⑴ 传统企业要实现数字化转型，需要从那些方面入手
数字化这个概念经历了三个发展阶段：
1. 数码化（Digitization）：不改变事物本身，而是改变事物的存在或存储形式、使之能够被计算机处理，如：将纸质文件扫描为电子文件、将相片存储为电子格式；
2. 数字化（Digitalization）：强调的是数字技术对商业的重塑，信息技术能力/数字技术能力不再只是单纯的解决企业的降本增效问题，而应该成为赋能企业商业模式创新和突破的核心力量；
3. 数字化转型（Digital Transformation）：利用数字化技术（如大数据、云计算、人工智能等）来推动企业组织转变业务模式，组织架构，企业文化等的变革措施，如衍生出的智能制造、智慧城市等概念。
诸如企业的财务、销售、市场等业务自身就带有强烈的数据分析需求，领导也厌倦了查看一沓沓报表，更希望看到结论化的数据。如果说运用到个人或是某一个问题的叫数据分析，那么投入到企业的业务层面用于辅助管理产生效益的则可称为数字/数据化管理。
数字/数据化就是要通过收集企业日常运营的数据，客户使用产品服务的数据，市场行业，趋势等等数据，形成企业日常运营的全景图，反映到产品研发、服务流程改善、精准营销、销售模式升级、优化库存等业务的改进上来。
为什么要数字化转型？
（1）数字化让企业中非创新的活动更加简单
换句话说，因为有了数字化手段，企业中那些创新成分低的诸如体力劳动，简单重复的脑力劳动，都可以被自动化，从而，相应的，企业中真正体现创造性的活动的比重才会增加。
（2）数字化让企业获得了一种新的资产——数据
数据资产的特殊性在于，它的价值是最容易受“判断”的影响，而很难和其他资产那样，有一个市场价格。
（3）数字化为企业的创新活动提供了更友好的环境
数字化的手段，让很多原本需要大量投入做实验的创新活动，有了更加简单易用低成本的虚拟化的实验环境，原本来自复杂的实验搭建、制作工作，现在只要动动鼠标，最多写几行代码就可以实现。
数字化转型是发展数字经济的一环，其目标是提高企业运行效率、实现产业高质量发展、优化现有经济结构、构建数字经济体系。
不管是在被动亦或是利益的驱动下，很多传统企业都开始走上数字化转型之路，但往往理想很丰满，现实却很骨感，不少传统企业带着希望来，却带着失望离开。
数字化转型难在哪里？
难点一
数据治理难，数据存在孤岛
尽管数据治理对于企业而言是如此重要，但大多数公司的数据治理行动至今尚未完成甚至仍在计划阶段。整体上的滞后，是因为数据治理不仅是一个技术问题，也是一个管理问题。无论是在跨组织的协调沟通中，还是在决策或持续推进环节，企业数据治理往往需要面对数据孤岛、数据质量差、数据不透明等障碍。
信息存储库仍然由单个团队或部门控制，并且对整个组织不可见。当某些派系将其数据与公司其他部门隔离开来时，员工无法从数据可能包含的答案和见解中受益。大多数公司表示他们在数据孤岛方面遇到了中等或高难度。
数据治理要求企业实现数据透明，而部分数据库难以直接调取内部数据，只能通过对外接口进行访问，在进行诸如数据分析、血缘分析、数据建模等上层应用时，被大大限制了灵活性，一些需要使用原始数据的场景无法实现，数据的价值也就无法发挥出来。
难点二
外包开发的系统，跟不上业务变化
系统的开发过程中，经常无法适应日新月异的业务变化需求，需要开发人员在原有的软件基础上进行修改，一是要等排期，也许排期到了需求又有变化；二是因为是外包开发，许多代码需要重新梳理，一个小小的改动都要浪费开发人员的时间，如果牵涉到沟通和人员流动，情况将会变得更加复杂。
难点三
自研团队成本高，周期长
传统开发软件开发流程，一般要经历需求调研、原型、UI设计、数据模型设计、前端开发、后端开发、集成测试、用户测试、生产上线、运维。流程周期长，需要的技术种类多。导致开发时间过长，人员招聘培训成本也大。
难点四
数据安全令人担忧
对于很多行业来说，数据安全的重要性不言而喻，而数据库是保证数据安全最重要的城墙。所有数据都是数字化的，并且数量巨大，黑客始终可以在恶意内部人员的帮助下找到进入入侵的方式。如果他们以某种方式可以访问你的关键数据，他们可以根据自己的目的进行修改，甚至删除其中的一些数据。
⑵ 物联网深入发展 将如何改变大数据分析
物联网深入发展 将如何改变大数据分析
数据一直在业务中发挥关键作用，但大数据分析的兴起，大量存储的信息可以在计算上挖掘出来，揭示有价值的见解、模式和趋势，使其在现代商业领域几乎不可或缺。收集和分析这些数据并将其转化为可行的结果的能力是成功的关键。
随着物联网的发展，这一过程变得越来越复杂，在日常生活中，从车辆到商店展示，到智能家居自动化技术，如恒温器和水位显示器，都能产生大量的数据。物联网带来了各种新的分析挑战，而更快适应这一新现实的企业将获得明显的优势。
改变基础设施的需求
物联网产生的数据面临的主要问题之一就是它的规模。英特尔公司估计，到2020年，多达2000亿台智能设备将在线运行，以及约54亿个具有物联网功能的B2B设备。这意味着任何寻求利用物联网数据的企业必须首先投资于处理数据量惊人所需的基础架构，其中大部分将是原始的和未标准化的。数据湖和分布式服务器集群可能成为存储此数据所必需的，控制数据流对于管理带宽和网络成本是必不可少的。
新的分析挑战
除了物联网产生的大量数据之外，数据本身也提出了一个问题。大多数传感器产生的数据是相对嘈杂和非标准化的，大部分数据是实时数据流的形式。这些事实需要一种新的分析方法，软件堆栈能够快速分类，处理和分析大量的数据。在数据被正确处理之后，下一个挑战是挖掘这些不同的信息源以产生可操作的数据。
技能分析师日益增长的需求
随着更复杂分析的需要，需要更多和更熟练的数据分析师。从物联网数据流中吸取有用的见解需要高超的技能，不仅要管理数据本身，还要确定最有效的焦点区域。大数据框架(如hadoop和Spark)以及R数据编程语言的专长正在迅速成为管理物联网生成数据的关键，业务分析越来越依赖于复杂的技能集，其中包括机器学习，复杂算法，深度学习，复杂事件处理等。
从数量提取质量
调查显示，96%的企业遇到通过其接收的数据量进行过滤的问题，而这个问题只会因为大量新数据的涌入而加剧。大数据本身没有什么用途。其它真正的价值在于从这个数量中提取质量并产生有意义的见解。消除噪音的一个重要方法是使用过滤器来消除多余的数据。物联网数据通常是高度粒度的，大多数企业不需要这样的详细信息。使用算法驱动的过滤器将这些数据压缩成更实际的时间间隔中，显着地减少了要分析的数据量，而不会影响其质量，从而使其更有价值。此外，由于物联网传感器已经广泛存在，而且很快就会普及，将有用的数据源从那些不需要的地方进行排序将是最重要的。
新的安全范式
由于物联网由广泛的设备，通信协议和数据类型组成，为了保护其产生的数据，这要求企业必须准备迎接新挑战。许多数据安全专业人员在处理物联网数据方面根本没有太多经验，而且新的来源和技术却快速到来，随着安全威胁的增加，需要企业提高警觉性和灵活性。妥善保护物联网数据将需要所有新的安全措施和协议专门设计来满足这一新的现实。
物联网已经经历了快速增长，似乎有望成为业务分析未来的浪潮，但它仍然是一个新兴的技术。它产生的大量数据将只会增长，并变得更加复杂，现在投资于基础设施和需要处理的技术人员将在未来得到回报。负担得起的，可扩展的，持久的存储将是至关重要的，数据分析师也将具备适应大数据快速变化现实的技能和经验。未来即将到来，必须进行适当的规划和准备。