大家好，我是王桐。
我演講的題目是：如何打造具備深度業務價值的大數據應用。
要想做到一個非常完整、成功的數據分析項目，不管我們是處在什麼樣的領域和行業當中，要想讓這個項目取得比較好的成功和效果，它一定是在平臺和應用兩個方面同時發力。
平臺和應用相輔相成，互相去促進和提升，才能夠達到效果。
有好的平臺，但是沒有好的業務場景，沒有好的前端應用的實現，這個項目的價值不會得到很深度的挖掘。
同樣的，如果有好的應用場景的想法和設計，但是底層的平臺能力和性能不能得到很好的提升，這個場景設計也不能比較好的落地。
所以平臺和應用，是缺一不可的。
前面我們已經談得比較多的，關於平臺的一些展望，和我們永洪在平臺上面的一些新進展，可以看到我們在平臺上不斷投入和發力，不斷向前演進和提昇平臺能力。
我們永洪在過去一年中，又取得了怎麼樣的進展？我們最新的一些思考和洞察，有哪些可以值得分享的內容？
一、數據必須對業務和管理帶來增長和提升才有價值
其實從我們公司角度來講，對於一個大數據的項目是否成功的判斷標準，其實是比較嚴苛的。
數據必須為業務和管理帶來了增長和提升，才能說明這個數據是真正有價值的，只有這個數據真正產生了價值，我們才能說這個項目取得了成功。
所以，這個數據是否有價值，以及項目是否成功，它的判斷標準，並不是伺服器數量非常多，或者是數據量非常大，或者是前端的報表非常漂亮。
價值是否真正產生了，才是項目是否成功的評判標準。
並且這一條是否達成了，並不取決於我們或是甲方的科技部，而是甲方真正用到這個數據應用的最終使用用戶。
無論他是決策層，還是一線使用用戶，他點頭認可了，確實說明我們這個數據對他的業務有不小的幫助，我們才能說這個有價值，這是我們的原則。
以前，為了做到這樣的水平，很多企業是如何進行的呢？
根據我們走訪的很多企業可以看出，數據應用的現狀基本上都有這樣一些問題。
1.零散
當前絕大部分的企業數據應用的現狀，都是一些零散、固定的基礎報表，也沒有太多分析的功能。
所謂零散的報表，是說它的報表內容非常零散，內容跟結構都是有比較嚴重的分割，主要是靠目錄把這些報表編排到一起。
像比較大的企業，有好幾百甚至上千個報表，這不是靠業務邏輯串起來的，而是靠目錄串起來的。這是非常零散的報表內容的呈現。
2.固定
此外，它呈現出來的內容，相對來說都是比較固定的，它的靈活性是有一定欠缺的。這種欠缺會帶來的影響就是，效率不會很高。
從需求的提出到實現，需要打破的固定模式非常多。
3.缺少分析功能
報表以統計和結果展示偏多，真正跟業務結合起來的分析，其實幾乎是沒有的。
所以這就是當前企業數據應用的現狀，而這種數據應用的現狀，還會映射出更本質、更嚴重的問題，就是業務。
數據應用都是這樣零散的，不成體系的，也就意味著我們的同事們的工作方法和業務指導也是沒有成體系的，這對於企業業務目標的達成會有一些負面的影響。
對於我們IT和數據部門來講，就會疲於這種零散的報表，而不能開展比較有高價值的工作。
二、具備深度業務價值的數據應用需要包括四個層級
要想做到打造深度價值的數據應用，它至少應該包括四個層級的能力。
由上往下它的層級是逐漸深化的，分別是結果監控、問題診斷、決策支持和智能預測。
1.結果監控
這是目前是絕大部分企業所處的層級，這個層級是最簡單的。
需要完整疏理核心關注點和業務目標，然後把這些結果放在合適的駕駛艙上面，並且讓它及時準確去監控業務的狀況。當出現問題的時候，可以自動進行一些預警提示。
只要做到這些，第一個層級就算達成了。
在結果監控的層級裡面，是需要不斷去看結果指標的。
有時候這個結果是好的，有的時候這個結果可能是有問題的，比如利潤下滑了，或者收入沒有達到預期。
這個預期無論好與不好，我們都需要精準去了解這背後的原因是什麼，好也要知道怎麼去複製推廣，不好也要去快速了解這個問題到底出在哪兒？要想做到這個就到了下面的問題。
2.問題診斷
我們要結合客戶的場景業務邏輯，不斷把這個數據組織起來，並且進行細分，去層層分析業務當中的關鍵點到底是出現了什麼樣的問題，最後找到解決這個問題的答案。
快速定位出這個問題以後，就可以形成一些業務的行動。
比如老闆召集大家開一個會議，或者拍一下桌子，或者鼓勵大家解決這個問題，其實這種解決問題的辦法不是很有效的。我們需要進行快速診斷的問題。
3.決策支持
再往下就是真正的決策支持。為什麼我會特別強調「真正的」這三個字？
是因為過去我們發現，其實有非常多的項目，它的名稱叫某某企業數據決策支持系統。實際上，它做的是管理駕駛艙，它做的是第一層級，即結果監控。
它並沒有真正做到決策支持。當我們去問它，您做這個看板，都用來決策什麼的時候？
他首先的反應是會懵一下，他沒有考慮這個問題，他只是看這個數據，他對於本身這個問題並沒有仔細思考過。
可想而知，這樣做出來的怎麼可能是一個真正的決策支持？一個真正的決策支持它是長什麼樣的？後面我們直接拿一個例子來分析。
4.智能預測
在前面AI的主題裡面分享的比較多，我就不再過多贅述了，主要是一些業務案例，業務點和查看背後邏輯的效果。
所以一個數據應用要想具備深度的業務價值，應該至少包括以上這四個層級。
三、實例分析數據應用的四個層級
我們用實例來講解一下上述的四個層級。
1.展示結果、進行對比
第一個層級結果監控，其實最簡單。
這是我們做的一個CFO監控看板，這是最簡單的，只需要把我服務的業務對象，他的關注點，公司考核他的KPI，以及他今年工作任務目標是什麼，把這些指標化，集中展示出來，這就已經做到了機構監控。
做得再好一點，因為我們數據科學研究院在做微觀的數據分析方法論的時候，也總結了一些口訣，熟悉我們的老朋友知道，有一個口訣就是「做判斷用對比」。
比如我發現我整體銷售額是6000萬，或者60億，我第一個首先要做個判斷，6000萬到底是高了還是低了？我怎麼做判斷？
肯定要通過對比曲線做判斷，所以更好的結果監控，除了展示我的結果以外，還要展示各種各樣橫向縱向的比較。
還要有行業數據，還可以看在這個行業的排名變化，通過這些比較，看出結果到底好還是不好，有多好或者有多不好，這是做到了一個結果監控。
隨著我們平臺能力的不斷加強，其實我們跟AI的融合有了更多的演進，所以可以看到右上角，它會自動生成一段文字，把業績體現和財務狀況顯現出來，可以做出更好的客戶體驗。這是結果監控。
2.進行問題診斷的兩個案例
以銷售為例，一個 2B 銷售負責人，他最關心的結果是合同額夠不夠？收款額夠不夠？這個季度的任務完成率夠不夠？還有我這個季度已經完成了，接下來我未來的儲備夠不夠？
我給銷售的負責人做結果監控，幫我去診斷每一個結果裡面問題的原因到底是什麼。
所以合同額、收款、完成率和未來商機儲備，再分別展開，分別可以展開四個不同問題診斷的體系。時間有限我們只舉其中第一個例子。
這個合同額如果不夠，這個結果不好，我怎麼去診斷這個問題？
還是根據永洪數據科學研究院通過大量項目的研究，總結出來的方法，就是分兩步：
先保持結果指標不變，先在維度上做細分，把有問題的業務實體找到。在有問題的業務實體上面，把過程指標細分，找到到底哪個環節出了問題。然後會看到根據這個方法論，其實不管是銷售、財務還是生產，其實背後的道理都是一模一樣的，這也是我們在跨行業、不同行業項目當中不斷總結提煉所帶來的一些好處，就是行業的相關性。
這樣我們看單個行業的角度，可能會站在更高格局和視野上。
2.1 如何解決合同額不足的問題？
圍繞剛才說的兩個步驟，合同額不夠，結構指標保持不變，我們在維度額做一些改變，到底是哪些團隊，哪些銷售，在哪些區域賣的產品合同額不夠？我們在不同的維度深化，把這個事情做一個細分。
有些維度可能有一些層級關係，比如銷售團隊和銷售，這可能是上下層關係。
有些維度是交叉關係，比如銷售和產品是交叉關係，每個銷售都可以賣這個公司的五個產品線。最後在維度上找到一個原因，就是整體這個季度的銷售額做得不好，有A、B兩個產品的時候，導致最後這個整體沒有完成。
這個問題的業務對象得到了一個有效的聚焦以後，接下來我的人力、物力投放就會比較簡單了，因為我們公司有兩百個銷售，不是所有人都沒有完成，如只是8個人沒有完成，導致不好。
因為合同額是最後一步，不是採取一個業務行動馬上就得到結果的。
我前面有一系列的業務過程，每個業務過程我都要用一些合適的指標去評價和監控，讓我知道哪個環節上出現了問題。
我看這兩個團隊的銷售，是他們銷售機會不夠多，還是他的贏單率不夠高，還是他的客單價不夠高，還是說他做得已經很好了。
如果是銷售機會不夠多，我後面還可以再進一步去展開，是我的市場部門貢獻的線索不夠多，還是他的線索轉化率不夠高，還是我銷售自己跑的機會不夠多？
這裡面又分為是新客戶拓展不夠，還是老客戶挖掘不夠，還是我代理商貢獻不夠多？我可以細到業務系統裡面最原始的欄位，比如可以分析到底是新客戶拓展不夠多，還是老客戶挖掘不夠多。
經過這種過程的細分，最後我得到的結果是，這8個銷售裡面有3個銷售，老客戶商機挖掘不夠多，導致沒有完成指標。另外5個銷售是級別不夠高，客單價不夠高，導致結果不好。
這樣我就非常明白問題所在了，這樣我就不用每天開動員會了，我可以非常精準地把前三個銷售召集起來，把老客戶的名單發給他們，希望他們這兩周什麼都不用幹，就把他們老客戶跑一遍。
通過這種業務行動，讓這個問題得到好轉，慢慢這個問題可能就不存在了。另外五個銷售可能也是一樣，採取具體的業務行動，這樣就形成了從數據到業務改善的一個閉環。
最終就會發現，從量變到質變，細枝末節，也就是這個葉子節點上的問題如果都不存在，最後這個結果一定是很好的。
2.2 如何解決產品交期的可控性？
製造業中產品交期是一個非常重要的概念，產品交期不可控是非常可怕的事情。這個產品交期，其實跟我們做一個項目的驗收期有一個類似的概念。
產品交期如果比較長，出了問題，這個時候也跟剛才一樣，我先在維度上找原因，到底哪個產品線交期比較長？
再在過程上細分，交期整個環節裡面分了好幾個流程，有不同周期，到底是置辦周期比較長，還是採購周期比較長，還有這個節點對應的責任人是誰？我們把這個具體問題查找出來。
同樣的，把它按照剛才從左到右的順序，分別把它做成幾級不同頁面展示。
比如第一層頁面我是先展示到底哪個產品線交期比較長，第二個頁面、第三個頁面對應著哪些步驟，責任人是誰？這樣信息就非常清晰了。
因為一些複雜的企業，我們做數據盤點的時候，動輒就會出現幾百個指標和幾十個維度，我們不可能在這幾百個指標和幾十個維度裡去找，一定是我幫它梳理好。
讓員工在做某一個具體業務的時候，不用海量的大海撈針那樣去完成工作。
3.什麼叫「真正的」決策支持？
再往下是決策支持。我們還是以製造業為例子，為了把這個產品周期做好，要求整個企業的協同一起配合，這不只是生產部門的責任，供應鏈也在其中。什麼叫真正的決策支持？
首先要強調的是，決策絕對不是只有企業的高層才去關注的事情，一個一線的業務人員，每天同樣有非常多的事情需要做決策。
假設我是企業的採購經理，每天上班之後，我有什麼事情是要反覆去思考，去做決策的？
如，今天一上班，我就要想今天有哪些商品號或者物料，今天就需要下採購訂單，否則我的生產或者銷售就來不及了。
我應該下給哪家供應商？因為有A、B、C三家都可以供貨。我應該下多少數量？肯定是一批一批下的，這次應該下多少量。
然後這個供應商有多大可能會晚交貨。這是我每天都會想無數次的問題，以前我是怎麼做的？
先在ERP這個供應鏈系統裡面，又輸入一些條件，又查了一些數據。
最後我恨不得還得給我的供應商打兩個電話，我去問一下，你們最近忙不忙，我今天給你下訂單，你是不是能夠保證7點以前交貨，因為這非常重要。
整個這一圈下來可能20分鐘，或者30分鐘就已經過去了。在這20、30分鐘裡面，我完成了一次決策，下了一個採購訂單，做了一筆業務，這是我過去的做法。
現在我們做一個真正的決策支持的看板，可以做到什麼樣呢？
這個看板底層的算法和數據處理過程可能很複雜，但是我們呈現給業務用戶的內容必須非常簡單，一目了然就讓他看懂，否則他上手門檻太高的話，他就不會去用。
整個看板有三部分構成，左上角有一個，有一個商品列表或者物料清單，下面有一個表格是供應商信息，一共就由這三個組成部分。
左上角的我一目了然就能看到。然後我去選中某一個物料的時候，或者某一個商品的時候，它右邊的柱圖和表格都會發生聯動和篩選，熟悉我們的產品的人都會知道這是永洪很經典的全局聯動功能。
比如我選擇左上角第一個物料，右上角會顯示，然後安全庫存是150個單位，劃了一根虛線，也就意味著從今天開始7天之內，它會達到安全庫存之內的這種物料，恢復和今天必須下訂單的條件，否則就會受到影響。
我們來數，第一根柱子是今天，往下第七根柱子正好在虛線以下，庫存變化趨勢是怎麼預測出來的？結合我們剛才說的AI算法，或者我不用AI的算法也可以，總之背後有一系列的邏輯。
下面再看供應商，有A、B、C三個供應商，都可以生產我當天選中的物料，這時候我有三種選擇，旁邊會展示出來A、B、C的下單要求，A是500件，B是500件，C是300件，我可以看出1到7天的庫存量和消耗量是多少。
如果我這一次要下450件，我就知道我找C比較合適，這次我要下800件，A、B、C都可以，因為我都符合他們最小下單量的要求。
如果我是一個資深的採購經理，我就會知道，我要考慮一碗水端平的問題，因為製造業一個供應商開發周期是非常長的。
如果這個C在我這兒得不到一些訂單，可能就不跟我合作了。
我要考慮是不是平衡一下，上次下單時間，上次下單量1000件的訂單，也就意味著我今天在你那兒下訂單，他可能不會馬上就生產，他要等上一批貨交貨完以後，才給我生產這批貨，B和C上一次訂單時間也比較長了，他們是綠燈的，這是讓我了解他的目前狀態。
最後像航班準定率一樣，給我展示他們歷史交貨的準時率。A是98%、B是99%、C是82%，規則已經全部體現在這一張看板裡面了，全部輸入進系統裡面。
這時候我可以馬上做一個決策。這個無論如何不能晚交貨，我就知道了，我這次要選B，因為它是99%，而且是空閒的。如果訂單時間是7天，我為了平衡關係，選擇C，給它一些訂單，因為有可能C的價格比B低。
這樣大家可想而知，原來我20、30分鐘做的這件事情，現在我1分鐘就可以做了，也就意味著我的決策效果比以前提升了幾十倍。
這個提升不僅僅是決策效率，因為決策效率就意味著業務效率。
因為我原來20、30分鐘才能下一個採購訂單，現在我1分鐘就可以做一個採購訂單，1分鐘就可以做一筆業務。
對於製造業來講，現在拼的就是效率。
同樣一個團隊，當業務量增長几十倍以後，效率增強是非常明顯的，會極大提升企業經營的競爭力。
另外一個好處，它可以極大提升企業整體的決策水平。
因為我有可能是一個剛畢業的大學生，現在經驗不豐富，有可能我壓根兒就沒有想過，我還得考慮一下它上次下訂單這件事。
然後我就貿然給A下的訂單，因為他7天以後會交貨，結果它12天以後才交貨。受到了處罰，公司遭受了巨大損失，背後的原因只是我一個一線人員，一次決策產生的失誤。
如果我把這個看板給一個採購經理看，哪怕是個新人，也會清楚所有這些東西都是我要判斷考慮的依據。
這會提升企業整體的決策水平，最大程度規避因為決策失誤帶來的業務上的損失。
下單的建議是什麼？這就比我看上面這些圖表、報表要更加直觀，做到這種程度才算是做到了真正的決策支持。
如果做到了這種程度，我們數據分析系統，它會變成像OA、ERP一樣，用戶每天都要去頻繁使用的系統，而不是像現在領導只是每周一看一下的低頻系統，這樣用戶對於業務分析的價值一定是高度認可的。
第四個層級是智能預測，因為時間有限，就不展開介紹了。
最後，我們總結一下，就是具備深度業務價值的數據應用，在我們永洪的眾多項目經驗當中，我們提煉了剛才那樣的方法論，就是要做到這四個層級，以及四個層級分別怎麼做，這個事情一旦做好了，這個方法框架就定了。
最後，我們來看一下應用跟平臺之間是怎麼樣相輔相成的。因為 Yonghong Z-Platform 一站式數據平臺可以讓用戶體驗非常好，它的能力是非常完整的數據應用，否則我想法再好，我前面做出的東西可能一樣是非常簡陋的，或者功能是殘缺不全的。
有了這樣一個一站式的平臺，有了這種強大的完整的平臺能力，我們就可以做到低門檻去促成大量在數據應用、解決方案場景方面的創新，可以縮短10倍數據應用構建的周期。
因為您對數據應用所需要的所有功能，無論是BI、AI、ETL、流程審批等，全部都在我們這個平臺裡面開箱即用，而且是平臺化的，可以比自己開發至少縮減10倍數據應用的周期，並且是天生一體化，可以極大提高數據平臺的能力，打造數據應用所帶來的相應價值。
（註：本文根據永洪科技SVP王桐於7月14日在2018大數據技術峰會演講整理）
- End -
他們都在用Yonghong服務
美的 |格力|聯迪 |海天 |科達
泰康保險|佰仟金融|華夏銀行
寶寶樹 |艾瑞集團|獵聘|伊美爾
浙江電力| 太原電力 |錦程物流
人人都是數據分析師專區
BI可視化和分析可視化入門教程
從入門到精通，數據分析師必看的14篇文章
可視化圖表入門教程|三步製作一張動態報表