关于这些“生硬”的数字化概念，我的通俗理解 ...

数字化转型：将数字技术广泛应用到企业的各个方面，比如业务流程、组织结构、产品设计等，从而实现企业业务的数字化、智能化、网络化。

数字孪生：把现实的物理世界，映射到虚拟世界中，在虚拟世界中解决业务问题效率更高，效果更好，同时可以达到替代人力成本的作用。

数字经济：利用新一代IT技术改善经济结构，优化经济产能。

数据要素：把数据作为新的生产要素，可以为企业带来产能价值，进一步“盘活”企业现有的业务资源。

数据业务化：把“数据应用”作为业务流程中的重要一环，意味着在业务中不仅用到IT系统，同时IT系统要具备数据分析或数据生成能力。

业数融合：强调业务和数据之间具有更深的协同效应。前提是数据可以实时、准确、完整地反映业务现状。从而达到两个效果，一是数据可以对业务起到指导和优化；二是业务信息在数据库中有效同步。

数据架构：企业数据资源按照这个逻辑框架进行组织和表示，为了更好地在信息系统中开发数据应用。数据架构本质上是数据与数据之间的关系，没有所谓的标准形式，可根据企业数字化需求灵活定义。

元数据：用来描述数据的数据。提到元数据，关键不在数据的具体内容，而是把企业的数据资源本身看做业务对象，对其基本信息进行统计和维护。

数据血缘：数据血缘反映不同数据之间的继承关系。对于大企业来说，很多业务系统中的数据不是“一手”采集的，是从其他系统引用过来二次加工而成。通过数据血缘关系，当数据应用“宕机”出现问题的时候，可以找到上游系统中，数据质量问题的根源。

数据治理：数据治理的目的是为数据业务化（前面解释过）做准备。原始的数据不能满足数据业务化要求，比如数据质量不高，数据格式混乱，数据关系不清晰等问题，因此数据要先治理，再应用。数据架构是如何进行数据治理的“蓝图”。

数据中台：可以理解为一个承载了“已治理”数据的资源池，同时基于这个数据资源池，已经搭建了一些“半成品”的数据服务组件，IT部门可以根据业务需要，从数据中台中挑选合适的数据服务组件，快速搭建数据应用（比如推荐系统、分析系统、BI报表等）。

数据湖：一个还“未治理”的数据的资源池。有些企业数据，由于成本或技术因素，无法及时完成治理进入中台，但又舍不得丢弃，先放到数据湖中存起来。同时，数据湖中保留了原始的数据信息，可以支持对明细数据的查询，或一些数据溯源工作。

数据运营：对数据中台的数据资源进行定期维护更新，配合完成各类数据应用的开发落地，并推广数据应用的业务成果。

AI：人工智能是数字化转型的新趋势，目的是替代人工，达到降本增效的作用。这里单独来讲，主要是想强调，AI在数字化中潜力巨大，但实际上融合深度还比较早期，造成该结果的原因比较复杂，主要是三方面：一是业务人员排斥新技术的替代威胁；二是有用的AI技术依赖于大量高价值的训练数据，但训练数据集的构建成本依然很高；三是很多行业经验并未形成标准化、成熟化、可建模的方法论。

数据资产：经常与数据资源混淆。所谓数据资产，强调的是数据的价值属性。不是企业所有的数据资源都可以称为数据资产，前提是数据经过治理，在业务中得到了价值验证，并且这个价值是可量化、可复制的。

本文来自微信公众号“大话数字化转型”（ID：dataminingxmz），作者：数字化刘老师，36氪经授权发布。