如何打造具备深度业务价值的大数据应用


大家好,我是王桐。

我演讲的题目是:如何打造具备深度业务价值的大数据应用。

要想做到一个非常完整、成功的数据分析项目,不管我们是处在什么样的领域和行业当中,要想让这个项目取得比较好的成功和效果,它一定是在平台和应用两个方面同时发力。

平台和应用相辅相成,互相去促进和提升,才能够达到效果。

有好的平台,但是没有好的业务场景,没有好的前端应用的实现,这个项目的价值不会得到很深度的挖掘。

同样的,如果有好的应用场景的想法和设计,但是底层的平台能力和性能不能得到很好的提升,这个场景设计也不能比较好的落地。

所以平台和应用,是缺一不可的。

前面我们已经谈得比较多的,关于平台的一些展望,和我们永洪在平台上面的一些新进展,可以看到我们在平台上不断投入和发力,不断向前演进和提升平台能力。
如何打造具备深度业务价值的大数据应用_第1张图片
我们永洪在过去一年中,又取得了怎么样的进展?我们最新的一些思考和洞察,有哪些可以值得分享的内容?

一、数据必须对业务和管理带来增长和提升才有价值

其实从我们公司角度来讲,对于一个大数据的项目是否成功的判断标准,其实是比较严苛的。

数据必须为业务和管理带来了增长和提升,才能说明这个数据是真正有价值的,只有这个数据真正产生了价值,我们才能说这个项目取得了成功。

所以,这个数据是否有价值,以及项目是否成功,它的判断标准,并不是服务器数量非常多,或者是数据量非常大,或者是前端的报表非常漂亮。

价值是否真正产生了,才是项目是否成功的评判标准。

并且这一条是否达成了,并不取决于我们或是甲方的科技部,而是甲方真正用到这个数据应用的最终使用用户。

无论他是决策层,还是一线使用用户,他点头认可了,确实说明我们这个数据对他的业务有不小的帮助,我们才能说这个有价值,这是我们的原则。
如何打造具备深度业务价值的大数据应用_第2张图片
以前,为了做到这样的水平,很多企业是如何进行的呢?

根据我们走访的很多企业可以看出,数据应用的现状基本上都有这样一些问题。

1.零散

当前绝大部分的企业数据应用的现状,都是一些零散、固定的基础报表,也没有太多分析的功能。

所谓零散的报表,是说它的报表内容非常零散,内容跟结构都是有比较严重的分割,主要是靠目录把这些报表编排到一起。

像比较大的企业,有好几百甚至上千个报表,这不是靠业务逻辑串起来的,而是靠目录串起来的。这是非常零散的报表内容的呈现。

2.固定

此外,它呈现出来的内容,相对来说都是比较固定的,它的灵活性是有一定欠缺的。这种欠缺会带来的影响就是,效率不会很高。

从需求的提出到实现,需要打破的固定模式非常多。

3.缺少分析功能

报表以统计和结果展示偏多,真正跟业务结合起来的分析,其实几乎是没有的。

所以这就是当前企业数据应用的现状,而这种数据应用的现状,还会映射出更本质、更严重的问题,就是业务。

数据应用都是这样零散的,不成体系的,也就意味着我们的同事们的工作方法和业务指导也是没有成体系的,这对于企业业务目标的达成会有一些负面的影响。

对于我们IT和数据部门来讲,就会疲于这种零散的报表,而不能开展比较有高价值的工作。

二、具备深度业务价值的数据应用需要包括四个层级

要想做到打造深度价值的数据应用,它至少应该包括四个层级的能力。
如何打造具备深度业务价值的大数据应用_第3张图片
由上往下它的层级是逐渐深化的,分别是结果监控、问题诊断、决策支持和智能预测。

1.结果监控

这是目前是绝大部分企业所处的层级,这个层级是最简单的。

需要完整疏理核心关注点和业务目标,然后把这些结果放在合适的驾驶舱上面,并且让它及时准确去监控业务的状况。当出现问题的时候,可以自动进行一些预警提示。

只要做到这些,第一个层级就算达成了。

在结果监控的层级里面,是需要不断去看结果指标的。

有时候这个结果是好的,有的时候这个结果可能是有问题的,比如利润下滑了,或者收入没有达到预期。

这个预期无论好与不好,我们都需要精准去了解这背后的原因是什么,好也要知道怎么去复制推广,不好也要去快速了解这个问题到底出在哪儿?要想做到这个就到了下面的问题。

2.问题诊断

我们要结合客户的场景业务逻辑,不断把这个数据组织起来,并且进行细分,去层层分析业务当中的关键点到底是出现了什么样的问题,最后找到解决这个问题的答案。

快速定位出这个问题以后,就可以形成一些业务的行动。

比如老板召集大家开一个会议,或者拍一下桌子,或者鼓励大家解决这个问题,其实这种解决问题的办法不是很有效的。我们需要进行快速诊断的问题。

3.决策支持

再往下就是真正的决策支持。为什么我会特别强调“真正的”这三个字?

是因为过去我们发现,其实有非常多的项目,它的名称叫某某企业数据决策支持系统。实际上,它做的是管理驾驶舱,它做的是第一层级,即结果监控。

它并没有真正做到决策支持。当我们去问它,您做这个看板,都用来决策什么的时候?

他首先的反应是会懵一下,他没有考虑这个问题,他只是看这个数据,他对于本身这个问题并没有仔细思考过。

可想而知,这样做出来的怎么可能是一个真正的决策支持?一个真正的决策支持它是长什么样的?后面我们直接拿一个例子来分析。

4.智能预测

在前面AI的主题里面分享的比较多,我就不再过多赘述了,主要是一些业务案例,业务点和查看背后逻辑的效果。

所以一个数据应用要想具备深度的业务价值,应该至少包括以上这四个层级。

三、实例分析数据应用的四个层级

我们用实例来讲解一下上述的四个层级。

1.展示结果、进行对比

第一个层级结果监控,其实最简单。

这是我们做的一个CFO监控看板,这是最简单的,只需要把我服务的业务对象,他的关注点,公司考核他的KPI,以及他今年工作任务目标是什么,把这些指标化,集中展示出来,这就已经做到了机构监控。

做得再好一点,因为我们数据科学研究院在做微观的数据分析方法论的时候,也总结了一些口诀,熟悉我们的老朋友知道,有一个口诀就是“做判断用对比”。
如何打造具备深度业务价值的大数据应用_第4张图片
比如我发现我整体销售额是6000万,或者60亿,我第一个首先要做个判断,6000万到底是高了还是低了?我怎么做判断?

肯定要通过对比曲线做判断,所以更好的结果监控,除了展示我的结果以外,还要展示各种各样横向纵向的比较。

还要有行业数据,还可以看在这个行业的排名变化,通过这些比较,看出结果到底好还是不好,有多好或者有多不好,这是做到了一个结果监控。

随着我们平台能力的不断加强,其实我们跟AI的融合有了更多的演进,所以可以看到右上角,它会自动生成一段文字,把业绩体现和财务状况显现出来,可以做出更好的客户体验。这是结果监控。

2.进行问题诊断的两个案例

以销售为例,一个 2B 销售负责人,他最关心的结果是合同额够不够?收款额够不够?这个季度的任务完成率够不够?还有我这个季度已经完成了,接下来我未来的储备够不够?

我给销售的负责人做结果监控,帮我去诊断每一个结果里面问题的原因到底是什么。

所以合同额、收款、完成率和未来商机储备,再分别展开,分别可以展开四个不同问题诊断的体系。时间有限我们只举其中第一个例子。

这个合同额如果不够,这个结果不好,我怎么去诊断这个问题?

还是根据永洪数据科学研究院通过大量项目的研究,总结出来的方法,就是分两步:

先保持结果指标不变,先在维度上做细分,把有问题的业务实体找到。

在有问题的业务实体上面,把过程指标细分,找到到底哪个环节出了问题。

然后会看到根据这个方法论,其实不管是销售、财务还是生产,其实背后的道理都是一模一样的,这也是我们在跨行业、不同行业项目当中不断总结提炼所带来的一些好处,就是行业的相关性。

这样我们看单个行业的角度,可能会站在更高格局和视野上。

2.1 如何解决合同额不足的问题?

围绕刚才说的两个步骤,合同额不够,结构指标保持不变,我们在维度额做一些改变,到底是哪些团队,哪些销售,在哪些区域卖的产品合同额不够?我们在不同的维度深化,把这个事情做一个细分。
如何打造具备深度业务价值的大数据应用_第5张图片
有些维度可能有一些层级关系,比如销售团队和销售,这可能是上下层关系。

有些维度是交叉关系,比如销售和产品是交叉关系,每个销售都可以卖这个公司的五个产品线。最后在维度上找到一个原因,就是整体这个季度的销售额做得不好,有A、B两个产品的时候,导致最后这个整体没有完成。

这个问题的业务对象得到了一个有效的聚焦以后,接下来我的人力、物力投放就会比较简单了,因为我们公司有两百个销售,不是所有人都没有完成,如只是8个人没有完成,导致不好。

因为合同额是最后一步,不是采取一个业务行动马上就得到结果的。

我前面有一系列的业务过程,每个业务过程我都要用一些合适的指标去评价和监控,让我知道哪个环节上出现了问题。

我看这两个团队的销售,是他们销售机会不够多,还是他的赢单率不够高,还是他的客单价不够高,还是说他做得已经很好了。

如果是销售机会不够多,我后面还可以再进一步去展开,是我的市场部门贡献的线索不够多,还是他的线索转化率不够高,还是我销售自己跑的机会不够多?

这里面又分为是新客户拓展不够,还是老客户挖掘不够,还是我代理商贡献不够多?我可以细到业务系统里面最原始的字段,比如可以分析到底是新客户拓展不够多,还是老客户挖掘不够多。

经过这种过程的细分,最后我得到的结果是,这8个销售里面有3个销售,老客户商机挖掘不够多,导致没有完成指标。另外5个销售是级别不够高,客单价不够高,导致结果不好。

这样我就非常明白问题所在了,这样我就不用每天开动员会了,我可以非常精准地把前三个销售召集起来,把老客户的名单发给他们,希望他们这两周什么都不用干,就把他们老客户跑一遍。

通过这种业务行动,让这个问题得到好转,慢慢这个问题可能就不存在了。另外五个销售可能也是一样,采取具体的业务行动,这样就形成了从数据到业务改善的一个闭环。

最终就会发现,从量变到质变,细枝末节,也就是这个叶子节点上的问题如果都不存在,最后这个结果一定是很好的。

2.2 如何解决产品交期的可控性?

制造业中产品交期是一个非常重要的概念,产品交期不可控是非常可怕的事情。这个产品交期,其实跟我们做一个项目的验收期有一个类似的概念。

如何打造具备深度业务价值的大数据应用_第6张图片
产品交期如果比较长,出了问题,这个时候也跟刚才一样,我先在维度上找原因,到底哪个产品线交期比较长?

再在过程上细分,交期整个环节里面分了好几个流程,有不同周期,到底是置办周期比较长,还是采购周期比较长,还有这个节点对应的责任人是谁?我们把这个具体问题查找出来。

同样的,把它按照刚才从左到右的顺序,分别把它做成几级不同页面展示。
如何打造具备深度业务价值的大数据应用_第7张图片
比如第一层页面我是先展示到底哪个产品线交期比较长,第二个页面、第三个页面对应着哪些步骤,责任人是谁?这样信息就非常清晰了。

因为一些复杂的企业,我们做数据盘点的时候,动辄就会出现几百个指标和几十个维度,我们不可能在这几百个指标和几十个维度里去找,一定是我帮它梳理好。

让员工在做某一个具体业务的时候,不用海量的大海捞针那样去完成工作。

3.什么叫“真正的”决策支持?

再往下是决策支持。我们还是以制造业为例子,为了把这个产品周期做好,要求整个企业的协同一起配合,这不只是生产部门的责任,供应链也在其中。什么叫真正的决策支持?
如何打造具备深度业务价值的大数据应用_第8张图片
首先要强调的是,决策绝对不是只有企业的高层才去关注的事情,一个一线的业务人员,每天同样有非常多的事情需要做决策。

假设我是企业的采购经理,每天上班之后,我有什么事情是要反复去思考,去做决策的?

如,今天一上班,我就要想今天有哪些商品号或者物料,今天就需要下采购订单,否则我的生产或者销售就来不及了。

我应该下给哪家供应商?因为有A、B、C三家都可以供货。我应该下多少数量?肯定是一批一批下的,这次应该下多少量。

然后这个供应商有多大可能会晚交货。这是我每天都会想无数次的问题,以前我是怎么做的?

先在ERP这个供应链系统里面,又输入一些条件,又查了一些数据。

最后我恨不得还得给我的供应商打两个电话,我去问一下,你们最近忙不忙,我今天给你下订单,你是不是能够保证7点以前交货,因为这非常重要。

整个这一圈下来可能20分钟,或者30分钟就已经过去了。在这20、30分钟里面,我完成了一次决策,下了一个采购订单,做了一笔业务,这是我过去的做法。

现在我们做一个真正的决策支持的看板,可以做到什么样呢?

这个看板底层的算法和数据处理过程可能很复杂,但是我们呈现给业务用户的内容必须非常简单,一目了然就让他看懂,否则他上手门槛太高的话,他就不会去用。

整个看板有三部分构成,左上角有一个,有一个商品列表或者物料清单,下面有一个表格是供应商信息,一共就由这三个组成部分。
左上角的我一目了然就能看到。然后我去选中某一个物料的时候,或者某一个商品的时候,它右边的柱图和表格都会发生联动和筛选,熟悉我们的产品的人都会知道这是永洪很经典的全局联动功能。

比如我选择左上角第一个物料,右上角会显示,然后安全库存是150个单位,划了一根虚线,也就意味着从今天开始7天之内,它会达到安全库存之内的这种物料,恢复和今天必须下订单的条件,否则就会受到影响。

我们来数,第一根柱子是今天,往下第七根柱子正好在虚线以下,库存变化趋势是怎么预测出来的?结合我们刚才说的AI算法,或者我不用AI的算法也可以,总之背后有一系列的逻辑。

下面再看供应商,有A、B、C三个供应商,都可以生产我当天选中的物料,这时候我有三种选择,旁边会展示出来A、B、C的下单要求,A是500件,B是500件,C是300件,我可以看出1到7天的库存量和消耗量是多少。

如果我这一次要下450件,我就知道我找C比较合适,这次我要下800件,A、B、C都可以,因为我都符合他们最小下单量的要求。

如果我是一个资深的采购经理,我就会知道,我要考虑一碗水端平的问题,因为制造业一个供应商开发周期是非常长的。

如果这个C在我这儿得不到一些订单,可能就不跟我合作了。

我要考虑是不是平衡一下,上次下单时间,上次下单量1000件的订单,也就意味着我今天在你那儿下订单,他可能不会马上就生产,他要等上一批货交货完以后,才给我生产这批货,B和C上一次订单时间也比较长了,他们是绿灯的,这是让我了解他的目前状态。

最后像航班准定率一样,给我展示他们历史交货的准时率。A是98%、B是99%、C是82%,规则已经全部体现在这一张看板里面了,全部输入进系统里面。

这时候我可以马上做一个决策。这个无论如何不能晚交货,我就知道了,我这次要选B,因为它是99%,而且是空闲的。如果订单时间是7天,我为了平衡关系,选择C,给它一些订单,因为有可能C的价格比B低。

这样大家可想而知,原来我20、30分钟做的这件事情,现在我1分钟就可以做了,也就意味着我的决策效果比以前提升了几十倍。

这个提升不仅仅是决策效率,因为决策效率就意味着业务效率。

因为我原来20、30分钟才能下一个采购订单,现在我1分钟就可以做一个采购订单,1分钟就可以做一笔业务。

对于制造业来讲,现在拼的就是效率。

同样一个团队,当业务量增长几十倍以后,效率增强是非常明显的,会极大提升企业经营的竞争力。

另外一个好处,它可以极大提升企业整体的决策水平。

因为我有可能是一个刚毕业的大学生,现在经验不丰富,有可能我压根儿就没有想过,我还得考虑一下它上次下订单这件事。

然后我就贸然给A下的订单,因为他7天以后会交货,结果它12天以后才交货。受到了处罚,公司遭受了巨大损失,背后的原因只是我一个一线人员,一次决策产生的失误。

如果我把这个看板给一个采购经理看,哪怕是个新人,也会清楚所有这些东西都是我要判断考虑的依据。

这会提升企业整体的决策水平,最大程度规避因为决策失误带来的业务上的损失。

下单的建议是什么?这就比我看上面这些图表、报表要更加直观,做到这种程度才算是做到了真正的决策支持。

如果做到了这种程度,我们数据分析系统,它会变成像OA、ERP一样,用户每天都要去频繁使用的系统,而不是像现在领导只是每周一看一下的低频系统,这样用户对于业务分析的价值一定是高度认可的。

第四个层级是智能预测,因为时间有限,就不展开介绍了。

最后,我们总结一下,就是具备深度业务价值的数据应用,在我们永洪的众多项目经验当中,我们提炼了刚才那样的方法论,就是要做到这四个层级,以及四个层级分别怎么做,这个事情一旦做好了,这个方法框架就定了。
如何打造具备深度业务价值的大数据应用_第9张图片
最后,我们来看一下应用跟平台之间是怎么样相辅相成的。因为 Yonghong Z-Platform 一站式数据平台可以让用户体验非常好,它的能力是非常完整的数据应用,否则我想法再好,我前面做出的东西可能一样是非常简陋的,或者功能是残缺不全的。

有了这样一个一站式的平台,有了这种强大的完整的平台能力,我们就可以做到低门槛去促成大量在数据应用、解决方案场景方面的创新,可以缩短10倍数据应用构建的周期。

因为您对数据应用所需要的所有功能,无论是BI、AI、ETL、流程审批等,全部都在我们这个平台里面开箱即用,而且是平台化的,可以比自己开发至少缩减10倍数据应用的周期,并且是天生一体化,可以极大提高数据平台的能力,打造数据应用所带来的相应价值。

(注:本文根据永洪科技SVP王桐于7月14日在2018大数据技术峰会演讲整理)

释放数据价值,人人都是数据分析师

你可能感兴趣的:(数据应用)