一、核心概念：怎么读一个数字化案例
案例拆解·从具体故事里抽象出通用结构：它面对什么约束、做了什么选择、为什么赢。读案例读的是结构，不是八卦和数字。
案例学习最大的坑是「错把结果当打法」：看到别人上系统自己也上，却没看到人家先理清了业务逻辑。先还原约束条件，再看动作，否则学到的只是别人的表面。
另一个纪律：数字要读量级，不抠精确值。案例里的产能、效率数字多是特定条件下的结果，可迁移的是因果链条，不是那个百分比。
二、四个行业的打法结构
制造业
＋ 设备联网、数据驱动排产与质检，交付与成本双改善
－ 投入重、回收慢、组织协同成本高
适合 设备密集、痛点在交付与良率的企业
医药健康
＋ 注册与合规数据化、渠道数字化，服务半径和响应速度提升
－ 合规门槛高、数据敏感、验证周期长
适合 强监管、长链条、重证据的行业
零售消费
＋ 人货场重构：私域、C2M、小单快反，周转与命中率改善
－ 平台依赖、数据归属争议
适合 贴近消费者、SKU 多、上新快的生意
平台与服务
＋ 把能力中台化对外输出，从赚差价转向赚服务费
－ 生态治理复杂、易被两头挤压
适合 有数据沉淀和整合能力的中间环节
剥开行业外壳，四个行业的胜者做的是同一件事：把业务过程变成数据，把数据变成决策，把决策变成更快的响应。行业的差别在约束（合规、资产、渠道），不在逻辑。
三、怎么借鉴：把案例变成自己的动作
抽象结构
问三个问题：它的约束是什么？它做了什么关键选择？赢的原因是哪个因果环节？
对照自己
把结构映射到自己的约束条件下。约束不同，动作就要变形，照抄必翻车。
找最小闭环
选一个能在一个季度内看到结果的小场景先跑，用结果说服组织，而不是用道理。
度量与复盘
定好验证指标（成本、周期、命中率），到点复盘，赢了复制、输了止损。
四、AI 时代：行业知识变得更值钱
通用大模型人人可得之后，行业知识成为差异化来源：把行业经验、工艺参数、合规规则灌进企业知识库，让 AI 变成「懂行的助手」，是当下各行业数字化的新战场。
- 1制造业：设备数据 + 工艺知识训练故障诊断与排产助手。
- 2医药：注册法规与实验数据知识库，辅助立项与合规审查。
- 3零售：消费者洞察 + 商品知识，做选品、定价与内容的智能生成。
但顺序依然是先理清业务逻辑、再上 AI。数字化案例里最常见的翻车现场：流程没想明白就上系统、上模型，把混乱自动化——工具越先进，浪费越壮观。
五、反面教训：数字化失败的样子
失败案例的共同点高度一致：拍脑袋决策却指望系统救、业务逻辑没理清就大上系统、只买工具不建数据规矩、组织不配套导致系统空转。数字化的下限由业务理解决定，上限才由技术决定。
读一百个成功案例，不如想清楚自己的约束条件。案例给的是启发，约束才是你的现实。