1. 数字化转型不是数据分析，也不是数据挖掘，而是对业务体系的重新设计。技术只是工具，业务才是目标。

2. 数字化转型不光是技术的转型，而是组织的全面转型，船大不好调头，历史包袱的阻力不容忽视，大企业未必有优势。

3. 数字化不是万能的，企业有些问题数字化解决不了，根子的问题可能在于人才、管理、制度、模式、资金、文化。数字化咨询代替不了传统咨询，两者不是替代关系，而是互补关系。

4. 很多数字化咨询项目从出发点就偏了，所以不受欢迎，要时刻想着解决实际业务问题，而不是卖软件。

5. 数字化不是信息化，但是信息化是数字化的一部分。不经过信息化，没法实现数字化，信息化产生数据，数字化使用数据。

6. 对于很多企业来说，不采纳你的方案，可能不是因为你的产品不好，更多是因为没钱。

7. 数字化转型不在于建系统，而在于用系统。实际产业落地中，大多数的系统建设工作只是单纯为了给领导交差，可能仅仅很少的比例是用来解决业务需求。

8. 系统不是万能的，完美的数字化解决方案一定是人和机器的合作模式。机器的目的不是替代人，也不能彻底替代人，而是更好地让人发挥出价值，做更有意义的事。

9. 数字化的理由有很多，核心就一条，降低成本，在市场趋于饱和的情况下，谁的成本低，谁就能活下来。要不要进行数字化转型，本质就是在“算账”。开发系统工具贵，还是人工干活儿贵，哪个便宜就用哪个模式。

10. 数字世界的效率是物理世界的10000倍，能在线上做的事情就别在线下做。数字化应用好坏的标准就在于，一个业务活动有多大的比例能在线上自动完成。

11. 数字化转型不能当作外包来做，如果甲方自己都不了解自己，厂商就更不知道怎么办，*终结果一定是“形式大于内容”。

12. 不是所有的企业都适合做数字化转型，数字化不是不该做，而是不该马上做。先活下去，再想着怎么活得好。

13. 数字化转型是乘法，不是加法。主业务做的好，数字化转型会给业务提速，主业务不及格，数字化只能让企业死的更快。

14. 数字化转型是风险型项目，只有一把手有能力负责和承担，如果一把手不亲自下场，主抓进度，转型项目大概率没法有效实施推进。

15. 对于大型企业来说，真正的问题来自于存量的问题。开发一个新系统不难，抛弃旧系统，给旧系统搬家，新旧系统过渡，才是*难。

16. 当前大多数的数字化项目，仍然停留在信息化阶段，很多时候，把数据的查询、统计、展示这几块基础需求满足，就已经相当不错了。

17. 机器的智能化水平的确不断在提高，但是完全依赖机器是“不可信”的，至少在可预见的时期内，数字化转型还是要“以人为本”。

18. ChatGPT没有想象中的那么强大，可以理解为搜索引擎的高级版本，有直接答案的搜索出来给你，没有直接答案的，从不同数据源拼接出来也可以给你，对于自然语言大模型，其象征性意义远大于实用性意义。

19. 数字化转型有时候不是脑力活，而是体力活，就比如数据治理，如果没有足够的“理由”是没法说服别人认真落实你的想法的。

20. 数字化的基础在于连接，如果业务彼此连接不上，数据和信息自然就不能贯通，那么任何顶层“漂亮”的构建设想都是徒劳。

21. 数字化转型是做乘法，其是否有价值，考虑问题的出发点是“业务是否可复制”，提取不出*大公约数，就没法产生预期的规模效应。

22. 数据部门主导的数字化项目和业务部门主导的有什么不一样？前者主要做平台和治理，后者主要做升级和创新。

23. 数据中台真正的难点不是大数据，不是高并发，也不是复杂的安全架构，而是平台建好有用的数据接不进来。

24. 很多时候，做数据分析不是为了得到有用的结论，而是为了验证领导想要的“假设预期”，完全“开放式”的数据分析可能并不会受到什么重视。

25. 技术部分好坏，关键看怎么用，给谁用。同样的软件产品包装成不一样的数字化场景来销售，可能效果完全不同。

26. 数字化转型的一切都是围绕“降本增效”，也是评判好坏的唯一标准，有时候一些“短平快”的成绩是必要的，这样才能获取长久的支持推动。

27. 数据“开放性”是阻碍数字化创新的很大因素，有时候在技术上根本不难，只是压根不知道有这些数据；而在能接触到这些数据的人眼里，很可能并没有任何价值。

28. 数据不是展示的越多越好，对数据可视化来说，要适当的“断舍离”；隐藏不必要的细节可以让人更聚焦于核心问题，当然也可能产生恶意的误导。

29. 不要期待让数字化技术解决全部业务问题，能做到80%就好，剩下20%的长尾需求，不是还有“人工”兜底么？

30. 数字化转型项目有两种做法：一是找到业务需求，挖掘痛点，然后针对性地设计数字化场景；二是提出一个数字化的高大上概念，看和哪些正在推进的业务创新相关，直接“装”进去作为成绩。