大的提升交通主管部门的管理效率和突发事件的相应速度，缓解城市拥堵程度，降低事故率。提供行驶方向、车辆数量、交通拥堵、停车位信息、出行计划等。将有效提升市民的出行效率，快速缓解城市都会存在的“开车难、停车难”问题。
如今，将大数据技术与智慧能源相结合的大数据智慧能源管理系统，为社会持续健康发展提供了新的模式。通过大数据智慧能源管理系统的部署，能够保证智慧能源在配送过程中降低消耗成本，突破传统单一能源的控制，实现各种能源之间的最优生产，来提升生产效率。
以大数据为核心的智能能源管理系统能够更好地把握客户的真实需求，按照每个用户需求进行能源分配和整合，实现用户间的优势互补，并通过客户反馈智能调节能源分配机制，以适应市场的发展。
医疗的发展需要大量的技术和实施成本，大多数表现在精准医疗和大数据的结合，能轻松实现个性化医疗。这将大幅度减少过度医疗造成的医疗资源浪费，同时降低医疗成本。是面向未来的创新医疗资源，将打破传统医疗模式。
医疗仪器在临床辅助诊疗和健康管理中很重要，所以推动医疗大数据的应用是一个很重要的技术点，这也是医疗大数据价值的体现。精准医疗和大数据的结合，可通过人类对疾病的感受和医生的治疗经验，形成一个非常庞大的数据库，让医生通过大数据信息系统对患者进行诊疗，再也用不着排队等一个专家号了。
智慧也会需要一个很强大的数据服务平台来承载医疗大数据，包括影像数据、电子病历数据等。有了这些载体，它的价值就能够最终靠各种信息处理和人工智能技术获得更好的体现。
电子政务搭建电子政务云平台，提供对政务信息、互联网信息、舆情等综合信息的筛选和挖掘能力。快速直观地展示科学分析和预测的结果，提高政府决策的科学性和准确性，提高政府在社会管理、宏观调控和社会服务中的预测/预警能力、应对能力和服务水平，降低决策成本。在电子政务中运用大数据技术，逐步实现立体化、多层次、全方位的电子政务公共服务平台和数据交换中心，推进信息公开，推进一站式、全天候、部门协同办理、网上统一查询反馈等网上服务功能，降低企业和公众的服务成本。
在信息安全方面，智慧城市中的政府信息、城市运行数据、企业数据、客户数据及其资料都是宝贵的数据财富，需要加以保护。由于大量数据的集中，很容易引起非法用户的注意。另一方面，用户个人信息的意外泄露也是导致安全风险的主要的因素。大数据贯穿智慧城市的不同层面，其安全需要从技术、管理、法律等方面入手。
公共安全方面，公共安全大数据不单单是遍布城市的摄像头和监控设备，还有网络、媒体、短信等多媒体的全方位舆情监控。更重要的是，通过对海量数据的分析和挖掘，及时有效地发现安全风险隐患、人为事件或自然灾害，提供跨部门、跨区域、高效的综合应急能力、安全防范能力、打击犯罪能力。
数据规模不大，但是数据质量比较高，数据分析的目的是，从典型样本数据中，发现数据背后的知识或规律，解决实际问题。
不强调数据的质量，只要数据规模足够大，哪怕数据看起来杂、乱，也能从中挖掘出非常有价值的信息。大数据分析没有“数据样本”的概念，做的是全数据、全维度分析的事情，因此通常可以挖掘到更多、更全面的知识规律。大数据分析有一套特殊的技术框架，专门用来解决数据量大（分布式技术）、数据格式不统一（非结构化存储）等技术问题。
是企业的战略层活动，是定目标、定方向的总体性工作，对数据管理工作做监督和管控，数据治理的基本职能是指导具体的数据管理工作，聚焦于如何对数据管理活动进行相对有效的决策。数据治理是抽象程度更高的数据业务活动，强调建立成熟的数据获取、管理、与应用的综合能力体系。数据治理工作是项目制的，企业中启动数据治理工作一般有具体的业务变革契机来驱动。
数据管理是制度层的数据活动活动，是指对数据对象在具体层面实施管理职能，包括对数据的全类型、全生命周期的业务活动来管理，并制定相应的标准、方法，以及规范。典型的数据管理工作包括数据库管理、数据类目管理、主数据管理、数据安全管理，以及数据质量管理等诸多方面内容。
数据是用来描述企业中各种业务对象的，由于数据本身也是企业中业务对象的一种关键类型，因此也需要对数据来进行描述。而元数据，就是描述数据的数据。
对于企业的数字化转型来说，数据将贯穿在慢慢的变多的业务活动中，因此就务必要对数据来进行系统管理，元数据在数据管理工作中具有十分重要的意义。假如没有元数据，就没有很好的方法理解数据，也没有很好的方法使用数据及对数据内容做管理。
映射管理工具用于项目的分析和设计阶段，它将需求转换为映射规范，然后由数据集成工具直接用或由研发人员用来生成数据集成代码
（14）服务注册（定义、接口、操作、输入、输出参数、制度、版本和示例使用场景）
（15）事件注册表、源列表或接口、代码集、词典、时空模式、空间参考、业务规则等
参考数据和主数据都为交易数据的创建和使用提供重要的上下文信息，以便用户理解数据的含义，两者在数据管理工作中，都需要尽可能地保证一致和统一，以实现数据的集中管理和维护。
从所描述的对象来说，主数据通常指业务中重要的概念实体，如供应商、客户、产品等，参考数据通常指描述业务属性的重要业务标签，即规定某些分类属性的值域范围。
与主数据相比，参考数据不易变化，它的数据集通常比交易数据集或主数据集小，复杂程度低，参考数据不用考虑主数据中的实体解析、实体对齐的业务挑战。
对于参考数据管理（Reference Data Management，RDM），需要对定义的阈值来控制规范，保证业务系统访问的参考数据标准是最新的。
对于主数据管理（Master Data Management，MDM），需要对主数据的值和标识符来控制，以便能够跨系统一致地使用核心业务实体中最准确的数据清单。
（1）对企业中不同系统渠道、不同业务线条、不同管理部门、不同内容格式的数据资源进行整合，提供实时接入、离线同步、异构数据源、可视化配置等功能。
（2）对数据来进行清洗和标准化，持续优化数据资源质量，提供数据格式转化、 数据去重、 删除异常值 、数据一致性检验、 数据属性自动补全等功能；
（3）提供数据资产开发相关的技术功能模块，提供数据（标签）自动标注、 数据建模分析、 数据特征挖掘、 数据主题联接等功能；
（1）以元数据为中心，提供数据资产的管理能力，包括元数据管理、 数据血缘分析、 数据生命周期管理、 数据资产目录维护等功能。
（2）将数据资产封装成数据服务来维护和数字化能力输出，对外提供数据应用所调用的API或有着非常丰富可视化组件的OLAP分析功能。
通过数据可视化能更加直观地呈现数据的分布、规律、变化规律，以及数据“点”彼此之间的复杂联系，从而更容易地挖掘出有趣的分析结论，毕竟人们对图形的观察能力相比对“抽象”的数字来说，更加擅长。
通过数据可视化，能更好地传达“我”的分析观点，在很多数据分析报告中，通过有效的画图，能够很好地“讲故事”，说服领导、投资人、以及客户；即便是同样的数据，若选择不同的图形方式来展示，还可以传达出完全不同的信息和观点。
一般场合下所讲的数据模型是指项目级的数据模型，项目级的数据模型的作用是定义数字化解决方案中的数据需求，成为业务人员和技术人员之间进行数据逻辑沟通的重要载体。在定义项目级数据模型时，需要与企业级的数据模型保持一致，是企业级数据模型在某种具体业务场景的具体实现。
（4）核心业务仍挣扎在边缘线，只有少数的精力和资金顾及当下对数字化转型工作的投入。
组织结构更扁平，信息在组织内部传播速度更快，管理者能更准确地了解具体业务情况，能够及时有效地发现业务问题并纠偏，扁平化的组织灵活性更好、柔性，同时也减少了不必要的“过度管理”。
打造平台型组织，在提供必要的技术上的支持、组织支持、供应链支持、数据支持、渠道支持的基础之上，最大化地连接组织外部的人力资源，一方面能够弥补组织内部人力不足的问题，同时为人才提供足够的“创新空间”和“创新动能”。
数字化技术为组织提供强大的管理工具，可以极大降低组织管理活动的复杂性，企业的经营理念从管理驱动逐渐转化为价值驱动，企业中的人员以价值创造为目标开展业务活动。
组织中的管理层级关系不断弱化，管理决策方案并非以“自上而下”的方式产生并下达执行，不在强调某个管理者个体的观点偏好。组织中更多的活动将以“松耦合”的方式展开，在明确任务和产出的基础之上，项目全员共同参与、共同创新、共同创造，协作推进。
组织与人的关系应该是一同成长的关系，只有人与组织的成长结构互相匹配，才能长久协作，从而保持组织架构的稳定。因此在数字化时代，组织更加关注基于数字化的平台能力，为个体的持续学习、持续成长进行长期赋能。
大型企业在数字化转型之后，掌握数据的一方将成为组织中新的“权利中心”，从而更好地协调组织资源，推动组织战略规划的执行落地。
原先对于非数字化企业，业务碎片化明显，组织资源难以统一协调，各业务部门（分公司）之间彼此斗争激烈，部门墙的现象比较严重。
而随着企业数字化程度的提高，企业中集团层的管理部门能够更好地掌握组织运营的全局发展状况，以数据作为抓手，更有效地进行资源的整合与组织的集中管理。
需要注意的是，这里的集中管理并不是指集中化的大家长式管理方法，而是强调提升了决策者对企业整体的组织协调能力；数字化能力可有效地打破业务部门之间以及职能部门之间的障碍，实现组织内部不同人员、 团队的广泛连接与合作，实现资源的优化配置。
数字化的本质是提供了一套流程化、 标准化的数据价值发现与应用的流程，让组织内部更加开放，实现产业价值的共创。
数据血缘属于数据治理中的一个重要概念，说的是在数据溯源的过程中找到有关数据之间的联系，它是一个逻辑概念。
任何的数据，从产生、ETL处理、加工、融合、流转，到最终消亡，数据之间自然会形成一种关系，例如数据a通过ETL处理生成了数据b，那么会说数据a与数据b之间具有血缘关系。
通过数据可视化功能模块，可以对数据血缘的分析结果进行系统的展示呈现，以数据中台为载体，支持企业多方面的数据治理工作，具体如下：
追踪数据溯源：当数据发生异常，帮助追踪到异常发生的原因，平时也能让我们追踪数据的来源，追踪数据处理过程。
评估数据价值：要对数据价值做评估，就需要有依据，数据血缘关系，可以从数据受众、数据更新量级、数据更新频次等方面给数据价值的评估提供依据。
数据质量评估：数据的血缘关系图上，可以方便的看到数据清洗的标准清单，这个清单反映了对数据质量的要求。
（1）业务元数据：业务元数据是定义和业务有关数据的信息，用于辅助定位、理解及访问义务信息。业务元数据的范围最重要的包含：业务指标、业务规则、数据质量规则、专业术语、数据标准、概念数据模型、实体/属性、逻辑数据模型等。
（2）技术元数据：它可以分成结构性技术元数据和关联性技术元数据。结构性技术元数据提供了在信息技术的基础架构中对数据的说明，如数据的存放位置、数据的存储类型、数据的血缘关系等。关联性技术元数据描述了数据之间的关联和数据在信息技术环境之中的流转情况。技术元数据的范围最重要的包含：技术规则（计算/统计/转换/汇总）、数据质量规则技术描述、字段、衍生字段、事实/维度、统计指标、表/视图/文件/接口、报表/多维分析、数据库/视图组/文件组/接口组、源代码/程序、系统、软件、硬件等。技术元数据一般以已有的业务元数据作为参考设计的。
（3）操作元数据：操作元数据主要指与元数据管理相关的组织、岗位、职责、流程，以及系统日常运行产生的操作数据。操作元数据管理的内容最重要的包含：与元数据管理相关的组织、岗位、职责、流程、项目、版本，以及系统生产运行中的操作记录，如运行记录、应用程序、运行作业。
把企业中表格、日志、照片、文字、视频等不一样、不同来源的数据来进行汇集和管理，形成数字化能力底座，构建统一的数据资源池。数据湖的好处在于不需要提前定义数据结构就能进行数据分析，尽可能地保留原始的细粒度数据内容。数据湖是关于数据存储的技术概念。
数据中台在企业数据资源共享的基础上，提供一系列的算法、模块，和工具实现数据资产的开发，并基于数据资产构建了一系列数据服务，支撑前端数字创新应用的快速设计和实现。数据中台具有对数据及数据资产的管理能力，但其重点是提供数据消费应用支撑，本质是关于数据应用的技术概念。
ETL和ELT都是由数据抽取（Extract）、数据格式转换(Transform)、数据加载(Load)三件事组成的，只是执行顺序不一样，二者都是用来完成数据搬运与集成的。
例如把来自于财务系统、营销系统、订单系统、生产系统等不同业务系统的数据通过ETL或ELT的方法搬运到数据仓库中进行统一组织管理，为企业不同应用提供综合服务。早期，企业用ETL比较多，最近随着数据湖和数据中台越来越流行，很多公司开始使用ELT的技术架构。在ETL架构，数据转换时间与数据规模成正比增加，但在ELT架构中，速度不会数据大小影响，数据搬运效率更高。
SOA（Service Oriented Architecture），中文名称是面向服务的架构：是一种软件设计方法，其中包含多个服务，服务之间通过相互依赖最终提供一系列的功能。一个服务通常以独立的形式存在与操作系统进程中。各个服务之间彼此利用互联网进行调用。
微服务架构：本质上和SOA架构类似，是在SOA上的进一步升华，微服务架构强调的重点是业务需要彻底的组件化和服务化，原有的单个业务系统会拆分为多个可以独立开发、设计、运行的小应用。这些小应用之间通过服务完成交互和集成。
SOA强调系统级别以及子系统级别之间的交互，依赖于ESB总线的结构，目的是解决系统间集成的技术问题；微服务架构依赖于“容器”的概念，把一个软件系统拆分成基于容器的多个细粒度（比子系统级别更低，到模块或服务级别）模块的排列组合结构，目的是解决软件功能模块（代码模块）的复用问题。
2、数据库一般存储在线交易数据（生产环境），数据仓库存储的一般是历史数据（离线、数据库设计是尽可能的避免冗余（数据一致性）
包括指标管理的可视化、 元数据管理的可视化、 数据资产类目的可视化、 数据源的可视化、 数据集成的可视化、 数据ETL的可视化、 数据建模的可视化、 数据消费者的可视化、 算法建模的可视化等方面；
包括数据内容的可用性、 数据服务的可用性、 数据任务的可用性、 数据的指标化、 数据的标签化、 以及数据资产的易阅读性等方面；
包括数据质量的量化管理、 数据价值的量化管理、 以及数据运营角色的区分及相应的指责划分。
（1）数字化转型需要前期大量准备工作，大多数表现在数据治理方面，数据治理本身不直接创造业务价值，与业务人员的本职绩效考核在时间和精力上冲突；
（2）数字化创新是基于“人+机器”的新的业务模式，超脱于现有的工作流程，不在业务人员想象能力范畴之内，业务人没办法提出现有工作流程之外的新的解决方案；
一个软件系统的建设的生命周期包括开发、部署、应用三个阶段，三者要彼此一致，才可能正真的保证技术和业务能够“完美”衔接。
当今，软件部署和应用在云上是大的流行趋势，因为这样有很多实用方面的好处：比如系统能随着用户的增加不断地“扩容”（用户增长很快），系统能灵活地增加和删减功能（需求变化很快），系统的维护和升级不影响正常使用（消费者体验很重要），系统能开放模块对外赋能（C端互联网向产业互联网转变的趋势）等，系统要承担非常大的算力负担（大数据背景下的运营与营销）。
领军人才是数字化转型的直接负责人和关键，指由董事长或CEO牵头设立的数字化转型小组，以助力企业建立对数字化的整体认知和制定顶层规划。在数字化转型中，即要自上而下地推动转型进程，又要自下而上的不停地改进革新，因此企业数字化转型需要企业的“一把手”和核心经营管理层共同行动。数字化领军人才要确定转型的战略和方向，并提供必要的资源支持，其对数字化的认知水平和决策能力是转型成败的关键。
他们的主要任务是发现企业业务上的问题、并利用科学技术创造性的解决实际问题。专业人才既需要对业务有充分的知识积累和分析能力，也需要有足够的技术专业素养，他们可以针对客观的业务需求提供有效的数字化方案设计，负责数字化项目具体落地的推动，包括：系统或平台规划与设计、开发与建设等工作，用专业方面技术解决实际问题等。此外，在推动数字化应用落地方面，数字化专业人才还需要具备产品能力、运营能力及项目管理能力。
数字化基础人才涵盖的方面很广，涉及到数字化转型工作具体执行操作的方方面面。数字化是面向全企业级别的工作，数字化转型要求企业相关团队的员工具备基本的数据素养，能够熟练应用与数据相关的信息系统，可以依据一线业务提出具体的系统建设需求，能够主动适应因引入数字化变量带来的业务工作流程变化；在技术层面，基础人才还会参与到数据的具体录入、注册、管理、校对等执行工作，以及与数据相关的信息系统的开发建设工作。
“20%的业务+80%”的技术。对于大多数企业来说，数据分析师都是必不可少的，但是数据科学家的岗位大多仅存于少数科技含量较高的企业和规模庞大业务部门分支较多的企业。
简化入职手续：自动激活用户账户，根据规则发送入职文档，分配新员工的凭证。
指数据在创建、传递过程中无缺失和遗漏，包括实体完整、属性完整、记录完整和字段值完整四个方面。完整性是数据质量最基础的一项，例如员工工号不能为空。
指及时记录和传递有关数据，满足业务对信息获取的时间要求。数据交付要及时，抽取要及时，展现要及时。数据交付时间过长可能会引起分析结论失去参考意义。
指真实、准确地记录原始数据，无虚假数据及信息。数据要准确反映所建模的“真实世界”实体。例如员工的身份信息必须与身份证件上的信息保持一致。
指遵循统一的数据标准记录和传递数据和信息，大多数表现在数据记录是否规范、数据是不是符合逻辑。例如同一工号对应的不同系统中的员工姓名需一致。
数字化转型要解决当前业务与远期愿景的矛盾，短期成绩不显著时，需要承担不确定性和风险；
大数据的特征体现在4V，即大容量（Volume, 随信息技术的快速地发展，数据开始爆发性增长，社交网络、移动网络、各种智能工具等都是数据的重要来源）、多样性（Variety，表示大数据场景下需要处理不同格式的数据类型，如文本、音频、视频等，主要在于大数据时代的数据获取渠道越来越丰富） 、速度快（Velocity，数据产生的速度很快，很多业务场景需要实时的数据计算与解决能力，如流式计算）、价值性（Value，需要处理的数据量大，但价值密度低，需要能够从大规模数据中挖掘、提炼有效的业务知识和业务规律）。
ERP是针对物资资源管理（物流）、人力资源管理（人流）、财务资源管理（财流）、信息资源管理（信息流）集成一体化的企业管理软件。当前，ERP已然发展成为企业信息管理软件的统称，几乎任何行业都可以声称在使用ERP系统，除了制造业ERP，还有电商ERP、医药ERP、物流ERP，以及零售ERP等。
在对数据的存储方案进行设计时，要选择合适的数据库的架构，根据架构不同，数据库可以划分为集中式数据库、分布式数据库、联邦式数据库：
分布式数据库通过扫描大量节点快速获取数据，常常要横向集成多台（从一台到成千上万台）服务器，每台服务器能够给大家提供本地的数据计算和存储能力。数据任务可以在分布式数据库中并行执行，能轻松实现高带宽的聚合数据访问能力。
分布式数据库包括联邦数据库和非联邦数据库两种子类型。联邦数据库强调各个数据服务器对数据的操作是自治的，提供了合并不同数据库的一种替代的方法——即利用互联网实现不同数据服务器的互操作，将整个数据联邦看作是一个大型对象来统一管理。联邦数据库的具体形式可以表现为系统集成、数据可视化、模式匹配，以及主数据管理这种异构和分布式的集成项目。
是指通过现有的数据库，了解系统的设计思路的过程。先是从数据库到物理模型，再从物理模型到逻辑模型，最后再从逻辑模型抽象出最初始的概念模型。当前，大多数的数据建模工具都支持逆向工程的相关功能。
云计算是一种按使用量进行付费并最大限度减少用户及服务商交互的IT资源组织和商业模式。
云服务提供商部署IT基础设施并进行运营维护，将基础设施所承载的标准化、无差别的IT资源提供给公众客户的服务模式。
公有云的核心特征是基础设施所有权属于云服务商，云端资源向社会大众开放，合乎条件的任何个人或组织都可以租赁并使用云端资源，且无需进行底层设施的运维。公有云的优势是成本较低、不需要维护、使用便捷且易于扩展，适应个人用户、互联网公司等大部分客户的需求。
云服务商为单一客户构建IT基础设施，相应的IT资源仅供该客户内部员工使用的产品交付模式。私有云的核心特征是云端资源仅供某一客户使用，别的客户无权访问。
由于私有云模式下的基础设施与外部分离，因此数据的安全性、隐私性相比公有云更强，满足了医疗、金融等机构以及其他对数据安全要求比较高的客户的需求。
用户同时使用公有云和私有云的模式。一方面，用户在本地数据中心搭建私有云，处理大部分业务并存储核心数据；另一方面，用户利用互联网获取公有云服务，满足峰值时期的IT资源需求。
混合云能够在部署互联网化应用并提供最佳性能的同时，兼顾私有云本地数据中心所具备的安全性和可靠性，并灵活性更好地根据各部门工作负载选择云部署模式，因此受到规模庞大、需求复杂的大规模的公司的广泛欢迎。
云服务商搭建和运营IT系统基础设施（包括机房、网络、磁盘柜、服务器等），以服务的形式向客户提供计算、存储、网络等基础计算资源，用户都能够在这些基础IT 资源上运行操作系统、应用程序等软件。这种模式最为突出的特点是用户无需自行搭建耗资巨大的IT基础设施；此外，这种模式亦增加了用户使用IT资源的机动性进而降低浪费。
云服务商在底层IT资源的基础上搭建和运维软件开发平台，向客户提供丰富的应用开发工具、应用运行环境、以及应用托管、运维等服务。这种模式的优点体现在：开发的人能便捷地获取各类成熟的软件开发、测试、运维的工具，进而简化开发流程并减少重复工作。
云服务商在云端开发应用或将现有软件迁移上云，以订阅模式向客户提供应用程序。用户在订阅云服务商的软件服务之后，通过云终端设备接入网络，然后通过网页浏览器或编程接口直接用这些软件。这种模式能更加进一步降低软件使用的门槛，用户无需管理底层IT基础设施，无需开发和运维应用程序，甚至无需在本地环境中安装软件，直接使用软件。
电子病例的建设有助于医院的自动化和系统化管理，方便医疗信息的检索，病例综合研究，和患者健康情况的中长期跟踪管理；
具体包含远程诊断和在线咨询两种模式。其中，远程诊断包括远程专家会诊和互联网医院两种形式，在线咨询则关注利用互联网平台为患者提供辅助的医疗建议。在线医疗解决地域之间医疗资源不均衡的业务痛点，同时也为实体医院分流了一部分就医资源压力；
通过计算机视觉技术识别CT\MRI等影像结果，自动定位病灶位置，提供诊断建议，提高医生的决策效率和准确率。
虚拟助手应用大数据和人工智能技术，形成知识库，充当医生助理，提供多样化的信息服务；在科研方面，精准筛选医疗案例和信息，在治疗过程，代替医生进行常规化工作，如智能问诊、 病例自动录入等，让医生更加专注核心的诊疗活动；
以患者为中心，将患者医疗信息系统的数据来进行整合，形成数据云平台，解决手术室信息孤岛的问题；基于音视频技术，实现主刀医生手术操作的全息记录，用于教学和科研资源的积累；
整合人体生理数据、校验数据、遗传数据的信息，逐步建立人体个性化模型，形成专属的个体生命数据库，能支持：1）疾病早期诊断 2） 解决疑难杂症 3）加快药物研发过程 4）提高医疗服务效果 5）支持个性化医疗和精准医学。
降低了软件开发的技术门槛，让企业中更多的“非专业”人士参与到软件开发工作，实现用户开发、全员开发的技术落地效果
，有效解决在数字化转型中业务与技术分离的问题，把技术细节从数字化转型的业务设计中尽可能地剥离，提高数字化创新的执行力并降低相应的试错成本（时间成本、开发成本）。
当前流行的低代码应用平台（LCAP，Low-Code Application Platform）把构建软件的自由度交给最终用户和咨询公司，用户基于界面、逻辑、对象、流程等可视化工具，以“托、拉、拽”的简单方式对软件元素进行快捷的定制设计与排列构建。
国内较成熟的低代码平台大体有：iVX、牛刀、ClickPaaS、JEPaaS、华炎、氚云、搭搭云、简道云、魔方网表、云表、宜搭云、APICloud、活字格、轻流，和明道云等。低代码当前主要使用在于业务逻辑相对传统清晰的领域，其效果非常明显的前提是该领域的业务通用组件库比较完备成熟。
如电力行业，可建设连通全国发电资产的工业大数据平台，通过数据的监控和挖掘提高煤电清洁、高效的生产水平，实时保障电厂最优化运行，通过智慧燃料、智能生产、智能故障检测等模块有效帮助火力发电项目减碳降本；
基于数据分析进行交通管理，预防交通阻塞，减少堵车导致的碳排放量；通过算法优化物流路线，优化火车、飞机班次。
提供面向某个具体业务领域的数字化软件应用，通过服务订阅或软件定制的方式，提供整套的应用系统能力。
提供某个具体数字化服务（如数据同步、实时消息、图像分析、在线支付等）的技术中间件，支撑各场景应用系统的开发。
为企业提供数字化转型的解决方案和路径规划，提供配套的培训，对业务持续跟进优化。
数据资产是能够为前端业务人员提供信息价值的数据资源，为了方便业务人员理解和使用数据，一般都会采用“标签”（如爱好标签、年龄标签、性格标签、地区标签等）的形式对数据来进行组织呈现，企业对数据资产价值的评估主要有以下四种方法：
统计数据资产的调用信息，如标签的历史调用总量、 平均每日调用总量、 持续调用量走势、 调用用户数量、 调用业务量等，基于用户对标签的使用行为间接评估数据资产价值；
比较使用和未使用数据资产的业务，通过A/B测试观察业务指标的变化来衡量数据资产的有效性；
对数据资产指向的业务指标进行动态的统计分析，实时呈现数据资产的价值收益变化。
最后，推荐一本笔者今年新出版的数字化转型书籍《大话数字化转型：迎接全行业的数字未来》！
的科普书籍，介绍了和企业数字化转型相关的各种关键概念，涵盖并进一步拓展了上述提及的各种主流数字化问题。
本书从业务和技术两方面，系统地解读了在数字化的经济大背景下的当前主要的数字业务创新模式和应用设计思路。同时，本书还介绍了在“数字化”在产业落地实践中可能遇到的各种实际困难，并基于笔者的丰富工作经验和理论研究成果，对这样一些问题的解决思路提出了独特的见解和观点。