随着数字经济发展的深入，对于数字化转型，很多企业都已经提前交出了成绩相对不错的“答卷”。但仍有很多企业在转型的过程中遇到了不少落地实施的问题。究其原因，这些转型“失败”的企业，好像在战略和方法上又没有什么错，但是为什么实际转型的结果却是大相径庭呢？其实道理很简单，在“人”的维度上出现了问题。不是方法不对，而是人不行，即人对方法的执行不到位。数字化转型是组织的转型，组织是由人与人之间在业务上关联形成的，每个企业的组织文化基因不同，人员的思想认知和基础条件不同，因此在数字化转型的效果上会存在很大差异。

企业数字化转型需要的是训练师，而不仅仅是只懂理论的讲师。举个形象比喻，就好比踢足球这项运动，足球怎么踢，规则是什么，其实都是一样的。而为什么有的人踢得好，有的人踢的不好，关键还是在于踢球的人，天分、基础、技巧、努力、资源、悟性、合作、协调、策略 ... ... 这些因素都非常重要。那么在数字化转型中，如何做到以“人”为本？应该在哪些维度考虑人对转型的关键作用呢？

1.数字化转型的“牵头人”

首先，要保证数字化转型中牵头的人足够坚定且强势，引领数字化转型工作的“领导”一定要下场亲自过问，并且给予足够的资源支持。有效的数字化转型工作一般是“一把手”工程，领导的管理层次越高，数字化工作的推进越有成效。更高层级的领导可以更大程度地推动部门之间的业务配合与协同，不仅能够做到整合不同部门之间的数据、系统，还能够在特定的数据管理活动中整合不同部门的人力投入，保证数据管理相关的方法、标准、规定，能够被业务部门高效而准确地执行落实。

例如，在数据治理工作中，对不同业务系统的数据质量都会提出一定的要求，无论是数据的生成还是入库，都要遵循一定的标准。这些标准的梳理需要依赖各业务部门结合的实际数据应用需求，共同来制定完成，除了要针对每个业务部门自身分管的业务系统和数据表制定质量标准，还需要对跨系统数据表的一致性要求进行规范定义。此外，在整理得到这些标准后，需要各部门在其日常业务活动中，对相关数据对象进行严格审核并整改具有质量缺陷或隐患的数据内容。

可以看到，上述整个过程需要组织上下合理完成，如果仅仅是数字化团队或部门想要开展数据治理相关工作，但是缺乏更高层领导的有力支持，那么在实际的数据治理工作开展中，就会缺乏业务部门的配合，既不知道有哪些业务系统和数据表，也不知道如何定义合格的数据质量，最终数据质量标准的执行和跟踪也没法有效落地。

在数字化转型中，领导者的认知决定了转型的方向和效果。领导者绝不可以把“数字化”工作完全下放到某个部门来完成，需要自身把握方向、确定目标、制定计划，亲自下场协调各方资源投入和利益关系。从实质上来讲，数字化转型不是某个部门的事情，而是企业级的事情。其原因不仅仅在于，数字化转型整体性的战略定位，同时，转型的成果和影响也将作用于组织内的全方位业务环节。

因此，对于在转型工作中起到关键影响的领导者来说，需要持续提升数据技术素养，不断提高数字化的理论认知水平。尽管企业中很多领导者“出身”于传统行业，对自身企业所在业务领域十分专精擅长，但是可能并不了解当前的数据科学技术前沿，同时也缺乏数字经济时代对企业及其所在行业影响的深刻洞察。在这种情况下，如果不补足数字化知识和经验短板，就很容易让企业“错失”关键的发展机遇，在剧烈的数字产业变革下被弯道超车。可以说，数字化转型“牵头人”的作用至关重要，不仅在组织中需要有绝对的“影响力”和资源整合能力，还要有果断的魄力以及对“数字化”精准的决策力。

2.数字化转型的“执行人”

数字化转型工作中，每一项具体的管理策略以及数字化应用场景落地，都依赖于具体的人来执行。转型结果的输出，是人与机器（系统）相结合的全新业务模式，在新的模式中，需要人与机器相互配合，进行有效、深度的信息交互，实现企业中数据资源价值的挖掘与应用。因此，企业中各岗位业务人员的水平，决定了转型的实际效果，也是转型工作最终“触达”经济成效的实际落脚点。

无论是数据系统的开发、数据资源的利用，以及数据内容的维护，都需要依靠人来执行，特别是广泛的基层一线业务人员。如果说领导者的认知决定了数字化转型的“上限”，那么基层一线业务人员的素质则决定了数字化转型的“下限”。这一点对于非数字原生企业——传统行业企业来说，尤为突出且重要。在传统行业中，大量的岗位都与计算机、互联网、大数据等信息科学技术关联甚微，基层业务人员对数据科学本身、对数据系统的使用，以及对数据资源价值的理解不到位。这不仅导致数据管理混乱，同时也无法充分而有效地利用数据，发挥数据资源的经济价值。

一种典型的场景如下：在数字化转型中，为了配合特定的标准化业务流程，经常需要业务人员通过系统录入填报特定的信息，这些信息需要按照一定的格式、标准来录入，方能保证后续数字化应用中基于这些信息达到预期“自动化”流程效果。然而在实际方案落地时，业务人员的数据基础素质不足，难以准确理解数据填报的规则和标准，不填、误填、乱填等情况频频发生，导致人工所填报的信息几乎不可用，最初设计构想的数字化应用场景也因而无法实施。

在上述场景中，最大的问题就是忽略了“人”的能力水平，数字化方案的科学有效固然重要，但其前提一定要可操作、易执行，每一项“高大上”的数字化方法论，最终都需要结合实际的基层一线场景进行灵活适配。数字化应用场景下的相关业务流程不仅要简单、便捷，尽可能降低对“人”的原有业务活动干扰，同时还要允许一定的容错性。

除了面向流程进行设计优化，还可以通过工具来简化过程，提高效率。企业中的每一个与数据交互的人员都是数字化系统的关键用户，从技术产品的角度，兼顾系统工具的“感知有用性”和“感知易用性”，使其交互过程容易理解、信息提示贴近业务含义，同时应用形态符合使用习惯和工作环境，这些都是数字化转型工作以人为本的具体体现。

3.数字化转型的“责任人”

数字化转型中，除了要关注“牵头人”、“执行人”，还要有“责任人”的概念。数据作为一种重要的企业资产，其管理维护和使用活动，都需要被严格地进行规范和有效地执行。正所谓“无规矩不成方圆”，任何与数据相关的活动，都需要立下规矩，同时确保规矩执行到位。

在数字化转型企业中，建立起体系化的数据责任机制是非常重要的，将数据资源与人进行关联，保证数据相关的问题有人管，有人负责。当数据责任落实到人之后，还要逐渐建立相应的“责任人”考核机制，确保责任人的行为可观察、可量化、可跟踪，最终从每个具体责任人的日常数据活动的严格落实，保证数据管理制度的有效落地。

哪些人可能成为数据责任人呢？简单讲，所有创造数据、管理数据、使用数据的人，都可以被定义为“责任人”。

在数据创造阶段，数据责任主要体现在，保证进入系统的数据符合预定义的数据质量标准，避免数据资源被污染，导致“数据误用”或“系统失效”的负面影响。例如，企业员工作为责任人，在录入订单数据时，填写进入系统的数据必须严格规范，既要符合技术系统规定的数据格式规范，又要符合业务上的约束要求，比如订单号不能为空、订单配送地址符合配送范围、订单金额不能为负数等。

在数据管理阶段，数据责任主要体现在数据质量整改、数据定期定量同步、数据基础信息维护、数据权限严格管理等方面，实现“主动式”的数据管理机制，持续优化数据资产价值，营造规范、安全、高效的数据服务体系，赋能企业内外部的数据综合应用。例如，在梳理、确定了数据质量标准后，通过数据质量规则脚本，定期自动识别出业务系统中的数据问题，然后将这些有质量缺陷的数据自动推送给数据责任人，数据责任人按照质量要求对数据进行整改。

在数据使用阶段，数据责任主要体现在对数据资源的安全、合规使用方面。数据资源对象需要在合理的业务范围内规范使用，数据责任人应当对数据资源的使用方式和使用场景进行严谨的评估和把控，例如，考虑数据应用是否符合行业规定和法律法规要求，数据的传输和使用是否符合数据安全管理要求，数据系统的运行中是否存在敏感数据泄露、个人隐私侵犯等业务风险隐患等。