企业介绍 中国第一汽车集团有限公司是国有特大型汽车企业集团，是国家“一五”计划重点建设项目之一。中国一汽经过七十年的发展，建立了五大生产基地，构建了全球化研发布局，拥有红旗、解放、奔腾等自主品牌和大众（奥迪）、丰田等合资品牌，累计产销汽车超过5700万辆，销量规模位列中国汽车行业第一阵营。 在开始介绍项目前，给大家推荐一个《制造业数据应用建设方案》，本方案深度剖析制造业企业数字化进程中的业务痛点问题并给出应对策略，提出制造业数字化建设的破题点—数据应用分析平台建设，为制造业数字化建设提供专业的建设路径。 扫描下方二维码即可下载完整PDF！ 项目亮点与需求痛点 项目亮点 支撑顶层会议报告，以及Easy头条驾驶舱35份报告215个指标服务的订阅。 为14顶层会议提供了强有力的支持，77家汇报单位参与。 数据分析平台拥有活跃用户4590名。 需求痛点 传统汇报方式耗时耗力，缺乏便捷可视化手段 缺乏可视化工具的支持，不仅影响了汇报工作的效率与效果，也限制了团队在数据分析方面的潜力。引入高效便捷的可视化解决方案，已成为提升集团汇报质量和决策效率的关键需求。 如何呈现企业真实的运营状态，不同人对指标的理解并不一致 在集团数智化转型的大背景下，业务人员在筹备汇报内容时，面临着将业务现状具体化为数字语言的重大挑战。如何巧妙运用数字化的思维方式，精确量化复杂的业务场景，构建起一套既科学又贴合实际的指标体系，进而高效地执行数据分析任务，成了一个难题。 多数据源、多加工链路难以保证数据准确性 企业内部各部门独立运作，各自拥有专属的数据源，形成了数据孤岛。这些分散的数据源缺乏统一的接入与管理机制，导致数据采集和整合过程复杂低效，难以确保数据的完整性和时效性，从而影响了数据的准确性和可用性。 顶层会议决策难、效率低、运维工作量大 集团顶层会议场景是集团内BI看板最为重要的应用场景之一，看板从制作到审核到应用涉及业务部门、报告行管、集团高管等多个角色。诸多问题导致顶层会议决策难、效率低、运维工作量大。 自助分析成本高，找数据、理解数据困难重重 用户在实践过程中频繁遭遇两个核心挑战：数据从哪里来与各字段都是什么含义，这一难题在跨领域数据分析课题中表现得尤为明显。 解决方案 数据工作台 为了解决上述各项问题与挑战，中国一汽踏上了数智化转型之路，其中一项重要的工作内容就是建设了基于云原生理念的数据工作台，数据工作台覆盖了数据采集、数据治理、数据建模、数据服务等数据应用全流程，服务于各领域数据消费者、数据管理者、开发者以及数据行管，以“智能工作流”方式驱动核心数据业务开展，打通八大作业平台，涵盖统一数据资产查询、自助BI定制、工作流程管理、实现数据能力复用、数据资产高质沉淀，支撑数据服务消费、指标治理、信息架构治理等核心业务孪生。 指标治理 中国一汽结合指标数据治理实践，形成一套完善的指标治理工作方法。由业务单元产生指标，保证指标的业务来源可追溯，在数据探源过程中调用信息架构治理能力和数据质量管理能力，保证指标的数据源可信可靠，最终交付数据服务支撑BI驾驶舱及自助分析数据消费。 数据中台 中国一汽搭建底层核心存算能力和顶层数据开发管理工作台，实现数据中台各层功能。依托数据中台，建立对应的平台运营，数据管理，数据队伍。建设包括数据集成、服务、治理、安全、运营在内的功能中心并设计对应的流程规范。搭建并部署低代码全流程可视化数据开发管理工作台。应用平台资产管理，数据治理，数据安全等功能，打造集团统一数据中台运营体系。 数据分析平台 数据资产查询 构建统一的数据资产查询门户，作为数据探索的首发站，用户可由此直接跳转至资产目录，深入了解数据详情并便捷地提交使用申请。 资产目录构建 建立一套全面的数据资产目录，涵盖集团下所有主题域分组。通过埋点及数据开发作业平台采集与开发，数据分析作业平台自助分析，自助BI配置数据资产视图，支撑数据行管、数据管理者识别数据资产问题，优化提升数据资产的价值。 自助BI开发 为了促进更高效的数据洞察，我们将打通数据分析作业平台和帆软系统，允许用户直接将申请过的数据使用在帆软报表中，并支持将多个仪表板配置成为“场景“，实现仪表板复用和定制化的汇报视图。 典型场景 顶层会议 中国一汽自研基于云原生的数智化会议平台，通过集成帆软页面，实现了会议管理、议题提报、报告浏览等会议全流程。顶层会议的汇报单位，需要按要求介绍业务全景，重点指标完成情况，本月总结及下月计划，专题汇报，这几大板块来汇报，用到的所有指标，需要是直连的。 数智化会议平台作为驱动一汽集团决策效能升级的核心引擎，已经成功为14个顶层会议提供了强有力的支持，共有77家汇报单位的参与。平台成功统筹安排了300次会议日程，确保了每一场会议议程的紧密衔接与高效推进。在此基础上，平台还细致管理了208个指标，1054个会议议题，涵盖了集团业务的方方面面，实现了会议内容的全面覆盖与深度挖掘。 平台通过集成14786个数据分析页面，极大地丰富了会议的数据支撑能力，在这方面帆软工具提供了非常重要的支持。这些页面不仅实时展现了集团运营的关键指标，还通过直观的数据可视化手段，加速了信息的理解与决策的形成，为参会者提供了深入洞察市场动态与内部运营状况的窗口。 这一系列的创新实践和技术应用，不仅显著提升了会议的运行效率与稳定性，更是在促进集团内部沟通协作、优化决策流程、增强数据驱动能力等方面发挥了不可估量的作用。 营销中心分析订单流转状态 中国一汽运用工作台+BI模式，打通APP定车锁单数据、代理商跟进数据、生产与在途数据、终端交付数据4大平台数据，实现数据与流程的无缝衔接，构建总览全流程数据看板以及各分项的穿透业务清单。实现从客户预订锁单到发货交付的全流程车辆流转信息。 其中包含主要的结果性节点包括客户节点（包括支付定金、客户锁单两个关键动作）、代理商（代理商锁单、资源审批）、厂家（已生产、已发运）、代理商（已到店、已交付AAK），过程性节点包括定金后未锁单、客户锁单后代理商未确认、代理商资源未确认及未匹配、生产进行中、物流进行中、待交付过程要按照订单状态进行全流程追踪。 全员自助分析 集团高层深知在当今数据驱动的时代背景下，精准高效的数据分析是推动业务发展、优化决策流程的关键所在。因此，特向全集团各领域业务人员发出积极号召，鼓励大家充分利用帆软工具强大的可视化及分析功能，开展深度的数据挖掘与分析工作。 首先，集团着手提升分析技能与帆软工具应用能力。开展定制化培训计划，组织系列数据分析培训课程，内容涵盖基础数据分析理论、帆软工具操作实践，以及行业最佳实践分享。培训课程结合实际业务场景，设计实操练习，确保业务人员能在指导下亲手操作，从理论到实践全方位提升。 接下来，构建集团级资产目录，实现与信息架构平台、指标资产平台以及数据中台的无缝对接，从而将集团范围内的源系统资产、指标资产，以及各类分析资产深度融合，汇聚成详尽且易于检索的数据资产网络。资产目录还配备了详尽的资产元数据浏览功能，用户在决定是否选用某项数据之前，可以预先查看其字段构成、数据类型、更新频率等关键信息，这一设计极大地增强了数据选择的准确性。 项目总结 对于中国一汽来说，当下处于百年未有之大变局，新能源智能网联给汽车产业带来巨大冲击，传统汽车企业在尝试拥抱互联网，去感知客户创造体验，而互联网人在进军制造和供应链，去试图掌握百年的工业积淀。数字化正是战略转型需要去拥抱去学习去淬炼的能力，数字化转型的根本是业务生态和作业方式的全面变革。 中国一汽以TOGAF架构理论为底层逻辑，自主构建指标数据治理“五阶十六步法”和信息架构治理“六阶十八步法”，为数据治理工作提供科学的方法指引； 以业务价值为起点，以业务流程为主线，以业务单元为核心，通过信息架构进行数据业务的数字孪生，构建基于云原生架构的数据工作台和能力中心； 以《数据基本法》为引领，以数据治理方法为指引，以数据治理机制为驱动力，以数据工作台和能力中心为载体，实现数据治理效能翻倍的同时，驱动八大领域业务效能翻倍；穷尽核心业务指标，沉淀关键数据能力，探索大模型技术与数据治理业务的深度融合模式，促进数据治理效能和八大领域业务效能跃迁式增长。若想了解更多关于制造业数字化转型的解决方案，扫描下方二维码或点击阅读原文链接下载案例集！

在当今复杂多变的商业环境中，供应链管理已成为企业获取竞争优势的关键。有效的供应链策略不仅能提升企业的响应速度和市场适应性，还能显著降低成本、提高效率。 本文将深入探讨几种主流的供应链管理方法，包括快速反应、有效客户反应、基于活动的ABC成本控制法以及价值链分析，分析它们的核心原理、实施步骤和潜在效益。 正文开始前，给大家推荐一场制造供应链专场直播。 直播预告 ！行业数字风暴-供应链专场第二期 ！⏰11月19日明晚19:00 帆软直播间🧑‍🏫直播嘉宾：制造业产品专家 孙韦老师🔥直播主题：《供应链数据应用转型实践-从制造到智造》 本次直播将介绍决策应用的行业与技术发展趋势 以及供应链应用从咨询到交付的最佳实践路径。 👊更多制造业数据决策应用策略，尽在帆软小程序  快速反映 快速反应（Quick Response，简称QR）这一概念，最初由美国零售商、服装制造商和纺织品供应商共同提出，旨在构建一个全面的业务策略。QR的核心目标是通过缩短从原材料获取到产品最终销售的整个流程时间，来减少供应链各环节的库存量，从而极大提升整个供应链的运作效率。 它减少了以往基于预测需求而大量储备存货的传统做法，转而强调供应链应以一种从一端装运到另一端的连续方式，灵活响应市场的实际需求。下图展示了实施QR的六个关键步骤。 要成功实施QR，需要满足以下五个条件，它们构成了QR成功的基石： 企业需要转变其经营模式，并刷新其商业意识与组织结构，以适应快速反应的要求。 必须采纳并利用现代信息处理技术，以保证信息的快速流通和处理。 与供应链上的所有合作伙伴建立稳固的战略伙伴关系，共同应对市场变化。 打破传统的商业信息保密观念，推动信息在供应链中的透明共享。 供应商需要优化生产流程，缩短生产周期，同时减少库存水平，以提高对市场变化的响应速度。  有效客户反应 有效客户反应（Efficient Consumer Response，ECR）起源于美国食品行业，是一种创新的供应链管理策略。ECR倡导供应商与零售商之间建立紧密的合作关系，利用先进的信息技术，同步协调双方的生产、管理和物流活动，以便迅速适应客户需求的波动。 ECR主要应用于超级市场行业，其核心目标是剔除供应链中不增加客户价值的环节，将传统的推式供应链转变为以客户需求为中心的高效拉式系统。下面ECR结构示意图清晰地展示了这一系统的设计： 1、ECR的主要目的 ECR系统旨在满足客户日益增长和多样化的需求，要求供应链各环节的企业像业务伙伴一样紧密协作，共享需求信息，共同构建一个基于客户需求、快速响应的系统。这不仅能够提升客户价值，还能提高整个供应链的运作效率，同时降低系统性成本。 2、ECR应用的技术 在技术应用方面，ECR系统广泛采用先进的信息技术，如在供应链的上下游企业间实施基于计算机的自动订货系统，并与销售点信息系统（POS）相结合。POS系统能自动将销售数据传输至配送中心，实现自动补货，从而最小化零售企业的库存水平，缩短订货周期，并降低产品损耗。 3、ECR关键要素 ECR系统包含四大关键要素： 有效产品引进（Efficient Product Introductions）：注重新产品的高效开发和生产计划的制定。 有效产品组合（Efficient Store Assortment）：通过优化产品包装等方式，提升产品分销效率。 有效促销（Efficient Promotion）：通过精心策划的促销活动，提高整个供应链的运作效率。 有效补充（Efficient Replenishment）：采用需求驱动的自动补货系统和计算机辅助订货系统，优化补货的时间和成本。 4、实施ECR的作用 实施ECR能够显著减少冗余活动，节约成本。具体来说，ECR可以： 节约直接成本：通过减少不必要的活动和相关费用，直接降低成本。 节约间接成本：由于单位销售额所需的库存量减少，从而节约成本。 ABC控制法 基于活动的ABC（Activity Based Costing）成本控制法是一种细分成本计算和管理的方法。 1、ABC控制法执行阶段 它分为三个连续的阶段来执行： 间接成本首先被累积并汇集到一个共同的间接成本池中，这包括劳动力成本或设备成本；与此同时，直接成本则直接累积并计入作业成本池，无需经过任何中间环节。 接下来，将间接成本池中的资源分配映射到供应链的各个作业成本池，确保成本的准确归属。 最后，将作业成本映射到成本目标上，这样可以清晰地展示各个作业活动对整体成本的具体贡献。 ABC成本控制法的优势在于，它不仅能提供精确的产品成本信息，还能追踪所有作业活动，并动态地反映这些活动对成本的影响。 2、ABC控制法实施步骤 实施ABC成本控制法的步骤可以概括为： 确保获得企业高层的支持和批准 ABC成本控制法需要跨部门团队的协作，这需要高层的支持来推动团队成员之间的有效合作。由于这种方法可能会挑战企业的传统观念，并可能引发必要的改革，没有高层的支持，ABC成本控制法的实施将难以进行。 跨部门团队必须收集必要的信息，以确定资源、活动成本指示器和成本对象 团队可以从企业的会计记录中提取财务数据，这些数据包括了资源种类、活动类型、生产或销售的产品或服务等结构数据，以及资源成本、消耗量和产量等定期数据。结构数据相对稳定，而定期数据会根据评估周期的变化而变化。 利用收集的财务数据，跨部门团队将为每个成本对象分配相应的活动，为各项活动分配资源，并探索改进活动的方法。 价值链分析 价值链分析（Value Chain Analysis，VCA）是企业对一系列活动进行审视的方法，这些活动从输入到转换，再到输出，构成了企业的操作流程。在这个流程中，每一个环节都有机会为产品增加价值，进而提升企业的市场竞争力。信息技术的优化和关键业务流程的改进，对于实现企业的战略目标至关重要。通过在价值链中有效运用信息技术，企业可以发挥其杠杆作用，增强竞争优势。、 1、价值链分析基于哪几个方面 价值链分析通常基于以下五个方面： 价值链分析的核心在于价值活动 价值活动是价值链的基石。价值体现在客户愿意为企业提供的产品支付的价格上，而价值活动则是企业在物质和技术层面上明确区分的各项活动。 价值活动可以细分为基本活动和辅助活动。 基本活动直接涉及产品的创造、销售和售后服务，而辅助活动则提供必要的支持，如外购投入、技术和人力资源等。 价值链展示了包括利润在内的总价值 利润是总价值与执行价值活动的总成本之间的差额。 价值链具有整体性 企业的价值链是更广泛价值系统的一部分。供应商的上游价值链、渠道价值链以及买方价值链都对企业的价值链产生影响，因此企业需要了解并把握自身在更大价值系统中的位置。 价值链具有异质性 不同产业和企业的价值链各有特点，这不仅反映了它们各自的历史、战略和实施途径，也是企业竞争优势的潜在来源。 2、区分“价值增值时间”和“非价值增值时间” 在开展价值链分析时，企业需仔细辨别供应链中价值增值时间和非价值增值时间，哪些则不然。 价值增值时间 “价值增值”时间是指那些投入到能够直接为客户带来益处的活动中的时间，例如产品配送、交易处理、制造过程等，都属于此类增值活动。简而言之，任何能够确保”在适当的时间、地点，将适当的产品送达正确客户”的活动，都可被视为”价值增值”活动。 非价值增值时间 “非价值增值”时间则花在那些即便取消也不会对客户需求或利益造成损失的活动上。虽然某些”非价值增值”活动在当前供应链流程中可能不可或缺，但它们只会增加成本，因此应当努力寻求消除或减少，例如产品存储就是这类活动的代表。 如下图所示的价值增值流程，我们可以看到，在许多情况下，”价值增值”时间在整个供应链的端到端时间中所占的比例其实是相当小的。这提示企业在审视供应链时，应专注于那些真正为客户创造价值的环节，同时审视并优化那些未能直接贡献于客户价值的时间投入。通过这样的分析，企业可以更有效地优化流程，减少浪费，提升供应链的整体效率和响应速度。 既然有多种供应链管理方法，企业该如何选择适合自身情况的管理方案呢？帆软软件有限公司为广大客户提供了包括供应链管理解决方案以及大数据分析平台在内的等多种工具，为制造企业加强供应链管理、提高利润提供多种选择。 帆软是国内领先的数据软件服务商，深耕数字行业十八年，能够依托于自身数字化产品，为各行业企业提供数字化转型解决方案。为协助制造企业迈向数字化转型，帆软成立了数字制造事业部，专注于制造业领域的数据分析与数据规划。 帆软制定的供应链控制塔建解决方案集成所有供应链相关业务系统数据，打造两个中心、三个模块的综合供应链管理平台，实现全链路信息的储存、分析和可视化，对关键指标阈值进行监控，合理分配资源，控制成本。 帆软设计了供应链控制塔综合管理平台架构，该控制塔包含两个控制管理中心，同时从集团管理视角和供应链业务视角管理；三个供应链核心业务控制模块，并行多线程管理。 供应链控制塔管理中心包含四大模块： 供应链数据总控平台 该模块从采购、生产、物流、营销、客户等方面，打造全供应链关键指标监控；从资产到应收应付款项风险波动，做到全面展示监控。 实现供应链管理平台全供应链关键指标监控、供应链管理平台感知资金风险波动、供应链管理平台3D视角钻取、模型透视等。 采购数据控制平台 该模块按照采购流程，监控每个节点的实施情况，获得从初始订单到交付信息的透明信息流，实时掌握供应链财务信息，确保商品品质。 从而实现采购管理、采购流程节点监控、采购分析采购金额实时分析、供应商管理、供应商协作及质量管理等。 库存数据控制平台 模块通过地图色彩渐变和数据轮播进行可视化，呈现集团仓库分布、运营管理、库存安全等相关细节。实现仓库可视化管理看板集团仓库分布情况可视化、仓储HSE安全管控、仓库实际容积情况管控等 销售数据控制平台 该模块关注核心产品的销售和利润：从销量价格、市场热度等角度，分析产品综合市场表现；从门店数量、分布和集中度等角度，分析下游渠道在全国分布情况。实现销售核心指标分析、产品综合市场表现分析、下游渠道全国分布分析等。  总结   随着对供应链管理方法的深入了解，企业现在拥有了比以往更多的选择来强化自身的物流管理。面对多样化的策略和工具，企业应根据自身的特定需求和市场条件，审慎选择最适合自己的供应链管理模式。 帆软软件深耕数字行业，能够基于强大的底层数据仓库与数据集成技术，为企业梳理指标体系，建立全面、便捷、直观的经营、财务、绩效、风险和监管一体化的报表系统与数据分析平台，并 为各业务部门人员及领导提供PC端、移动端等可视化大屏查看方式，有效提高工作效率与需求响应速度。若想了解更多关于制造业数字化转型的解决方案，可以扫描下方二维码或点击阅读原文链接下载案例集！

许多企业在迈向智慧仓储的征途中遇到了重重困难。技术集成的复杂性、数据管理的挑战、高昂的成本和员工培训的需求，这些都让智慧仓储的实现显得遥不可及。 本文将探讨智慧仓储的定义与价值，并揭示可视化大屏如何为智慧仓储建设提供一个简单而有效的起点，助力实现智慧仓储升级的。 正文开始前，给大家送一份《可视化大屏资料包》，扫描下方二维码即可下载！ 什么是智慧仓储？ 1.智慧仓储定义 智慧仓储是一种集成了先进的信息技术、自动化设备和智能算法的仓储管理系统，旨在提高仓储效率、降低成本、增强透明度和提升客户满意度。它通过实时数据收集、分析和应用，实现对仓储操作的自动化和智能化管理。 2.智慧仓储有什么价值 提高作业效率：通过自动化设备减少人工操作，提高作业速度和准确性。通过智能监控和预警系统，提高仓库的安全性，减少损失。 降低运营成本：减少人工依赖，优化库存管理，减少过剩库存和缺货情况。通过智能算法优化资源分配，提高空间、设备和人力资源的利用效率。 增强客户体验：通过实时追踪和快速响应，提高订单处理速度和准确性。 提升透明度：实时数据监控和分析，提高供应链的透明度，快速响应市场变化和客户需求。 智慧仓储建设有哪些难点？ 1.技术集成的复杂性 智慧仓储需要将多种技术如自动化设备、物联网、大数据分析、云计算和人工智能等集成到一个统一的系统中。这种集成不仅技术上具有挑战性，还需要确保不同系统和设备之间的兼容性和协同工作。 2.可视化系统的实施 可视化是智慧仓储的一个重要组成部分，其实施也面临许多挑战。例如，如何设计直观、易于理解的可视化界面，以及如何确保可视化系统能够实时准确地反映仓储运营的实际情况。 3.数据管理和安全 智慧仓储依赖于大量的数据收集和分析。如何确保数据的准确性、完整性和安全性，以及遵守数据保护法规，是建设过程中的一个难点。 4.成本和投资回报 智慧仓储的初期投资可能很高，包括硬件设备、软件系统和人员培训等。企业需要评估这些投资的回报率，并制定合理的成本控制策略。智慧仓储的实施需要员工具备相应的技术知识和操作技能。培训员工并确保他们接受新技术可能是一个挑战。 为什么要建设可视化大屏？ 1.可视化大屏在智慧仓储中的价值 直观展示 通过实时数据可视化，管理人员能够迅速把握库存水平、货物流动、设备状态等关键数据，掌握仓库的运营状况。此外，通过突出显示关键性能指标（KPIs），如订单履行时间、库存周转率等，管理人员可以迅速识别出需要改进的领域。 实时监控 实时监控是智慧仓储中可视化大屏的另一个重要功能。可视化大屏可以设置异常阈值，实现异常预警，帮助管理人员及时发现并处理问题。此外，通过集成传感器数据，可视化大屏可以监控仓库内自动化设备的状态，预测维护需求，减少停机时间。 决策支持 可视化大屏提供的数据可以帮助管理人员基于实际数据做出更加科学的决策，如调整库存策略或优化物流路线，提高作业效率。此外，通过实时显示工作人员的位置和任务状态，可视化大屏可以帮助管理人员进行规划和资源配置，进行流程优化。可视化大屏还可以模拟不同的运营场景，帮助管理人员评估不同决策的影响。 客户体验 客户可以通过可视化大屏跟踪订单的实时状态，可视化大屏可以提供供应链的透明度，让客户对订单处理的进度和预计到达时间有更准确的预期。通过展示订单处理的实时数据，可视化大屏可以增强客户对企业的信任感，提升品牌形象。 2.可视化大屏对企业还有哪些益处？ 易于实施 相比于需要大规模硬件改造的自动化系统，可视化大屏可以快速部署，不需要大规模的基础设施投资。这使得企业能够迅速启动智慧仓储项目，而不必等待长时间的设备安装和调试。此外，可视化大屏可以采用模块化设计，根据企业的具体需求进行定制和扩展。这种灵活性允许企业逐步增加新功能，而不必一次性投入大量资源。 提升成本效益 相比于自动化设备，可视化大屏的初期投资成本较低，且易于维护。这意味着企业可以在不增加过多财务负担的情况下，开始智慧仓储的转型。同时，通过提高作业效率和减少错误，可视化大屏可以在短时间内带来明显的成本节约。这种快速的回报可以帮助企业更快地回收投资，并为未来的技术升级提供资金。 助力培训和教育 可视化大屏还可以作为直观的学习工具，帮助新员工快速理解仓库的布局、流程和操作要求。这种直观性使得员工能够更快地掌握必要的技能，减少培训时间，确保员工的技能与企业的发展保持同步，减少因技术变革带来的阻力。 提升品牌形象 可视化大屏可以展示企业对最新技术的采纳和应用，提升企业在客户和合作伙伴心目中的形象。这种展示有助于建立企业作为行业领导者的地位，吸引更多的客户和合作伙伴，提升企业的市场竞争力。 促进后续投资 可视化大屏的成功实施可以作为智慧仓储的示范，为后续更大规模的技术投资提供有力的案例支持，促进更多的投资，推动企业持续技术创新和升级。 FineVis智慧仓储大屏 FineVis是一款功能强大的数据可视化设计工具，它通过用户友好的界面和多样的组件库，显著降低了创建复杂数据展示的难度。在智慧仓储领域，FineVis能够将复杂的仓储数据转化为清晰、易于理解的图形和表格，从而辅助管理者更有效地掌握仓库的运营情况，并做出更加明智的决策。 利用FineVis的三维可视化组件，用户可以构建仓库的三维模型，并将实时库存数据映射到模型上，实现对高密度存储的直观展示。这种方法不仅提升了仓库空间的利用效率，还使得库存状态清晰可见，有效减少了库存管理和核对的时间成本。 FineVis还提供了丰富的图表和媒体组件，用于展示仓库的关键运营指标，例如货物的入库和出库量、库存周转率、设备运行状态等。用户可以通过数据绑定和交互功能，轻松定制和更新这些图表，以满足特定的展示需求。 FineVis的离屏控制功能为需要远程访问和操作的场景提供了便利。管理员可以通过扫描二维码，使用移动设备如手机或平板电脑远程访问FineVis模板，进行实时查看和控制。这种灵活性极大地提高了工作效率，尤其是在需要在仓库现场快速做出决策和指导的情况下。 按看板来说，它包括以下几个主要看板，可以实现仓储管理效率和透明度的提升： 1.库存数据控制平台 FineVis智慧仓储大屏提供全面的库存数据控制，涵盖绿色仓储、仓储基地、运行和安全，确保仓储环境的可持续性与高效性。 2.仓储物流管理中心看板 这个看板提供了全面的物流管理视角，包括货架存储率、日吞吐量、月吞吐量等关键指标。它还整合了库存管理、运营管理和故障原因分析的信息，以及今日物流进出统计、今日预约单状态和今日货物类型分析，为管理人员提供决策支持。 3.仓库内部信息 仓库内部信息板块专注于内部运营的可视化，实时更新货架存储率、吞吐量、库存管理、运营和故障分析，提升内部管理效率和透明度，帮助优化仓库内部作业流程，提高作业效率。 4.物流、人流监控 通过物流、人流监控看板，管理人员可以实时查看业务人员与物流车的动态信息，实时监控业务人员与物流车辆动态，统计车流量、人流量，记录入园人员信息，保障仓储区域的安全与流畅运作，同时也有助于优化物流车辆的调度和管理。 总结 通过FineVis智慧仓储大屏的实施，企业不仅能够提升仓储管理的效率和透明度，还能够在不增加过多财务负担的情况下，逐步实现智慧仓储的转型。从库存数据控制到物流人流监控，可以说，FineVis能够为企业提供一个全面的解决方案，帮助企业在智慧仓储的道路上迈出坚实的步伐。 值得一提的是，FineVis整合了数据源、超强模板编辑器、丰富的模板素材资源，最重要的是，它支持低门槛搭建3D场景，快速简单上手，提供了强大的数据可视化设计、开发和多终端展示能力，将工厂、园区、产线、产品等业务相关物体映射到数据世界中实现数字孪生，助力企业全方位释放数据可视化的价值。 点击文末阅读原文或扫描下方二维码即可体验FineVis工具！ 扫描二维码即可体验FineVis，获取模板！ 精彩直播推荐 ▼ ❗行业大讲堂-电商第二期马上就要开始啦❗ ⏰ 11月14日晚19:00帆软直播间👨‍🏫直播老师：中国商业联合会CPDA数据分析师、现担任上海某国企数据运营总监 王老师 将与大家一起共同探讨《FineBI业财实践：BI 在业务分析中的典型实践》 🔥直播亮点 1.库存分类：通过ABC-XYZ模型科学补货 2.库龄分析：倒推库存法对库龄进行分析 3.上升品识别：模型识别上升品种，挖掘潜力品 4.滞销品识别：识别滞销品，有效降低库存风险 👊电商人的狂欢，尽在帆软小程序！ 点击下方小程序，即可预约直播观看！

直播预告 ❗产品大讲堂开课了-教你系统数据集成与分析❗ ⏰ 11月15号16:00帆软小程序直播间 👨‍🏫直播主题：《系统数据集成与分析——基于简道云的数据集成方案分享》 🔥直播亮点： 思路：简道云数据如何更好发挥价值 方法：真实高效的数据对接场景和方案 案例：简道云深度使用企业数据集成经验   👊更多精彩，尽在帆软小程序！点击链接右下角即可预约观看 01 什么是结构化、半结构化和非结构化数据？ ①结构化数据：指关系模型数据，即以关系数据库表形式管理的数据，结合到典型场景中更容易理解，比如企业ERP、OA、HR里的数据。 ②非结构化数据：指数据结构不规则或不完整，没有预定义的数据模型，不方便用数据库二维逻辑表来表现的数据。如word、pdf、ppt及各种格式的图片、视频等。 ③半结构化数据：指非关系模型的、有基本固定结构模式的数据，例如日志文件、XML文档、JSON文档、E-mail等； 02 延伸问题：要如何处理这三种异构数据？ 1、针对多元结构化数据的融合，主要关注在数据的ETL处理以及时效性上： ①表结构不同，需要做到不同类型的字段映射 ②假如要新增表字段的时候，需要新增列 ③若有表字段需要进行二次处理规范，需要支持字段转换，比如公式或其他 ④新增表设计时，需要保证三大范式，这里就不展开讲了，可参考：数据库三大范式 ⑤数据同步的时效性，例如实时同步、半小时一次、或者一天一次、或者说是需要实时同步融合，这个要根据具体业务场景来确认。 2、针对半结构化、非结构化数据，因为数据分散，缺乏统一管理，需要借用专业工具 目前有两种方式来处理半结构、非结构化数据： ①提取半结构、非结构化数据中的关键信息，到结构化数据中进行二次利用，比较好处理的是半结构化（json、xml）、excel、csv，因为这种数据的结构比较统一。 ②向word、PDF这种文件提取关键信息，假如是单个文本的话，市面上有些工具可能可以实现，但假如是大批量的话，可能就需要通过程序，去自定义一些正则表达式，去进行关键信息的提取。这种一般来说，因为格式不一致，以及用途不一致，所以程序自定义的比较多。 针对这种的话，会综合考虑数据价值和投入产出比，因为这部分的数据处理较为复杂。 若想提高投入产出比，可以使用例如FineDataLink这类专业工具，去支持结构化/半结构化数据的融合集成，面向ETL数据处理场景，也可以让数据编排更简单一些，提高数据的使用价值。 另外，如若这部分历史文件需要做到备份的话，会通过FTP或者SFTP将文件进行备份存储到文件服务器，进行文件业务分类、文件名、路径的统一管理，提供统一入口，通过权限管理的方式给到大家下载使用。

现如今，越来越多的企业意识到，数字化已经成为了企业发展的驱动力。数字化转型不再是选答题，而是企业战略发展的必答题。 作为数字化转型工作的推动者，IT部门不仅需要同步转型，以满足企业数字化建设的需要，还需要发挥带头作用，将数字化观念逐步灌输给整个企业。这其中，IT管理者必须站出来，对上争取高层的支持，对下培养数字化技术人才，建立数字化技术体系，中间做好技术和业务的衔接，跨部门获取支持和资源。 为了辅助IT管理者进行IT建设，我们邀请了数十位企业CIO层级的人物，在研究了数百家龙头、腰部企业的IT建设后，耗时2个月，最终总结出了这份超大的《企业数字化IT建设地图》。 地图围绕技术和管理，共梳理了基础设施建设、数据底层建设、数据中台建设、企业BI建设四大模块知识，同时包括三大技术模块知识及六大管理模块知识。 地图展开尺寸970mm*630mm 希望这份《企业数字化IT建设地图》，能够帮助IT管理者搭建起完整的数字化IT从业者知识体系，帮助IT部门成功完成数字化时代的转型蜕变！ 本次活动一共印刷了600份送给大家，包邮到家，只送不卖，先到先得！活动还加送人称“行走的BI作战兵书”的《企业BI建设宝典》书籍一本！ （等不及的朋友可以直接拉到文末领取）👇👇👇 如果你想知道这份《企业数字化IT建设地图》具体讲了什么，不妨继续往下看👇👇👇 为什么你必须拥有这份地图？ 理由一： 342个细分知识， 构建数字化IT从业者知识体系 数字化转型涉及到的技术非常广泛，包括云计算、大数据、人工智能等等。并且数字化技术更新迭代很快，各种新概念层出不穷。 因此，作为IT管理者，必须时刻关注数字化新趋势和新技术，在团队内建立起数字化技术和知识体系，培养数字化人才，把技术这个最大优势不断强化扩大。毕竟，没有数字化技术就无法进行数字化转型。 这份地图围绕数字化技术和应用实践，全面搭建了数字化IT从业者知识体系，涵盖了从云计算、数据仓库到数据中台、数据治理等三大技术模块和六大管理模块，总计约342个细分知识点。 既有准确的技术梳理，又有精湛的理论概括，更有扎实的具体方法。通过这份地图，IT部门可以更好地了解数字化技术的发展趋势和应用方法，从而推动数字化转型。 理由二：  51个落地框架， 覆盖企业IT建设规划全流程 数字化转型的必然性要求IT部门承担起新的使命，并对IT进行了重新定义。IT部门需要从传统的IT角色中跳出来，从运维中心转变为赋能中心。 IT管理者需要承担起数字化转型赋能者的责任，把数据作为重要抓手，确保IT战略规划对齐企业业务战略规划，从而进行企业数字化IT建设，做好业务赋能，让业务真正认可数字化的价值，重视起来，并用起来！ 这份地图围绕“数据底层建设→数据中台建设→企业BI建设”这一核心路径，共总结了51个落地框架，覆盖了包括数据集成建设、数据治理建设、数据仓库建设、大数据平台建设、数据中台建设、企业BI建设在内的企业IT建设全流程。 每个环节都有相应的指导和方法，帮助IT管理者系统地推进数据赋能业务，从而提升企业整体的数字化能力。 看到这里，你是不是心动了？既然如此，就赶快参加我们的活动吧！ 领取方式 💣二重福利一起送！！ 首先，这份地图包邮送到家！仅制作了600份，领完为止，先到先得！ 另外，参加活动还可额外领取只送不卖的《企业BI建设宝典》实物一本！本书人称“行走的BI作战兵书”，围绕企业BI建设成功，共梳理了“顶层明确数据化价值、BI全周期项目规划、数仓技术盘点、业务价值应用、团队数据文化培养”5大模块知识，覆盖BI项目的各个阶段， 是CIO、CDO的不二之选！ 具体请看活动规则。 扫描下方二维码关注商业智能研究公众号，后台发送关键词【IT】即可参加活动领取！

前言 潮宏基的业务数字化，采取了“成熟产品+定制化+自主研发”的多元化模式。其中，自主研发部分占据了相当大的比重，超过了日常工作的百分之七八十。云店供应链、用户运营、导购端、培训系统以及数据助手等，都是我们自主研发的成果。至于BI（商业智能）方面，我们自2018年起便与帆软合作，目前用户反馈相当不错。 现在，我们特别聚焦于数据这一要素，因为它与帆软紧密相连。在AI应用中，企业往往拥有大量的数据，如销售数据、浏览数据、行为数据、商品数据等。然而，这些数据并不能直接用于AI模型的训练。它们需要经过严格的整理、清洗和预处理，以符合AI模型的需求。 对于AI的应用，我们主要有推荐系统和销售预测这两个方面，它们与零售经营息息相关。 AI推荐系统 AI在CV（计算机视觉）和NLP（自然语言处理）领域的应用也非常广泛，推荐算法对于零售销售人员来说尤为重要，因为它能够带来潜在用户的转化和销售增长。 那么，AI是如何实现推荐的呢？一般来说，推荐算法会利用商品的相似性和用户的相似性来工作。为了了解这些相似性，算法需要依赖企业的数据和基础条件。比如，云店的日活用户数、用户的购买行为（购买数量、浏览次数、加购次数、支付情况等）都是重要的数据来源。这些数据能够反映出用户对商品的喜好程度。 在推荐算法中，协同过滤是一种常用的方法。它通过计算用户之间或商品之间的相似性来预测用户可能感兴趣的商品。例如，如果两个用户购买过相同的商品，那么算法会认为这两个用户有相似的兴趣，进而推荐其中一个用户购买过的其他商品给另一个用户。 AI销售预测 再来看销售预测，这是零售行业的核心问题之一。销售预测的准确性直接影响到供应链的效率和库存管理的水平。理想情况下，我们希望销售预测能够非常准确，以便实现供应链的快速响应和库存的最优管理。然而，由于市场变化的不确定性，销售预测往往具有一定的挑战性。 为了提高销售预测的准确性，我们需要找到数据中的规律性。有些数据在某些维度或范围内可能呈现出明显的规律性，比如春节期间的销售波动。而有些数据则可能看起来比较稀疏，没有明显的规律。对于这类数据，即使使用AI进行预测，也可能难以得到令人满意的结果。 因此，我们需要从多个维度去分析数据，寻找其中的规律性。比如，某个门店的销量可能没有明显的规律，但如果从全国范围或总仓的角度来看，可能会发现一些规律。同样地，某个商品层面的销量可能没有规律，但如果从门店、品类或时间周期等维度来分析，可能会发现一些有用的信息。只要数据中存在规律性，AI算法就有可能帮助企业做出更准确的销售预测。 在这个领域，通常讲得最多的就是时间序列算法。这类算法听起来非常强大，因为它们能够基于过往的销量数据、周期性规律以及节假日等参数，对未来的销售情况做出很好的预测。理论上说，如果促销活动较少或者数据更为真实，这类算法的表现会更好。因此，如果时间序列算法能够充分发挥其作用，那么在优化供应链、销售和库存管理等方面，它将能够表现出色。 零售可关注的AI其他应用 关于NLP，特别是GPT-4，虽然发布至今并未带来革命性的巨变，但当GPT-4刚出现时，微软的研究团队深入分析了它，并发布了长达150多页的白皮书。 除了GPT-4之外，还有一些开源模型如清华大学提供的Child GLM等，也对NLP研究起到了重要作用。然而，在零售企业中，我更期待NLP的应用不仅仅局限于智能客服的应答。我更希望NLP能够辅助我们进行数据查询和分析，比如通过对话方式与AI交流，快速获取所需数据并进行分析。然而，这一过程并不简单，因为自然语言与数据库之间的映射需要精确的算法和大量的训练数据。特别是一些特殊术语和简称（如“华南”与“华南大区”、“新开店”与“30790”），对于AI来说更是挑战。但我相信随着技术的发展，这些难题将逐渐得到解决。 对于IT从业者来说，查看和理解AI代码可能是一项挑战。由于技术栈的多样性，我们可能会遇到不熟悉的语言或框架。但正是这种多样性促使我们不断学习和进步。比如销售预测中的某些算法可能采用了不常见的编程语言（如阿语），但其表现却非常出色。这提醒我们要保持对新技术和新语言的开放态度。 那你让Java的人去看一个阿里云，其实它是很困难的，很难看懂，但是你让GPT4帮你去解析一下，为了这段语音是什么？它其实可以极大地提高我们去解析，就是这个代码解释的这个效率，这一块GPT四代就可以做一下尝试，并且可以不断的折磨它，他会不断地帮你去优化。 以上内容来自潮宏基CIO奉光亲在2024年帆软零售数字化转型峰会上的分享 本文摘录于帆软最新《消费零售行业数据建设白皮书2.0》 该书汇集了行业大咖的洞见，深入分析了消费零售行业的痛点与思考，并通过精品案例展示了数据建设在优化用户体验、营销策略和提升业务效率方面的巨大潜力。 扫描下方二维码即可下载完整PDF资料 直播预告 ❗行业大讲堂-电商专场第二期❗ ⏰ 11月14号19:00帆软小程序直播间 👨‍🏫直播嘉宾： 王老师，中国商业联合会CPDA数据分析师，帆软签约讲师，上海交通大学终身教育学院课程讲师。就职于外资世界五百强企业、现担任上海某国企数据运营总监。 🔥直播亮点： 库存分类：通过ABC-XYZ模型科学补货 库龄分析：倒推库存法对库龄进行分析。 上升品识别：模型识别上升品种，挖掘潜力品。 滞销品识别：识别滞销品，有效降低库存风险。 👊更多精彩，尽在帆软小程序！点击链接右下角即可预约观看

要说IT圈儿的“顶流”是什么，大家必然在第一时间想到数据中台，毕竟这些年，IT圈儿的一半人在大力吹捧中台，另一半人在到处唱衰中台。 然而无论是吹捧还是唱衰中台的，都很少有人提及上中台前所必需的数据底层建设。 但一个完备的数据底层建设可以为企业提供坚实的基础，确保数据中台的成功实施和运营。换句话说，就是没有数据底层建设就根本上不了数据中台。所以，今天就来跟大家唠唠什么是数据底层建设。 简单来说，数据底层建设包括数据采集、数据集成和数据治理三部分。 一、什么是数据采集? 企业的日常经营过程中会产生大量的数据，这些数据来源广泛，比如企业的销售数据、用户的行为数据、社交媒体的曝光数据等等。而数据采集就是把这些不同来源和渠道的数据收集并存储起来，方便企业进行后续的分析。 举个例子，企业要分析产品的的销售情况，就需要收集来自各个销售渠道的订单信息、客户的购买记录、产品库存等相关数据。这些数据可以来自电子表格、数据库、传感器、网站或其他系统。通过数据采集，企业将这些散落的数据收集到一个地方（一般就是业务系统），形成一个数据集合，方进行后续的分析和利用。 数据采集的方式有很多种，例如手动采集、自动采集、爬虫采集等等： 手动采集可以说是企业获取数据方式的鼻祖，具体是指通过人工的方式手动录入数据，以往是用笔和纸，现在是用excel和视频。虽然这种方式比较简单，但是耗时久、效率低下且容易出错。因此，企业会考虑用自动化工具代替人工，这就是自动采集。 自动采集是指通过一些自动化工具来采集数据，它可以显著提高采集效率，减少出错率，但是企业需要相应的技术支持和工具投入， 爬虫采集是指通过编写程序自动访问网站，并从中抓取所需的数据。这种方式非常灵活、适用范围广泛，但企业需要注意法律法规的限制，以确保合法、合规的数据采集行为。 总而言之，数据采集是收集来自不同来源的数据，并将其集中存储以备后续处理和分析的过程。它是获取数据的第一步，是企业底层建设的第一步，只有做好了这一步，后面种种才能更加顺利地进行下去。 二、什么是数据集成？ 在企业通过数据采集，完成了各业务系统原始数据的收集后，下一步就需要对这些分散的数据进行集中化的管理，这就是数据集成。 数据集成将不同来源的数据整合在一起，形成一个统一的数据视图，就像把零散的拼图碎片拼接在一起，完成一幅完整的图画。 但与拼图不同的是，数据集成还会涉及到解决不同数据源之间的差异和不兼容性问题，具体包括数据格式的转换、字段映射、数据清洗和数据重复的处理等等。 所以，通过数据集成平台，企业可以消除数据孤岛，确保数据的一致性和准确性，提高数据的可用性和可信度。最终让企业人员能够更全面地了解自身的业务情况，做出更准确和有依据的决策。 想象一下，你的企业里有多个部门在不同地方存储着数据，每个系统都可能使用不同的数据格式、命名约定和存储方式，比如销售系统存储了销售订单的详细信息，CRM系统存储了客户的个人资料和交互历史。 以往你想查看客户购买了什么产品以及他们对于产品有什么服务请求等，你就需要下载两个系统中的数据，通过一系列的数据处理操作把数据整合在一起再搜索具体的客户信息。步骤繁琐，一旦数据有所变更，还需要重复操作，不能更麻烦了。 而现在通过数据集成就可以将这些散乱的数据整合到一起，形成一个统一的数据集，你不需要任何数据整合的操作，就可以在一个地方查看客户的完整信息，包括他们的购买记录、联系方式和服务请求等等，极为方便。 三、什么是数据治理？ 在前面，我们了解了数据采集的过程，知晓了数据集成的重要性，然而，仅仅采集和集成数据还不足以确保数据的高质量和有效使用，这就需要引入数据治理的概念。 数据治理可以简单地定义为企业在数据管理方面所采取的一系列规则和措施，它就像企业的数据管家，管理着数据的质量、安全性和合规性，使数据成为组织的有价值资产。这就像国家制定一系列法律条规来规范我们的行为以确保社会是安全稳定的。 在数据的底层建设中，企业通过数据治理，制定数据管理规范、建立数据质量控制措施和监督机制，保证数据的准确性、一致性、完整性。数据治理还涉及定义数据标准、数据安全策略和合规措施，以确保数据在整个数据中台生命周期中得到妥善管理和保护。 具体来说，数据治理包括以下四个方面： 数据质量：数据治理致力于确保数据的质量。这包括数据的准确性、完整性、一致性和时效性。通过制定数据质量标准、建立数据验证和清洗流程，组织可以识别和纠正数据质量问题，确保数据可靠可信。 数据安全性：数据治理确保数据的安全性，防止未经授权的访问、数据泄露和恶意攻击。这包括制定访问控制策略、加密数据传输、建立安全审计和监控机制等，以保护数据的保密性和完整性。 数据合规性：数据治理确保组织遵守适用的法规、法律和行业标准。这可能涉及到数据隐私法规、数据保护法规和行业规范等方面。通过建立合规策略、数据使用政策和合规审计，组织可以确保数据的合规性，减少法律和合规风险。 数据管理：数据治理涉及数据的管理和规划，包括数据分类、数据识别和数据标准化。这有助于建立一致的数据词汇、数据模型和数据分类体系，提高数据的可管理性和可理解性。 四、结语 简而言之，数据底层建设包括数据采集、数据集成和数据治理三个主要部分。数据采集是获取来自不同渠道的数据，为后续的分析提供基础。数据集成将分散的数据整合成一个统一的数据视图，确保数据的一致性和准确性。而数据治理则是确保数据的高质量和有效使用，如同企业的数据管家，制定规则和措施，管理数据的质量、安全性和合规性。 通过深入了解数据底层建设的三个方面，我们意识到这是实现数据中台成功的不可或缺的基石。只有在这个坚实的基础上，企业才能更加顺利地进行数据中台的建设和发展。让我们共同努力，为企业数据的高效管理和充分利用搭建起坚实的桥梁，推动整个IT领域的不断创新与发展。 帆软FineDataLink——中国领先的低代码/高时效数据集成产品，能够为企业提供一站式的数据服务，通过快速连接、高时效融合多种数据，提供低代码Data API敏捷发布平台，帮助企业解决数据孤岛难题，有效提升企业数据价值。

前段时间跟几位IT界的朋友聊天，谈到了IT人员用业务语言阐述技术概念的重要性，感同身受。回来梳理思路，撰万字长文一篇。 正文开始前，先给大家推荐一个《企业数字化人才实践研究报告》，资料中重点提到的数字人才“育、引、留、用”等专项行动，以及提出“规划人才 -培育人才 - 善用人才 - 保留人才”的数字人才建设框架。感兴趣的小伙伴千万不要错过！扫描下方二维码或点击阅读原文链接即可下载完整PDF！ 引言 想象这样一个场景 周五下午，公司季度会议室。张工，一位才华横溢的高级软件工程师，正在向公司高层汇报他团队最新开发的人工智能算法。他滔滔不绝地讲述着"深度学习模型"、"神经网络架构"和"数据优化流程"。然而，随着他深入技术细节，他注意到CEO的眼神逐渐变得茫然，CFO开始频繁查看手表，而CMO则完全低头专注于她的笔记本。 张工困惑不已。他花了几个月时间开发的这个突破性算法，为什么似乎没有人感兴趣？直到会议结束后，他的直属领导把他拉到一边，语重心长地说："张工，你的技术实力毋庸置疑。但是，你有没有想过用业务的语言来讲述你的工作？" 这个场景让我也深有感触。如何让非技术背景的决策者理解IT的工作价值，的确是我们常常面对的挑战。 业务语言的内涵 业务语言是一种将技术成果转化为商业价值的表达方式。它围绕企业目标和成果,让非技术决策者理解技术工作的价值。与技术语言相比,业务语言有以下特点: 关注点 技术语言侧重细节和过程 业务语言强调结果和价值 用词 技术语言多用专业术语 业务语言倾向通用词汇 表达重点 技术语言解释"如何做" 业务语言阐明"为什么做"和"带来什么好处" 举个例子，记得很多年前有一次，我们做了个易被策反用户模型，向领导汇报：“我们优化了模型，准确率从70%提升到90%。”领导若有所思，然后问我们市场部用了什么口径。 我回答：“市场部是这么提的，引入模型后，易策反用户的流失率从X%下降到了Y%......”这次领导眼前一亮，说就用这个口径。 为什么领导更青睐业务语言 设想你是公司高管,每天面临诸多决策。你会更愿意听到哪种汇报？ "我们用了React前端框架,配合SpringBoot后端,实现了高性能微服务架构。" "我们开发的新平台支持10万用户同时在线,预计能帮助下季度营业额增长20%,同时降低30%运营成本。" 第二种表达更能抓住领导注意力,原因如下 决策导向: 直接关联公司目标,助力明智决策。 时间效率: 让领导快速抓住要点。 跨部门沟通: 为不同部门提供共同语言。 价值体现: 清晰展示技术投资如何转化为商业价值。 使用业务语言并非完全抛弃技术细节,关键在于平衡,用业务价值框定技术内容,增强工作成果的说服力。 IT人员使用业务语言的重要性 增强理解与沟通 舒拉姆的"共同经验领域"理论为我们描绘了沟通的地图，如下所示。使用业务语言,就是在扩大这个重叠区域,为双方搭建沟通的桥梁。 那么，如何创造"共同语言"呢？以下是一些我的实践心得 学习"他方词典" 记得有一次，我在与市场部门合作时，听到他们谈论"降8"这个术语。起初我并不理解，后来才知道他们在讨论用户套餐档次降低到18,28,58该如何应对的事情，而不是某种技术指标。他们的意思是我们的模型必需去追踪这些套餐用户的变化才能评估市场的竞争形势情况。这让我意识到，花时间了解其他部门的专业术语，就像学习一门新语言，对于我们开展支撑工作非常重要。 建立语义桥梁 我曾经尝试将一些复杂的数据术语转化为更易理解的表达方式。例如，某次跟公司领导汇报，我就把"主数据"描述为"公司的核心业务对象"，这样不仅保留了技术本质，也能让领导知道我说的到底是啥。这种转换很有效，领导能更快地理解我想表达的意思。 主动解释术语 在使用技术术语时，我现在会主动提供尽量通俗易懂的解释。例如，当我提到"元数据"时，我会补充说："元数据就是描述数据的数据，比如业务口径，技术口径，大家的数据字典也是元数据。"这样一来，大家对元数据的理解就变得更加直观了。 运用类比和比喻 将复杂的技术概念比作日常生活中的事物也很有效。我常常将数据治理比作乐队的指挥，将数据管理比作演奏者。记得有一次，我跟领导汇报数据治理工作，开头就跟领导解释清楚概念："数据治理就像一个乐队的指挥，让大家演奏能步调一致，而演奏者干的是数据管理的事情，就是演奏出美妙的音乐。" 这样领导就很快明白了数据治理的内涵。 可视化沟通 一图胜千言。使用图表、流程图等直观地展示你的想法。例如，我习惯于用架构图来向同事表达我对系统的理解，大家一看图，就能立刻明白我的意思。 案例演示 "全球连接"科技公司决定升级核心业务系统,IT部门提出了涉及微服务架构、容器化和DevOps的方案。然而，当他们向其他部门介绍时，却遭遇了意想不到的冷遇。 市场部门一头雾水，人力资源部门担心新系统会增加员工负担，项目陷入僵局。IT部门主管张丽意识到问题所在，她组织团队重新包装了整个提案： （1）"微服务架构"被描述为"模块化业务功能"，强调这将使公司能更快响应市场变化。  （2）"容器化"被解释为"标准化业务流程的打包"，突出这将提高跨部门协作效率。 （3）"DevOps"被形容为"无缝业务功能交付"，强调这将加快新功能上线速度，提升客户满意度。 结果？演示获得热烈反响,项目很快获批,比原计划提前20%完成。公司整体运营效率在随后一年提高了15%。 要知道我们的"共同语言"策略是否有效，可以关注以下指标 跨部门会议的效率提升（例如，会议时间减少，但达成共识的速度加快） 项目误解和返工的减少比例 非IT部门对IT项目的满意度提升 IT项目按时完成率的提高 提高决策效率 经济学家乔治·阿克洛夫的信息不对称理论告诉我们，当交易双方拥有的信息不同时，可能导致决策效率低下，甚至市场失灵。 在公司中，IT门和管理层之间就存在这样的信息鸿沟 IT部门精通技术细节和可能性 管理层擅长整体业务战略和市场需求 使用业务语言，就像在这道鸿沟上搭建一座桥梁，让决策者能够快速理解技术项目的价值，从而做出明智而迅速的决策。 那么，如何用业务语言加速决策过程 聚焦关键业务指标（KPI） 不要让自己陷入技术细节的汪洋大海，而是要直指决策者最关心的问题。 记得有一次，我们讨论是否要引入一种新的数据管理平台。与其说"我们要引入新的数据稽核平台"，我更倾向于说："这个平台将使数据核对时间减少一半，XX等业务的数据一致性提升95%以上，跑冒漏滴的业务风险大幅降低。" 这样一说，大家立刻对这个管理平台的必要性有了更直观的理解。 构建"if-then"场景 帮助决策者清晰地看到不同选择的后果。 这让我想起以前考虑投资的数据地图，我们汇报时说："如果现在投资这个，那么在1年后，我们可以将端到端数据开放时间减少80%，从而提高数据流通效率；如果不投资，根据当前趋势，我们跨域数据开放的周期仍然要按周计，影响三域数据融合价值的发挥。" 这种对比让决策者更容易做出明智的选择。 量化风险与回报 用具体数字说话，但要确保这些数字与业务直接相关。 记得有次要决策是否投资城市实验室这个数据变现产品，然后下属跟我这么讲："城市实验室当前需要投资X万元，成功后，每年可为公司新增Y万收入，投资回报期为6个月，3年投资回报率预计为XX%。" 提供清晰的时间线 决策者需要知道何时能看到结果。 我习惯将项目分阶段描述，以数据一致性工作为例，当时这么汇报："数据一致性工作将分三个阶段实施： 3个月内完成3个业务专题的一致性治理，数据一致性率达到99.9%以上； 1年内完成将数据一致性范围拓展到四大业务领域，建立常态化运营机制； 3年内拓展至全业务范围，通过一致性治理进一步挖掘业务价值，改进业务流程，提升运营效率，降低经营风险。” 这样，领导对项目的推进有了明确的预期。 联系战略目标 展示你的项目如何支持公司的长期战略。 我看到公司滚规经常是这种措辞："这个XX平台不仅能解决我们当前的XX效率问题，更是支持公司'数据驱动决策'战略的关键一步，为我们在未来3-5年内成为行业领导者奠定基础。" 案例演示 随着用户激增，"未来金融"公司的后台系统开始力不从心。IT部门提出了一个大规模的系统重构计划，涉及微服务架构、容器化和自动化部署。 第一次汇报时，IT主管王强详细解释了Kubernetes、服务网格和CI/CD流水线。半小时过去，管理层一脸茫然，CFO直言不讳："听起来很厉害，但值得花这么多钱吗？" 项目陷入僵局。王强意识到需要改变策略，花了一周重新准备，这次从业务角度重新包装了提案： 1.首先点明当前痛点 高峰期交易延迟导致每月流失5%的潜在客户，年损失达1000万元。 2.用业务语言解释技术方案 "这就像把我们的'厨房'分成多个工作站。即使一个站出问题，其他站仍能正常工作，大大减少系统全面崩溃的风险。" "我们可以更快地'烹饪'新功能，将上线时间从月缩短到周，迅速响应市场需求。" 3.量化项目收益 系统响应速度提升70%，预计挽回90%的流失客户； 新功能上线时间从2个月缩短到2周； 系统维护成本降低40%； 3年内投资回报率(ROI)为200%。 4.提供清晰时间线 3个月：完成核心支付系统迁移，高峰期交易延迟降低50%； 6个月：全面系统迁移，新功能上线速度提升3倍； 1年：实现全面自动化，维护成本降低40%； 5.用一张简洁的商业价值流图，直观展示项目如何影响核心业务指标 结果如何？CEO称赞这是提升核心竞争力的关键举措，CFO对清晰的成本效益分析表示赞赏，市场部门看到了快速推出新功能的机会。 要评估业务语言在提高决策效率方面的效果，可以关注以下指标 IT项目审批时间的减少 获批项目的比例提升 决策会议的数量减少，但达成的决策质量提高 项目实施后的实际收益与预期的匹配度 明确IT的业务价值 迈克尔·波特的价值链分析理论，就像企业的"财富地图"。这个理论指出，企业的每个活动都应为最终的价值创造做出贡献。想象一条生产线： 原材料 → 加工 → 包装 → 营销 → 销售 → 客户服务 在这条链上，每个环节都应增加产品的价值。IT就像这条链上的"魔法润滑剂"，能让整个过程更快、更顺畅、更有效率。使用业务语言，就是要清晰地展示IT如何在这条价值链上创造和增加价值。 那么，如何量化IT的业务价值 绘制"价值地图" 首先，识别公司的关键业务流程和价值链。然后，明确展示IT项目如何优化这些流程或强化价值链的某个环节。 例如，我们曾引入了一个新的库存管理系统，减少了库存成本，同时提高产品可用性，最终增加销售额。 建立因果链 创建一个清晰的逻辑链，展示技术改进如何最终转化为业务价值。 例如：比如数据处理速度提升50% → 客户标签生成时间减少90% → 市场团队获得更及时的客户群 → 营销活动的及时性提升20%。 又比如服务器响应速度提升20% → 网页加载时间减少1秒 → 用户停留时间增加30秒 → 购物车转化率提高5% → 销售额增加100万元/月。 设计"价值仪表盘" 为每个IT项目创建一个简单的仪表盘，实时显示其对关键业务指标(KPI)的影响。这可以包括数据处理成本节省、收入增长、客户满意度提升等。 比如，我们为流程效能分析项目设计了一个仪表盘，实时显示流程改进对各部门业务指标的影响。 进行"前后对比" 通过对比项目实施前后的业务指标，直观地展示IT带来的变化。 例如，"新的数据地图实施后，我们的开放流程节点缩减了80%，O域数据平均开放时长从1个月缩短到2天。" 计算"技术投资回报率(ROI)" 不要只关注技术指标，要计算并展示IT投资的财务回报。 例如，"这个数据资源管理系统的投资是XX万元，但它每年可以节省XX万元的人力成本，投资回报率为150%。" 展示"战略协同" 说明IT项目如何支持公司的长期战略目标。 例如，"这个大数据分析平台不仅能提高我们的营销效率，更是支持公司'个性化客户服务'战略的关键基础设施，有助于我们在未来3年内将市场份额提升XX%。" 案例演示 "全球速递"是一家国际物流公司，在激烈的市场竞争中苦苦挣扎。IT部门提出了升级公司路径优化系统的计划。然而，在连续三年预算缩减的背景下，CFO对任何大额投资都持谨慎态度。 IT部门主管李敏决定用业务语言重新包装这个项目： 1.明确业务痛点 当前的配送延误率高达10%，导致客户满意度下降和大量赔偿支出。 2.量化当前损失 每年因延误的直接赔偿：500万元； 客户流失造成的收入损失：2000万元； 低效路径导致的额外燃料成本：1000万元。 3.技术方案与业务KPI的关联 机器学习算法将配送延误率从10%降低到3%； 实时交通数据集成使平均配送时间缩短15%； 智能路径规划减少20%的燃料消耗。 4.量化业务价值 赔偿金额减少80%，年节省400万元； 服务质量提升挽回60%流失客户，增加1200万元收入； 燃料成本下降20%，年节省200万元； 总体而言，项目每年为公司创造1800万元价值。 5.投资回报分析 项目总投资：500万元； 预计18个月内收回成本； 3年内总体投资回报率(ROI)为360%。 6.战略价值 为未来与电商平台集成奠定基础，开辟新的业务增长点； 提高公司的技术壁垒，增强市场竞争力； 数据分析能力的提升将帮助公司做出更明智的战略决策。 李敏的演示获得了管理层的热烈响应。CFO认为："这不仅仅是一个IT项目，而是一个提升公司核心竞争力的战略举措。"CEO决定将项目预算提高到700万元，以确保能够购买最佳设备。 要评估是否成功地展示了IT的业务价值，可以关注以下指标 IT预算增长率 IT项目与公司战略目标的一致性评分 高管对IT部门贡献的认可度 IT驱动的业务创新数量 IT项目产生的直接财务影响 促进跨部门协作 彼得·德鲁克曾说："未来的组织是由知识专家组成的交响乐团，每个人都在演奏自己的乐器，但音乐是共同的。" IT部门就像这个乐团中的"编曲师"，不仅要演奏好自己的部分，还要确保技术的"旋律"能与其他部门的"乐章"和谐共鸣。使用业务语言，就是IT部门打破隔阂、促进协作的关键工具。 那么，如何用业务语言架设跨部门协作的桥梁？ 创建"共同词典" 建立一个包含IT术语和对应业务解释的词典。 例如，我们构建了一本智典，将所有的数据目录和数据资源用业务化语言来表述，这样在数据地图开放数据数据时，每个用户都能快速找到自己所需的数据。这个智典是动态的，随着运营的进行不断更新。 建立"跨部门大使"计划 选派IT团队成员定期轮岗到其他部门，同时邀请其他部门人员来IT部门短期工作。这种"浸入式"体验可以大大增进相互理解。 比如，我们公司有到一线轮岗的人才站计划，每年省公司数据团队都会安排员工到地市市场、政企岗位去交流，回来后对市场需求的理解大大加深，开发的工具更容易贴合业务需求。 一位曾经的人才站交流员工回来就跟我讲，地市自建的业务模型更加有效，但需要省公司快速的数据响应，这让我深受启发。 组织"技术品酒会" 定期举办轻松愉快的跨部门聚会，IT部门在这里用通俗易懂的方式介绍新技术，就像品酒师介绍不同葡萄酒的特点一样。 比如，最近几年我在数据团队建立了每季度数据团队人员轮流下地市培训和调研的机制，有利于解决省市信息不对称的问题。 实施"共同KPI" 设立跨部门的共同绩效指标。 例如，公司信息安全部门和IT部门共同为"通过技术手段提高数据安全"负责，这样可以自然而然地促进协作。 以前做大数据变现的时候，IT部门和业务部门共担收入指标，这样大家合作的积极性就会高不少。 创造"虚拟项目空间" 使用协作工具创建虚拟的跨部门项目空间，让所有相关人员都能实时了解项目进展，分享想法，这里使用的语言应该是所有人都能理解的"通用语"。 案例演示 GIT是一家跨国科技公司，业务遍布20个国家。尽管拥有顶尖的IT团队，但长期以来，IT部门一直被视为"神秘而遥远的存在"。跨部门会议常常变成"鸡同鸭讲"的尴尬场面。 新上任的IT总监张丽决定彻底改变这种状况： 1."翻译官"团队：组建了一个由懂技术又懂业务的人才组成的"翻译官"团队，专门负责将技术语言转化为各部门都能理解的业务语言。 2."IT开放日"：每月举办"IT开放日"，邀请其他部门参观IT工作环境，用通俗易懂的方式介绍正在进行的项目。 3.跨部门创新工作坊：定期组织跨部门创新工作坊，让不同部门一起头脑风暴，探讨如何用技术解决业务问题。 4.改造项目沟通方式：在项目汇报中，不再只关注技术指标，而是强调业务价值。例如，"这个系统升级将使客户服务部门的响应速度提高30%，预计可以提升15%的客户满意度。" 5."IT大使"制度：选派IT团队成员作为"大使"嵌入到各个业务部门中工作一段时间，深入了解业务需求。 6.可视化数据看板：为每个部门开发直观的数据看板，用可视化方式展示IT项目如何影响他们的关键业绩指标(KPI)。 这些措施带来了显著变化 项目按时交付率从60%跃升到95%； 用户满意度提升了40%； IT部门收到的跨部门合作提议增加了300%； 公司整体运营效率提升了20%。 评估业务语言在促进跨部门协作方面的效果，可以关注以下指标 跨部门项目的数量和成功率 来自其他部门的IT项目满意度评分 IT部门参与的创新项目数量 跨部门会议的效率提升（如会议时间减少） 提升个人影响力 社会心理学家法国和拉文提出的"权力基础理论"中，有一种特殊的权力被称为"专家权力"。简而言之，当一个人被认为拥有特殊知识或技能时，他在组织中的影响力就会增加。 那么，如何用业务语言打造个人影响力 成为"双语专家" 不仅精通技术语言，还要熟练掌握业务语言。 例如，不要说"我们实现了XX%的数据准确性提升"，而要说"我们的数据准确性提升减少了业务决策的风险，预计每年可以避免约XX万元的潜在损失。"这样更能引起业务部门的共鸣。 讲述"技术故事" 将复杂的技术概念包装成引人入胜的故事。 例如，可以将数据安全系统比作城堡的防御系统，生动描述它如何抵御各种"入侵者"（黑客攻击）。 又比如我在公众号写了很多诠释数据专业概念的文章，目的就是降低大家学习数据管理和数据治理的门槛，其实也是在讲述自己的“技术故事”，如果文章总是曲高和寡，估计就没人看了。 展示"全局视野" 不要局限于技术细节，要展示你对公司整体战略的理解。 例如，"企业级数据治理体系不仅能提高我们的数据质量和流通效率，更是支撑我们'数据驱动决策'战略的关键一步，可以有效提升客户体验和企业运营效率，持续推动业务创新。" 这种全局视野能让决策者看到技术项目对公司的长远影响。 成为"问题终结者" 不要只指出问题，要主动提供解决方案。更重要的是，要用业务语言阐述解决方案的价值。 "这个安全漏洞如果不处理，可能导致数据泄露，造成高达XX万元的损失和严重的声誉危机。我们的解决方案只需投入XX万元，就能将风险降低XX%"。 建立"跨界联盟" 主动与其他部门建立联系，理解他们的需求和挑战。用他们的语言描述IT如何能帮助他们实现目标。这样你就从"IT人"变成了"业务伙伴"。 最近我们跟市场正在合作开发一款模型来应对市场竞争，我们会主动参与到市场关于业务策略讨论，提供对应的模型优化建议，而不仅仅是被动获取需求。 每周我会主动听取下属关于市场模型效果情况的回报，一起讨论如何根据市场的建议优化模型，我认为只有这样的数据合作方式才有资格叫作数据驱动业务。 最近自己团队两位成员被调去市场部负责标签，虽然舍不得，但还是觉得这种流动有利于与市场更深入紧密的合作。 创造"价值证明" 定期创建简洁的报告，用数据和图表展示你的工作为公司创造的实际价值。 例如，”我们创建了一个数据地图的可视化大屏，每次领导来参观，就会现场演示数据是如何高效流通的”。这种直观的展示形式让大家更容易看到我们的工作价值“。 案例演示 李明是"未来星"科技公司的一名系统工程师，负责公司的核心交易平台。虽然技术能力出众，但在公司工作五年来，他一直被视为"默默无闻的技术大牛"。 转机出现在公司的年度战略会议上。CEO提到公司面临的一个重大挑战：在保持系统稳定的同时，如何应对即将到来的"双11"购物节的流量高峰。 李明意识到这是一个展示自己的机会。他采取了一种全新的汇报方式： 1.展示业务洞察 "根据去年的数据分析，我们预计今年'双11'的峰值流量将比去年增加50%，可能达到每秒10万笔交易。如果系统无法承受，我们可能面临5000万元的潜在损失。" 2.提供全面解决方案 "我们的团队制定了一个三步走的策略来应对这个挑战： 短期：在现有架构上进行优化，将系统承载能力提升30%； 中期：引入云弹性伸缩技术，可以在峰值时刻自动增加200%的处理能力； 长期：重构整个架构，采用微服务设计，不仅能应对'双11'，还能支持未来5年的业务增长"。 3.量化投资回报 "这个方案的总投资是500万元。但它能帮我们避免5000万元的潜在损失，同时为未来5年的业务增长打下基础。投资回报率超过900%。" 4.展示跨部门价值 "这个方案不仅解决了技术挑战，还将给各个部门带来实际好处： 市场部门可以放心地投放更多广告，不用担心系统崩溃； 客服部门的工作量将减少50%，因为大多数问题都能被系统自动处理； 财务部门可以实时获取准确的销售数据，优化现金流管理"。 5.展现战略思维 "从长远来看，这个系统升级不仅是为了应对'双11'，更是在为公司向全球化、全渠道零售转型做准备。它将成为我们未来三年战略实施的技术基础。" 李明的汇报引起了高层的极大兴趣，不仅获得了项目的全权负责，还在项目成功后被提拔为公司的技术总监。更重要的是，他开始定期参与公司的战略决策会议，成为连接技术和业务的关键人物。 要评估你的个人影响力是否提升，可以关注以下指标 你的建议被采纳的频率 被邀请参与高层决策会议的次数 跨部门项目中的领导角色数量 其他部门主动寻求你意见的频率 职业发展速度（如晋升、加薪等） 如何提升使用业务语言的能力 1、培养深度技术理解 认知科学中的"专家-新手差异"理论指出，专家不仅知道"是什么"和"怎么做"，更理解"为什么"。这种深层次的理解使专家能够灵活运用知识，并用多种方式解释复杂概念。 用自己的语言把技术概念诠释清楚，体现了对技术本质的深刻认识。 实施步骤： 构建技术知识图谱，明确不同技术概念之间的关联。 深入研究核心技术领域的底层原理和设计思想。 参与具有挑战性的项目，将理论知识应用到实际问题中。 制定个人学习计划，定期学习新技术和更新已有知识。 实践技巧：尝试用简单的语言向非技术人员解释复杂的技术概念（"费曼技巧"），这有助于深化自己的理解，教是学习的高级阶段。 2、提升换位思考能力 心理学中的"心智理论"解释了人类理解和预测他人思维、情感和意图的能力。研究表明，高水平的心智理论与更好的沟通能力、社交技能和领导力相关。 换位思考是技术人员成长为管理者的第一隐藏技能。 实施步骤： 练习主动倾听，真正理解他人的观点和感受。 参与跨部门项目，深入了解其他部门的工作流程和挑战。 在表达技术方案前，尝试从不同角色（如CEO、CFO）的角度思考问题。  阅读商业、管理、心理学等跨领域的书籍和文章。 实践技巧：使用"三问法"：在表达想法前，问自己三个问题  听众最关心什么？ 这个信息对他们有什么价值？ 如何用他们的语言表达？ 3、学习公司的业务模式和战略目标 根据组织学习理论的创始人彼得·圣吉的研究,理解组织的整体运作对个人在组织中的成功至关重要。 当你不再对公司老板的工作报告置若罔闻，反而要去咬文嚼字的时候，我觉得你就走在了理解业务正确的道路上。 实施步骤： 仔细阅读公司的年度报告,关注CEO的战略陈述。 参加公司的全体会议,注意管理层强调的关键点。 研究公司的商业模式画布(Business Model Canvas),理解各个业务环节如何协同运作。 定期阅读行业报告,了解公司在市场中的定位。 实践技巧：每周花30分钟总结你了解到的公司战略信息,并思考IT如何支持这些战略。 4、培养商业敏锐度 哈佛商学院教授克莱顿·克里斯滕森(Clayton Christensen)的研究表明,具备商业敏锐度的员工更容易识别创新机会,为公司创造价值。 很多技术人员只有技术敏感度，缺乏商业敏感度，比如对于业务不感兴趣，对财务报表更加不屑一顾，这限制了其进步的空间。 实施步骤： 订阅并阅读行业报告、专业书籍和商业杂志，比如《哈佛商业评论》。 参加公司的各类商业案例分析讨论,学习如何从商业角度思考问题。 关注公司的财务报表,学会解读关键财务指标。 分析竞争对手的动向,思考技术如何影响市场竞争。 实践技巧：尝试每月写一篇短文,分析一个技术趋势对你所在行业的潜在影响。 5、参与跨部门项目 科学依据：社会学习理论的创始人阿尔伯特·班杜拉指出,通过观察和互动,人们可以有效地学习新的行为和技能。 我们永远无法获知认知以外的知识，不知道自己不知道是很残酷的，因此，只有多进行跨领域的沟通才能打破这个魔咒。 实施步骤： 主动请缨参与需要与其他部门合作的项目。 在项目中,注意观察其他部门如何描述他们的需求和目标。 尝试用非技术语言向项目成员解释IT解决方案。 积极参与项目会议,倾听并学习其他部门的工作方式。 实践技巧：在每个跨部门项目中,挑战自己学习5个新接触的业务流程或业务术语，并在日常工作中使用它们。 6、寻找导师指导 科学依据：研究表明,有效的导师关系可以显著提高职业技能和晋升机会。 我现在每次开周会都迫不及待的向大家“兜售”最近几年领悟的道理，比如抓管理到底是在抓什么。虽然说教大多时候没啥卵用，但一定对正在寻求进步的人有用。 实施步骤 寻找公司中既懂技术又擅长业务沟通的高级管理者作为导师。 定期与导师会面,请教如何更好地将技术价值转化为业务语言。 请导师点评你的项目报告,学习如何更有效地表达。 与导师讨论你对公司战略的理解,获取更深入的洞察。 实践技巧：每次与导师会面后,写下三个关键学习点并在下次会面前付诸实践。 7、实践与反馈循环 科学依据：心理学家安德斯·艾利克森的研究表明,"刻意练习"是提高任何技能的最有效方法。 当我第一次对着镜子演讲PPT的时候，我才知道自己是多么的丑陋和不知所措，这就是缺乏刻意练习的后果。 实施步骤： 在每次技术汇报前,先用业务语言概括你的主要观点。 主动向非技术背景的同事解释你的项目,并请他们提供反馈。 录制你的汇报视频,分析你使用业务语言的效果。 参加演讲俱乐部,练习用简洁有力的语言表达复杂概念。 实践技巧：建立一个"业务语言日记",记录你每天学到的新术语和表达方式,每周回顾并在工作中有意识地使用。 潜在的挑战和解决方案 当然IT专业人士在使用业务语言时也常常面临这样的困境:如何在保持技术准确性的同时，有效传达业务价值? 因为技术细节过多可能会让非技术听众感到困惑或失去兴趣，而过于简化可能会让技术听众质疑方案的可行性。 这里有四个方法供大家参考 分层次沟通 采用"金字塔原理",先说结论和业务影响,再逐层深入技术细节。 准备不同深度的说明,根据听众反应灵活调整。比如为每个技术点准备三个版本:高层概述,中层解释,和深入细节。 使用类比和可视化 将复杂的技术概念比喻为日常生活中的事物。 使用图表、流程图等视觉帮助来展示技术方案和业务影响。 数据驱动的价值展示 用具体的数字量化技术方案的业务影响。 展示关键性能指标(KPI)的预期改善。 情境化技术信息 将技术方案与具体的业务场景或挑战联系起来。 解释技术如何解决实际的业务问题。 总结 在IT世界中，代码可能是我们的母语，但业务语言才是我们与整个公司对话的桥梁。在企业的生态系统中，最终脱颖而出的大多不是技术最强的"专家"，而是能够与各个部门有效沟通的"全能选手"。这不仅是技能的提升，更是思维方式的转变。

为了辅助IT管理者进行IT建设，我们邀请了数十位企业CIO层级的人物，在研究了数百家龙头、腰部企业的IT建设后，耗时2个月，最终总结出了这份超大的《企业数字化IT建设地图》。 地图围绕技术和管理，共梳理了基础设施建设、数据底层建设、数据中台建设、企业BI建设四大模块知识，同时包括三大技术模块知识及六大管理模块知识。 地图展开尺寸970mm*630mm 希望这份《企业数字化IT建设地图》，能够帮助IT管理者搭建起完整的数字化IT从业者知识体系，帮助IT部门成功完成数字化时代的转型蜕变！ 本次活动一共印刷了600份送给大家，包邮到家，先到先得！活动还加送人称“行走的BI作战兵书”的《企业BI建设地图》书籍一本！ （等不及的朋友可以直接拉到文末领取）👇👇👇 如果你想知道这份《企业数字化IT建设地图》具体讲了什么，不妨继续往下看。 为什么你必须拥有这份地图？ 理由一：342个细分知识，构建数字化IT从业者知识体系 数字化转型涉及到的技术非常广泛，包括云计算、大数据、人工智能等等。并且数字化技术更新迭代很快，各种新概念层出不穷。 因此，作为IT管理者，必须时刻关注数字化新趋势和新技术，在团队内建立起数字化技术和知识体系，培养数字化人才，把技术这个最大优势不断强化扩大。毕竟，没有数字化技术就无法进行数字化转型。 这份地图围绕数字化技术和应用实践，全面搭建了数字化IT从业者知识体系，涵盖了从云计算、数据仓库到数据中台、数据治理等三大技术模块和六大管理模块，总计约342个细分知识点。 既有准确的技术梳理，又有精湛的理论概括，更有扎实的具体方法。通过这份地图，IT部门可以更好地了解数字化技术的发展趋势和应用方法，从而推动数字化转型。 理由二： 51个落地框架，覆盖企业IT建设规划全流程 数字化转型的必然性要求IT部门承担起新的使命，并对IT进行了重新定义。IT部门需要从传统的IT角色中跳出来，从运维中心转变为赋能中心。 IT管理者需要承担起数字化转型赋能者的责任，把数据作为重要抓手，确保IT战略规划对齐企业业务战略规划，从而进行企业数字化IT建设，做好业务赋能，让业务真正认可数字化的价值，重视起来，并用起来！ 这份地图围绕“数据底层建设→数据中台建设→企业BI建设”这一核心路径，共总结了51个落地框架，覆盖了包括数据集成建设、数据治理建设、数据仓库建设、大数据平台建设、数据中台建设、企业BI建设在内的企业IT建设全流程。 每个环节都有相应的指导和方法，帮助IT管理者系统地推进数据赋能业务，从而提升企业整体的数字化能力。 看到这里，你是不是心动了？既然如此，就赶快参加我们的活动吧！ 领取方式 💣双重福利一起送！！ 首先，这份地图包邮送到家！仅制作了600份，领完为止，先到先得！ 另外，参加活动还可额外领取只送不卖的《企业BI建设地图》实物一本！本书人称“行走的BI作战兵书”，围绕企业BI建设成功，共梳理了“顶层明确数据化价值、BI全周期项目规划、数仓技术盘点、业务价值应用、团队数据文化培养”5大模块知识，覆盖BI项目的各个阶段， 是CIO、CDO的不二之选！ 具体请看活动规则 扫描下方二维码关注商业智能研究公众号，后台发送关键词【IT】即可参加活动领取！

1.不同阶段企业数据分析应用特点 当前国内大多数企业都处于 起步企业及发展企业，一个好的BI项目能够释放大量的人力，节约时间成本，促进企业数据落地。 2.BI项目价值链 3.框架设计 这一部分的重点在于业务主体分析，即一个项目的着重点在于能否结合现有的业务，解决业务难点及痛点，让数据可视化，便于各分支进行业务管理。 4.项目核心要素归纳 项目的核心要素有三个： ①过程：各部门梳理各自所需的业务指标，搭建指标库。 ②输入：有BI工程师进行数据治理，包括ETL、数据仓库搭建、数仓建模等。 ③输出：针对现有的数据仓库分层，实现报表输出，只要指标搭建完善，能够实现很好的驾驶舱展示及报表数据展示、数据预警及监控。 5.BI项目调研步骤 项目开展时，业务指标的梳理是一个重点，但各部门的配合也尤为关键，需要分析出各自部门的主题思想，这样企业级驾驶舱才能构成。 6.数据治理思想（数据仓库分层） （离线）数据仓库的数据与原始数据是分离的，（离线）数据仓库的数据变动不会影响原始数据。 在这里需要了解数据仓库的分层目的： 空间换时间。通过建设多层次的数据模型供用户使用，避免用户直接使用操作型数据，可以更高效的访问数据。 把复杂问题简单化。讲一个复杂的任务分解成多个步骤来完成，每一层只处理单一的步骤，比较简单和容易理解。而且便于维护数据的准确性，当数据出现问题之后，可以不用修复所有的数据，只需要从有问题的步骤开始修复。 便于处理业务的变化。随着业务的变化，只需要调整底层的数据，对应用层对业务的调整零感知。 7.BI项目金字塔模型 8.分析全景图 体系梳理设计企业业务的方方面面，销售体系和财务体系可能具有相似处。 9.BI项目技术架构 技术实现的架构： 当前主流的架构基于企业已上线的系统数据量，数据量不是特别大的，数据仓库会使用关系型数据库作为数据仓库（oracle、sqlserver等），ETL使用Kettle等开源工具。另一种是数据量大的，会使用MPP架构，Hadoop+hive+sqoop 进行整体实现。 10.项目带来的效益 1. 建设数据仓库 ，推动数据资产共享 打通从数据源到场景应用、数据挖掘的转化通道，以数字化方式解决经营、项目业务开展过程中的诸多难题，并将经营数据资产应用到集团全体。在此过程中，通过积累系统建设方法论、管理流程、人才队伍、项目实施等经验，为未来逐步深化应用到集团的各个业务板块，实现集团各业务的健康发展夯实基础 2. 减少人工统计数据，降本提效 利用数据分析系统，实现绩效KPI和管理方法的全面实时管控与信息传递，增加服务的质量与可控性，同时减少人工处理的工作，缩短信息统计分析周期，快速响应快速分析问题和绩效结果。 3. 提升业务数字化管理能力，建立数据分析能力 提供面向集团管理层、业务领导、业务人员的多层级的数字化信息看板，利用标准的指标描述，统一的数据口径，在发现问题，追溯问题，定位问题，解决问题过程中，各层级始终以数字化描述，提升集团整体业务数字化管理能力，也将提高业务人员数据处理效率和数据多维度分析能力，增强主管部门的数据应用与分析能力，从而为经营决策提供新的手段。 4. 基于数据进行科学决策 通过数据整合、统一口径等手段，将有效提升数据准确度、完善度、标准度，利用各业务系统数据关联后的二次开发，将实现经营状况数字化分析，通过多终端、多场景的数据应用，提升指挥调度、应急响应能力。 同时数据的统一管理，将有效加强集团管控力度，通过建立“用数据说话、用数据管理、用数据决策”的管理机制，有效防范业务运行风险，为推进经营过程、项目管理业务治理能力数字化进程提供有力支撑。

随着银行行业数字化转型进入深水区，国有大型银行、股份制银行、城商行、农商行以及互联网银行都在积极探索适合自身的转型路径。银行业务的线上化和现代化已成为银行业的大势所趋。 本文将深入剖析银行行业数字化转型的趋势和面临的挑战，探讨商业银行如何通过组织级敏捷转型，实现数字化成熟度的提升，以应对不断变化的市场环境。 开始之前给大家分享一份《银行数据应用建设方案》，本方案提出了一套农商行数据平台建设方案，通过整合分散的数据来源、统一数据口径、提升数据质量、构建统一报表平台、领导决策平台、移动端工作台以及自助分析平台，来解决数据应用中存在的问题，如数据来源繁杂、数据口径不一致、数据可信度低、时效性差、共享困难和数据分析能力弱等。感兴趣的小伙伴，扫描下方二维码或点击文末阅读原文链接下载完整PDF！ 银行行业数字化转型的趋势 从总体情况来说，早在十年前，国有大型银行便开始了数字化转型工作，目前也已进入2.0阶段。股份制银行实现了从银行视角向客户视角的转变，致力于构建轻型银行。而城商行和农商行等中小银行仍处于起步探索阶段，面对传统地域优势的消失，迫切需要通过数字化转型建立差异化的竞争力。互联网银行作为数字原生银行，是数字化转型的主力军。 我们可以发现，银行业在数字化转型方面的显著特征就是投入持续加大，根据去年的年度报告，国有六大行的金融科技投入总额达到了1200多亿元，平均每家银行超过200亿元。具体来说，可以总结出以下三大转型趋势： 1、企业架构与云技术的深化应用 银行正深化应用企业架构方法，推动云计算技术的全面转型。例如，招商银行实现了全面上云，而工商银行和建设银行在云化方面也取得了显著进展，这标志着银行业务流程和IT架构的现代化。 2、银行场景的全面云化与数字普惠 数字支付和APP模式正逐渐取代传统现金和线下网点，90%以上的银行业务已线上化。同时，数字普惠金融迅速发展，通过用户画像实现信用贷款，为用户提供了更便捷的银行服务。 3、数字货币推广与数据要素探索 数字人民币试点范围不断扩大，数字货币的应用正在推广。同时，银行积极探索数据要素的金融创新，如数据资产抵押贷款，尽管数据资产的确权和评估仍面临挑战，但这标志着银行在数据驱动的金融创新方面迈出了重要步伐。 总的来说，银行数字化转型正通过深化企业架构方法和云计算技术的应用，实现业务流程的优化和效率提升。同时，随着数字支付和APP模式的普及，以及数字普惠金融、数字货币和数据要素的快速发展，业务服务的可及性和便捷性得到了显著增强，为用户带来了更加丰富和便捷的银行体验。这些趋势不仅推动了银行业务的线上化和现代化，也为银行行业的创新和可持续发展奠定了坚实的基础。 银行行业数字化转型面临的挑战 不过，经过多年的数字化转型历程，银行行业目前仍面临着若干挑战。这些挑战主要体现在以下几个方面： 1、战略规划与共识缺失 银行的数字化转型需要从战略层面进行明确规划，确保全行上下对转型的目标和路径有共同的认识和承诺。当前，许多银行的管理层、业务部门和科技部门之间缺乏有效的沟通和协作，导致对数字化转型的认识和实施策略存在分歧。这种分歧不仅阻碍了转型的进程，也影响了转型的效果。因此，银行需要建立一个跨部门的协调机制，确保从高层到基层员工都能理解数字化转型的重要性，并在各自的岗位上为实现这一目标做出贡献。此外，银行还需要定期评估和调整战略规划，以适应不断变化的市场和技术环境。 2、数字化认知与实施不足 数字化转型不仅仅是技术的升级，更是一种全新的业务模式和思维方式。许多银行在数字化转型过程中，仍然停留在表面的层次，如仅仅开发一个手机APP或将传统业务简单地迁移到线上。这种做法往往无法真正提高用户体验和业务效率。银行需要深入理解数字化的内涵，采用互联网思维，从用户需求出发，设计和提供更加个性化、便捷的服务。同时，银行还需要利用大数据、人工智能等先进技术，对产品和服务进行深度创新，以满足市场的新需求和挑战。 3、核心人才与技术挑战 数字化转型需要大量的专业人才，包括数据科学家、产品经理、用户体验设计师等。然而，许多银行特别是中小银行，由于地理位置、薪酬水平等因素，难以吸引和留住这些高端人才。人才的短缺直接影响了银行的技术创新和业务发展。为了解决这一问题，银行需要采取多种措施，如提供有竞争力的薪酬福利、建立良好的职业发展路径、加强与高校和科研机构的合作等，以吸引和培养更多的数字化人才。同时，银行还需要加强内部培训，提高员工的数字技能和创新能力。   4、数据治理与合规风险 数据是数字化转型的核心资源，但许多银行在数据治理方面存在诸多挑战，如数据质量不高、数据孤岛现象严重、数据安全和隐私保护不足等。这些问题不仅影响了银行的业务决策和风险管理，也可能导致合规风险。因此，银行需要建立完善的数据治理体系，包括数据标准、数据质量、数据安全等方面的规范和流程。同时，银行还需要加强与监管机构的沟通和合作，确保数字化转型符合监管要求，防范合规风险。此外，银行还需要关注新兴技术如区块链、人工智能等在数据治理中的应用，以提高数据治理的效率和效果。 数字化转型不仅是技术层面的改革，更是组织文化和制度的全方位转变。银行业需认识到转型的长期性和复杂性，制定清晰的战略规划，建立有效的组织架构和流程，培养支持数字化的企业文化，以实现持续的转型和发展。 数字化转型的成功之道——组织级敏捷 1、什么是组织级敏捷? 商业银行的数字化转型目标是将传统银行转变为数字银行，具有敏捷创新和快速响应市场需求的能力。 但是，要实现业务变革和价值创新，不能仅依赖技术本身，而是需要从全行战略的高度推动整个组织的转型。尤其是在当前这个充满变化和不确定性的时代背景下，商业银行若要实现转型，就必须摒弃过去传统的、职能割裂式的组织结构，向能够适应快速变化的开放式、进化型的敏捷组织演进。 可以说，银行行业数字化转型的成功之道在于让整个组织在业务与科技的深度融合中实现全面的敏捷。全组织的敏捷转型实际上是商业银行组织结构和运作方式的一次根本性变革。敏捷转型与数字化转型其实是数字时代里面商业银行的一体两面，敏捷转型能够助力和加速数字化转型，而数字化转型能更好体现组织敏捷转型的效果。敏捷转型和数字化转型好比是两个飞轮，可以为商业银行带来倍增的效应。 那么，商业银行要如何开展组织的敏捷转型过程呢？ 帆软是国内领先的数据软件服务商，深耕数字行业十八年，能够依托于自身数字化产品，为各行业企业提供数字化转型解决方案。帆软通过行业成熟数据工具+多年消费行业经验沉淀，提出可以从三个方面入手，在商业银行内部形成组织级的敏捷，加速数字化转型。 2、如何实现组织级敏捷？ 建立敏捷型的组织结构 例如，可以构建类似部落制的团队和组织结构。这些敏捷团队由跨职能人员组成，负责产品的业务、科技和数据等相关工作，并对产品的成功与否负责。敏捷团队应具备一定的自主性，能够根据环境变化和业务运行情况快速做出决策。例如，某家互联网银行实施了IT双限制管理，前端业务部门配备相应的科技团队，以支持业务的快速变化，而科技部门本身提供平台性的整体支持，实现敏态和稳态的各自运行和相互配合，从而达到业务的敏捷性。 建立敏捷的企业文化 企业文化的建立必须深入员工的思想和意识之中，并融入他们的日常工作。员工的工作方式也应与企业文化相一致。改变企业文化需要持续的引导和培养。例如，互联网银行倡导简单、激情、高效的企业文化，并推崇”六能”文化，即干部能上能下，人才能进能出，工资能涨能降。这种文化要求员工有很强的危机感，促使他们走出舒适区，实现高绩效的工作方式。 建立与敏捷转型相配套的考核机制 可以借鉴互联网公司的OKR（Objectives and Key Results，目标与关键成果）方法，为每个敏捷团队制定目标（O）和关键成果（KR），确保业务目标的实现。在制定OKR时，还需考虑不同团队间的协作，以推动整个组织朝着更大的目标努力。 3、敏捷转型过程的阶段 敏捷转型在商业银行中通常经历以下几个阶段： 团队敏捷：这是敏捷转型的起始阶段，主要关注科技团队在研发交付方面的能力提升。此阶段通常与DevOps实践相结合，通过采用敏捷方法和工具，提高团队的交付速度和质量。 科技敏捷：在团队敏捷的基础上，科技敏捷阶段扩展到整个科技组织的敏捷性。这包括统一流程、规范和工具，以提高科技效能和响应速度，确保科技团队能够快速适应变化并支持业务需求。 业务敏捷：此阶段强调业务与科技的深度融合，实现业务线和产品线的打通。业务和科技人员组成跨功能团队，共同工作以快速响应市场和业务变化，实现从产品需求到市场推出的整个流程的敏捷性。 组织敏捷：最高阶段的敏捷转型不仅涉及业务和科技层面，还包括战略规划、绩效考核、激励机制和预算管理等组织运营的各个方面。组织敏捷要求全组织范围内的敏捷实践，以全面支持业务和科技的敏捷性，实现组织的灵活适应和持续创新。 通过这些阶段的逐步实施，商业银行能够实现敏捷转型，提高整体的运营效率和市场竞争力，最终达到预期的业务成效和组织目标。 商业银行如何对自身数字化成熟度进行评估？ 1、为什么要进行数字化成熟度评估？ 在商业银行的数字化过程中，需要及时对当前成熟度进行评估，明确短板和差距，然后制定并执行能力提升计划，形成一个闭环的持续评估和改进过程，直至银行完全实现数字化转型。一个专业的数字化成熟度评估模型在这一过程中十分必要。通过这种评估，银行可以从不同角度获得价值： 2、帆软商业银行数字化成熟度评估模型 值得一提的是，帆软将监管机构的指导意见作为重要输入，同时融入百信银行在数字普惠金融方面的实践经验，采用TOGAF企业架构框架，以能力为中心设计评估框架，以业务架构作为评估范围，构建了一个标准、专业的商业银行数字化成熟度评估模型。 评估模型核心理念 评估模型的核心理念是商业银行数字化价值空间，也称为Bank digital Mesh，它由数字化能力、商业银行业务线和价值链三个维度构成，共同形成一个立体交叉纵横的网络。以数字化能力赋能实现业务能力的数字化业务架构就是业务能力框架，数字化能力增长会为业务能力打开数字化的价值空间。数字化能力越强，业务领域能够发挥的数字化的价值也越大。 评估模型体系架构 这个模型中，首先，在评估对象方面，将数字化能力分为一级能力和二级能力，一级能力由多个二级能力构成。其次，在评估手段方面，提供了五级成熟度的定性评估和一些量化指标的定量评估。基于这些评估，可以形成企业的数字化画像，分析银行当前的位置，并进行差距分析，制定相应的改进计划。 具体来说，评估模型从7项一级能力、29项二级能力对商业银行进行评估，并对这些数字化能力进行了5级成熟度的区分，包括初始级、探索级、行程级、优化级和成熟级。 通过利用帆软数字化成熟度评估模型，可以为商业银行进行差距分析并提出改进建议。此模型不仅评估银行整体或特定业务领域的数字化水平，还能比较不同银行的成熟度，揭示如数据和智能能力等关键领域的提升空间，为银行提供定制化的数字化转型策略。 总结 银行行业数字化转型是一场深刻的变革，它不仅关乎技术的升级，更涉及业务模式、组织文化和战略思维的全面革新。通过构建组织级敏捷，商业银行能够更好地适应数字经济的要求，提升服务效率，增强风险管理能力，最终实现数字化转型和高质量发展。 帆软软件深耕数字行业，能够基于强大的底层数据仓库与数据集成技术，为企业梳理指标体系，建立全面、便捷、直观的经营、财务、绩效、风险和监管一体化的报表系统与数据分析平台，并为各业务部门人员及领导提供PC端、移动端等可视化大屏查看方式，有效提高工作效率与需求响应速度。若银行行业感兴趣的小伙伴，可以扫描下方二维码咨询更多银行数据化的方案！ 扫描二维码咨询更多银行数据化方案

在当下数据驱动的商业环境中，企业如何有效地管理和利用数据已成为竞争的关键。选择合适的数据仓库架构是确保企业快速、准确、高效地处理和分析数据的基础，不仅能提高数据分析的效率，还能帮助企业洞察业务趋势，优化运营决策，最终实现数据资产的最大化利用。 然而，面对市场上众多的数据仓库架构，企业如何做出合适的选择，确保其适合自身发展阶段？ 本文将深入探讨不同数据仓库架构之间的异同，提供选择数据仓库架构的实用建议，助力企业搭建强大、可靠的数据支撑平台，让企业在数字化转型的道路上更加稳健前行，发掘数据的无限潜力。 开始之前给大家分享一份《数据仓库建设解决方案》，包含了数仓的技术架构、数仓建设关键动作、数仓载体/工具、配置参考、大数据场景支撑案例等内容。感兴趣的小伙伴，扫描下方二维码或点击文末阅读原文链接下载完整PDF！ 数据仓库是什么？ 数据仓库（Data Warehouse）是一种专门设计用于支持企业决策制定的数据库系统。它能根据企业的特性进行个性化搭建，旨在为企业业务决策提供强大的数据支撑。数据仓库通常由数据库、ETL工具、数据库管理工具和建模工具等部分组成，这些工具协同工作，实现数据的存储、集成、管理和建模等功能。 作为专门用于支持企业决策的数据库，数据仓库具有集成性、时效性、持久性和强分析性。通过集成不同来源的数据，数据仓库能为企业提供信息的全局视图，能够实现数据的统一整合与高效利用，并为企业决策提供强大的数据支撑。它是企业信息化建设的重要一环，在支持企业决策、打破数据孤岛、提高跨部门协作效率等方面发挥着重要作用。 然而，值得注意的是，企业应根据自身的发展阶段和实际需求来制定数据建设策略。接下来，我们就一起来分析常见的几种数据仓库架构的异同，探讨企业如何选择适合自身发展阶段的数据仓库架构。 数据仓库包含哪几种架构？ 目前，常见的数据仓库架构包括数据集市架构、集中式架构、Lambda架构和Kappa架构。 1、数据集市架构 在企业信息化建设的过程中，为了高效支持多样化的业务主题，我们常常会面临选择独立的数据集市架构还是集中式架构的决策。独立的数据集市架构，顾名思义，是根据企业内部的特定业务系统来构建的小型数据仓库。这种架构的优势在于它能够快速响应单一业务系统的数据需求。数据集市的规模较小，建设周期短，易于维护，且通常具有快速查询的特点，它可以提高查询效率，降低成本，并提供更细粒度的数据访问控制 不过，随着企业规模的扩大和业务系统的增多，如OA、PPI、ML、PLM、WS等系统的引入，业务之间的数据交互变得日益复杂，数据孤岛现象逐渐显现，此时，独立的数据集市架构便显得力不从心。 2、集中式架构 为了打破数据孤岛，实现数据的高效共享和统一管理，集中式架构应运而生。集中式架构通过将企业内所有业务系统的数据集中到一个统一的数据仓库中，不仅简化了数据出口，实现了数据的“输出一口”，还统一了不同业务系统的数据口径和标准，为数据治理和管理提供了极大的便利。在集中式架构下，企业可以更容易地进行跨业务的数据分析和关联，为全局业务决策提供强有力的数据支持。 3、Lambda架构 为了进一步满足企业对实时数据的需求，Lambda架构被提出。Lambda架构通过结合离线计算和实时计算两种方式，批处理层负责存储全量数据并进行预查询，而速度层负责处理增量数据以提供实时结果。服务层将批量结果和实时结果合并以响应用户查询。Lambda架构能够实现对实时数据的快速响应的同时，保证数据的准确性和全面性。 4、Kappa架构 Kappa架构则是在Lambda架构的基础上进一步简化，它没有Lambda架构的批处理层，使用单一的流处理层来处理实时和历史数据，也就是通过流式处理系统实现整个流程。将实时和离线计算的代码统一起来，提高了系统的维护性和时效性。Kappa架构简单、易于维护，并且能够提供快速的数据处理能力。 需要注意的是，Lambda架构和Kappa架构对技术的要求较高，成本也相对较高，因此并不是所有企业都适合采用。 了解了上述数据仓库架构的异同，企业又该如何选择呢？ 企业应该如何选择数据仓库架构？ 事实上，企业应根据自身的发展阶段和实际需求来制定数据建设策略，在选择架构时应考虑以下因素： 数据的规模和增长率 实时处理的需求程度 系统的可维护性和扩展性 技术团队的专业能力和资源 成本效益分析 在信息化建设初期，企业可以通过直读数据库的方式快速应用数据资源。随着业务的发展和数据量的增长，企业可以逐步引入中间库等过渡性解决方案来提升数据应用效率。当业务需求进一步增多且数据整合难度加大时，企业可以考虑建设完整的数据仓库来满足更高层次的数据应用需求。 对于大多数企业来说，传统的集中式数仓架构或离线大数据架构仍然是更为实际和可行的选择。这种架构通常由四层组成：异构数据源层、数据采集和计算层、数据中心层、数据应用层。异构数据源层负责汇集企业内各种类型的数据源；数据采集和计算层则提供离线和实时同步机制，将原始数据转化为可应用的数据；数据中心层作为数据存储的核心，提供数据连接服务；而数据应用层则支持各种数据应用，如BI、数据分析等，帮助企业进行业务决策和探索分析。 总结 总的来说，企业在选择数仓架构时，应根据自身的实际情况和业务需求进行综合考虑。不必盲目追求最新的技术或最复杂的架构，而应选择最适合自己的方案，以确保数据的有效管理和高效利用。同时，随着技术的不断发展和业务的不断变化，企业也需要不断调整和优化数仓架构，以适应新的需求和挑战。 帆软软件深耕数字行业，能够基于强大的底层数据仓库与数据集成技术，为企业梳理指标体系，建立全面、便捷、直观的经营、财务、绩效、风险和监管一体化的报表系统与数据分析平台，并为各业务部门人员及领导提供PC端、移动端等可视化大屏查看方式，有效提高工作效率与需求响应速度。

RETAIN 保留人才 了解数字人才的诉求：不只是薪酬 企业为了实现数字人才的更高留存率，首先应该树立“以人才为中心”的思想，像关注客户一样去关注人才，充分理解人才的诉求。通过对多位客户企业的调研，帆软数据应用研究院发现薪资水平和职业发展前景等因素影响着部分数字人才的去留决策。具体而言，对于在职场已有一些工作年限的数字人才前辈而言，令人满意的薪资水平是影响他们择业的首要因素，其他因素分别是职业发展前景和晋升空间、合理的绩效考核和评估标准、工作环境和工作节奏、工作内容的价值等。对于职场经历不丰富（工作年限小于等于3年）的数字人才新人而言，职业发展前景和晋升空间是他们首要考虑的择业因素，其次分别是令人满意的薪资水平、合理的绩效考核和评估标准、个人技能提升、工作内容的价值等。 因此，我们认为企业为了提升数字人才的留存率，必须首先搭建一个适合数字人才的评估体系，并以该评估体系为基座，建立包含人才薪酬激励和表彰激励在内的激励机制，以及包含管理序列和专家序列在内的双序列职业发展通道。 保留数字人才：建立数字人才评估体系基座 企业的数字人才不同于传统的业务人才和IT人才，他们融合了技术与业务，传统的人才评估体系缺乏多维度的评判标准，因此无法准确地衡量数字人才的能力提升和绩效表现，导致人才的能力和潜力得不到充分利用。企业应根据自身情况，设计涵盖业务实践和数字技能等多维度的科学的数字人才综合评价体系，以满足后续人才激励及职级晋升的评判需求。 案例：中国海洋石油集团有限公司财务共享服务中心--多维度的数字人才评价体系（数据生产力大赛节选） 财务共享中心自主研发了一套多维度的数字人才综合评价体系，可根据人才分数判断一个人数据应用能力的强弱，根据人才类型判断一个人与岗位的适配程度，提高识人辨人的精准度。关于评价体系指标的构建，财务共享中心将评估指标细化到了多个层级：一级指标包括技能类和业务实践类。二级指标包括数据加工与处理能力、数据可视化能力、数据治理能力、数据综合能力、数据应用能力，若一个人同时具备这五种能力，则称他为全能型数字人才。 截至2023年，财务共享中心已有409人通过数字人才综合评价体系完成评价认证，约占共享中心全体员工的50%。该体系为共享中心后续对数字人才的绩效考核、薪酬激励、能力培训、职级晋升等起到了关键的支撑作用。 保留数字人才：建立数字人才激励机制 提供有竞争力的薪酬及其他财务激励 薪酬激励仍然是影响国内数字人才择业选择的重要因素之一。企业应当为关键数字人才提供具有竞争力的薪酬和福利待遇，并通过其他财务相关的激励，特别是项目制分红的方式来留住他们。 案例1：东亚银行（中国）有限公司--为数字人才提供市场化的薪资 东亚银行（中国）有限公司（以下简称东亚中国）秉承着“数字发展，人才先行”的理念，牵头打造了首家外资银行数字人才培养品牌——“数赢”项目，并对人才激励机制进行了创新。东亚中国对数字人才的市场平均待遇进行了全面调研，为他们提供市场化的薪资。同时东亚中国还通过引入项目制的分红激励模式设置了差异化的薪酬结构，保证关键数字人才的高留存率。 建立对数字人才的表彰机制 除了薪酬福利待遇，数字人才也非常重视自己工作的意义和价值实现，这种对工作意义和价值的追寻是数字人才内驱的关键，也是影响他们去留的重要因素之一。企业应该设计一些正向的公开表彰机制，通过表彰让数字人才感受到自身知识和技能的被尊重和认可，让他们寻找到自己在工作中的价值所在，进而主动愿意留在企业内。 案例2：山东高速济宁发展有限公司--建立突出贡献奖评选机制 山东高速济宁发展有限公司建立了公司内部的突出贡献奖评选机制，对于为公司数字化做出突出贡献的团体和个人给予相应的表彰和物质奖励。2023年公司授予3人创新能手的称号，授予6人优秀工作者的称号，鼓励他们继续为公司的数字化转型做出更大贡献。 案例3：海发宝诚融资租赁有限公司--举办年度评优表彰会 海发宝诚会定期举办“璀璨星海”年度评优表彰会。公司搭建人尽其才的舞台，通过一年一度的公司年度评优表彰会，表彰数字人才的突出贡献，激发数字人才的创新精神、工匠精神，充分调动人才创新的积极性。 保留数字人才：建立数字人才职业发展通道 我们发现，企业通过投资数字人才的职业发展机会，有可能以一种长期可持续的方式预防他们的流失。相比之下，仅仅增加数字人才的薪酬只能暂时延缓他们的离职，并且这一发现在数字人才新人中更为明显。 因此我们认为，企业为了更好地留住数字人才，应该为他们设置两条平行的职业发展通道，包括传统的管理序列职业通道和非传统的以专业技术认证为考量的专家序列职业通道，并鼓励这两种序列间的相互流转。传统管理序列下人员的晋升是线性的，例如从员工到经理、部门主管、CXO等，每一级的晋升都带来了更高的头衔和更多的管理责任。 除了传统的管理序列的职业路径，企业可以打破职业发展和数字人才管理责任之间的传统联系，为他们单独设立一条平行的专家序列的职业路径，专家序列的职级晋升伴随着专业技术认证的获得，这种双序列的职业路径能帮助企业留住数字人才。企业设立专家序列并不是为了让数字人才埋头于自己的技术研究，恰恰相反，这样做的目的是为了让他们能够自由地参与到企业更多的关键项目中去，影响到更多的同事，把自己更多的时间精力投入到对企业的增长赋能而非对上下级的汇报和监管。 案例：东亚银行（中国）有限公司--设置以能力高低为核心评价维度的专家序列 东亚中国在数字人才的职业发展路径设计上有创新性的尝试。东亚中国基于“搭建行内专业认证体系，培养可持续数字人才”的理念，构建了全新的以数字人才专业能力高低为核心评价维度的专家职级体系，包括“数据分析DA、数字化产品经理DP、数据工程DS、数据治理DG”这四大专业序列，并下设初阶、进阶、高阶三个阶段，包含帆软FCA/FCP认证在内的“数赢”资格认证。东亚中国的专家职级序列设计突破了传统银行业的职级和岗位限制，对数字化专业团队的职业发展空间进行了全面的优化。 本文摘录于帆软最新《企业数字化人才实践研究报告》 本报告基于500+家客户调研，帆软数据应用研究院联合赛迪顾问，第一次就企业数字化人才建设发布研究报告，围绕“规划人才 -培育人才 - 善用人才 - 保留人才”的数字人才建设框架和优秀企业实践等进行全面的洞察。主要内容围绕： 当下企业数字人才定义是什么？包括哪些类别的数字人才？ 企业如何规划自身数字化人才？岗位及能力画像包括哪些？ 企业如何培育自身数字化人才？需要采取哪些的培养方法？ 企业如何发挥数字化人才价值？如何用好培养出来的人才？ 企业如何保留住数字化人才？想保留住人才需要关注什么？ 目前都有哪些优秀的企业数字化人才建设案例可以借鉴？ 扫描下方二维码即可下载完整PDF资料

大多数企业数字化转型已经取得初步成果，战略方向上基本明确，组织架构上有足够支撑，系统工具上基本完成建设。不过实际的转型效果依然参差不齐，不少机构仍然存在战略与执行脱节，取数难用数难，指标口径不统一，同名不同义等痛点。 究其原因，大多数的问题都在指标上，因为指标是监控与贯彻战略的抓手，取数、用数自然也是为了计算指标，口径不一等指标的痛点，自然也影响业务监测，进而导致战略与执行脱节。 因此，数据指标能否用得好，成为数字化转型的关键，本节将介绍数据指标在行业中的应用，重点围绕下面三点展开： 如何建体系：自上而下&自下而上相结合 介绍如何构建指标体系 指标体系设计框架已较为成熟，主要来源于企业战略自上而下的演绎，以及一线业务实操自下而上的归纳。基于这种设计方法，再加上底层应用和管理体系的支撑，共同构成了一个整体的经营分析的指标库。 整体的目标制定是基于公司的发展战略，如十四五战略规划、数字化转型规划等，分析战略实现的决定性因素，梳理指示实现价值的可测量数据，进而形成一级指标，或称北极星指标。 指标体系是按照自上而下演绎、自下而上归纳两个方法结合，多维多层指标框架是对整个业务板块指标的梳理，在每一个板块里面横向展开指标业务的维度，纵向基于整个指标的层级，从战略指标展开至经营管理指标、业务执行指标。指标体系梳理完毕，应用包括可视化、流程、用户交互等。指标的管理体系，需要基于管理制度、管理流程、组织职责。 自上而下的方法：基于企业自身业务战略 基于公司业务发展战略，通过企业价值树分解，梳理企业核心关键KPI，形成指标库。战略衔接需要通过核心指标拆解成为各个部门的承接指标，但是这些指标中的维度和口径之间会有区别，这些区别是整个指标体系设计里面需要重点关注的各项标准。这里需要引入“价值树”的概念，可以理解为战略分解的关键影响因素，可以拆分为不同层次的价值流，比如绿色工厂里面可能会分解为相应的供应链，供应链里面又可以分解成为不同的价值流，包括每个环节的响应效率、每个环节执行的质量健康度、基于时效和质量产生的对应成本等。其次，这些价值流在不同业务板块都有不同的呈现方式，需要根据价值驱动因素优先级进行排列，比如目前哪些部门里面的哪些对应的价值流是需要核心先关注的。 自上而下的演绎包括制定北极星指标、建立价值树和价值驱动因素优先级，逐步拆解形成指标。例如，提升客户活跃和留存的北极星指标，可以拆成增加客户留存、提升产品销售能力和提升审批效率等二级指标，再向下可以拆成增加客户留存、提升客户粘性、提升客户忠诚度、促进交易量等子指标。 这种自上而下演绎的方法论和传统指标体系建设方式存在一定差异，传统指标体系通常是拆解到维度，而这里则注重指标上下级之间的关联。在大指标出现异常的时候，会对其下的子指标进行分析，寻找原因，而不是单纯的只看大指标的维度。 自上而下演绎：以价值树方式逐层拆解指标示例 有了自上而下演绎得到的指标，为什么还要做自下而上的归纳呢？因为演绎过程中，可能为了追踪新的战略目标，而设置一些新指标，这些指标对一线业务来说是比较陌生的，因此还需要收集一线常用的指标并将其体系化，进行自下而上的归纳。两个方向相结合，形成最终的指标库。 自下而上的方法：基于企业现有指标体系 通过指标的收集、解析、整合和归类，形成指标库。也叫做归纳法，通过梳理企业现有的经营指标去归纳总结，形成相应的指标互补，最终形成一个多维、多层级、全场景覆盖的指标树。比如提升渠道能力，可能涉及很多指标，我们把各个渠道的，比如网银的、客户经理产能的指标都细分出来，归纳到体系中，形成一个结合业务维度和技术维度的全场景的指标体系框架。 指标在收集的过程中，一方面需要对一线的业务系统做收集，一方面要对当前日常汇报材料进行归纳汇总，包括定期复盘会、各级管理会议相应的资料，这些资料可以帮助去做整合归类，而整合中又会用到目前指标的业务维度、技术维度等。但是自下而上梳理的过程中，也存在不同部门之间可能会有重合指标的情况，而这些重合的指标甚至可能也会在对应口径上有出入。为了解决这种问题，最好的解决方式之一是设定业务的指标owner，不同业务的指标owner会帮助整个指标梳理的过程形成更好的聚合。 指标体系框架：多维度、多层级、全场景覆盖 案例1：供应链环节 具体的指标盘点主要包括七大步骤，即通过调研访谈梳理业务条线、场景，以及业务流程和过程，覆盖所有业务条线和场景、流程，形成原子指标，进而形成衍生指标。 以供应链的采购执行为例，采购执行可以分为对整个物料需求的拆解，到需求的下单，再到供应商的对接。采购执行环节包含了不同的流程，整个信息流里面会包含单据，所以这些流程和单据帮助企业构成了一个业务环节，这个业务环节所对应的原子指标同时也可以明确出其分析维度，比如供应商的维度、对应产品线的维度、不同财务科目的维度等，这些维度可以帮助企业去拆解出来KPI。基于这样的KPI，就可以明确出计算逻辑，最终通过平台落地。 最终形成一个图谱，涵盖所有的环节，可以看到每个环节中有多少指标。如果某个环节没有指标，就说明存在遗漏，需要针对性地去补充指标；而如果某个环节指标偏多，则可能是KPI导向或者存在重复指标。这样梳理出的图谱就会比较完整，并且是基于统一价值链的。 需要特别注意“补数据”动作，不同的业务板块里面可以拆解出来相应的业务环节，以及对业务环节拆解出相应的原子指标，但是同时企业也需要去注意采取主动或者被动的方式去补充相应的数据指标。比如供应链里面供应商的管理，需要去根据现在的系统做一个比照，包括供应商的降本、供应商的配额等，这样就可以帮助企业查看哪些数据已经覆盖，哪些数据还没有覆盖。 案例2：LTC环节 由上至下可以分成三层，决策层、管理层和执行层。 决策层关注的人均产值、销售收入、净利润、资金周转、销售订单的情况，再往下拆解就对应到业务环节里面，包括销售拜访、订单签订流程、发货出运的流程等等。这些流程构成管理层想要的核心指标，并拆解成具体的维度，比如产品、订单、销售业务、财务等。继续往下看，这些维度会涉及到执行层里面详细的一些指标的战略体系，基于指标体系在价值流的过程中可以梳理出多维的价值动因分析，再去对相应的问题进行拆解指标，解决问题。 举一个场景的案例，比如要对目前某个期间内订单下滑明显的行业，以及对应的客户进行定位，就先要对客户的类型、当前合同类型、延期提货、以及订单状态等生命状态去做相应的监控。要注意去观察是否在某个期间内有客户的价格是明显低于红线价的，依照LTC环节，分解出一个一个价值的动因。通过这样的方式，最终可以解决在业务环节中指标体系的完整性和业务问题。   形成指标库 指标定义，应包括业务属性、技术属性和管理属性，特别是属主部门非常关键，需要明确由哪个部门对该指标的定义负责，当指标数值出现偏差时谁负责修正，指标管理中的很多痛点都是源于属主部门没有定义清楚。 指标库分成三个视角去看，业务属性、技术属性以及管理属性 业务属性包括指标含义、指标业务口径、计算规则、统计区间以及相应的统计频率。 技术属性包括系统的字段名称、指标数值类型、指标的技术口径等。 管理属性包括指标分类和属主部门(指标的owner)。 招标全生命周期管理 指标体系建好之后，还要管理好。首先，需求收集流程要明确，即需求谁来提、谁来处理。指标的拆分创建流程，也要定义好各部门的职责。接下来，指标的审批、发布，后期的监控和失效归档，都需要建立相应的机制。譬如，某股份制银行的数据资产平台中存在6-7个AUM指标，无法明确该用哪个，所以只好再增加一个，如此下去就可能导致指标的无限增长，因此需要一套完善的体系对指标的使用进行监控、分析和管理。 指标管理角色的定义 分为指标的owner、指标落地的开发者，指标管理的维护者，指标的消费者。这些不同的管理角色可以对应到端到端的指标分解的流程（指标需求收集-指标拆分创建-指标发布应用-指标归档失效）中，以及管理制度中。 指标管理的第一步是进行指标需求的收集，需要对齐业务口径，数据初探以及梳理分歧/冗余指标。在整个指标全生命周期管理的过程中，需要每一个业务部门的高层牵头去做业务指标的定期优化改进，比如可以通过定期的复盘会的形式。 以经销商的运营分析体系为例 将战略指标进行拆解，对于经销商的覆盖率会下沉到对每一个三-六线城市进行分析；对于库存是要考虑每一个工厂、每一个基地，每一个城市的分仓/中心仓等等。对于这些维度进行运营动作的分析拆解，比如考虑城市内的门店覆盖率，必备单品的品规数，相应门店活动的投资金额、品牌的覆盖等等。以大区负责人的视角为例，本月预估是可以4个大区达成75%，但是其中的东区整体目标达成只有70%。在这种情况下，需要去关注这些变化来分析东区。同时，可以通过看中心仓/分仓，以及不同的区域和经销商来看目前必备单品/新品库存、畅销品库存的情况等。这些库存的情况一方面可以帮助企业指导经销商大力去推广哪些品类，另外一方面可以帮企业通过经销商的视角去预测。 如何建底层：贴源-明细-汇总-应用 指标来自于数据仓库和数据集市，底层数仓/集市是如何搭建的 数仓的标准结构包括ODS层、DWD层、DWS层、ADS层。目前很多企业在使用BI等数据应用的时候，数据直接由ODS对接到数据应用，缺少了中间各层的数据加工。应用层直接读取原始数据，由于明细数据量很大，会导致应用层很慢，不同的分析师从ODS从头按自己的理解加工，也会带来指标口径不一致的问题。因此企业一定要建数仓、建集市，一层一层地建设，最后通过ADS层来服务各类数据应用。 DWD层：主要做清洗和落标的工作，对于垃圾数据、脏数据、空数据、不符合码值的数据会统一在这层做清洗，统一标准。同时在该层做一些维度退化，把表适度做宽。最后是做数据脱敏的工作。 DWS层：即汇总层，将数据汇总成服务于某一主题的宽表，不面向特定应用。 汇总层：表需要满足通用性，原则上不跨主题域，并且要标明统计周期，因为不同域的时效性不一样，还要避免将不同层级的数据放在一起。 如果直接从底层数据取数，那么指标的逻辑会写在SQL中。例如授信余额这一指标，业务含义是在授信额度上减掉已用额度所剩下的额度，如果没有提前在汇总层中把授信余额计算好，每个人对指标含义的理解可能不同，就会导致不同系统算出来的授信余额不一样，可能带来超额授信等风险。出现指标差异，要去查底层逻辑也会非常耗时耗力。如果把授信余额口径提前在汇总层加工好，在指做指标时只需要筛选客户类型，然后选中授信余额，就可以出指标，这样业务部门就有了自己分析指标的基础，因此数仓的良好构建非常必要。 如何用指标：BI分析为主，多层次应用 构建好底层数仓和指标体系后，如何应用指标 指标主要用在BI分析，可分为4个层次，统计型、归因型、预测型、决策型 BI 分析是指标应用的主要场景，主要包括 4 种类型 第一种是统计型 即基于现在的数据做统计分析，了解现在的数据呈现怎样的特征，这是大多数客户使用BI的场景。 第二种是归因型 即了解为什么数据会呈现某种统计结果，是由哪些原因导致的，可以通过指标的维度分布查看，也可以通过下钻查看关联指标和子指标的情况。 第三种是预测型 即根据现有的数据去预测未来的趋势。现在通常的做法是通过一个项目来做，例如在金融行业里预测下个周期的不良率，或某个客户的投诉概率，在风险领域的建模，就是这样一个过程，很少能通过BI直接完成这个建模和预测的过程。当然目前有拖拉拽式的自助式建模分析平台，这是另一条技术路线。 第四种是决策型 现在能做到这一步的非常少，或者说这不是BI的定位。决策型是指当发现某业务的趋势后，直接通过接口把需要修正的业务通过API发送给业务系统进行修正，例如改一个开关功能、改限额、改属性等，整体是把BI的边界做得很大，这是不是BI的职责目前还没有定论。但这确实是指标分析的终极目标，即能够完成从分析、归因到改进的闭环，并且能够监控改进后的结果。 目前绝大多数BI都属于统计型，包括报表和大屏一类的可视化应用。 现有BI应用绝大部分属于统计型 随着人工智能技术近两年突飞猛进的发展，AI for BI 这个赛道最近又热了起来，AI 在统计型 BI 中，能帮用户做些什么呢？ AI在统计型BI的应用场景中,侧重输入标准化,引导客户思路 利用大模型的能力，可以通过问答的形式，给到一些原因的提示，如果输入的内容其他人已经输入过，或者在库里能够匹配到这些度量或者维度，系统会做一些提示，也可以帮助引导分析思路。分析出来后，产品会把整个的意图和分析过程展示出来，由用户确认分析路径是不是有问题，用户也可以在上面直接去改维度和分析的度量。这就是目前FineBI在尝试的问答BI产品。 此外,还可以拆解分析过程,启发用户思路 统计型BI更多的还是为你展示数据是什么样的，但不能告诉你为什么。基于这一问题，FineBI提供了数据解释的功能，可以初步完成归因和下钻。 帆软FineBI数据解释功能可以完成初步的归因和下钻 比上图所示，可以看到2016年利润突然上涨很多，一般在传统BI中需要把该指标提出来，再去数仓中做分析。FineBI的数据解释功能，可以自动将利润指标所涉及的维度全查出来，这样就可以看到哪个维度占比最大，比如A产品的利润占88%，是主要的贡献者，可以继续下钻查看A产品在不同地区的销量，又发现华北的A产品销量贡献最大。这样就得到了初步的归因，但这还是基于维度的，有时维度差异不大，再往下钻维度差异也不大，就说明可能不是这些维度的影响，可能是底层其他子指标的影响，因此需要进一步的归因分析。 在完成初步的分析以后，还可以进行深度归因，这是基于指标体系构建时不同指标之间上下级的关系。 BI分析的深层次价值,体现在现有指标的影响归因 例如信用卡的透支余额指标，可能受卡数量和户均余额影响，这就是指标体系构建时，将北极星指标拆解到两个子指标，还可以继续下拆，比如卡数量可能受申请总量和通过率影响，申请总量又可以看不同的渠道，到底是线上还是线下渠道的申请总量变动比较多。 类似的拆分逻辑是基于业务知识的沉淀，通过大模型以及问答BI，学习业务人员的分析思路，最终体现在产品中，给出一些提示和建议。 AI在归因领域,可以推荐不同维度进行计算展示,同时挖掘关键影响因素 比如在问答时自动弹出一些推荐，提示是否要看一些关联指标。这是AI在指标管理和BI领域中的一个非常好的应用场景。 在预测型BI领域,重点还是依靠规则和机器学习模型,给出特定场景的预测结果 预测型BI相对比较困难，目前大多是通过项目来实现。通常会涉及一些逻辑回归等模型，需要对大量的历史数据做处理，之后形成对未来的洞察。例如预测投诉，客户多次访问页面并在与客服通话中多次表达不满，这些都是客户投诉的前期表现，有了这样的数据积累后，就可以预测客户在哪些日期存在较大概率会投诉。如果通过BI或指标来分析比较困难，首先这其中涉及非常多的非结构化数据以及非数值数据，需要进行WOE或onehot变换，其次到底是哪些因素影响的Y变量，很难判断，需要非常多的数据积累，反复的调参以及业务人员的经验，因此通常通过项目来实现。 What's Next ? 继续拆分,定位问题,并且联动业务系统解决问题 基于归因分析发现了问题根因，然后通过API或者在跳转业务平台的直接操作，完成问题发现、归因到解决的闭环。 例如前面的例子，卡量下降8%，经过分析发现线上申请总量下降了9%，那么就要定位到线上渠道去解决问题，如果解决不了可以督办下去，这就涉及到经营分析的一些思路，即通过指标分析和归因识别到问题以后，督办问题负责人予以解决，把问题转给渠道管理来解决。 又比如，笔均交易额突然出现大幅下跌，笔均交易额通常是受交易渠道限额影响，接下来去分析渠道的限额，如果发现确实是交易限额有变化，就可以去修改限额设置，直接在BI里面完成接口修改。 这就是将来指标管理和BI产品的一个可能的方向，即完成统计、归因、预测、决策的闭环，在BI中直接解决问题，这样使数据分析的价值更加显性化。 构建完整的指标库可以将指标归因拆解逻辑内化,指导指标分析 指标体系都存储在指标库中，可以由专门的指标管理系统来存储，不过不必纠结于工具，比如我们团队的指标库就是基于飞书在线文档实现的，包括业务架构、指标清单、管理要素、指标模型、维度清单等，还包括常用指标展示的驾驶舱和数据应用场景等。例如前面举例的信用卡余额指标，拆解为数量和余额，以及进一步拆分成申请总量和通过率，这些都可以通过父子指标的层级配置实现。北极星指标的拆解关系都配在指标库中，业务人员想要分析时，只要在指标库里面查一下这个指标的下级指标都有哪些、怎样使用，还可以叠加不同的维度，就可以完成指标的下钻和归因分析。 最后 数据项目的最大风险：建完了以后没人用。 数据类项目建设的最大风险——建完了,没人用 所有的产品的最终目标是让业务人员可以直接使用。然而目前在很多企业，BI的推广和使用还存在很多问题，比如一些年龄比较大业务人员不会使用或者说抗拒使用，还有些人认为应该由技术人员来做，数据分析的职责不清。 针对这些问题，最关键的是组织架构上，需要有相应的数据分析团队帮业务部门分析，而且数据分析团队最好内置在业务部门，每个业务团队有1-2个数据分析岗，这些人员由业务部门考核，逐步的让业务条线感受到数据的作用，以及数据分析上手不难，这是需要一个过程的。 数据项目的最大风险就是建完了以后没人用，因为数据项目与业务系统不同，通常是非刚需项目，不是雪中送炭，只是锦上添花，即没有这一套产品，业务也能生存下去。所以在做数据类项目时，经常是建完以后业务部门觉得学习或迁移成本太高，没必要用，业务部门还是习惯在原有的逻辑中去完成。甚至有一些业务人员认为数字化对其自身是一种威胁，原来所有的业务经验和知识，包括客户都在脑子里，如通过数字化的手段固化到系统中，那个人的价值在哪？因此要让业务人员充分参与，意识到产品能够减轻工作量而不是增加工作量，需要长期的宣导、培训、竞赛，把企业的数据文化建立起来，这是最核心的工作。 通常的培训都是产品上线后介绍产品操作方法，做起来非常简单，但是绝大多数情况下不起作用。现在帆软有专门的团队通过一套方法论来引导客户，而不是单纯的讲产品功能。整体包括数据人才诊断、培养和评估三个环节：先看整个组织架构有没有问题，包括人才体系建设、职能岗位职责分布；然后去做培训，有线上、线下、集中、分散、点对点、批量等多种方式；之后去做评估，包括FCA和FCP认证。 我们合作的客户中，例如华夏银行，就把指标派到了分行，要求每个分行都有一些工程师能够参与分析，这样就可以比较好地加强业务的积极性。在东亚银行，也做了很多培训和大赛，包括请领导站台、内部宣发、外部宣发等，使整个产品的使用比例有了大幅提升。当习惯用数据做决策后，这套系统就会成为业务人员工作中的必不可少的工具。 本文摘录于帆软最新《商业智能应用白皮书 5.0》 本白皮书对170多位企业CIO、CTO、数据管理负责人或拥有同等职责的IT负责人的调研，了解IT管理者对BI的应用情况、价值诉求、技术需求、主要参考因素。通过对调查情况分析，深度洞察BI现状和发挥数据应用价值的关键，并基于此提出专业建议，以帮助企业推动决策改善、推进企业数字化转型，白皮书中不少观点可以给大家来年数据工作立项带来一些参考。

导言 帆软专家智库由帆软旗下机构「帆软数据应用研究院」创立，邀请来自不同领域的技术、业务和管理专家，旨在将各行各业优秀的数字实战经验，借助帆软平台分享给更多的中国企业。 今年，我们将持续邀请企业及咨询机构的知名行业专家、高校学者等共话数字化转型。本期我们邀请到罗戈研究院终身副院长、中国数字化学会特聘终身顾问唐隆基, 围绕BI在数字化转型中的角色、全链路数据分析平台的未来趋势，以及现代数据治理的挑战与解决方案展开深度讨论。 以下为专家智库与唐隆基专家对话的精华内容： BI的角色 Q1：您认为BI在数字化转型中扮演了什么角色？ A1:我认为BI 在数字化转型里面扮演了一个很重要的角色。中国的很多企业都在数字化转型，中间都采用了你们的产品，并且达到了很好的效果，产生了商业价值。 我从新质生产力的角度解释一下，实际上新质生产力新在什么地方？新在四个新，新的劳动者，新的劳动对象，新的动工具，还有就是新的基础设施。那么数据是什么东西？以前数据是不值钱的， 2017 年有一篇重要的文章，发表在经济人期刊上，他说未来最有价值的不是石油，而是数据。所以我们现在认识到数据是新的劳动对象。而现代的 BI 就是新的劳动工具。我们是用这个劳动工具去加工数据，加工这个劳动对象。比如，煤炭作为劳动对象，经过加工后可发电并产生商业价值。同样，数据通过 BI 等工具的加工和分析，也能为企业提供正确的决策支持，用数据来驱动决策。 你们有一句口号，"让数据成为生产力"。数据生产力就是利用企业的这个数据的资产来提高实际的业务生产力。在数字化转型中，BI 的贡献主要体现在四个方面：推动数据驱动的文化、促进创新、改善客户体验和增强竞争优势。 根据美国著名机构的魔力象限报告，帆软在 2021 年至 2024 年连续获得荣誉，证明了你们在全球的认可度。在这个报告中，提到的产品有 FineReport 和 FineBI。FineReport 是较为传统的产品，用户基础广泛，而FineBI 是后期推出的，代表了你们在现代智能 BI 发展上的努力。智能 BI 实际上是 BI 和 AI 的结合，利用 AI 技术增强 BI 的功能。你们已经在产品落地方面取得了一些进展，例如对话式 BI（Chat BI），可以与大模型连接，实现自动生成报告和实时数据搜索，让用户能够方便地浏览和探索数据的价值。 BI在制造业中的应用 Q2：请问您是如何去看待在制造业中，BI 这种以全链路数据分析平台的形式出现的必要性和价值？ A2:根据麦肯锡全球研究院的数据，制造业是数据最多的行业，每年产生 1.9 PB 的数据。在这种数据激增的情况下，存在着巨大的机会，等待通过商业智能(BI)的力量来解锁。 提到制造业的供应链，它是最复杂的供应链。从材料到产品销售，这个过程涉及的环节多、数据量大，指标也非常丰富。制造业商业智能涉及收集、分析和解释制造运营数据，以获得见解并为决策提供依据。这包括来自生产机器、供应链系统、质量控制流程等的数据。因此，建立一个全链路的数据分析平台，涵盖数据治理、数据收集、数据存储、以及最后的数据应用和分析，的确是一个具有巨大潜力的机会。 从 IT 角度出发，我认为这是一个值得关注的趋势。我最近看到两个报告，根据权威机构的预测，到 2028 年，50% 的中国数据分析和 AI 平台会因为与生态系统脱钩而过时。那么“数智基建”将演化成为中国数据分析生态系统的核心。 “数据中台”理念，它借鉴了中间件的概念，这种结构是一种纯技术驱动的、千篇一律而且很笨重，难以灵活应对市场需求。无法保证利益相关者的回报，面临被淘汰问题，我也听说许多数据中台项目投资巨大，却未能成功创造价值。 当前的趋势，是朝着可组合的架构发展。企业不需要一个大而全的平台，而是可以通过模块化的插件，灵活选择需要的功能。比如，在复杂的供应链中，企业可以通过组合不同的插件，来实现从计划到物流各个环节的功能。虽然全链路数据分析平台的必要性毋庸置疑，但它不一定是构建一个统一的大平台，中台它一建就固定了，这样一大块很难随变化改动。可以搞成可组合的，而且这样你也比较好销售。为什么呢？我企业 A，我需要 a 加 b 加 c 这几块;企业 B 是 c 加 d 这几块就够了。这样使得市场占有率拓展也很快，提升销售灵活性。 所以，发展可组合架构既是技术上的趋势，也是商业上的考虑。它能够更好地支持企业端到端的供应链管理，并通过模块化的设计满足不同企业的需求，助力数据应用的有效落地。 Q3：能否请老师举出一些您了解的制造行业运用BI工具的真实案例 A3:波音公司利用 BI 工具收集和分析来自飞机生产线、供应商网络和维护业务的数据，从而实现对生产状态和质量指标的实时监控。通过利用 BI 分析，波音公司发现了流程优化、供应链效率提高和成本降低的机会。此外，波音公司还采用预测分析模型来预测对飞机部件和备件的需求，从而优化库存水平并确保及时向全球客户交付。 丰田使用 BI 工具收集和分析来自各种来源的数据，包括生产线、供应链网络和客户反馈渠道。通过监控周期时间、库存水平和缺陷率等 KPI，丰田可以确定需要改进的领域并实施持续的流程改进。同时，丰田利用 BI 进行需求预测，以优化生产计划和库存管理，确保及时向客户交付高质量的车辆，同时最大限度地减少浪费和成本。 通用电气 (GE)是另一个利用商业智能来提高运营效率和推动增长的制造公司的杰出典范。通过高级分析和机器学习算法，GE 分析数据流以识别模式、预测设备故障并优化其制造设施的能源使用。这种主动维护方法使 GE 能够最大限度地减少停机时间、降低维护成本并提高整体生产力。 数据治理 Q4：对企业数据治理的看法 A4:在现代企业中，数据治理的重要性日益凸显。随着数据量的快速增长和业务复杂性的提升，传统的数据管理方法已经无法满足企业的需求。 数据对于数字化供应链，特别是数据驱动的供应链组织至关重要，然而大多数供应链组织的数据治理的成熟度仍然较低，部分供应链组织缺乏现代的数据治理能力。这样数据不仅不能产生其应有的价值，而且网络犯罪份子还可能利用供应链数据的安全漏洞，而对供应链施行网络攻击，如网络勒索。这就是为什么权威机构把数据治理作为2024年的八项战略供应链技术趋势之一的重要原因。 目前国内企业的数据治理成熟度大约在2.15分（按5分制来算），但理想的状态应该达到3.5分以上，才能真正支持企业的数字化转型。现在大多数企业只是在数据控制上下了功夫，比如对谁能访问数据、谁能操作数据的管理已经比较完善，但这只是基础工作。数据治理不仅仅是控制访问权限，更需要关注数据应用的最终决策效果，怎样敏捷快速地治理，还有就是推进系统的自我管理。 现代数据治理的重点在于三个方面。一是法规遵从性。随着数据法规的增多，组织必须遵守严格的合规性标准。强大的数据治理可确保 BI 流程符合法规要求，最大限度地降低法律和财务影响的风险并确保客户的信任， 这对于业务的持续成功至关重要。 二是安全和隐私。数据泄露是当今环境中普遍存在的威胁。数据治理在加强敏感信息安全方面发挥着至关重要的作用。它涉及实施强大的访问控制、加密机制和身份验证协议，以保护数据免受未经授权的访问。 三是数据所有权和责任制。数据治理定义并分配组织内每个数据集的所有权。这有助于建立对数据质量和准确性的责任制。通过明确责任，可以降低数据错误和不一致的风险 ，培养贯穿整个数据生命周期的责任文化。 最后给大家推荐最新《商业智能应用白皮书5.0》 本白皮书对170多位企业CIO、CTO、数据管理负责人或拥有同等职责的IT负责人的调研，了解IT管理者对BI的应用情况、价值诉求、技术需求、主要参考因素。在文章中阐述了BI 产品演变，BI 多形态共生理念究竟包括什么？、强调数据全链路管理和建设，产品的价值主张是什么？、对话企业内部 BI 资深用户，有哪些工具使用的感悟？、探究智能 BI 更多是 AI for BI，如何定位方向及落地？等等观点。并基于此提出专业建议，以帮助企业推动决策改善、推进企业数字化转型，白皮书中不少观点可以给大家来年数据工作立项带来一些参考。

为什么需要权限管理 日常工作中权限的问题时时刻刻伴随着我们，程序员新入职一家公司需要找人开通各种权限，比如网络连接的权限、编码下载提交的权限、监控平台登录的权限、运营平台查数据的权限等等。 在很多时候我们会觉得这么多繁杂的申请给工作带来不便，并且如果突然想要查一些数据，发现没有申请过权限，需要再走审批流程，时间拉得会很长。那为什么还需要这么严格的权限管理呢？ 举个例子，一家支付公司有运营后台，运营后台可以查到所有的商户信息，法人代表信息，交易信息以及费率配置信息，如果我们把这些信息不加筛选都给到公司的每一个小伙伴，那么跑市场的都可以操作商家的费率信息，如果一个不小心把费率改了会造成巨大的损失。 又比如商户的信息都是非常隐秘的，有些居心不良的小伙伴把这些信息拿出来卖给商家的竞争对手，会给商家造成严重的不良后果。虽然这么做都是个别人人为的过错，但是制度上如果本身这些信息不开放出来就能在很大程度上避免违法乱纪的事情发生了。 总体来讲，权限管理是公司数据安全的重要保证，针对不同的岗位，不同的级别看到的数据是不一样的，操作数据的限制也是不一样的。比如涉及到资金的信息只开放给财务的相关岗位，涉及到配置的信息只开放给运营的相关岗位，这样各司其职能避免很多不必要的安全问题。 权限模型 １、权限设计 从业务分类上来讲权限可以分为数据查看权限，数据修改权限等，对应到系统设计中有页面权限、菜单权限、按钮权限等。菜单也分一级菜单、二级菜单甚至三级菜单，以ｃｓｄｎ文章编辑页面左侧菜单栏为例是分了两级菜单。菜单对应的页面里又有很多按钮，我们在设计的时候最好把权限设计成树形结构，这样在申请权限的时候就可以一目了然的看到菜单的结构，需要哪些权限就非常的明了了。 如下图所示： 按照这个架构，按钮的父级是二级菜单，二级菜单的父级是一级菜单，这样用户申请权限的时候非常清晰的看到自己需要哪些权限。 ２、为什么需要角色 权限结构梳理清晰之后，需要思考怎么把权限分配给用户，用户少的情况下，可以直接分配，一个用户可以有多个权限，统一一个权限可以被多个用户拥有，用户－权限的模型结构如下所示： 这种模型能够满足权限的基本分配能力，但是随着用户数量的增长，这种模型的弊端就凸显出来了，每一个用户都需要去分配权限，非常的浪费管理员的时间和精力，并且用户和权限杂乱的对应关系会给后期带来巨大的维护成本。用户－权限对应关系图： 这种对应关系在用户多的情况下基本无法维护了。其实很多用户负责同一个业务模块所需要的权限是一样的，这样的话我们是不是可以借助第三个媒介，把需要相同的权限都分配给这个媒介，然后用户和媒介关联起来，用户就拥有了媒介的权限了。这就是经典的ＲＢＡＣ模型，其中媒介就是我们通常所说的角色。 ３、权限模型的演进 ①　RBAC模型 有了角色之后可以把权限分配给角色，需要相同权限的用户和角色对应起来就可以了，一个权限可以分配给多个角色，一个角色可以拥有多个权限，同样一个用户可以分配多个角色，一个角色也可以对应多个用户，对应模型如下所示： 这就是经典的RBAC模型了（role-based-access-control），在这里面角色起到了桥梁作用，连接了用户和权限的关系，每个角色可以拥有多个权限，每个用户可以分配多个角色，这样用户就拥有了多个角色的多个权限。 同时因为有角色作为媒介，大大降低了错综复杂的交互关系，比如一家有上万人的公司，角色可能只需要几百个就搞定了，因为很多用户需要的权限是一样的，分配一样的角色就可以了。这种模型的对应关系图如下所示： 用户和角色，角色和权限都是多对多的关系，这种模型是最通用的权限管理模型，节省了很大的权限维护成本，　但是实际的业务千变万化，权限管理的模型也需要根据不同的业务模型适当的调整，比如一个公司内部的组织架构是分层级的，层级越高权限越大，因为层级高的人不仅要拥有自己下属拥有的权限，二期还要有一些额外的权限。 RBAC模型可以给不同层级的人分配不同的角色，层级高的对应角色的权限就多，这样的处理方式可以解决问题，但是有没有更好的解决办法呢，答案肯定是有的，这就引出角色继承的RBAC模型。 ②　角色继承的RBAC模型 角色继承的RBAC模型又称RBAC1模型。每个公司都有自己的组织架构，比如公司里管理财务的人员有财务总监、财务主管、出纳员等，财务主管需要拥有但不限于出纳员的权限，财务总监需要拥有但不限于财务主管的权限，像这种管理关系向下兼容的模式就需要用到角色继承的RBAC模型。角色继承的RBAC模型的思路是上层角色继承下层角色的所有权限，并且可以额外拥有其他权限。 模型如下所示： 从模型图中可以看出下级角色拥有的权限，上级角色都拥有，并且上级角色可以拥有其他的权限。角色的层级关系可以分为两种，一种是下级角色只能拥有一个上级角色，但是上级角色可以拥有多个下级角色，这种结构用图形表示是一个树形结构，如下图所示： 还有一种关系是下级角色可以拥有多个上级角色，上级角色也可以拥有多个下级角色，这种结构用图形表示是一个有向无环图，如下图所示： 树形图是我们比较常用的，因为一个用户一般情况下不会同时有多个直属上级，比如财务部只能有一个财务总监，但是可以有多个财务主管和收纳员。 ③　带约束的RBAC模型 带约束的RBAC模型又成RBAC2模型。在实际工作中，为了安全的考虑会有很多约束条件，比如财务部里同一个人不能既是会计又是审核员，跟一个人同一时间不能既是运动员又是裁判员是一个道理的，又比如财务部的审核员不能超过２个，不能１个也没有。因为角色和权限是关联的，所以我们做好角色的约束就可以了。 常见的约束条件有：角色互斥、基数约束、先决条件约束等。 角色互斥： 如果角色Ａ和角色Ｂ是互斥关系的话，那么一个用户同一时间不能既拥有角色Ａ，又拥有角色Ｂ，只能拥有其中的一个角色。 比如我们给一个用户赋予了会计的角色就不能同时再赋予审核员的角色，如果想拥有审核员的角色就必须先去掉会计的角色。假设提交角色和审核角色是互质的，我们可以用图形表示： 基数约束： 同一个角色被分配的用户数量可以被限制，比如规定拥有超级管理员角色的用户有且只有１个；用户被分配的角色数量也需要被限制，角色被分配的权限数量也可以被限制。 先决条件约束：用户想被赋予上级角色，首先需要拥有下级角色，比如技术负责人的角色和普通技术员工角色是上下级关系，那么用户想要用户技术负责人的角色就要先拥有普通技术员工的角色。 ４、用户划分 ①　用户组 我们创建角色是为了解决用户数量大的情况下，用户分配权限繁琐以及用户－权限关系维护成本高的问题。抽象出一个角色，把需要一起操作的权限分配给这个角色，把角色赋予用户，用户就拥有了角色上的权限，这样避免了一个个的给用户分配权限，节省了大量的资源。 同样的如果有一批用户需要相同的角色，我们也需要一个个的给用户分配角色，比如一个公司的客服部门有500多个人，有一天研发部研发了一套查询后台数据的产品，客服的小伙伴都需要使用，但是客服由于之前并没有统一的一个角色给到所有的客服小伙伴，这时候需要新加一个角色，把权限分配给该角色，然后再把角色一个个分配给客服人员，这时候会发现给500个用户一个个添加角色非常的麻烦。但是客服人员又有共同的属性，所以我们可以创建一个用户组，所有的客服人员都属于客服用户组，把角色分配给客服用户组，这个用户组下面的所有用户就拥有了需要的权限。 RBAC模型添加用户组之后的模型图如下所示： 很多朋友会问，用户组和角色有什么区别呢？简单的来说，用户组是一群用户的组合，而角色是用户和权限之间的桥梁。 用户组把相同属性的用户组合起来，比如同一个项目的开发、产品、测试可以是一个用户组，同一个部门的相同职位的员工可以是一个用户组，　一个用户组可以是一个职级，可以是一个部门，可以是一起做事情的来自不同岗位的人。 用户可以分组，权限也可以分组，权限特别多的情况下，可以把一个模块的权限组合起来成为一个权限组，权限组也是解决权限和角色对应关系复杂的问题。 比如我们定义权限的时候一级菜单、二级菜单、按钮都可以是权限，一个一级菜单下面有几十个二级菜单，每个二级菜单下面又有几十个按钮，这时候我们把权限一个个分配给角色也是非常麻烦的，可以采用分组的方法把权限分组，然后把分好的组赋予角色就可以了。 给权限分组也是个技术活，需要理清楚权限之间的关系，比如支付的运营后台我们需要查各种信息，账务的数据、订单的数据、商户的数据等等，这些查询的数据并不在一个页面，每个页面也有很多按钮，我们可以把这几个页面以及按钮对应的权限组合成一个权限组赋予角色。加入权限组之后的RBAC模型如下所示： 实际工作中我们很少给权限分组，给用户分组的场景会多一些，有的时候用户组也可以直接和权限关联，这个看实际的业务场景是否需要，权限模型没有统一的，业务越复杂业务模型会多样化。 ②　组织 每个公司都有自己的组织架构，很多时候权限的分配可以根据组织架构来划分。因为同一个组织内的小伙伴使用的大部分权限是一样的。如下所示一个公司的组织架构图： 按照这个组织架构，每一个组织里的成员使用的基础权限很可能是一样的，比如人力资源都需要看到人才招聘的相关信息，市场推广都需要看到行业分析的相关信息，按照组织来分配角色会有很多优势： 实现权限分配的自动化： 和组织关系打通之后，按照组织来分配角色，如果有新入职的用户，被划分在某个组织下面之后，会自动获取该组织下所有的权限，无需人工分配。又比如有用户调岗，只需要把组织关系调整就可以了，权限会跟着组织关系自动调整，也无需人工干预。这么做首先需要把权限和组织关系打通。 控制数据权限： 把角色关联到组织，组织里的成员只能看到本组织下的数据，比如市场推广和大客定制，市场推广针对的是零散的客户，大可定制针对的是有一定体量的客户，相互的数据虽然在一个平台，但是只能看自己组织下的数据。 加入组织之后的RBAC模型如下所示： 用户可以在多个组织中，因为组织也有层级结构，一个组织里只可以有多个用户，所以用户和组织的关系是多对多的关系，组织和角色的关系是一对一的关系。这个在工作中可以根据实际情况来确定对应关系。 ③　职位 一个组织下面会有很多职位，比如财务管理会有财务总监、财务主管、会计、出纳员等职位，每个职位需要的权限是不一样的，可以像组织那样根据职位来分配不同的角色，由于一个人的职位是固定的，所以用户跟职位的对应关系时一对一的关系，职位跟角色的对应关系可以是多对多的关系。加入职位的RBAC模型如下所示： ５、理想的RBAC模型 RBAC模型根据不同业务场景的需要会有很多种演变，实际工作中业务是非常复杂的，权限分配也是非常复杂的，想要做出通用且高效的模型很困难。我们把RBAC模型的演变汇总起来会是一个支撑大数据量以及复杂业务的理想的模型。把RBAC、RBAC１、RBAC２、用户组、组织、职位汇总起来的模型如下所示： 按照这个模型基本上能够解决所有的权限问题，其中的对应关系可以根据实际的业务情况来确定，一般情况下，组织和职位是一对多的关系，特殊情况下可以有多对多的情况，需要根据实际情况来定。 理想的RBAC模型并不是说我们一开始建权限模型就可以这么做，而是数据体量、业务复杂度达到一定程度之后可以使用这个模型来解决权限的问题，如果数据量特别少，比如刚成立的公司只有十几个人，那完全可以用用户－权限模型，都没有必要使用RBAC模型。 权限系统表设计 １、标准RBAC模型表设计 标准RBAC模型的表是比较简单了，要表示用户－角色－权限三者之前的关系，首先要创建用户表、角色表、权限表，用户和角色是多对多的关系，角色和权限是多对多的关系，需要再创建两章关系表，分别是用户－角色关系表和角色－权限关系表。这六张表的ER图如下所示： ２、理想RBAC模型表设计 理想的RBAC模型是标准RBAC模型经过多次扩展得到的，表结构也会比较复杂，因为要维护很多关系，如下图所示是理想的RBAC模型的ER图： 这里面需要强调的是角色互斥表，互斥的关系可以放在角色上，也可以放在权限上，看实际工作的需求。 结语 本文从易到难非常详细的介绍了权限模型的设计，在工作中需要根据实际情况来定义模型，千人以内的公司使用RBAC模型是完全够用的，没有必要把权限模型设计的过于复杂。模型的选择要根据具体情况，比如公司体量、业务类型、人员数量等。 总之最适合自己公司的模型就是最好的模型，权限模式和设计模式是一样的，都是为了更好的解决问题，不要为了使用模型而使用模型。 可视化大屏资料包下载：内含共计48+份可视化大屏、80+份精美大屏组件、10+份大屏解决方案

Q1:请谢总您进行一个简短的自我介绍，包括您自己的一些职责 A1：我是来自于这个浙江迦南的谢天曦，目前主要是负责整个企业的这个数字化建设工作，我们迦南是 2000 年成立的，那目前主要是聚焦于制药装备行业。为我们的制药客户提供就是说一系列的这各种工艺的这个产品解决方案，以及就是我们为他们提供这个数字工厂这样的一个 EPC 的整体的这个总包建设工。 Q2：Finereport作为一种爆款式的BI，您认为它在企业的数字化转型的过程中扮演了怎样的角色 A2：我们迦南这个从 2000 年成立之后，也就是我们也其实也是蛮重视这个数字化的建设工作的啊。那么在 2021 年之前，我们也已经跟建立了一系列的，比如ERP、PM、 Max 等等这一系列的系统，那么然后我们是在 2021 年年底那么开始跟帆软，包括也跟其他的一些品牌做接触，在2022年初，我们引进了帆软这样的一个平台，作为我们企业数字化建设的这样的一个一个底座啊。 所以 FineReport对我们来讲其实是一个非常重要的一个工具啊。那我们基于我们的这个情况，我觉得是这么几个定位，第一个就是 FineReport和FineDataLink作为一个基础的这一个底座，那么我们通过这几个工具去把我们在各个企系统中的这个数据能够把它给抓过来，然后更快的这个加工处理以及呈现啊。 所以这是一个，我们就说作为一个数据的底座，那么第二个就是我觉得是FineReport作为一个我们公司的一个管理的视窗，或者说经语经营的晴雨表以及指挥塔啊。那么我们通过这样的一个平台上的这个数据以及报表，或者驾驶舱能够更好或者更直观的去这个了解到他或者掌握企业的这各方面的经营情况，经营的结果过程的这个异常啊。那么从而能够更好的去支撑我们企业的这个业务经营跟管理啊。第三点，我觉得FineReport是一个业务的好助手。我们通过主动推送报表，员工能够更好地以数据为导向开展工作，比如在在生产端的应用，班组长或者计划员每天早上都会收到工作报表，了解前一天的工作结果和当天的任务安排，有哪些异常情况。所以我觉得这是一个非常好的一个工具，为公司各层级的人员提供了数据赋能，极大提升了工作效率。 Q3：请您结合一下自身在企业的一些经验，给我们讲一讲企业做好数据指标体系的梳理和搭建的重要性，以及有哪些方法。 A3：我们 2022 年在推进这个帆软这个平台的时候，那我们一开始会去做这个数据的这个前期的这个现状的调研，数据的梳理。那我们其实在梳理过程中经常会碰到一系列的问题，比如说我们在对于这个营销层面的这个应收的这个信息，那财务跟我们的销售部门他们两个就会有偏差啊。那比如说我们对于产品的定义上，比如说我们的新产品，那我们的销售部门跟我们的研发部门它也会有这个定义上的理解上的误差，所以这个两个之间就会容易产生扯皮啊。 所以就是说我们在推进整个平台建设的时候，我们会首先要去对这部分去做一个清理跟梳理，然后才能说大家有一致的认识，或者是有共同的这个定义啊。所以我们在推进过程中我们也做了一些思考，就是我们怎么样去更好的去树立这个指标啊？那么第一个我觉得是一个原则，也就是说我们的一个数据指标，它一定是一个统一的口径，然后一次的这个建设，然后多这个我们说可以重复的这使用，或者说多场景的能够在通过一个口径、一个指标去应用，这个我觉得不能出现就是说不同的这个部门，不同的人对一个事情有多个的这个定义，就是这个避免的就是相互之间的这种扯皮，那么这是第一个，第二个就是我们在梳理指标的过程中。我们更多的需要就是说去站在业务的角度或者是管理角度，那么基于业务的管理经营分析需要去梳理每一个指标。 那么第三个就是说我们怎么去设计这个指标，或者说我们怎么去计算这个指标啊？那我觉得在这个过程中我们会，首先可能会要去考虑就是说主数据这一块，因为企业里面有不同的系统，比如说我们说客户档案也好，或者说我们说简单一点，我这个销售合同它可能会存在多个地方，我们的 CRM 系统也会存在，我们的 ERP 里面也会存在，那么我们怎么样去定义？就是说比如说这个销售合同我是以哪个作为它的主去把它抓过来去落地的啊？那另外一个就是我抓过落地之后，我也用于以怎么样的计算方式？因为有些指标是这种复合性的指标，我要怎么去计算？去运算出来呈现一个一个一个指标/ 那第四个就是说我们的指标那么怎么样更好的进行一个管理啊？也就是我理出来之后，我怎么样把它沉淀下来？那这个时候我们会基于FineReport去做了一个指标库，那最后一个就是有了指标之后我们怎么去应用这个指标啊？所以就是我们还是基于这个 Repor去呈现，就是说我们在指标的基础上，我们去给他输出各种的报表，各种的驾驶舱能够实现这个数据的变现，是这样的一个过程啊。所以说来说就是说这个数据指标我认为是一个非常基础又非常重要的事情。就好比就是说我们去设计，去建一个房子的时候，我们首先得要有个设计的这个图纸，以及就是我们要立即的框架这样子，我们这个房子，或者说我们这个数据平台它能够搭得更牢，又而且又能更实用，这是我的一个一个理解，非常感谢。 Q4：指标体系搭建的过程中会口径不同的情况，由谁来牵头去完善这个指标的定义 A4：嗯，其实这个问题就是不同的场景它会有不同的这个处理方式啊。比如说我们以这个这种，比如说这个对新品的这个定义上，那么我们当然首先他们两个部门之间可能会互相不认，会有这种情况。那这个时候就是我们 it 可能会发挥一定的作用，也就是说我们 it 去协助他们，或者是协调他们去梳理，但是这个指标真正由谁来定下来？因为其实指标就涉及了背后的这个利益，包括考核，所以这个时候我们可能会，也会需要就是说我们的 HR 乃至老板去介入，把这个事情展开的去谈，然后定下来，要不然这个事情会容易，就是说会一直会掉在那里的。 Q5：目前大多数的企业都会基于数据指标体系为起点，进行一个从数据流到信息流再到业务流，金字塔式的一个数据治理的一个方式。他们主要会在一个比较限定的范围内对数据质量的问题根源进行一些洞察，并且基于这些洞察去逆向地推动企业自身信息系统以及管理和改善的提升。请谢总结合一下自身的经验，给我们谈一谈。这种数据治理策略的优劣点啊。 A5：针对这个话题，我想换一个角度来谈聊这个事情，也是以我自身的一个一个整个数字化建设的一个经历，其实就是我们在企业的这个数字化经历建设过程中，我们自身也是在不断的这个学习跟成长，所以就是我们也在几个方面，我们自己也在不断的在转变啊。那么第一个我觉得是一个认知跟行动上，就是说我们原来的 it 最早更多的是这种做服务支持，或者说是这种被动运维的，那么我们这个慢慢现在也在转变成为主动的赋能，也就是说原来我们 it 很多时候是坐在那里，就是说等着这个业务部门来问题，我处理问题，那么我们现在更多的是主动登记，我们用 it 的白话来就说我们 it 需要去主动去折腾啊。所以就是也是基于这样的这个因素，比如说我们是在 21 年的时候开始就说主动去跟公司提出来，比如说，唉，我们在哪些方面的一些不足？当然这个 BI 是我们在 21 年，那其他的系统我们更早的已经也在推了，所以在 BI 这一块，我们 21 年开始主动跟公司去提出这样的这个诉求，当然基于公司的痛点，那么第二个就是说我们怎么更好的去借助外部的力量去把它这个建设起来，我觉得这是一个认知方面的，这个跟行动方面的一个转变啊。 那么第二个我觉得是在获取这个信息方面，那获取信息方面我们原来更多的是这种，就是说让业务使用部门他去进系统去怎么样去查，那么以及就是说能够我们现在转变成为就是说更多的是让系统推给业务人员，或者推给各岗位人，也就是说更多的其实是转变成原来是系统人尽系统用，我们现在是系统主动指挥人在作业啊。我们说的难听点就是说我们把人变成一个机器，让系统作为一个大脑去指挥人的这个作业啊。那么第三点我觉得是一个关注角度的这个负责方向的一个转变啊。我们以前去建设系统或者是推进虚拟建设或者数据的应用，我们很多时候是更注重专注结果的，也就是我们很多时候报表建立了很多的这个报表，那很多的报表都是基于结果去分析的，那其实都已经是事后了啊。那所以我们在发现的，在后面逐步地发现，就是说我们其实更应该是专注的是过程数据，就是我们怎么样把这些异常数据过程中执行的异常能够解决，能够处理，更关注去解决啊。因为如果一个企业里经营都是顺畅的，那么我们的管理者其实是很轻松的。我们的管理者更多的在关注过程中的异常，怎么样的协调资源，把过程中的异常给解决掉啊？这个是我们第二个、第三个的转变。 那第四个我觉得是在这个组织职能方面的这个转变，就是说我们其实自己也能清晰的认识到，就是说我们 it 也好，或者说其他部门也好，他需要做职能的职装变更多的去做赋能，或者是服务的赋能，或者是管理上的这个创新赋能啊。所以我们这几年也在持续的在推进，就是说 it 团队的这个能力建设，那我们去成立，比如说围绕数据这一块，我们成立的这个数据的这个团队有专门的一个数据的团队，那么以及我们不断要求我们的这个团队的成员去提升他 3T 的能力，那什么叫 3T 呢？就是我们理解就一个是 BT，也就是说业务的能力，我们希望我们的e，我们的 it 人员他都是个业务专家，这样才能去跟业务部门去聊，要不然你这就是非常被动，那所以这是一个业务的这个能力。第二个就是系统建设能力，也就是说我如果从数据角度来讲，我们需要保障系统它能够稳定持续的运行，然后快速的输出它业务部门需要的这个报表或者驾驶舱它要的数据，这是一个 it 的能力。第三个就是我理解是一个这个 DT 的，也就是数据的经营能力，也就是说我们现阶段可能是就因为就是说团队各方面的原因，很多时候还是被动的居多，也就是业务部门需求很多，他提过来我们可能现在应付都来不及，那么我们慢慢的也是想转变，就是说有精力的时候，我们更多的去站在业务的角度去思考他需要什么，我主动给他输出咱们的这个数据，这个是我们在能力上面的这个转型转变啊。 所以就是我们在整个这个数据治理或者是推进的过程中，我们基于自身的这个情况，也就是说是逐步有个迭代升级的一个过程，所以慢慢的就是说我们有原来的被动式的这种业务部门提需求，我给他抓数据，给他建报表，推出这个报表或者价值上给业务部门用，慢慢转变成就是说我们基于业务的理解，我们给他输出 报表，然后这个报表我需要从哪里抓数据？然后如果这个数据不赚钱，我可能还更需要提出来我后面的 it 要怎么去建设，就是这么一个过程的一个一个一个转变啊。 Q6：对于今后数字化建设跟数据方面的应用建设有什么这个想法 A6:那至于关于这个我们迦南这个未来的这个数字建设，或者说我们在数据管理方面的这个建设，我们自己也在做一些思考，或者说我们做一些规划的推进啊。因为说实话就是说我们现阶段虽然说建了很多的这个报表，也有很多的驾驶舱，也做了很多的这个相应的，比如说报表的推送各方面的，但实际上我们觉得就是在这方面我们还有很多的这个工作要去提升或者说去加强的。那我觉得第一个点就是我们在数据治理方面，那么第一个就是我们的相关的这个，比如说我们的标准，比如说我们说的直白一点，我的报表报标准，我的这个价值上的标准，我们有统一的风格、统一的界面、 UI 等等这一方面的建设。那么第二个我的数据相关的，比如说采集、加工或者是呈现，那么我们整一个的规范，我们的流程相关的这个管理制度，那么这些方面我觉得都还是很有有很有必要去进一步的加强跟完善的。这是第一个点，那么第二个其实是我们 it 的，或者说我们整个数据团队，因为其实企业里面资源相对是有限，所以就是我们it，除了，尤其是这个数据团队也是需要不断的去提升跟加强他的专业能力，我们的这个团队的实力也需要去提升、去加强。 那么第三个我觉得是一个应用的价值，因为我们说数据资产它只有流动起来才有价值，但是实际上我们现在很多时候虽然说国家一直在讲数据入表，是吧？数据作为一个资产，但是真正落到企业里的时候，企业往往尤其是除了it，当然 it 很多时候也没有认识到这个真正的价值，就是所以就是说他们大家更多的还是聚焦，就是说这个人看得见的人，看见的，看得见的物，还有个钱，他们更关注的是对这几个资产，那数据作为资产我们更应该要去考虑怎么样才能把这个资产管好变现啊？这个我觉得是我们说价值怎么去，那说到回到就是我们说通俗的地方，那我们数据应用的这个广度、深度，乃至我们说到这个各个管理层的高度，我们都是需要去提升的，才能更好的去把价值给体现出来。 那第四个我觉得是，就是我们在这个最终用户的角度，我们现在最终用户可能他有数据管理的意识，那我们这个方面其实还是要去加强，也就是说它让它能够更好的去利用数据来去支撑它的管理提升，其实提升我们业务最终用户的数据管理的能力，这个我们也是在要求需要推进。 那么第五点其实是我们这个系统平台这一块，我们现在虽然有帆软的这个平台在做，但是我们要怎么去让这个平台更稳定、更高效去支撑我们的这个数据的经营管理，这个其实也是一个长期的，一个要去提升的工作。那么最后一点我觉得是个非常重要的一个点，就是数据安全，或者说我们说安全管理，这个是我们很容易忽视，但是又极其重要的一个事情，我们是分开几个角度去提升啊。那么第一个我们怎么样防止数据丢失啊？这是我们第一要去考虑的，这个也是对公司，对我们的考核是非常重的一个环节，怎么样防止我们数据丢失啊？第二个怎么样去保障我这个系统能够持续稳定的运行？比如说我们公司里有规定，比如说你数据系统停两个小时，你的绩效可能要扣20%，我们会有一系列的这个规定，所以就是说我们要保证系统稳定运行，是我们的生命线，数据不丢失。那么第二、第三个我们怎么样去保证我们的数据不泄露啊？不管是内部还是外部，或者说我们这个自己内部的这个泄露出去也好，我们怎么数据保证数据不泄露？所以数据安全也是我们接下去要去大力去提升加强的一个点。

这个环节通过将重复、多余的数据筛选清除，将缺失的数据补充完整，将错误的数据纠正或去除，从而提升数据质量，提供给上层应用调用。它可以有效处理数据的常见问题：数据缺少值、数据值不匹配、数据重复、数据不合理、数据字段格式不统一、数据无用。 数据清洗步骤 如何做好数据清洗，从而提高数据价值和利用效率？ 前面我们已经谈到了数据处理的六大问题：数据缺失值、数据值不匹配、数据重复、数据不合理、数据字段格式不统一、数据无用。 1. 数据缺失值 对每个字段计算其缺失值比例，然后按照缺失比例和字段重要性，进行分别制定战略。 不重要的，或者缺失率过高的数据直接去除字段。 重要的数据，或者缺失率尚可的数据，可以进行补全。 对某些缺失率高，数据缺失值多但又很重要的数据，需要和业务人员了解，是否可以通过其他渠道重新取数。 2.数据值不匹配 清洗内容中有不合逻辑的字符 最典型的就是头、尾、中间的空格，也可能出现姓名中存在数字符号、出现汉字等问题。这种情况下，需要以半自动校验半人工方式来找出可能存在的问题，并去除不需要的字符。 内容和该字段应有内容不符 经常在处理埋点数据时会发现某个字段内容乱码等，通常过滤掉，但该问题特殊性在于：并不能简单的以删除来处理，因为成因有可能是数据解析错误，也有可能是在数据在记录到客户本地时就发生了错误（平台），因此要详细识别、分类处理问题。 这部分的内容往往需要人工处理，尽量细致地检查，不要遗漏。 3.数据重复 数据集中的重复值包括以下两种情况： 数据值完全相同的多条数据记录，这是最常见的数据重复情况。 数据主体相同，但一个属性匹配到不同的多个值。 去重的主要目的是保留能显示特征的唯一数据记录，但当遇到以下几种情况时，不建议去重。 a.重复记录用于分析演变规律，例如因为系统迭代更新，某些属性被分配了不同值。 b.重复的记录用于样本不均衡处理，通过简单复制来增加少数类样本。 c.重复的记录用于检测业务规则问题，代表业务规则可能存在漏洞。 4.数据不合理 这类数据通常利用分箱、聚类、回归等方式发现离群值，然后进行人工处理。 5.数据字段格式不统一 整合多种来源数据时，往往存在数据字段格式不一致的情况，将其处理成一致的格式利于后期统一数据分析。 6.数据无用 由于主观因素影响，往往无法判断数据的价值，故若非必须，则不进行非需求数据清洗。 数据清洗的好处 提高数据质量：尤其是在数据准确性和可信度方面。 提升了分析的准确性：根据清洗后准确的数据能够提高分析结果的可靠性，减少决策错误。 支持业务决策：清洗后的数据能更加直观地反映业务情况，更加容易进行数据可视化的分析。 减少存储成本：通过删除重复和无关的数据，有效减少存储空间的浪费。 数据时效性：及时清洗数据可以确保数据的时效性，能够基于最新的数据做出及时的业务调整。 数据清洗的工具推荐 但是我们可以看到数据清洗的人力成本是比较高的，在真实场景中，数据情况往往会更错综复杂，如果不想经历上述基本的数据清洗手段，可以使用ETL工具来帮助简化数据处理流程，国内ETL产品中做的比较好的有FineDataLink（以下简称FDL）。FDL拥有低代码的优势，通过简单拖拽交互即可实现数据抽取、数据清洗、数据到目标数据库的全过程。简单操作即可完成数据清洗，省时省力。 FineDataLink是一款低代码/高时效的数据集成平台，它不仅提供了数据清理和数据分析的功能，还能够将清理后的数据快速应用到其他应用程序中。FineDataLink的功能非常强大，可以轻松地连接多种数据源，包括数据库、文件、云存储等，而且支持大数据量。此外，FineDataLink还支持高级数据处理功能，例如数据转换、数据过滤、数据重构、数据集合等。使用FineDataLink可以显著提高团队协作效率，减少数据连接和输出的繁琐步骤，使整个数据处理流程更加高效和便捷。点击链接https://s.fanruan.com/wik74即可免费体验FineDataLink工具！

FineONE：多形态融合的分析平台 BI因为其丰富多样的可视化组件，简单灵活的制作方式而被人所熟知，但“福祸相依”，其优势使得大家以为BI仅仅于此。随着企业对于数字化转型的重视，对于数据驱动决策的认识提高，BI在整个企业数字化转型中的生态位越来越重要，在部分企业的重要性已经等同于甚至超过生产系统了。 前文提到，BI产品终极目标是“让人人都是数据分析师“，注定会发展出不同的产品形态，以满足不同场景的数据需求。然而，不同种类BI各有优劣，分别适用于不同的场景，并没有绝对互相替代的关系，因此是属于多形态共生。 同时，帆软认为BI仅靠一种模式并不能满足企业的诉求，需要包含数据全链路的管理和建设，包括了数据生产，数据准备，数据存储，数据可视化和分析，数据决策，以及资产的治理，行业方案的应用复用，甚至包括了组织和人才的构建。 因此，帆软基于“BI多形态共生”的理念，融合自身的多种形态BI产品，推出全链路数据分析平台——FineONE： FineONE是将帆软多款数据产品，包括FineReport、FineBI、FineDataLink、FineVIS、FineChatBI，整合到一起的“全链路数据分析平台”，满足不同角色的不同数据诉求，满足不同企业的信息现状的不同诉求。 FineONE作为“全链路分析平台”，主要的价值主张如下 1.多形态分析融合 BI不同形式产品之间并不是代际替换关系，而是需要长时间共存的。因为，企业的场景是丰富多变的： 因此仅靠一种模式并不能满足企业的诉求，因此帆软将多种形态融合在一起。 2.行业应用复用 伴随着企业数字化改革的深入，很多企业已经脱离使用工具的阶段。 向外看，从客户视角出发，当前帆软提供给客户的场景解决方案（工具产品+项目服务），用户不清楚概念性的方案的最终形态（售前阶段难以理解帆软），用户的上线成本&时间较高（交付阶段难以相信帆软），主要有以下提升点： 所见即所得： 围绕业务用户提升需求选择&确认的效率，客户不需要去想象基于帆软产品能实现什么系统，而是在平台上直接挑选“成品”。 降低应用成本： 围绕开发用户提升综合开发效率，降低系统综合上线成本&时间，形成需求发起-应用市场挑选-系统对接上线-个性化修改的高效路径； 提高应用数量&质量： 围绕数据生态，吸引更多的需求方和供应方参与进来，从而提升整个产业效率，企业内、企业间形成数据资产的交易，让数据应用变得更简单。 从短期角度来看，目前的调研信息显示当前应用复用主要阻塞点包括： 产品阻塞： 客户工程还原回来困难、底层数据复用难度大、应用内容复用到客户困难等 平台阻塞： 平台渠道杂乱、平台运营管理不佳、生态能力欠缺、当前营销能力难以支撑应用内容跟客户业务需求的匹配 内容阻塞： 内容通用阻塞（内容不足、价值不高、缺少体系化整合）、重点内容阻塞（客户案例价值不高、demo质量不佳） 运营阻塞： 大量内容沉淀在个人而非组织、组织之间的资料流转不佳、重心在打单回收效率不佳等 因此在FineONE中，帆软将行业应用复用上升成公司级的战略，同时推出包括帆软市场，行业智库，应用数据源，本地的素材库等多个功能模块旨在让帆软的行业经验以更好的形式落地到客户的实际场景中。 a)行业智库 将帆软的行业经验，结合数据中心的载体，将其内化到产品里，再也不是PPT的形式。可以所见即所得，且可以快速基于指标和模板，搭出自己想要的DEMO，缩短交流对齐的周期。 b)帆软市场 我们将客户的常用的组件、模板、甚至解决方案，打包上传到帆软市场上，方便用户更好的参考。这一项目其实自2018年就开始构建，但之前仅仅是PPT的形式。在FBP中，我们做了一系列功能，包括资源导入导出，数据脱敏等让模板复用的效率极致提升。 c)应用数据源 用好BI的前提是对接数据，这项工作虽然简单，但极其繁琐，在FBP中，我们将常用的数据源进一步封装，包括SAP数据、用友NC、钉钉数据、飞书数据等等，如下图，可以“开箱即用” 3.统一资产门户 2022年之前，BI工具往往聚集在如何更好更快的生产出数据资产，但随着企业的数字化转型，很多企业已经走向第4个阶段——「数字平台化」，即如何将现有资产通过更好的治理发挥出更大的价值。 因此在FineONE中，自2023年开始，通过统一资产门户、通过流程管理，对产出的元数据梳理，治理条约的整合，全生命周期的管理等等，将以前通过自服务产生的内容，更好地发布出去，将资产价值最大化。沉淀从数据到应用管理体系，提升业务用户找资产、用资产的效率，提升面向管理用户的运营运维能力。 4.统一数据中心 强大的消费层必须得依赖统一的数据层，帆软在FBP中将多产品的数据层能力融合到一起，包括数据目录、指标模型、数据管理、数据开发、数据服务、运维中心等，如下图： 5.帆软统一数据中心有如下几个优势： 消费层的统一数据层，天然解决统一数据口径、数据权限等问题： 原先中帆软生态里，FR和BI的数据来源不同，带来阻碍和困惑，FR的数据权限该如何控制？FR和BI的数据计算方式不一致，如何保证数据一致性？数据变更后上述问题变得更为严重。 同时，又可以通过数据服务的能力，可以将统一的数据层辐射至其他场景。 IT复杂标准构建与业务灵活自助完美结合： IT和业务的配合是企业数字化建设中最大的难题，甚至没有之一。 传统IT模式标准但复杂，导致开发周期极长，大大提高了数据使用的门槛。 敏捷BI模式自由简单但缺少管理，虽然极大的激发了业务使用的潜力，但数据处理的不规范和随意，使得系统在性能、存储空间、更新时长、口径混乱上有极大的风险。 FineONE中将两者完美结合，即支持业务类Excel式的数据处理，又支持复杂的ETL开发，维度建模。 全链路血缘带来的无限可能： 由于FineONE将自数据的ETL开发、模型、指标、组件到模板，全链路血缘进行整合，我们可以基于此架构带来无限可能。 一张看板里到底用了哪些指标？ 一张看板里的某个具体的指标，到底是怎么来的？其背后的含义是什么？ 一个指标到底用在了哪些看板里面？指标改动后会影响那些看板？ 基于血缘，判断哪些指标是常用的，哪些直连可以物化。 当数据错误时，可以基于全链路血缘进行排错。 6.统一运维管理 随着BI系统的复杂度提升，拿帆软的工具举例，既有消费层的FineReport、FineBI，又有数据层的FineDatalink，同时还有引擎和存储的架构升级，包括了当前的存算分离的架构，及未来的MPP架构的引入。无疑给系统的运维管理提出了极大的挑战： 我们在享受私有部署带来的安全自由的同时，又不得不应对如上挑战。因此，FBP通过帆软统一运维平台，将帆软应用整个运维链路中的问题（从部署到运维管理，到监控告警，到故障问题快速处理）通过可视化的形式最低成本的解决。 本文摘录于帆软最新《商业智能应用白皮书 5.0》 本白皮书对170多位企业CIO、CTO、数据管理负责人或拥有同等职责的IT负责人的调研，了解IT管理者对BI的应用情况、价值诉求、技术需求、主要参考因素。通过对调查情况分析，深度洞察BI现状和发挥数据应用价值的关键，并基于此提出专业建议，以帮助企业推动决策改善、推进企业数字化转型，白皮书中不少观点可以给大家来年数据工作立项带来一些参考。

BI如何帮助企业提效：实现数据化决策 数据就在那里，可是要拿来用于决策，中间还有几个问题需要解决 让数据规范起来 很多企业的数据是混乱的，甚至夹杂着大量的错误的、无效的数据，这样的数据是没有办法用于决策的。 让数据可以看到 明细数据无法被阅读和理解，而将数据按照对应的维度和指标来展示就有了它的意义，如果匹配上合适的图表，数据将具备更好的可读性，也能够表达出更丰富的业务意义。图表与数据的结合是一项专门的科学，其内容十分丰富，对于企业的数据分析用户来说是一个非常值得深入研究的领域。 让数据可以被编辑 既然数据已经是规范的、可用的，还需要对它再编辑吗？所谓：“道生一，一生二，二生三，三生万物”。数据是死的，但业务却是活的，面对复杂的经营环境，业务则不仅是活的，更是灵活的，半部论语治天下的时代已经过去了。所以数据需要能够被编辑，能够基于固定的原始数据衍生出无限的可能，应对任何复杂的业务需要。 足够简单和高效 如果说前三个需要是在“画龙”，这一条则是“点睛”。前文已经介绍，现如今企业内需要的决策不是有限的一两个，而是每天都有大量的决策。另一方面企业不是面对固定的问题来决策，业务问题是灵活多变的。如此环境，非简单高效之工具不能解决问题。简单和高效不仅仅是对于企业的宏观层面，同时也是对于用户每一个分析过程体验的微观层面。 BI就是要解决以上四个问题，从而能够让企业实现数据决策，提升企业的效率。 这是BI的逻辑，但这也还只是BI的基础能力。企业可以用BI解决1个问题，也可以解决1w个问题，可以解决1个人的问题，也可以解决1w个人的问题，虽然都是在使用BI解决企业的问题，但给企业带来的价值却有着天壤之别。企业使用BI能够给企业带来多大的价值，能够给企业提高多少的效率，这不仅是企业自身管理水平的问题，也是BI工具水平的问题。好的BI工具要有最低的推广门槛，也要有最低的使用成本，这可以降低企业推广的难度，降低用户分析的难度，让企业以极低的成本实现数据化决策，这才能让大多数企业获得成功。 下文中将以帆软FineBI产品为例，具体剖析FineBI如何帮助企业解决上述四个问题。 FineBI产品特点：多维度夯实BI价值 FineBI的产品功能：分解成八个维度 BI要帮助企业实现基于数据进行决策，中间有一些问题必须要解决，这决定了BI产品的基础形态。在此之外，BI不能仅仅满足于只解决一两个问题，我们知道企业内有很多决策要做，其中只有一两个决策基于数据和全面实现数据化决策是两种概念。BI的使命是要让企业实现全面的数据化决策，是要给企业创造最大的价值，那这就决定了BI产品的发展方向势必要解决上述企业面临的4个问题： BI产品会有很多的功能，但并不是散乱随意的，我将BI的产品功能划分为了8个维度，而这8个维度与上文的四个方向形成了一定的对应关系，具体如下： 当然，以上的逻辑图只是一个简单的呈现，产品的几个维度彼此之间并不完全独立。例如产品数据分析能力的提升不仅仅可以帮助企业里的更多数据被看到，也可以帮助让更多的数据可以被编辑。 8个维度具体的解释及相应的FineBI功能设计如下： 1.完整数据规范管理 用户能够分析好数据的基础是有一份高质量的数据可以使用。规范数据却一直是企业数据建设的难题，企业数据量大且庞杂，数据的一致性、准确性、完整性等面临着巨大的挑战。因此产生了很多方法和工具来帮助企业规范数据，比如数仓建设方法Inmon和Kimball模型、比如后期衍生的数据中台建设方法论等等。BI应用越深的领域，所产生的分析需求也越多，数据质量的要求也越高，因此BI工具是否具有规范数据的能力就越重要。 FineBI做了什么 FineBI提供了丰富的数据管理方法，尤其在今年我们将进一步完善数据建设能力，包括模型建设和管理、指标管理、维度关联、全局血缘分析等等。基于以上能力我们将提供完整的数据规范管理解决方案，帮助客户建设规范的数据平台，支撑数据的分析和展示。 2.稳定安全可靠的系统 这是所有ToB产品的基础要求。所有用户都会有产品确定性和安全性的要求，一个稳定的系统才是可控的，才能够让用户放心地使用。 FineBI做了什么 FineBI为了系统的稳定安全可靠做了大量的工作，比如我们做的集群架构、存算分离架构、服务拆分以及运维平台等等都围绕着这一目标。 3.高效的性能 第一，用户查看、分析数据时，产品要有快速的反应，这是效率的体现。 第二，面对庞大数据量时，产品依然有高效率的表现。这些就是对产品高性能的要求。 FineBI做了什么 纵观国内所有的BI厂商，FineBI应该是在这一维度投入最大的。我们研发了自己的引擎，并且我们的引擎经过了几个版本的迭代，可以在亿级别的数据量上有着非常优秀的性能体验。此外，我们自研的引擎相比通用引擎有着一个巨大的优势，那就是可以和数据分析的场景进行很好的结合。FineBI能够识别出最重要的一些场景，智能地调节计算资源，正如苹果软硬件结合的设计能够给到用户最佳的体验一样，引擎和产品的深度结合也会给企业给用户带来最佳的体验，这种体验是其他和通用引擎结合的BI所无法提供的。 4.完善的系统管理 核心是系统的用户管理和资源管理，具体包括用户管理、权限管理、安全管理、任务管理等等。我们要让更多用户使用产品，但用户越多，系统所产生的所占用的资源也就越多，系统管理就是去实现系统整体不随着用户使用的增多而变得更复杂或是更混乱这一目标，从而保证每一个用户都能用得舒服。 FineBI做了什么 FineBI在基础的系统管理能力上是十分完善的，例如内置的用户和数据权限体系能够满足集团级管理需求。同时FineBI的运维平台能够实现对系统资源的管理监控，包括负载、网络、内存等等情况。 5.强大的数据分析能力 一份数据能挖掘出多大的价值，就非常依赖产品的分析能力。一份数据，只能原封不动的将其展示出来，这就是没有分析能力，只有展示能力；一份数据，能够加工成任何用户所需要的数据或子表，这就是产品强大分析能力的体现。强大的分析能力能够让用户看的更深、看的更远，这也是数据决策的核心体现。 FineBI做了什么 FineBI打造了数据分析“三大件”的分析能力体系，数据编辑+主题模型+分析函数的结合能够让用户获得任何他需要的数据结果，能够解决任何复杂的数据需求，可以说我们基于数据分析“三大件”从而具备了最完整和强大的分析能力体系。 6.丰富美观的可视化展示 简单说就是将数据转换成图形或图像并允许用户进行交互处理。对于一些业务场景而言，饼图就是最直观的展示方式，而有些业务场景只有通过散点图才能发现其中的问题，丰富的可视化展示能力可以显著提升用户数据解读的效率。 FineBI做了什么 我们提供以规则为基础的图形展示能力，相比于图表类型的穷举方案，基于规则配置，通过不同规则的组合可以实现极为丰富的展示图表。 7.更多的数据应用场景 数据能用来做什么？分析数据，对数据进行可视化，这是BI的基础能力，在这些基础能力上可以衍生出更多具体的数据应用场景，例如数据的预测、数据的问答、数据的解读等等。这一维度上目前大多数BI产品处于同一水平。 FineBI做了什么 FineBI目前已经更新了数据问答、数据解释两种应用场景，此外我们在数据协作分析场景上有完善的功能提供。 8.易学易用的产品 基于数据决策是要提升企业效率的，但用户完成某个分析却要很高的成本是不行的。只有低成本的分析，才能让用户愿意持续使用，所以产品的易用性易学性，不仅仅是提高用户自身分析效率这么简单，它也是企业数据化决策推广的重要条件。 FineBI做了什么 结构上，在FineBI6.0之后，我们优化了我们的分析路径，让用户实现在一个主题内沉浸式地进行完整的数据分析，从而具备更高的分析效率。具体设计上，我们每一个设计都特别关注到产品功能上的易用性，例如在数据编辑里的每个功能设计，都能够让毫无数据分析基础的用户完成非常复杂的分析。我们也会不断回顾产品的历史设计，对不易用的功能进行不断的重构和迭代，例如近期FineBI过滤层级方面的重构。 FineBI的优势：强大的性能与分析能力 BI产品的基本形态是相似的，例如系统管理能力、一定的数据分析能力、可视化能力等这些基础能力是所有产品都具备的，在这些基础能力之外不同产品之间也有一定功能上的差异。 总的来说，FineBI在两个功能维度上具有最大的优势 高效的性能： 正如前文所述，帆软长期坚持自研分析引擎，并且进行了多个版本的迭代。因此FineBI的引擎不仅仅可以支撑超大数据量的高性能分析，并且能够智能匹配BI的分析场景，使得我们的产品具备了最佳的分析体验。最明显的体现是我们的引擎能够实现分析过程的高性能体验，而市面上其他大部分的引擎都只能支撑对一个固定的结果进行计算。市面上其他的BI产品面对分析过程只能选择局部数据计算，或者放弃分析过程中实时结果的反馈，这样会增加用户分析过程中抽象化思考的负担，从而增大用户分析的难度。 强大的数据分析能力： 很多BI产品将它们的分析能力集中在可视化功能上，而忽视了分析能力的建设，这是一种取巧的做法。产品专注于提高其可视化能力可以在短期内快速看到价值，但面对用户复杂的分析需求时就会显得无力，而FineBI则是系统性地设计了产品的分析能力，并以此形成了独特的基础结构。FineBI不仅能解决用户刚刚使用产品时的一些简单的问题，也能够解决用户深入使用产品之后想要解决的更复杂、更深入的问题。 整体上而言，FineBI相比起其他的产品，更加重视产品自身内功的建设，无论是底层的引擎建设还是产品分析能力的开发都需要巨大的投入，然而这两个维度的投入并不如可视化模块的投入那样可以快速地体现。 但是我们清楚地知道这是企业需要的核心能力，随着企业面对的分析问题的多样化和复杂化，随着企业使用BI功能的深入，产品的引擎和分析能力的价值就会愈发凸显出来。 当然，这些优势只是某一时刻的状态，FineBI还在继续发展。如前文所述，我们在数据规范建设、系统的稳定性等等各个维度都有着巨大的投入，未来一段时间内这些维度上的产品功能都将会有巨大的提升。 FineBI的发展方向：万变不离其宗 所谓万变不离其宗，FineBI的发展不会改变BI产品本身的定位，而是寻求更高的效率。从目前来看，BI的未来发展也离不开上述几个维度。 1.稳定安全可靠的系统 FineBI发展方向：很多人说BI不是业务系统，稳定性要求不如业务系统高，个人并不认同这一观点。随着BI被企业的应用范围越来越广，它对业务的影响范围也随之增大，它的稳定与否也时刻影响着企业的业务安全。在这一维度上FineBI仍有很大的发展空间，即便帆软已经做了很多功课，但我们还要进一步追求更高的目标。今年帆软将围绕着防宕机对FineBI做更多的优化，我们会系统性地梳理所有可能引发宕机风险的问题并将其根除。 2.高效的性能 FineBI发展方向：对于一般的产品而言，性能当然是越快越好。但是对于BI产品来说，更快的性能不是锦上添花，而是必不可少。企业的数据量越来越大，数据决策越来越多，数据分析的场景也会越来越复杂，这些都给引擎带来了巨大的压力，一款优秀的BI产品必须要拥有一颗强大的心脏。FineBI在亿级别的数据量处理上已经有着非常优秀的性能体验，但帆软对产品的性能和支撑的数据量还有更高的追求。我们今年将会对FineBI引擎进行进一步的升级，从而实现在十亿数据量级别上的高性能体验。 3.完善的系统管理 FineBI发展方向：我们今年会新增资源控制管理功能，从而避免用户无序使用进而浪费企业内有限资源的情况。同时我们会进一步完善资源使用情况的监控，方便企业对无效资源和风险操作的管控。 4.强大的数据分析能力 FineBI发展方向：在这一维度上FineBI目前的能力是比较完善的，而未来我们需要进一步完善的是具体功能上的细节，从而进一步降低分析的成本。比如完善模型的多事实多维度能力、完善窗口计算能力等。 5.丰富美观的可视化展示 FineBI发展方向：FineBI目前具备的图表类型很完善，但相对弱势之处在于，基于规则的配置相比基于穷举的方案的学习成本要高一些，这是我们接下来需要解决的方向。 6.易学易用的产品 FineBI发展方向：新的技术将为产品易学易用性带来新的变革：这里所说的新技术便是AI。AI的出现给我们的工作生活带来了许多新的可能，通过AI技术的融合能够让BI使用变得更加简单和高效。或许用户不需要学习大量的工具知识也能做好分析，或许用户即便不懂数据也能够用好数据来解决业务问题......总之，AI的出现带来了很多可能，对于BI产品来说也是一样，AI技术的结合将是下一代BI的必备能力。除了新技术的应用，产品易用性的升级探索是永无止境的。今年我们将针对FineBI的图表配置易用性、函数编写易用性等方面做进一步的优化和改进。 本文摘录于帆软最新《商业智能应用白皮书 5.0》 本白皮书对170多位企业CIO、CTO、数据管理负责人或拥有同等职责的IT负责人的调研，了解IT管理者对BI的应用情况、价值诉求、技术需求、主要参考因素。通过对调查情况分析，深度洞察BI现状和发挥数据应用价值的关键，并基于此提出专业建议，以帮助企业推动决策改善、推进企业数字化转型，白皮书中不少观点可以给大家来年数据工作立项带来一些参考。