提到数字化，就不得不提到信息化和智能化，这两个概念与数字化密切相关，似乎都与数据联系紧密，但实际上，数字化、信息化、智能化，三者具有完全不同的概念内涵，本节我们将深入探讨这三者的区别与联系。

1.数字化与信息化

信息化的话题出现比数字化早很多，早在1960年代就已经提出，并且在1970年代后国际上就开始逐渐有关于信息化的业务实践。信息化中的典型的技术有现代通信、互联网、计算机、数据库等，其与数字化很相似之处在于都强调业务活动与信息系统的结合应用。

从广义上看，信息化也可以看作是数字化的初级发展阶段，但与典型的数字化概念场景相比，仍然有一些差距所在：

在信息化的场景构想中，更多是强调业务的线上化和自动化效果，信息化借助于计算机系统在数据计算、数据存储的性能优势，来辅助人在日常的管理运营活动中解决现有工作执行效率低下的问题。在信息化中，数据只是业务的操作对象和执行结果，而数字化则把数据看作业务发生的原因和业务活动产生的原料。

数字化关注从数据中发现新的价值、形成商业洞察、创造业务机会，对业务进行升级、改造、优化、创新；信息化不关注从数据中进行创新，而只是基于既定的主题框架和相对固定的流程在处理数据，用计算机辅助实现原本已经存在的业务逻辑，在数字空间中把成熟的业务解决方案再做一遍。信息化的本质是业务数据化，数字化的本质是数据业务化。

当前，工业界很多著名的业务信息系统都是信息化时代的产物：

例如，办公室自动化系统（OA，Office Automation），把线下的文件转发、流程审批、信息核对等事务性工作搬到线上，提高事务的执行效率和管理效率，支持远程办公和跨部门的紧密协作；企业资源计划系统（ERP，Enterprise Resource Planning），对制造业的企业在供应链管理、生产车间维护、财务资金管理、销售与市场管理、人力资源管理等多维度的管理运营活动提供标准化的数据信息服务；客户关系管理系统（CRM，Customer Relationship Management），帮助企业管理者收集、管理、维护客户的基本信息，提供个性化的售前、售重，以及售后服务，提高用户的满意度。

信息化阶段的软件系统，重在提高人对具有规模性、复杂性的业务信息的处理效率，提高管理决策水平，提高业务各相关方的信息连接程度，实现“降本增效”，优化业务经营能力。信息化不改变人对业务的认知，而是在现有业务认知下的业务提速。

在业界有一种比较主流的区分信息化和数字化的方法认为，信息化不涉及数据分析的操作，而数字化则需要进行数据分析。这种分类方法比较直观易懂，但笔者认为并不完全严谨。实际上，信息化阶段的主流信息系统也关注数据分析工作，数据仓库、OLAP等技术概念早在数字化之前就已经流行了十余年。

信息化的数据分析以统计分析为主，数据分析的“套路”比较固定，一般是面向特定业务主题的常规化分析。这个阶段的数据分析强调解释业务现状和观察趋势，而非挖掘底层业务规律。从数据分析的表现形式来看，数据分析一般为离线分析或者交互式分析，必须以人来引导数据分析的过程，数据分析仅仅是辅助人的决策，很少直接提供最终决策建议；相比，在数字化应用中，除了离线分析的场景，数据分析还会嵌入到在线的生产服务的场景中自动执行，依靠通过算法挖掘到的业务知识，直接提供业务决策结果，如：精准营销、服务推荐、路线优化方案、欺诈交易警告等。

信息化和数字化在数据应用程度上本质是“一脉相承”的，很多数字化应用本身就是基于传统信息化应用的深度改造和智能化升级过程。对于大多数企业来说，信息化是数字化的必要发展阶段，企业的业务应当先完成信息化的建设和业务改造，再步入数字化的发展阶段，这样的发展路线好处主要如下：

首先，在业务信息系统时，企业能够形成标准化的业务信息架构，促进业务数据口径的规范性和统一性过程；其次，业务信息系统可以通过自动化的形式快速形成数据的积累，形成稳定的数据来源，为数字化创新打造信息内容基础；信息化过程可以提高企业内部人员对数据价值的整体认知水平，有利于数字化业务的落地推进；此外，业务信息系统的长期建设可以积累大量通用的技术组件，形成技术资源池的积累，这些技术组件可以纳入到中台进行管理，形成数字应用高效率创新的技术开发引擎。

图3. 信息化、数字化与智能化的比较

2.数字化与智能化

如果说信息化是数字化发展的必要阶段，那么智能化则是数字化发展的高级形态。所谓智能化，就是让机器像人一样进行工作，降低企业的人力成本，同时提高企业的生产效率和服务效率。智能化的本质是能够体现人的智慧水平的数字化业务，是人工智能技术的重要业务价值体现。

那么，机器是如何获得人的能力呢？

人会基于特定的问题进行思考和决策，背后依靠的是某一领域的操作技能，其背后是人掌握了这些技能背后的业务知识。机器如果能够获得这些知识，也能够表现出“类人”的智能化特征。机器可以通过阅读大量的数据，通过数据挖掘、机器学习、深度学习等方法从这些数据中学习到有用的业务知识，然后在利用这些“所学”的知识提供智能化的服务，解决实际的应用问题。

例如，ResNet是一种深度学习算法模型，该模型可以从一个容纳了千万级图片资源的数据库ImageNet中学习到如何对图片文件进行自动分类的能力。数据库中每个图片都有对应的类别标注结果，这些图片和图片类别的对应关系就是和图片分类任务相关的的宝贵业务知识。

因此，为了让机器掌握某一方面的人的智能或能力，就需要提供该能力对应的数据库。如何为机器构建一个良好的技术能力学习环境，是人工智能技术发展要解决的重要问题，同时也是影响数字化发展为智能化阶段的重要因素。

除了图片自动分类以外，互联网应用中的智能“抠图”功能、语音转文字功能、对话翻译功能、智能客服功能，制造行业中生产设备的故障自动预警功能，大健康行业中患者疾病辅助诊断功能，新零售行业中销量预测与智能选址功能，金融行业中面向投资者人的自动选股功能，这些都是智能化的典型应用场景。

此外，除了代替人进行业务决策，当算法与智能硬件终端相结合，又进一步产生了机器人的产品形态。比如，家电行业的智能管家、交通领域的无人驾驶、智能制造的全自动生产线都是非常有前景的智能化业务场景。未来，随着数据采集成本的下降，数据计算能力和管理能力的不断提升，而于此同时，企业的人力用工成本又在同时不断上升，各行业中将会出现越来越多成功、有趣的智能化产品和服务。