最具影响力的数字化技术在线社区

168大数据

 找回密码
 立即注册

QQ登录

只需一步,快速开始

1 2 3 4 5
开启左侧

云化、服务化、数据化、智能化 带走这份企业数字化转型秘籍

[复制链接]
发表于 2017-12-16 21:59:53 | 显示全部楼层 |阅读模式

马上注册,结交更多数据大咖,获取更多知识干货,轻松玩转大数据

您需要 登录 才可以下载或查看,没有帐号?立即注册

x
每次 ArchSummit 全球架构师峰会上的技术晚场,都是极客邦的一个特色保留节目。一天会议的交流学习之外,架构师、开发者们聚在一起,以一种比较轻松、随意的 Lean Coffee 形式碰撞观点、深入交流。
在刚刚结束的 ArchSummit 全球架构师峰会北京站上,阿里云联合极客邦共同策划举办了以“企业数字化转型“为主题的阿里云之夜晚场活动,包括阿里云解决方案总监霍嘉、阿里云高级解决方案架构师傅杰、阿里巴巴研发效能事业部高级技术专家章屹、阿里云解决方案架构师徐晓华、阿里云解决方案架构师陈彦博、阿里云容器服务高级技术专家张凯在内的 6 位技术专家,担任当晚交流小组的组长,与参会者一起,围绕企业数字化转型的路径、企业数字化转型中的技术选型、企业数字化转型中的研发趋势、企业数字化转型中的数据驱动这四个小组主题进行交流和探讨。
阿里云之夜晚场交流现场
分享:企业数字化转型分为四个阶段
企业数字化转型正席卷全球,这不仅是趋势所在,也是企业发展必然面对的考题,阿里云解决方案总监霍嘉先以一个主题发言对本次讨论主题“抛砖引玉”,他对企业数字化转型的四个阶段进行了具体的阐述。
阿里云解决方案总监霍嘉
云化阶段:成本的降低和效率的最大化
结合自身数字化转型的经验,阿里把企业数字化转型分为四个阶段:第一个阶段是云化阶段,也叫云 IT,云 IT 阶段追求的是成本的降低和效率的最大化。就第一阶段来说,云转型策略的制定、企业级应用上云架构、云平台的安全和自动化运维都是要考虑的问题。通过搭建混合云和制定企业应用上云的优先级,阿里云可以帮助企业搭建弹性、安全、高效的 IT 基础设施层,并通过云上架构合理的部署企业应用,将企业 IT 人员从繁琐的资源申请、系统运维中解放出来。
服务化阶段: 业务能力共享
第二个阶段是服务化阶段,服务化阶段是企业本身的业务能力数字化的过程。过去企业的系统在搭建过程中往往是烟囱式的搭建,导致了系统之间信息无法互通;也造成了系统能力无法共享从而重复建设的浪费。在这一阶段,阿里云可以帮助客户把业务以共享服务化的方式做改造,形成共享服务中心。有了这些共享服务中心以后,企业业务就像能力积木。当你去做一个新业务的时候,你只要把这些能力积木做拼接、组合就好,这样大大加速了创新的速度,也降低了创新的成本。
数据化阶段:一切业务数据化、一切数据业务化
第三个阶段就是数据化阶段,当企业业务能力数字化以后,本身会产生大量数据,数据需要被最大化的利用起来,才能对业务有价值。阿里把整个做数据化治理、数据运营的能力拿出来给大家做成服务和产品,在阿里云上提供服务。展示在数据化阶段也非常重要,有温度的将数据分析和计算的结果展示出来,才是真正的有效运营数据,帮助业务发展。
智能化阶段:关键是解决不确定性
第四个阶段是智能化阶段,场景、算法、算力三个核心要素才能组合为真正智能化落地的东西。阿里云在工业制造等多个领域通过把这三者有效的结合,可以有效的帮助企业提升良品率、降低能耗,解决过去难以解决的问题,拓展了认知的边界。
在阿里云眼中,传统的企业 IT 架构基本上都是以流程自动化为中心。流程自动化意味着什么?意味着你在用确定性的知识去解决问题。但是大家都知道,今天这个社会发展这么快,今天你面临最多的东西其实是不确定性。
一个企业做得好的话应该是把你确定性的东西发挥到极致,但是最可怕的是无论是你的业务上,还是 IT 架构上都会有很多不确定的问题需要解决,不确定性问题的解决恰恰是过去这十几年、二十年互联网公司一直面临的问题,也一直是阿里在解决不确定问题中总结出来的一个架构。
讨论:企业数字化转型考题,如何解?
在分组讨论环节,参会者根据感兴趣的话题进行了自由分组,热烈的分组讨论之后,每一小组委派 1-3 位代表分享小组讨论结果。
分享者与各位阿里云技术专家合影
数据驱动:从无到有建设数据中台
在企业数字化转型如何做数据驱动小组, 从讨论结果来看,大家就如何从无到有建设数据中台进行了讨论。因为很多遗留的数据要打通或者整合的话,涉及到组织的变化、职责的变化,所以要成功首先是一把手工程;另外就是业务价值驱动,因为很多企业都是看到市场上的热点一股脑上,投很多钱去构建一个很大的平台,效果未必好,所以必须是业务价值驱动去判定优先级、逐步积累数据中台的建设经验;第三点,不同企业的基因不一样,所以要注意中台的转型策略、原则、范围、职责;第四点,数据中台的建设方案的选型,小组讨论集中于到底是利用阿里这种非常好的经验帮企业提供一堆现成的框架、现成的数据积累,还是自己去建设?
另外,大家还讨论了数据安全问题,企业里面可能有敏感数据,到底是全部放到公有云里面,还是自己建设私有云,还是混合云?怎么去做数据中台,建设方案的选型也非常重要。具体到如何实现数据的价值感,经过小组讨论,把数据价值分成两个部分,一个部分是业务的数据化,第二部分是数据的业务化。
此外,来自中交车联网的参会者,站在阿里云用户的角度,还介绍了企业数字化转型如何运用阿里云的成果。中交车联网截止到目前已经连接了 500 万辆货车,已经在利用阿里云的数据去做车联网业务,另外中交车联网也借鉴了阿里云的一些数字化转型的经验成果。
研发趋势:从 CICD、DevOps 到敏捷
在企业数字化转型中的研发趋势小组,大家先就讨论哪几个研发趋势达成共识,包括 CICD、DevOps 和敏捷。
研发趋势的好处一是快,比如 CICD 在内部去持续集成、持续交付,可以提高测试的质量、减少内部试错的代价、提高产品质量。在没有使用新的趋势开发的时候可能一个东西会比较慢,比如五六个月发布一次产品,大家都集中在最后时刻,出错的时候代价非常大。如果采用这种快的模式,虽然还是说六个月发布一次产品,但是在六个月发布这个产品之前可以快速在内部去迭代,去做 CICD,去提高产品的质量,所以最后产品发布的时候出错的几率就比较小。
第二个好处是项目全周期管理,企业使用了 CICD、使用敏捷的管理流程再加上底层的资源管理,可以使整个项目从设计、开发、测试、运维监测都可以在一个平台上去实现,所有数据都可以在一个平台上拉通,这样就可以一站式对整个流程进行提效。
具体到研发趋势如何落地,首先,数字化转型涵盖大量的互联网思想在里面,所以就会遇到互联网思想跟传统企业思想的碰撞,需要公司领导给予足够的权利;其次,从研发到测试到运维和最后发布,需要一个标准化的流程,适合就是最好的;第三是在一些管理方面涉及到的技术选型部分。
技术选型:浅谈微服务架构转型
在企业数字化转型中的技术选型小组,讨论的话题是微服务架构转型的层次。经过小组讨论,从客户角度考虑,首先要把公共的应用部分做微服务化,作为一个单独部分来做,然后把项目里面涉及到的缓存、消息队列等拆开来作为一个单独整体,这样拆成两块,微服务会作为单独的一套。
伴随企业业务的不断升级、业务布局的变化,怎样快速让系统实现变更?这是非常痛苦的事情,因为异构的系统很多,数据更多,这时候微服务的方式不用去考虑是怎么实现、业务怎么去操作,解决了业务的问题之后本身这个服务之间的消息传递就有了一个共同语言。
接下来会考虑计划部署的工作,计划部署这块可以快速做到横向扩张,做一些扩展均衡。然后有了这些之后我们必然都会问一个问题,事务是怎么处理的。那么事务的处理可能还是基于微服务的方式,或者如果说事务能够自己微服务的话就自己微服务,如果不行会采取一些补偿措施。
在讨论中大家发现,微服务拆分的时候可能会面临一些问题,大家比较关注的点就是微服务拆分之后,数据移植怎么保证。当我们进行服务化拆分之后我们整个的数据库就分散在各个不同的数据库间,这个时候必然面临一个问题就是我们要数据库存在分布式事务。
其实无论我们采用哪种解决方案,最终还是要回归到我们的业务。因为在整个的分布式事务解决方案里没有哪一组是能适用于所有业务,只能根据我们业务的实际情况来选择一种需要的分布式解决方案。
转型路径:从业务入手避免一刀切
在企业数字化转型的路径小组,在霍嘉的带领下,对企业数字化转型中的一些实际案例和基础架构进行了发散性讨论。
一位参会者分享了他所在企业在数字化转型中面对的挑战:对他的企业来说,内部 IT 自研的开发队伍,连外包伙伴一起有四千多人,之前的 IT 建设又很传统,所以转型其实挑战很大。讨论中获得的启示在于,业务中台建设一般适合于新建业务或者重构业务,并不是所有业务都适合;另外一定要建设好中台,真正把业务特性和项目中台结合。数据中台很重要的一点是数据中台的识别或者数据模型共性的识别要从业务入手。
另外一位参会者分享的时候表示,企业在做微服务化、打破数据孤岛的时候,首先要以用户为中心,以有温度的方式展示成果;其次要以问题为导向,抓住问题、切入一个具体业务,了解这个业务场景、业务上面的各种数据的输入输出,然后从这些业务上找出来能够推动数字化转型的问题;第三需要进一步的解决单个问题,然后进行垂直挖掘,从上到下分析出这个业务场景下的业务模型、数字模型,把这些对象或者数据数字化、业务化,然后在这个基础之上不断迭代。

楼主热帖
您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

关闭

站长推荐上一条 /1 下一条

关于我们|小黑屋|Archiver|168大数据 ( 京ICP备14035423号|申请友情链接

GMT+8, 2024-3-29 10:19

Powered by BI168大数据社区

© 2012-2014 168大数据

快速回复 返回顶部 返回列表