伴随着数字化浪潮，企业正不断受到来自多方面的重大挑战。许多传统型服务和交付方式在被数字化创新型参与者重新定义，消费者和客户需求也在发生相应的变化。在这样的大背景之下，数字化转型成为了许多企业改革的重点。但成功的数字化转型究竟如何实现？根据Gartner发布的一份显示，数字化转型的重点可能更多聚焦于“数字化”而不是“转型”上。企业更关注的则是如何通过数字化转型来实现降本增效。

在全球经济发展放缓的今天，全球企业都在寻求降低成本的机会。然而，更重要的是重新审视成本背后的内涵，合理分辨哪些付出的成本需要优化，哪些成本能够创造更大的商业价值。

·       减少技术债务：技术债务是一项持续的挑战。要在不断发展的市场中加快行动并不断实现技术改进并非易事，其关键在于确定优先级、不断升级迭代以及卓越的执行力，尽可能避免返工。

·       替换遗留系统：如今技术进步速度如此之快，以至于很难避免“遗留”系统风险。某些技术需要拥有特定技能的人员来维护，但却很难找到足够能够胜任的技术人员。随着这些现有技术人员逐渐接近退休年龄，遗留系统的风险也在进一步增大。因此，企业需要留意对长期业务规划没有战略意义的技术，并对其进行快速更新。

·       优化自动化：人工智能（AI）和机器学习（ML）是自动化领域的关键技术，但机器人流程自动化（RPA）在推动整个企业效率方面仍占有一席之地。例如，对账、贷款申请处理等重复性流程的自动化已取得巨大成功。

·       减少合规成本：合规是开展业务的成本之一，为了控制该成本则需要寻找减少冗余、实现任务自动化的途径。有一种方式是可以依靠收益导向性的战略项目来完成合规需求，同时获得更多预付款。例如，的一些客户就利用其最初为合规而建立的数据平台来推动新用例的发展。这些数据湖仓存储了大量支持其他用例所需的数据。使用这种共享平台可以为多个目标服务，并且更能保障成本效益。

战略思维全局把控，真正实现降本增效

提到降本增效，大多数企业立刻想到的做法可能是将一切工作外包、重新谈判合同，或是精简员工数量。以上做法可能可行且符合企业战略，但企业更需要着眼于全局并对长期目标进行战略评估。例如，将所有工作都外包可能无法真正降低成本，因为管理外包环境所耗费的时间也非常可观。 

·       寻找冗余：冗余常常是企业机构中成本问题的罪魁祸首。企业需要在多个地点维护同样的信息，因此产生了大量冗余。替换冗余数据存储显然是解决这个问题的途径之一。企业可以在寻找冗余同时对采用整合解决方案所能节约的成本进行评估，以选出最高效的解决方案。

·       淘汰过时功能：成本控制的另一个目标是那些所谓 “阴魂不散”的系统。若企业有意淘汰某系统，则可针对继续投资该系统的理由进行评估。企业往往会因为合规要求而维护某个系统，但最终还是需要控制合规成本并重新调整预算。如果不把这些系统淘汰，可能就无法制定正确的计划。因此在淘汰某个应用之前，企业需要结合其整体战略，确定需要关闭或可以在其他应用获得类似的功能。在此期间可能需要重新分配资源，但要寻找方法避免下一个强制性合规更新，并把这段时间作为硬性期限。我们在操作型数据库和遗留数据库领域看到了这一点。的客户通过淘汰遗留解决方案节省了大量成本，还通过整合厂商管理和精简技能节省了显性成本以外的隐性成本。  

·       新增所需功能：利用自动化提高效率的选项覆盖整个企业，可能影响核保、监管报告、金融犯罪预防、交易改善、客户呼叫中心等。虽然所有这些领域可以同时开展使用机器学习和人工智能的项目，但在这种情况下必须寻找提高效率的方法。的某客户在开始建立数据湖仓时把重点放在监管合规上。然后他们很快意识到该数据湖仓有很多他们加速抵押贷款审批、监控支付等所需要的数据。企业无需为了一项新的要求而从头开始，反而可以更快行动。成熟的供应商还可以通过完全消除需求建议书（RFP）流程以及后续的新供应商审核流程来加快项目速度。 

巧用数据“加速器”，高效达成降本目标

Cloudera提供了各种帮助企业加速数据和AI计划的工具。其中就包括通用数据分配（UDD）和应用机器学习原型（AMP）这两个特定领域。

通用数据分配（UDD）可以从任何地点采集数据，并使数据驻留在任何位置以便进行分析，进而帮助企业逐步推进计划。

应用机器学习原型（AMP）是可以直接从Cloudera Machine Learning一键部署的机器学习项目。通过AMP，数据科学家能够在很短的时间内将想法变成完全可以运行的机器学习用例。AMP提供的端到端框架可用于即时构建、部署和监控业务就绪型机器学习应用。