如何分阶段构建组织的数字孪生

组织的数字孪生将理想的工作方式模型与现有系统产生的数据相连，并通过度量检验模型是否符合实际。它既不是企业架构图，也不是独立的数据平台，而是围绕具体流程，将模型、数据与度量联系起来。

数字孪生不是通过一个项目一次性建成的。您可以逐层推进（文档化、度量、测试、实时运行），每一层都能回答不同的问题。本页介绍的功能都基于ProcessMind中的同一流程记录：建模、事件数据与流程挖掘、模拟、仪表板和流程健康度。

组织的数字孪生包含什么

它由三部分组成，只有彼此连接才能发挥作用：

• **流程模型。**描述工作预期如何开展：包括活动、顺序、角色、系统和规则。您可能已经在流程图、维基页面和标准文档中记录了部分内容，但这些资料往往分散且过时。
• **执行数据。**直接来自记录工作过程的系统，反映实际发生的情况，例如ERP、CRM、ITSM和WMS。数据包括案例、活动和时间戳，无需请任何人回忆并重建一周的工作。
• **度量。**将模型与执行数据连接起来。健康度评分、变体和一致性检查可显示实际执行与模型的差异；模拟则能在实施变更前展示其影响。

只有模型，您得到的是文档；加入数据，就能挖掘实际运行情况；再加入度量和变更测试能力，才构成数字孪生。

这也回答了数字孪生与流程挖掘的区别：流程挖掘呈现实际发生的情况；当这些证据与模型及变更测试方式相连接时，您得到的才是数字孪生。流程挖掘本身能很好地回答第一个问题，但仅止于此。

有两种常见混淆值得说明。数字孪生也可利用传感器读数为机器等实体资产建模，这是另一种产物，详见什么是数字孪生。在软件开发中，DTO指数据传输对象，与本文讨论的概念无关。Gartner将组织层面的数字孪生概念引入企业架构领域，关注的不是机器，而是工作如何在流程、团队和系统之间流转。

这个概念的叫法并不统一：供应商资料中会出现组织数字孪生、DTO数字孪生、企业数字孪生和组织型数字孪生等说法。您可以将它们视为同一类产物，并根据模型是否与数据和度量相连接来判断，而不是只看名称。

自下而上的路径：建模、加入数据、持续改进

从底层逐步攀升，比从顶层倒推计划更容易。下面每一步都会产出可供展示的成果，而且一周内就能完成。

1. 先对一个流程建模，而不是整个组织

   选择一个与决策相关的流程。如果已有流程图或文档，就将其导入；如果没有，用一句话描述流程，再让AI生成第一版BPMN草稿供您完善。完成这一步后，您将得到一份团队已经审阅的模型，以及附有文档的流程步骤。

2. 将流程纳入架构

   确定流程在架构中的位置：它属于哪条价值链、由谁负责、与哪些流程交接。单独的模型只是一张图；将同一模型纳入相互关联的架构，才构成数字孪生的结构层，也让后续层级有了建设价值。

3. 加入事件数据

   上传该流程的事件日志。只需案例ID、活动和时间戳即可开始，数据也不必完整：单个系统的日志已经可以显示该系统所记录步骤的顺序流、等待时间和变体。数据集中的AI建议会在分析前标出列映射问题和数据质量问题。

4. 改进流程，再测试改进效果

   针对最薄弱的发现，调整一个环节：交接、审批或返工循环。先在模型中修改，再运行模拟，将变更与当前流程进行比较，然后依据比较结果而非主观意见作出决定。之后再次度量，完成改进闭环。

无需先为整个组织建模，后续工作才能开始。两个有数据支撑的流程，胜过幻灯片上的二十个流程；而第二个流程的建模速度会快得多。关于建模与流程挖掘如何相辅相成，详见流程建模与流程挖掘如何互补。

从部分数据开始，不必等数据完美

数据覆盖范围会像模型一样逐步扩大，每次推进一个流程。以下两点让这种做法切实可行。

**部分数据也能回答问题。**如果事件日志来自一个系统，您已经可以看到该系统记录的步骤、顺序流、等待时间和变体。其他系统中的步骤尚未纳入，您也能知道缺少哪些步骤，因为模型标明了它们的位置。

**模型让数据有据可依。**许多流程挖掘工具从事件日志出发推断流程，因此日志中没有记录的内容就无法呈现。先有模型，数据即使未覆盖整个流程也能发挥作用：流程结构已经建立，每个数字都对应到明确命名的步骤，而尚无数据的步骤也会显现出来。

这也是不必等到数据完整的原因。花九个月整理完美的事件日志，等到数据收集完成时，流程可能早已发生变化。此时的首次分析解释的可能是项目期间的历史，而不是当前工作。更好的做法是快速获得大致准确的结果：选一个流程、一个系统，分析三个月的事件，并让相关人员据此作出决定。

随着架构扩展，数据覆盖范围也会扩大。每增加一个完成文档化的流程，就加入其对应的事件日志；数字孪生的覆盖范围由流程目录推动，而不是依赖单独的数据计划。

流程健康度：如何衡量数字孪生

没有评分的数字孪生，就像没有反馈的项目。流程健康度将模型与数据的连接转化为逐周可改进的指标；CURES框架则说明五个维度分别衡量什么。

数字孪生能帮助您作出哪些决策

**批准或否决变更。**为拟议流程建模，确保业务量和时间设定符合实际，再比较不同方案。数字孪生模拟模型的结果取决于这些假设，因此值得仔细讨论：模拟不能预测未来，但能让推理过程清晰可见。

**决定下一步改进投入在哪里。**流程图可以显示某项审批的存在，执行数据则能显示案例在此等待了多久。两者结合，才能判断它是否值得优先处理；如何分析流程介绍了从流程图到发现问题的方法。

**判断模型是否仍能反映实际工作。**将模型与近期执行情况进行比较，可以发现两者出现偏差的位置。这意味着需要审查模型，而不是继续依赖一份已经定稿的文档。

输入数据，获取洞察

数字孪生的价值不在于第一次上传，而在于第二次和之后的持续更新。分析完成后，重点就转为保持数据最新，并解读分析结果：

• **每天更新一次即可。**事件日志不必实时流入数字孪生。每天或每周用新的导出文件替换数据集，就足以让挖掘结果和仪表板保持更新，支持后续行动。流程决策不会每分钟都变；有人实际执行的更新，胜过无人维护的数据管道。
• 先由AI读取数据。AI数据建议会扫描数据集，以置信度评分标出列映射和数据质量问题，避免时间戳列异常影响分析。
• AI摘要为您解读流程。AI摘要会在画布上说明瓶颈、合规问题、趋势和流程健康度。这部分工作过去需要分析师整理并召开会议。
• 向AI询问流程问题。AI助手会回答有关流程的问题，并提出变更建议，供您审核后单击应用。
• **让各类助手都能使用数字孪生。**在企业版中，MCP Server会将流程和模型作为标准MCP工具开放，让Claude、ChatGPT、Copilot或您自行开发的智能体都能使用同一份受治理的数据。采用开放标准，无需定制集成；每位用户仍只能查看其席位权限允许的内容。
• 使用实际参数测试变更。AI辅助模拟可根据模型生成模拟参数，或从您自己的数据中推导参数，省去设置假设场景时最耗时的部分。

让数字孪生持续运行的闭环很简单：导出数据、刷新分析、查看摘要和健康度评分以了解变化，再由相关人员作出决定。当这一闭环无需项目推动也能持续运行时，数字孪生就进入了实时层级。

从哪个流程开始

选择一个与决策相关、结果可衡量，且至少有一个系统记录事件数据的流程。人们已经争论过的审批或交接环节通常是最佳起点：争论反映了待解问题，事件日志则提供答案。

在作出承诺前，请确认事件数据记录了您关心的活动和时间。最低要求是每个事件都包含案例ID、活动和时间戳。然后建立模型、载入数据，再查看两者有哪些差异。如果模型是较薄弱的一环，可以从流程映射开始。