数据是可以解释的事实
数字化的三个基本特征：耦合、数据、智能。 第二个要素是数据。 关于数据这个定义太多样化了。 我终于找到了我认为可以接受，或者我也认为大家可以作为rrdjd，作为非IT人员接受的定义。 这个定义非常简单，数据是可以记述的事实。
这样定义数据，在我们的管理中，和“用数据说话”、“我想要的是数据”的定义有些不同。 从技术上说，是计算机或计算机，是它能够描述、能够识别、或者被认为可以使用的事实的描述，可以认为它是数据。 因为我觉得你不能解释或者不用的东西，即使我们有关系，其实我们也没有关系，或者我们也不能用。 例如，现在人的心理不可解释性，当然如果有视频技术，有抓住一些行为要素形成的心理数据，我们就说他能解释。
所以，计算机是可描述的、可识别的、可接受的、可应用的，一些事实的描述，我们认为他是数据，出于同样的理由，从管理的角度看，我们可以描述、可接受、并且可以应用，这里
大数据小数据
数据的另一个定义是大数据和小数据。 关于这些数据的定义，在互联网上，各个领域的定义都很奇怪，关于大数据，我认为采用IT行业或者IT语言，他们最能接受，最常用，最常见。
数据有两种类型：结构化数据和非结构化数据。 非结构化数据和结构化数据合起来称为大数据。 那么什么是结构化呢？ 我们也在管理方面。 例如，结构化面试、结构化设计或结构化什么的概念与我们管理的结构化有些不同。 例如，如果有HR系统、ERP系统、CRM系统、oa系统等系统，只要这些系统内存在，行驶中的这些数据就称为结构化数据。 对于word文档、PPT文档、视频、照片等文本，计算机可能可以通过其他处理进行解读。 我们称他为半结构化的数据。 其他，统称为非结构化数据。
事实上，在一个组织中，结构化数据很少，非结构化数据更多。 在业界，有与之对应的一般说法。 也就是说，在一家公司，即使部署更多的系统，结构化数据也最多在30%-40%或以下，很多是现在无法解释、无法思考的数据。
我真的想用更多的管理性思考来说明这种数据的结构化。 举个例子，例如KPI。 KPI是怎么定义的，这个KPI的算法、计算方法、(“算法”这个概念又和IT的概念有很大的冲突)、如何收集这些数据、这样统一的一个数据流() KPI的例如，如果在生产工人的工资计算中，需要定时向工人报告加工量、加工质量等，每月在规定的日期结算的做法和流程，以及在这些流程和表格中运行的这些数据是结构化的当然，这在IT中是半结构化的。 业界所说的大数据，真的是大数据吗？ 或者说云计算，其实到现在为止都很少使用，但对于组织管理来说，这样的结构化数据只要能够充分利用小数据就可以了。
数字化的关键是是否使用数据进行管理和决策。 因此，为了用数据进行管理，数据化的管理必须在前端将其作为数据。 被称为业务的数据化。 在ygdbb中生成数据后，将数据应用于这些数据、辅助决策或自动化决策反映到业务中。 这称为数据业务化。 在数字化的三个基本特征中，最典型的特征是数据，耦合和智能都是围绕数据构建的。
工作流数据流
我们谈谈数据化管理。 首先必须把它放入流动的动态过程中。 组织的各项任务是时间序列即一定的过程(我们称为程序和方法)，包括用谁，用什么设备，什么时候，完成什么事情，我们都称为工作流程。 这样，工作流、所有工作流，他都有数据流、人、财、物、事、时、数等，管理的意义是如何在流动的工作和流动的数据中运用和使用。 这里需要注意的是，一定要
是在工作流里面产生流动的数据或实时的数据，然后用实时的数据的分析，再返回到工作流上。当然，我们所定义的实时，是有颗粒度的。这个工作流，我们普遍的理解就是业务流，而不仅仅是HR的工作流，很多做HR咨询项目，或者HR的改善，往往会把他们只是定义为HR部门的管控模式，HR部门的工作流程，这个太局限，太狭小了，我们首先要抓住业务的流程、业务的数据，然后再在这些业务的工作流，实时提取及关注关于人的数据。当有了数据和数据的流动，接下来就如何进行数据分析，这个过程中借助一些技术的手段，那就是智能。
（本文节选自DHR星球计划培训文稿，待续）