找回密码
 立即注册

QQ登录

只需一步,快速开始

扫一扫,极速登录

请上传宽度大于 1200px,高度大于 164px 的封面图片
    调整图片尺寸与位置
    滚轮可以放大缩小图片尺寸,按住图片拖动可调整位置,多余的会自动被裁剪掉
取消
研究猿(uid:9)
学无止境,精益求精 职业资格认证:无
最近大火的「元宇宙」是什么?6000字详解
以下文章来源于腾讯技术工程 ,作者腾讯技术工程 最近【元宇宙】这个词实在是太火了,很多群里都能看到有关它的讨论,今天就来分享一篇详解元宇宙相关文章。 作者:腾讯技术工程特约撰稿人 李佳华 本文将介绍元宇宙的由来和底层技术,探讨海内外资本在这条赛道上的布局,元宇宙将会对哪些行业产生变革的影响,这些影响背后凸显了元宇宙的哪些价值,以及元宇宙逐步实现的过程中监管如何涵盖其伦理边界。 如果问当下最火的概念是什么,那必然是元宇宙。 元宇宙到底有多火,对互联网行业有多重要?从 Facebook 创始人兼首席执行官马克·扎克伯格近日的一段采访中可窥知一二。在 The Verge 的专访里,这家世界最大的社交平台掌舵者表示:希望在未来用 5 年左右的时间,将 Facebook 打造为一家元宇宙公司。 元宇宙概念的火爆还体现在,今年的 ChinaJoy 上有关元宇宙的发言屡见报端、连芯片巨头英伟达也忍不住“蹭热点”,等等。 那么问题来了,元宇宙到底是什么?我们离它还有多远?   什么是元宇宙? 元宇宙的英语是 Metaverse,Meta 表示“超越”、“元”, verse 表示“宇宙 universe”。   这个概念最早出现在 1992 年尼尔·斯蒂芬森的科幻小说《雪崩》当中,小说描绘了一个平行于现实世界的虚拟数字世界,在这里,人们用数字化身来控制并相互竞争以提高自己的地位,到现在看来,描述的还是超前的未来世界。 2018 年斯皮尔伯格导演的科幻电影《头号玩家》,被认为是目前最符合《雪崩》中描述的“元宇宙”形态。在电影中,男主角带上 VR 头盔后,瞬间就能进入自己设计的另一个极其逼真的虚拟游戏世界——“绿洲”(Oasis)。在《头号玩家》设定的“绿洲”场景里,有一个完整运行的虚拟社会形态,包含各行各业的无数数字内容、数字产品等,虚拟人格可以在其中进行价值交换。 如果说这些“元宇宙”都还存在于小说和电影中,那么在今年 3 月被称作“元宇宙”第一股的 Roblox 成功在纽交所上市,则似乎意味着这个虚拟世界想走向现实。 这也被外界认为是今年元宇宙概念爆发的起点。 Roblox 成立于 2004 年,是一家在线游戏创作社区公司。2011 年上线 iOS,2014 年上线 Android。2019 年,Roblox 的社区玩家 MAU 过亿,累计有千万名创作者使用过 Roblox 提供的工具来开发游戏。相比于其他大多数游戏,Roblox 中的游戏能够自己定义角色,同时着重满足玩家社交需求的设计,也拥有一套游戏内的经济系统。 在 Roblox 的招股书里,对元宇宙有更具体的描述,这家公司认为一个真正的元宇宙产品应该拥有 8 个属性:身份、朋友、沉浸感、低延迟、多元化、随地、经济系统和文明。 具体属性解释如下: 身份:拥有一个虚拟身份,无论与现实身份有没有相关性。 朋友:在元宇宙当中拥有朋友,可以社交,无论在现实中是否认识。 沉浸感:能够沉浸在元宇宙的体验当中,忽略其他的一切。 低延迟:元宇宙中的一切都是同步发生的,没有异步性或延迟性。 多元化:元宇宙提供多种丰富内容,包括玩法、道具、美术素材等。 随地:可以使用任何设备登录元宇宙,随时随地沉浸其中。 经济系统:与任何复杂的大型游戏一样,元宇宙应该有自己的经济系统。 文明:元宇宙应该是一种虚拟的文明。 元宇宙概念为何在今年爆发? Roblox 对元宇宙概念的阐述虽然更加具体,但要素众多,每个要素背后,还有着一连串的解释。这也说明这一概念的模糊性。 然而这不妨碍元宇宙成为一个好的故事。Roblox3 月份上市后,其市值达到 400 亿美元,相比 1 年前 40 亿美元的估值暴涨了 10 倍。App Annie 发布的全球热门游戏收入排名显示,7 月 Roblox 继续蝉联冠军宝座。 恰恰是因为元宇宙概念目前没有一个简单、具体的定义,吸引互联网公司们进入这个赛道,以自己的方式和理解去塑造、定义元宇宙。 4 月中旬,全球知名的游戏公司 Epic Games 融资 10 亿美元用于“元宇宙”相关业务开发,创下“元宇宙”赛道最高融资纪录。5 月,苹果公司以 1 亿美元收购虚拟现实公司 NextVR,以增强其在娱乐和体育领域的 VR 实力。7 月 29 日,在 Facebook 的季度盈利数据发布后,马克·扎克伯格着重强调了“把 Facebook 转变为‘元宇宙’公司的雄心”,并激活虚拟社区计划 Horizon。8 月 12 日,英伟达自曝,在其 4 月举行的发布会上,CEO 黄仁勋的演讲中有 14 秒由数字合成的“假人”代为出镜,被网友认为是元宇宙的体现,但事实还相去甚远。 在国内,号称要打造全年龄段元宇宙世界的 MeteApp 公司,在 Roblox 上市后拿到了 SIG 海纳亚洲资本领投的 1 亿美元 C 轮融资。字节跳动对游戏引擎研发商、“中国版 Roblox”代码乾坤进行了近 1 亿人民币战略投资。 资本的追逐只是观察元宇宙的一个切片。冷静下来思考一个问题,为什么元宇宙会在 2021 年火爆? 在需求侧,疫情的发展不断蚕食减弱人们在物理世界的联系,也加速了数字世界的完善,人们在虚拟空间中留存和交互的时间更多,对虚拟世界的需求和服务更加开放和认可。而在技术侧,随着 VR/AR、5G、AI 等技术的发展,让曾经科幻小说中的场景一一实现,为元宇宙描绘出一个可见的触摸门槛的机会。 我们离元宇宙还有多远? 虽然元宇宙描绘的未来很美好,大量的优秀公司加入元宇宙的建设,但在很多业内人士看来,目前仍处于一个萌芽初始阶段。 以“元宇宙第一股”为例,Roblox 的游戏画面也较为简单,与元宇宙里“逼真的物理世界”相去甚远。 华安证券在一份研报里表示,从产品形态上看,游戏是元宇宙的雏形,与元宇宙的成熟形态仍有较大差距。 从雏形到成熟的进化,技术提升是必经之路。 首先,通过 AR、VR 等交互技术提升游戏的沉浸感。未来,基于 VR、AR 为代表的人机交互技术的发展,由更加拟真、高频的人机交互方式承载的虚拟开放世界游戏。 第二,通过 5G、云计算技术支撑大规模用户同时在线,提升游戏的可进入性。元 宇宙是大规模的参与式媒介,交互用户数量将达到亿级。5G 和云计算等底层技术的进 步和普及,是未来突破游戏可进入性限制的关键。 第三,通过算法、算力提升驱动渲染模式升级,提升游戏的可触达性。目前,3A 游戏采用传统的终端渲染模式,受限于个人计算机 GPU 渲染能力,游戏的画面像素精细度距拟真效果仍有很大差距。 第四,通过区块链、AI 技术降低内容创作门槛,提升游戏的可延展性。目前游戏 UGC 创作领域编程门槛过高,创作的高定制化和易得性不可兼得,同时鲜有游戏具备闭环经济体。 技术只是第一关,要实现元宇宙还要迈过内容门槛,等真正成熟或将受市场、法律等因素的制约。 但作为真实物理世界补充和延展,元宇宙足够让人期待。让喜欢深度参与虚拟世界的人在数字场域遨游,喜欢现实物理世界的人在野外漫游,这或许就是元宇宙对于普通人的价值。 道阻且长,值得等待。 在搜集元宇宙的资料时,我们发现券商研究员、从业者、媒体等不同身份的人都表达了强调了元宇宙的重要性。华安证券在研报中表示“元宇宙是互联网的终极形态”;行业媒体竞核认为“Metaverse 是赋予技术生命能力的开始”;海外分析师表示,多个行业对元宇宙的投入将达到数万亿美元。 而透过元宇宙庞大的概念,看到其发展价值更为重要。研发工具 Beamable 公司创始人 Jon Radoff 于近期发文解析了元宇宙 Metaverse 的 7 层价值链,体验、发现、创作者经济、空间计算、去中心化、人机交互、基础设施。 其中体验层,Jon Radoff 认为元宇宙并不是 2D 或者 3D 形式,甚至都不一定是图形的形式存在,它更多的是物理空间、距离和物体之间不可阻挡的非物质化。比如,在一款游戏里,你可以梦想成为摇滚明星、绝地武士、赛车手或者任何能想象的角色。在物理空间举办的音乐会只能高价卖出前排的少数座位,但虚拟音乐会可以在每个人的周围产生一个个性化存在的平面,在这个平面上,你总能找到最好的座位。 这些提到的在线活动还涉及元宇宙体验的另一个方面:内容社区综合体。过去,消费者只是内容的消费者,现在,他们既是内容的创造者,又是内容的“放大器”,内容还可以再次产生内容。 发现层,体验催生出内容社区综合体的意义在于社区推动内容比大部分常规市场营销更高效。在元宇宙情境下,交换、交易、分享内容变得更容易而且更多元,这对所有创作者来说是增大曝光率的机会。 创作者经济,元宇宙里的体验会越来越现场化、社交化,并持续更新。到目前为止,元宇宙里的创作者都围绕 Roblox、Rec Room 和 Manticore 等集中式平台,在这些平台上,有一整套集成的工具、曝光率、社交网络和变现功能,赋予了许多人为其他人打造体验的能力。 去中心化,虽然电影《头号玩家》里的绿洲被认为与元宇宙十分贴近,但元宇宙的理想结构与绿洲由单一团体控制的结构相反。这样避免了中心的统治地位,因为元宇宙是由很多人创造,因此也应该由很多人共同拥有。 综上,元宇宙的核心价值在于,它将成为一个拥有极致沉浸体验、丰富内容生态、超时空的社交体系、虚实交互的经济系统,能映射现实人类社会文明的超大型数字社区。 元宇宙将改变哪些行业? 从元宇宙的价值以及目前的技术情况来看,元宇宙最具现实意义的表现形式体现在泛娱乐行业,特别是游戏有望成为元宇宙概念下最早落地的场景。 目前市场上已经出现一系列基于游戏内核的沉浸式场景体验。美国著名歌手 Travis Scott 在游戏《堡垒之夜》中举办虚拟演唱会,全球 1230 万游戏玩家成为虚拟演唱会观众;加州大学伯克利分校在《Minecraft》重现校园,毕业生以虚拟形象线上场景参加毕业典礼;顶级 AI 学术会议 ACAI 在任天堂《动物森友会》上举行 20 年研讨会,演讲者在游戏中播放 PPT 发表讲话。 上文中我们提到,在线游戏创作社区 Roblox 因为现象级的内容创作生态带来的游戏自由度和用户活跃度,成为现阶段公认的元宇宙雏形。随着市场对元宇宙认识的加深,游戏之于元宇宙更大的意义在于提供展现方式,是元宇宙搭建虚拟世界的底层逻辑。 与此同时,元宇宙概念的火热也吸引了无数游戏厂商的入局。在今年的 ChinaJoy 上有业内人士认为,元宇宙或成中小游戏厂商新的创意阵地。这意味元宇宙为游戏行业带来了新机会,但这是否会引起内卷或使游戏主题趋于同质化,需要持续关注。 随着技术的不断成熟,元宇宙的下一发展阶段是在数字化的世界中去重构现实中的社交、消费等多个方面。 在社交领域,Facebook CEO 扎克伯格日前表示,Facebook 已经组建了专门研发元宇宙的团队,并表示未来五年要从社交公司变成元宇宙公司。而事实上 Facebook 布局的时间要更早。2014 年,Facebook 以 20 亿美元高价收购了虚拟现实公司 Oculus。2019 年,Facebook 发布了 VR 社交平台——Facebook Horizon。目前来看,Horizon 在相当程度上带有元宇宙的影子。比如在 Horizon 中,用户可以创建角色,和朋友聚会、娱乐,而且每个人都有可以定义自己的形象,建立自己的活动。 扎克伯格的想象中,元宇宙会像最初的定义那样,真正成为现实世界的虚拟映射,通过虚拟世界,能够将朋友或同事远程送到你身边,和你在虚拟环境中共处一室,获得更强的空间感。 社交 App Soul 此前在 IPO 时,也提出了“社交元宇宙”的概念。Soul 在招股书上表示,其之所以能向社交元宇宙靠拢,是因为自己创造的虚拟世界中,用户能够沉浸感强、始终在线地进行娱乐、社交、消费等,并且有用户创造大量的 UGC 内容,成为其快速持续生长的原动力。例如,在 Soul 中用户可以通过群聊派对讨论、听音乐、学习等,也可以 在 Soul 中玩狼人杀等游戏,甚至通过 Giftmoji 为自己或他人购买现实中的商品。 在消费领域,随着元宇宙的到来,用户的消费体验或将迎来新的一波交互体验的升级。目前,新氧已经实现为用户提供 AR 检测脸型的服务,通过手机扫描脸部推算出适合每位用户的妆容发型护肤品等。得物 App 的 AR 虚拟试鞋功能允许用户只需要挑选自己喜欢的鞋型和颜色并 AR 试穿,看到鞋子上脚的效果。在 AR、VR、可穿戴设备、触觉传感等技术的带动下,更加沉浸式的消费或将成为常态。它不局限于购买衣服、鞋子等基本消费,AR 房屋装修、远程看房、甚至模拟旅游景点都将成为可能。 元宇宙的法律和监管问题 元宇宙可能对现实世界与虚拟世界带来的变革足够让人欣喜,但对待一个新技术、新概念,提前思考其技术能力和伦理边界也必不可少。 未来当人们朝着元宇宙逐步迈进的时候,技术限制、金融服务监管、侵犯知识产权等诸多现实问题也将伴其同行。Norton Rose Fulbright 国际律师事务所对元宇宙可能会引发的法律和监管问题进行了设想。 首先是数据安全。元宇宙涉及收集的个人数据的数量和种类丰富度将会是前所未有的,包括个人的生理反应、运动,甚至可能是脑波模式的信息。是否会有一个元宇宙的主要管理员收集并共享这些个人数据?如果用户的个人数据在元宇宙中被盗或被滥用,谁来负责?类目繁多的信息,应如何以及何时获取用户的同意?诸如此类问题,都是在元宇宙建设中应该考虑的。 其次是知识产权。元宇宙的内容创造是由多个人完成的,这就涉及到谁拥有知识产权的问题。共同著作权和共同所有权的规则本就是复杂的,在复杂的虚拟世界场景中,它们的应用将变得更加复杂,因为利益相关者极有可能会以团体的形式存在。同时,快速发展的元宇宙可能涉及元素的 “混搭”,以及将不同利益相关者拥有的知识产权结合在一起。知识产权许可中的传统风险分配以及使用条款将需要被重新审查。 此外,正如上文所说,元宇宙的一大价值在于创造新的营销形式,但如果营销的对象是儿童,如何获得许可成为问题。另外元宇宙的全球性和互操作性将不可避免地鼓励多个企业相互沟通和合作,以便为参与者提供更多的选择和更好的体验。但如果它们是竞争对手,元宇宙产品之间可能会引起反垄断问题。 虽然例举了元宇宙可能涉及的监管问题,但目前言之尚早。元宇宙带给人们更多是机会和期待,相信随着技术的推进,元宇宙的实现或将开启互联网的全真时代。 参考: 扎克伯格谈facebook未来:五年内将变成元宇宙公司 华安证券-元宇宙深度报告 脸书入局的元宇宙是什么? app annie:七月roblox继续蝉联收入榜冠军 chinajoy上的热词“元宇宙”到底是什么? 华安证券-元宇宙深度报告 100页metaverse研报:科技巨头内容硬科技新战事,腾讯网易字节押注未来 the metaverse value-chain metaverse元宇宙深度报告:创造独立于现实世界的虚拟数字世界 20年行业老兵:元宇宙或成中小游戏厂商新的创意阵地 facebook转型元宇宙,巨头持续布局 元宇宙专题研究报告:从体验出发,打破虚拟和现实的边界 the metaverse: the evolution of a universal digital platform 【END】
为什么IT和业务之间的矛盾日益激烈?4个观点深度解读
原文作者:Minda Zetlin 编译:商业智能研究   “贵公司的 IT 领导和高级业务主管对IT价值的理解是否相同?”   早在2012年,Capgemini 的研究人员就向 1,300 多名高级管理人员提出了这个问题,65%的人回答是。 近三分之二接受调查的人认为业务和 IT 处于同一认知层面,这是一个非常好的消息。它代表了时代的进步,当时企业高管将技术专业人士视为头脑敏锐的极客,而技术专业人士则将企业高管视为没有灵魂、痴迷于金钱。 然而,在过去的几年里,业务和 IT 之间的一致性已经变得非常糟糕。根据凯捷最新发布的一项研究,这两年被问到同样的问题时,只有 37% 的高管认为业务和 IT 领导都认可IT的价值。这还不是全部,只有 35% 的受访者认为 IT部门和业务主管就技术如何提高生产力达成一致,低于 2012 年的 59%。只有 36% 的受访者认为 IT部门和业务主管对 IT 投资优先事项有相同的看法,低于2012年的 53%。 业务与IT一致性的下降发生在 IT 领导们终于开始获得他们一直想要的“席位”的时代。无论商界领袖是否相信,他们都认识到技术在所有行业中都拥有改变游戏规则的力量——并且他们用支出来表达这种认可。目前,全球数字化转型技术的总支出已超过 1.5 万亿美元。 换句话说,在过去几年中,业务领导者以前所未有的方式重视 IT。与此同时,他们对管理 IT 人员的信任度下降。   所以,到底出了什么问题?   这个问题没有单一的答案,但这里有一些值得思考的解释——如果你想在你自己的组织中提高IT和业务的一致性,可以看看。 1. 变革的步伐对每个人来说都是艰难的 如今,技术创新的惊人速度给从事技术工作的 IT 领导者和员工带来了压力。因此,人们很容易忘记,快速的技术变革也给最高管理层的商业领袖带来了新的担忧——如果他们认为自己的组织有被老牌竞争对手或新的颠覆者抛在后面的风险,这种担忧可能会变成恐慌。 “技术变革的步伐比以往任何时候都更加引人注目,”视频会议公司 Zoom 的首席信息官兼毕马威 (KPMG) 的前首席信息官哈里·莫斯利 (Harry Moseley) 说。“狂热是我使用的词。我认为这种情况正在加剧,我认为一些企业在如何跟上步伐方面面临挑战——他们几乎是换气过度了。” 他解释说,这可能会导致业务与IT之间的不信任。“如果你是一名商业领袖,当其他人都在前进时,你觉得自己落后了,你会说,‘我需要更多的控制。我需要把手放在方向盘上,不能把它留给别人。”   与此同时,IT领导者们正在尽可能快地跟上加快创新的步伐。”医疗IT咨询公司Impact Advisors的副总裁亚当·塔林格(Adam Tallinger)说:“当今社会的变革步伐也让他们的注意力从维持这些业务关系和提高对IT领域发生的事情的可见性上转移了出来。”这些带来的动力微乎及微,当商业领袖要求数字化转型时,情况可能会变得更糟。在很多IT眼里“过去几年我们做了很多,已经筋疲力尽,现在你却要求更多。”他补充道。 IT 领导们无法减缓技术变革的步伐。但是,如果确保业务管理者始终完全了解 IT 正在做什么,就可以防止这种快速变化破坏业务与 IT 的关系。但超负荷的工作使得企业很容易跳过这一步。   Sapho的首席技术官、CBS Interactive的前首席信息官/首席技术官彼得•亚里德(Peter Yared)表示:“IT领域一直缺乏透明度。”随着成本开始攀升,这会产生很多不满,然后IT部门就不去花他们应该花的钱。“很多问题本可以通过更大的透明度得到解决。” 2. 坐在桌边创造新的挑战 “在 2000 年代,IT 一直在寻找一个'坐在桌边的位置',”Tallinger 说。过去,在重大项目或采购开始之前,IT 领导经常被排除在讨论之外。“过去通常都是,'IT,我们买了这个系统,现在你需要为我们安装。'”。然而,很多采购来的新系统从未被使用过。 现在情况发生了变化,因为 IT 领导者经常参与战略决策。IT 地位的不断提高可能会扰乱一些高管,因为它改变了权力平衡。“无论你在哪个行业,你都依赖于技术。对于每家公司来说,对技术的依赖比以往任何时候都更加重要。如果企业不能创造新的能力和预测技术,企业就会失败。因此,业务领导者虽然从技术角度不了解他们需要做什么,但认为自己需要在其中发挥重要作用。他们希望比以往任何时候都更能控制正在进行的工作。” Zoom的Moseley表示,CIO们在新技术方面能够更好地发挥领导作用。他说:“CIO处在一个令人难以置信的位置,能够360度地了解企业,不仅是前台,还有后台、人力资本、财务等等。”   因此,技术资深且拥有丰富经验和知识的 IT 领导者,与想要领导这项工作的业务高管之间存在冲突。   这就是为什么很多CIO都认为自己应该向 CEO 报告的重要原因。Moseley表示,“如果我是 CIO,我向 CEO 汇报,那么业务高管就是我的同事,我们可以进行平等良好的对话,因为我们坐在同一张桌子旁。” 而如果CIO 向 CFO 报告,则CIO就比业务管理者第一等级,这将导致IT成为一种支持职能。 3. IT 管理者缺乏沟通技巧 如果 CIO 和其他技术领导者重视“软”领导力和沟通技巧,他们就可以更好地利用他们在最高管理层中的新职位。但很多技术专业人士认为这些技巧是多余的。实际上,没有这些技能,IT 永远无法真正发挥作用。 SAS首席信息官基思•柯林斯(Keith Collins)表示,如果IT部门只是需求的接收方,业务想要什么,IT就做什么,那么IT永远只是支持的职能。要想脱离这种状态,IT 领导者需要擅长“需求塑造”——充分了解业务,成为一名顾问,并影响业务领导者,让他们提出IT能够做好并将产生最积极影响的项目。“如果你想开发能为企业带来营收的很酷的新东西,那么你最好擅长这一点,”他说。事实上,每个人都比以前在每个业务领域都更加精通技术,如果要进行需求塑造,则必须提高自身软实力。 成为更好的沟通者和顾问的一个重要部分是了解哪些指标对企业领导者重要,哪些不重要。通常,IT 报告的数据并不是他们的业务伙伴认为最引人注目的。数字体验监控公司 Catchpoint Systems 的产品和解决方案营销总监 Dawn Parzych 表示,业务和 IT 领导之间的权力斗争有时可能是由误解、沟通不畅和没有专注于同一目标造成的。   “用于衡量成功的指标在某些方面不断变化,”她说。“但在顶层,这些指标一直是一样的,而且永远是一样的——他们关心收入、运营效率和成本。当你观察单个部门和团队时,他们关注的是那些顶层关注的其他指标。但人们并不总是理解为什么这些指标如此重要。” 例如,她说,平均解决时间 (MTTR),即问题首次提交给帮助台或支持人员到问题得到解决之间的时间度量。Parzych 说,MTTR 是 IT 人员关注的指标之一。“'我们已经把这个数字降低了,我们解决问题的速度比以前快了,'”她说。“但由于他们这样做的方式,可能会出现更多问题。公司领导关心的数字没有改变,但因为他们专注于 MTTR,他们没有看到更大的图景。” 因此,IT 领导可以通过透彻了解企业目标来改善与业务之间的关系,然后诚实地向下传达这些目标,并设计IT团队衡量的指标如何映射回这些目标。” 4. 数字化转型标志着熟悉周期的新阶段 因此,也许随着业务和 IT 领导者再次认识到改善沟通的必要性,关系将恢复到以前的水平。“所有有机系统都有循环,”柯林斯说。“随着我们的发展,这是一个稳步前进。”   他补充说,IT 与业务的关系已经经历了几个周期。“打个比方,我们都在主机上,你别无选择。业务部门负责自己的技术预算。但是后来失去了控制,所以我们再次经历了中心化。然后软件即服务出现了,每个人都有自己的预算。因为我们所有的数据都是孤立的,所以我们无法完全了解正在发生的事情。因此,我们看到人们理解 IT 的新角色是保护企业并进行所有将数据整合在一起的集成。” 他补充说,商业领袖对 IT 的新关注是当今数字化转型趋势的根源。“因为现在每个人都意识到他们的业务运行在技术之上,而且你无法暂停。无论企业是否制定了数字化转型战略,都被迫处于其中。”   换句话说,业务面临的风险比以往任何时候都高,而这些高风险可能解释了为什么业务和 IT 不像以前那么同步。“每个人都凭直觉知道没有技术他们就无法运行了,”他说。“没有它,就无法开展业务并具有竞争力。每个企业都在为自己定义如何将技术转化为某种竞争价值,而IT和业务的领导者都想掌舵发展方向,这就是斗争的地方。” 【END】 编辑于 2021-9-13 09:54
后MES时代,已悄然来临
作者|风陵渡0426 MES行业地位 ERP、PDM与MES是企业信息化的三驾马车,其重要地位不可动摇。有一次前往某制造企业,信息化主任侃侃而谈:需要给领导做看板、做各种业务的展示报表,认为企业最大的问题是数据无法上传给上层领导,所以大家给的都是运营决策中心的解决方案,很显然这种项目定位会被打回,因为虽然客户的直接需求是数据看板,但仔细看待这个企业:只有ERP系统,当然这个现状也是国内中小企业的缩影,他们基本上把用的是用友ERP、金蝶ERP或者是金大中;而且这类业务是绝对以生产为核心的,因为PDM对他们来说并不是刚需,但MES是。 虽然客户的语言无时无刻都将我们引导到BI系统,但是鉴于企业的信息化特征,我们其实可以大胆猜测,他们提出所有的信息化需求其实是MES的隐含内容,即生产数据缺失,无法及时了解生产进度。而且我们可以大胆的总结,MES是智能制造信息化系统的核心,而且没有之一。 再完美的MES也不是业务的尽头 当生产企业还没有MES系统做支撑的时候,提出的任何需求都有很大一部分是以MES为主体进行拓展的,MES是智能工厂的必备起点,但并不是最后的重点,而且个人认为任何项目都是没有尽头的,比如三国时期人人梦想日行千里的赤兔马,如今高铁四五个小时就可以行千里路了,可是人们满足了吗,因为项目的需求是没有无穷尽的。所以即使MES项目再成功,投入再大,最终的结果是会导致主要矛盾逐渐转移,逐渐进入后MES时代。 后MES时代的导航 目前按照国家的定位,智能制造大致上的方向分为:协同生产、绿色制造、科学决策、安全生产、数字研发,这些业务除了数字研发之外无不在MES的业务范围之内,所以也为后MES时代提供了一些可供参考的方向。国家之前为了GDP部分业务野蛮式增加的情况将不复存在,对于绿色、安全以及质量的把握会逐渐加强,而且同时迫切希望在生产高质量产品的同时增加更多的价值。福特之前说过:”不管你需要什么颜色的车,我们只有黑色“,如果他现在还是这种态度,福特汽车将会死的很惨。因为类似于汽车这种产能过剩的行业,通过MES、SCM等实现网络化协同生产的同时,已经开始重点放在了个性化定制、售后服务延伸等方向,如果说网络化协同是为了降低成本,那么个性化定制、售后服务延伸则完全是为了增加新的利润点。 后MES时代的发展 “历史是任人打扮的小姑娘”,信息化系统又何曾不是呢,很显然MES已经无法解决生产企业生产管控的所有的业务需求,那么下一步何去何从其实取决于各个企业的定位,很显然这种功能点组合式的项目也是信息化的常态,比如世界上并没有完全一样的ERP系统,都只是业务功能的集合,按照资源、生产等业务划分大致的区别。 当90-10年代主要以产品为核心,向各个企业销售CAD、CAE软件即可,而到了10-20年代以项目为核心的诸如ERP、MES等的信息化系统如沐春风,但明显到了20年之后这种项目会逐渐减少,当20年之后你再去仅仅只是讲一讲MES很显然会被客户嗤之以鼻,因为有钱的企业基本上ERP、MES与PDM已经全部上线,没有钱的企业基本上在信息化领域投资甚少;所以当来到20年之后,一言不合就需要常驻客户那体验生活、详细调研,因为所有的项目都是以解决方案为牵引,一手交钱一手交货的阶段已经不适合20年后的B端客户。 日暮乡关何处是? 虽然后MES时代并没有确定的解决方案,而且后MES时代完成的并不是MES项目,但是技术人员对于制造业务的了解并不能缺失,因为我们之前也提及MES系统是智能制造的信息化核心,这点不会改变。MES其实是一个IT与IE结合,IE指的是精益生产等一系列管理制度,也就是说是工具与理念的结合体,但往往事与愿违,许多中国企业并不重视IE,工厂规划设计并不会预留IE的规划费用,但是貌似结果并不太影响,因为以数据为驱动的精细管理也能够解决一部分问题。       经过IT与IE的闹剧之后,MES的走向会发生更改,更多会变成IT与OT的结合,以OT的手段去释放一部分MES人为录入的劳动,同时增加MES数据的真实性。MES的业务基本上包含生产计划、生产调度、生产执行、生产保障、生产资源、生产质量与生产决策,几乎每一个部分都包含可以深化的业务点。比如生产计划能够以APS来代替形成自动排产,生产执行可以通过自动化改造进一步提升黑盒工厂的自动化能力,生产资源可以构建专家知识库,以VR、AR形式跨空间合作,生产质量更是大有可为,通过机器视觉自动判断质量问题,告别人工判断的窘境,在某些项目上见到过四个人同时观察某颜色,三个人认可颜色之后方为合格,机器视觉完全可以解决这类问题,而且质量分析、质量追溯等内容如果都放在MES之上显然MES会不胜其负;生产决策也是可以深化的业务点,因为个人不止一次见到车间主任看物料信息在ERP系统,看进度信息在MES系统,看工艺信息在PDM系统,因为一个纯粹的MES系统的信息并不全面,所以将各类数据进行汇总给出个性化的数据,以数据驱动进行生产的科学决策将是方向之一。          综合来讲,MES的优化空间比较大,但是不能动其根本,MES当中运行的基本业务是稳定的,也就是说后MES时代将MES系统不仅仅是一个业务系统,更多的是承担一种平台作用,或者说利用双态IT形式来进行后MES时代的服务。传统的IT系统因为相对业务比较稳定、行业规范成熟、流程基本固定,沿用稳态IT来构建信息化系统,用于规避不必要的风险;对于商业模型还未成熟需要频繁试错的业务,比如VR远程维修则可以利用敏态IT实现3-5天系统快速上线,并根据市场的反应进行快速迭代优化。     围城之外的新天地 如果说计划、执行、质量、保障是MES系统城内的四面城墙,那么绿色制造、安全生产则是围城之外的花花世界,除了在MES的基础之上,如今人命关天已经不是之前可以牺牲质量发展数量的时间段了,通过UWB及时了解工人行踪,危险区域长时间逗留自动报警,通过机器视觉自动判断工人标准化作业等。 综合来看,MES时代基本上仅仅是通过人工录入的形式将生产各个部门的信息打通,但是信息的质量、查看的方式以及信息录入的强度基本上已经无暇顾及,所以会重点最大限度的汇聚各类业务数据辅助生产决策,单点业务会降低信息的录入强度,实现最大限度的数据分析与追溯为核心,同时在业务的应用侧以数据为基础,通过算法代替人工判断为主的,代替一部分人工劳动。还是那句话,信息化建设类似吸毒,只要有资金来源需求将永不终止。 【END】
大数据领域全景解析
全文共6034个字,建议阅读16分钟 00 什么是数据 数据是一种对客观事物的逻辑归纳,是事实或观察的结果。随着科学技术的发展,数据的概念内涵越来越广泛包括数值,文本,声音,图像,视频。常见的数据有三种分类,分别是结构属性分类、连续性特征分类与测量尺度分类。 根据数据存储形式的不同,数据可以分为结构化数据与分结构化数据两种,它们不仅存储形式不同,在数据处理和数据分析的方法上也大相径庭。 结构化数据:成熟数据库所存储的数据类型,如企业ERP数据、企业财务系统数据、政府市民卡数据等,能够存储在数据库中的数据能够很方便的进行检索、分析和展示使用; 非结构化数据:相对于结构化数据而言,非结构化数据没有统一的规则,涉及到了音视频、图片、文本等形式,例如爬虫抓取的新闻数据、SDK采集的日志数据等,需要通过一定的方法,将这都些数据量化为结构化数据,才能够进行有效的分析。 根据数据连续的属性不同,数据又可以分为连续型数据与离散型数据。连续型数据与离散型数据的区别,可以用线、点来区分理解。 连续型数据:数据的取值从理论上讲是不间断的,在任意区间内都可以无限取值。例如商品的价格、水果的重量等。 离散型数据:离散型数据也被成为不连续数据,取值是中立的,例如AA制聚餐,3个人花费100元,那么人均就是33.333……元,无法做到绝对平均。 数据的测量尺度分类,可以理解为一种测量工具,像尺子那样刻画数据的精细度。 定类数据:特征数据仅能标记事物的类别,无法描述大小、高度、重量等信息,例如工业产品分类中的零食、日化等区分; 定序数据:能够对事物进行分类,比较事物之间的大小差异,但不能做四则运算,例如考试成绩的排名; 定距数据:由定距尺度计量形成的,表现为数值,可以进行加减运算,是对事物进行精确描述的数据,但不能做乘除运算,例如高考的总分,是分科得分的加和; 定比数据:数据的最高级,既有测量单位,也有绝对零点(可以取值为0),可以做乘除运算,如商品的销售额。 01 数据统计的要素 数据的统计过程,主要是为了更好的体现数据的流转过程,而数据统计的要素,就在于如何清晰的描述这个过程。 第一个要素是:统计主体,统计的业务属性。统计主体指数据需要描述或分析的对象,以及该对象所涉及到的所有过程的集合。例如在电商系统中,需要描述交易的整个过程,包括商品、下单、支付、退换货等过程,那么订单就可以作为这个过程中的统计主体,串联起整个过程。需要注意的是,统计主体可以是人,也可以是物、甚至可以是任何抽象出来的概念。 第二个要素是:统计维度,统计的空间属性。维度是维度建模最重要的建设项目,是描述平台表及业务过程的重要表述方式。在大数据领域,统计维度通常来自于业务概念的抽象,比如商品类目、属性等信息。对于一张汇总层的表来说,除了统计指标,其余所有的信息,都可以看作是统计维度。 第三个要素是:统计周期,统计的时间属性。包括时间粒度、生命周期等过程,可以是实时发生的事实,也可以是按时间进行累计的事实。通常统计周期有小时、日、周、季度、年的区分。   第四个要素是:统计指标,统计的行为度量。一般由指标名称和指标数值两部分组成,在维度建模中提倡的方式是:指标=原子指标+派生指标+业务限定+统计周期+维度。 02 大数据的应用方向 架构方向 大数据领域的架构方向偏重于Hadoop、Spark、Flink等主流框架的实现、调优、部署等工作,同时配合Hive、HBase、ClickHouse等查询工具,实现软硬件资源利用率的最大化,并提供稳定可靠的数据服务。 这个领域的关键词如下: 架构理论:分布式、高并发、高可用、并行计算等; 架构框架:Hadoop、Spark、Flink、Kafka等; 架构应用:Hive、HBase、Cassandra、Presto、ClickHouse等。 数仓方向 数仓方向遵循的是维度建模理论,注重数据统计流程的构建、洞察数据与业务的价值联系等。这个方向会将数据架构、数据库开发、可视化呈现、数据产品与运营串联起来。 这个领域的关键词如下:   数据建模:维度建模、范式建模等; 数据ETL:Flume、Kafka、RDBMS、NoSQL、Hive等; 数据可视化:HightCharts、ECharts、Tableau等。 分析方向 数据分析更多的偏向数据指标体系的建立,通过统计学原理、深度挖掘和机器学习等方法,探索数据与数据之间的联系,洞察对未来事物的预测和预判。 这个领域的关键词如下:   数据统计:指标体系、推断分析、回归分析等; 数据洞察:数据挖掘、机器学习、协同过滤等; 数据加工:Python、SQL、ETL等 03 大数据的计算过程 阶段一:数据采集 数据采集特指从外部系统采集数据,并导入到数据存储系统的过程,主要分为Web端日志采集、客户端日志采集、数据库同步三个方向。 阶段二:数据存储 数据存储的选择很多,比如传统的关系型数据库:Oracle、MySQL;新兴的NoSQL:HBase、Cassandra、Redis;全文检索框架:ES、Solr等。但更广泛的应用,还是Hadoop生态下的HDFS,近年来也逐渐发展出了面向对象存储的OSS、面向表格的存储TableStore等。   阶段三:数据计算 数据计算主要分为批处理框架、流处理框架、交互式分析框架三种。批处理框架以Hadoop为代表,MapReduce、Spark-RDD为主要开发工具;流处理框架以Flink、Storm为代表;交互式分析框架的选择比较多,主要有Google开发的Dremel和PowerDrill,Facebook开发的Presto, Cloudera开发的Impala,以及Apache项目Hive、Drill、Tajo、Kylin、MRQL等。 阶段四:数据建模 数据建模是以人为主导的开发环节,与数据采集、存储、计算等所使用的工具方法论不尽相同。数据仓库的概念是建立在大数据的基础知识上,而大数据拥有良好的性能、廉价的成本、极高的效率及可控的质量四大优势,但同时大数据又存在业务关联广泛、计算流程复杂、管理难度较大等问题,因而十分需要通过建模方法论来更好的组织和存储相关数据。 数据建模目前常用的主要有E-R模型、维度建模、DataVault建模三种。为了将模型阐述清楚,我们通常会使用UML作为统一建模语言,是用来针对建模方法论而使用的工具,并非建模方法论本身。 阶段五:数据分析   数据分析是大数据计算的最后一步,也是最重要的环节。“分析”两个字的含义可以包含两个方面的内容:一个是在数据之间尝试寻求因果关系或影响的逻辑;另一个是对数据的呈现做适当的解读。数据分析的目的性极强,区别于数据挖掘的找关联、分类、聚类,数据分析更倾向于解决现实中的问题。例如:我想解决什么问题、通过这次的分析能让我产生什么决策等等。数据分析主要是把采集到的数据通过建立数据模型,在分布式计算框架下进行计算加工、汇总分析等。 04 大数据的分析方法 大数据的分析方法论,通常以营销、管理等理论为指导,结合实际业务情况,搭建分析框架,这样才能尽量确保数据分析维度的完整性,结果的有效性及正确性。 营销方面的理论模型有:4P、用户使用行为、STP理论、SWOT等。 管理方面的理论模型有:PEST、5W2H、时间管理、生命周期、逻辑树、金字塔、SMART原则等。 PEST:PEST即政治(Political)、经济(Economic)、社会(Social)和技术(Technological)四个领域的首字母缩写,2010年后更被扩展为 STEEPLE 与 STEEPLED,增加了教育(Education)与人口统计(Demographics),主要用于主要用于行业分析,通过分析与外部总体环境的因素互相结合就可归纳出SWOT分析中的机会与威胁,可以作为企业与环境分析的基础工具。 5W2H:应用相对广泛,可用于用户行为分析、业务问题专题分析、营销活动等5W2H,即何因(Why)、何事(What)、何人(Who)、何时(When)、何地(Where)、如何做(How)、何价(How much)该方法广泛应用于企业营销、管理活动,对于决策和执行性的活动措施非常有帮助,也有助于弥补考虑问题的疏漏。   逻辑树:又称问题树、演绎树或分解树等。它是将问题的所有子问题分层罗列,从最高层开始,并逐步向下扩展。逻辑树的作用主要是帮我们理清自己的思路,避免进行重复和无关的思考。 05 数据分析的价值 简单地来说,分析可被划分为4种关键方法。 描述型分析:发生了什么? 数据分析领域最常见的方法,就是描述业务正在发生什么,例如在用于增长领域,分析师就可以根据每个月营收和支出的账单,与用户标签数据结合起来,分析每个用户的获客成本,并利用可视化的工具来制作响应的报表。 诊断型分析:为什么会发生? 描述性数据通常只能反映业务现状,但如果需要了解为什么,就需要不断的将数据进行下钻,通过诊断分析工具、BI报表工具等支持,数据可以直接钻取到最细粒度,能够深入分析问题发生的原因。 预测型分析:可能发生什么? 预测型分析主要用于进行预测事件未来发生的可能性,给预测事件一个可量化的值,或者是预估事情发生的时间点,这些都可以通过预测模型来完成。预测模型通常会使用各种可变数据来实现预测。数据的多样化与预测结果密切相关。在充满不确定性的环境下,预测能够帮助做出更好的决定,这也是很多领域正在使用的重要方法。 指令型分析:需要做什么? 指令模型基于对“发生了什么”、“为什么会发生”和“可能发生什么”的分析,来帮助用户决定应该采取什么措施。通常情况下,指令型分析不是单独使用的方法,而是前面的所有方法都完成之后,最后需要完成的分析方法。   06 数据的指标体系 指标,顾名思义,就是指定的标准。词典里的解释是“衡量目标的单位或方法”。指标就是为了描述一些对象的状态而制定出来的标准,在日常生产生活中有着非常广泛的应用。指标体系,就是将统计指标系统性的组织起来,由指标、体系两部分组成,主要包括:用户数、次数、人均次数、时长、点击率、转换率、渗透率、留存率、成功率等。 如果没有指标对业务进行系统衡量,我们就无法把控业务发展,无法对业务质量进行衡量,尤其现在很多企业多项业务并行,单一数据指标衡量很可能片面化。因此,搭建系统的指标体系,才能全面衡量业务发展情况,促进业务有序增长。   随着数据量的增大,数据指标也会越来越多,即使是同样的命名,但定义口径却不一致。这对于各部门理解难度大,同时也造成了重复计算存储的资源浪费。阿里OneData指标规范,以维度建模作为理论基础,构建总线矩阵,定义业务域、数据域、业务过程、度量/原子指标、维度、维度属性、修饰词、修饰类型、时间周期、派生指标等,帮助我们形成统一数据标准。 07 数据的建模思路 建模,顾名思义,就是建立模型的意思,为了针对理解产品、业务、应用逻辑之间的相互关系而做的抽象,用于避免理解歧义。建模通常用文字配合模型的方式,将复杂的事物描述清楚,便于自己及他人的理解。如果把数据比作是图书馆里的书,那么建模就相当于合理规划图书馆的布局,能够让读者迅速而合理的找出目标书籍。 E-R模型 ER模型,全称为实体联系模型、实体关系模型或实体联系模式图,由美籍华裔计算机科学家陈品山发明,是概念数据模型的高层描述所使用的数据模型或模式图。E-R模型的构成成分是实体集、属性和联系集,其表示方法有如下三种: 实体集用矩形框表示,矩形框内写上实体名; 实体的属性用椭圆框表示,框内写上属性名,并用无向边与其实体集相连; 实体间的联系用菱形框表示,联系以适当的含义命名,名字写在菱形框中,用无向连线将参加联系的实体矩形框分别与菱形框相连,并在连线上标明联系的类型,即1—1、1—N或M—N。 维度建模   维度建模是数据仓库建设中的一种数据建模方法,将数据结构化的逻辑设计方法,它将客观世界划分为度量和上下文,Kimball最先提出这一概念。维度建模其最简单的描述就是,按照事实表,维度表的方式来构建数据仓库。维度是度量的环境,用来反映业务的一类属性;事实表是维度模型的基本表,每个数据仓库都包含一个或者多个事实数据表。维度建模最被人广泛知晓的一种方式就是星型模式。阿里巴巴电商系对于维度建模有一些非常好的扩展补充,例如维度表可以分为快照维表、缓慢变化维表等,事实表可以分为事务事实表、周期快照事实表和累计快照事实表,这些概念解释起来非常的复杂,应用场景也比较极限,因而会用独立的文章来分别阐述。 DataVault模型 DataVault是E-R模型的衍生版本,针对复杂笨重的E-R模型,强调有基础数据层的扩展性和灵活性,同时强调历史性、可追溯性和原子性,不要求对数据进行过度的一致性处理。DataVault模型是一种中心辐射式模型,其设计重点围绕着业务键的集成模式,业务键是存储在多个系统中的、针对各种信息的键,用于定位和唯一标识记录或数据。DataVault有三种基本结构:中心表(Hub):唯一业务键的列表,唯一标识企业实际业务,企业的业务主体集合;链接表(Link):表示中心表之间的关系,通过链接表串联整个企业的业务关联关系;卫星表(Satellite):历史的描述性数据,数仓中数据的真正载体。 08 数据化运营 用户转化漏斗 用户转化漏斗思路的核心,是如何引导用户主键的接受和使用产品。例如在广告领域,它是展示—>点击—>转化;在游戏领域,它是下载—>激活—>留存—>付费;等等。 无论上面哪种业务,都可以分解为一系列的阶段,经过每个阶段,用户都只有一部分留存下来。对漏斗的每一个环节准确地记录数据,以便分析和优化各个环节的通过比率,是数据运营的基础设施。 多维度数据报表 数据运营中的常见痛点,是明知道转化漏斗上某个环节的通过率较低,却找不到提高的途径。常用的解决思路,就是把数据进行不断多维度的下钻,在很细的粒度上观察数据,并发现产品或系统上可能存在的问题。比如说,你发现广告的点击率低,进而查到是Chrome浏览器上的点击率拉低了整体统计,那么就要在Chrome浏览器上深究原因,结果很可能是你的Flash广告素材直接被Chrome给屏蔽了。如果多个维度能够灵活组合观察数据,就成了一个数据魔方(Data Cube)。 A/B测试 A/B测试是常见的验证手段,当制定了制定多个产品可能的改进方向,不清楚应该如何选择时,我们可以将不同的版本放到线上,让实际数据来决定谁上谁下。这种A/B测试的方法,往往是大家理想中躺着就可以优化出好产品的魔法,也是“数定胜人”理论的基础之一。   FF 数据的中台建设 从上至下分为五个层次: 方法论、机制、标准:指标体系、建模体系、分析体系; 原子能力:数据采集、数据存储、数据计算、数据平台;  通用基础:数据建模、元数据、任务调度、血缘追踪; 业务支撑:数据开发、数据服务、数据运营; 前台:业务A、B、C。 【END】      
企业信息化的未来是什么?
应网友提问,企业信息化建设的未来是什么,思考良久来回答这个问题,首先从数据—信息—知识—智能这几个阶段开始。 数据化、信息化、知识化、智能化区别 数据:是使用约定俗成的关键字,对客观事物的数量、属性、位置及其相互关系进行抽象表示,以适合在这个领域中用人工或自然的方式进行保存、传递和处理;比如1.85米; 信息:是具有时效性的,有一定含义的,有逻辑的、经过加工处理的、对决策有价值的数据流;比如奥巴马1.85米,显然可以获取相应信息;   知识:通过人们的参与对信息进行归纳、演绎、比较等手段进行挖掘,使其有价值的部分沉淀下来,并与已存在的人类知识体系相结合,这部分有价值的信息就转变成知识;比如大部分成年黑人身高超高1.85米,具备一定的知识判断; 智能:是人类基于已有的知识,针对物质世界运动过程中产生的问题根据获得的信息进行分析、对比、演绎找出解决方案的能力。这种能力运用的结果是将信息的有价值部分挖掘出来并使之成为知识架构的一部分。根据已有的内容作出相应的提前预判。   从上而知,企业需要实现信息化的首要条件则是数字化,之所以没有将数字化提到最前列的原因在于目前企业信息化的数据来源都是手工录入。但是随着OT技术与IT技术的不断融合,企业信息化重新焕发出了一些新的内容。当了解了数字化、信息化与智能化等区别之后,我们再回头审视企业信息化情况:   企业信息化的定义及现状   企业信息化是指企业以业务流程的优化、业务数据的可见/可追溯为基础,利用计算机技术、网络技术、数据库等信息技术,集合企业业务,融合企业管理生产经营活动中的各种信息,实现企业内外部信息的共享和有效利用。   企业信息化现状:随着信息技术火速发展,企业信息化建设也极速朝前,先后建设了如OA、ERP、CRM、MES等信息化系统,由于实施的供应商都不同,形成了竖井式“烟囱”,各个系统异构或数据标准不一致,数据进行整体的汇总时,总存在数据质量问题。宏观数据统计准确度欠佳,数据个性化分析满足不了需要,微观上数据与设备之间联系又无法进行沟通。 企业信息化的建设阶段划分 初级阶段(起步):2000年以前,企业都是以服务器采购、计算机采购的硬件基础建设为主;   初级阶段(扩展):当计算机等硬件基础构建完善之后,开始着手建设CAD、、OFFICE、财务软件等单点信息化系统,告别手工作业的方式,采用电子化软件,方便修改与追溯,解决效率,节约人工的问题。   中级阶段(控制):2000年-2010年,ERP集中建设阶段,解决不同部门之间沟通问题。   中级阶段(集成):2011年-2017年,IT资源整合,分析数据,决策支持为核心,开始整合内部数据用于BI展示;   高级阶段(数据管理):2018年-至今,数据中台概念涌现等,数据治理迎风而上。   同时信息化建设的阶段划分与目前流行的工业互联网不尽相同,所以说将工业互联网归集到企业信息化建设当中,也并无不妥当之处。 不管哪种方法论,企业信息化建设的归宿都会落到数据分析与智能应用之上,所经历的都是将业务数字化、将业务数据进行关联形成知识,根据知识结合实际的业务场景形成自主的判断。 企业信息化的新篇章   企业信息化建设目前的归宿都是朝着数据可见的目标来的,比如之前手工纸质单据审批签字时间冗长,而且没有办法跟踪审批进度。比如质量数据大量在纸质单据当中,如果出现任何质量问题,需要搬山倒海的去寻找;如果需要相关数据统计的话,工作量更是夸张,需要手工从纸质单据誊写到Excel,然后做汇总,一个月的业务数据甚至需要专门花费15天左右去汇总统计,工作甚是惊人。同样类似,国家为了得到数据,设置了庞大的机构国家统计局。   但是随着技术发展,数据采集的手段越来越多,比如个人位置通过手机采集,消费情况通过支付宝、微信就可以采集,而住宿记录可以通过身份证追溯,而个人消费习惯也被不良商家偷偷收集,用于分析之后智能推荐给你,钱包就是这样被掏走的。 由于企业业务相对于互联网来说比较深入,而且企业管理需要应用的数据更加宽泛,所以仅仅依靠手机、支付记录等自动采集完成管理显然行不通,因为仅仅依靠这些数据支撑不了管理业务,所以才会产生ERP、MES上线之后企业业务人员深恶痛绝,因为毕竟上线信息化系统很可能增加了他们的工作量。但是因为一线业务人员反对而造成信息化系统搁浅的例子会越来越少,因为数据采集的手段会越来越多:   比如通常需要手工记录考勤记录,通过打卡、钉钉、脸部识别等完成,其实考勤机的作用仅仅是一个数据采集终端而已,也就是说完成了数字化的工作,但是真正信息化的内容目前还是通过HR手工完成的,比如月末导出每个人的考勤记录,然后备注人员出差情况、请假情况等,将其他数据与考勤数据实现关联,完成了信息化工作。所以考勤机之所以称之为考勤机而不是信息化系统的原因,因为它只是数字化的工具。   普通公司的人员考勤是如此,更加复杂业务的制造工厂更是如此,比如车体的半成品入库信息、试验信息等都需要手工记录到纸质单据上,但现在只需要将RFID挂在车体之上,之前在系统中将标签数据定义好就可以。但是如果没有其他的信息化系统做支撑,单纯的RFID是没有意义的,因为它仅仅记录了出入库信息,也就是说他也仅仅是一台数据采集机器,而不是信息化系统。 像RFID、考勤机这样的单点数据采集设备会越来越多,比如车间润滑油添加的加注枪、设备转速采集的传感器,但是诸如数据的贯通、串联还是以人为为主的,这就造成因为数据单点采集而形成的数据孤岛的问题。其实只是将单点业务数字化了,如果想更多应用就必须通过“人工智能”来串联。而且不同的数据采集器也会造成数据标准、格式不统一,在应用的过程中需要大量人工去转换、修改,比如人力一般需要花几天时间用于确认考勤记录与项目出差等数据之间的融洽。 尽管现在业务数据孤岛严重,但是因为数据采集的技术越发成熟,而且成本也逐渐低廉,比如传感器、摄像头、手机终端等手段,造成单点的数据增长的速度令人咋舌,2004年,全球数据总量是30EB 。随后,2005年达到了50EB,2006年达到了161EB。到2015年,居然达到了惊人的7,900EB。到2020年,达到35,000EB。这个规律,被称为新摩尔定律,即:人类有史以来的数据总量,每过18个月就会翻一番。 随着数据的飞速增长,人类的活动越来越依赖数据,人类的日常生活已经与数据密不可分。全球已经有大约30亿人连入了互联网。在Web 2.0时代,每个人不仅是信息的接受者,同时也是信息的产生者,每个人都成为了数据源,每个人都在用智能终端拍照、拍录像、发微博、发微信等。全球每天会有2.88万小时的视频上传到Youtube,会有5千万条信息上传到Twitter,会在亚马逊产生630万笔订单…   虽然数据量大幅增长,但是与上述企业信息化建设遇到的问题是是一致的,数据都是以单点形式存在的。比如某人在汉庭消费270元,高铁消费515.5元,那么数据串联企业就是这个人是坐动车出差,然后住宿在汉庭,那么房产销售广告寻找他的几率就应该降低,因为他不是本地居民。数据的本质是还原现实,但现在大量的单点数据是没有办法还原的,或者说他们缺少一个进行数据关联、数据处理与场景分析的平台。 上述提到单点数据指数级增长,但是仍然以数据单元的形式存在,并没有形成可应用的业务场景。所以我们又回到了第一章提到的企业信息化建设的本质:数据共享、流程优化,数据共享在现有阶段仍然以手工录入的形式为主,比如MES系统。但是由于数据采集技术的发展,手工录入的比例会逐渐降低,但是随着数据采集仪器增加,本来在一个系统中并不存在的数据孤岛又出现了。所以不管是站在一个系统还是咱在整个企业的信息化建设,打破数据孤岛、让数据转变为资源、为业务赋能都是首当其冲需要完成的使命。 平台化战略   技术是由需求催动的,同样技术也能被需求推动,既然打破数据烟囱、使数据业务场景化成为必须跨域的坎,那么就必须即时出现对应解决该类需求的技术,那么数据处理、关联、场景设计的平台就应运而生,也产生了现状的数据平台化战略:数据中台。所谓的数据中台指的是通过数据技术,对海量数据进行计算、存储、加工、统一标准和口径的平台,将数据统一成标准数据进行存储,形成数据资产之后场景化。   通过下图可以简单解释:目前我们的信息化建设基本上处于第一阶段,各类数据采集器,其中包含大量的检测仪器、传感器甚至手工录入,第二阶段则是是各类数据的全面的数据治理与管控,第三阶段则是对于大统一下数据的业务场景分析,或者说是数据场景赋能。 根据三个阶段的大概内容概况,我们也能大致分析到第一阶段是一个时间漫长且不断迭代的过程,比如纸质记录编程手工录入,手工录入编程量具自动采集,而且让然不断发展当中。当前的企业信息化基本处于第一阶段:业务数字化,而且大部分都是手工填写的数字化,比如计划下达、生产报工等。而第二阶段则是目前平台化的核心内容,目前企业内部所提倡的数据治理都属于这个阶段,如数据资产、数据治理、数据模型与数据服务。 如果说第一阶段与第二阶段是准备阶段,那么第三阶段完全是收益阶段。现在企业信息化的第三阶段集中体现在数据共享与实时查询,而且第三阶段目前大部分的应用还也仅仅集中在数据可视的目的。 如果是第三阶段目前应用方式之一是BI看板或者数据展示,但绝不是最终的归宿。还需要利用数据去挖掘或者还原更多的场景,或者叫数据赋能业务。   企业信息化从业者的最终归宿   当信息化建设数据自动采集的方式越来越多的时候,信息化建设者会由需求调研与分析逐渐倾向到咨询顾问的角色,帮助客户梳理流程、然后重塑流程,因为企业流程重塑的发起者往往需要以第三者的姿态去梳理。或者成为一个技术中介,将企业所有的痛点汇总,然后通过不同领域的技术进行筛选、汇总,然后形成企业新的业务场景,萃取业务提升点。所以未来真正需要的是对业务现状了解能力(需求调研与分析)、最新技术大致方向的掌握程度、重塑业务场景的设计能力,也就是变成了技术了解宽泛的“方案裁缝”。所以企业信息化项目也逐渐被切割成了两段:场景设计与单点技术实施。   【END】  
东风小康:打通数据壁垒,实现高效洞察决策
陆续分享一些企业数据化管理的案例,有制造、零售、金融有侧重业务,有侧重项目,希望给同处在数字化转型路上的企业一些思路与启发!今天分享的是东风小康汽车的案例。 注:本文为帆软2021数据生产力大赛获奖案例,未经授权禁止转载。    公司背景   东风小康汽车有限公司(以下简称公司)成立于2003年,由重庆小康工业集团股份有限公司(以下简称小康股份)和东风汽车集团有限公司(以下简称东风公司)各持股50%组建的混合所有制大型整车企业,注册资本8亿元,主营业务包括东风风光品牌乘用车和东风小康品牌商用车的研发、生产、销售、服务等业务。公司现有员工6000余人。   公司秉承“推动汽车能源变革,创享智慧移动生活”的使命,深刻践行“一切为了用户,超级奋斗,拥抱改变,诚信可靠,价值共享”的核心价值观,以智能生态战略为指引,坚定“1+5”战略路径,不断向用户提供超级的产品和一站式“智慧伙伴服务”,构建智能汽车业务生态和超级联盟产业生态,追求高质量发展,致力于成为智能汽车品牌企业。                项目背景   管数据:参与协助5+1个系统建设,打通销售公司核心业务,逐步建立一套行业领先的数据标准。   用数据:通过实现大数据分析,建立驻外人员、公司经营数据驾驶舱,快速提供精准数据服务,用数据说话,为公司提供各种决策支持。   促销量:让各业务系统和各种数据成为公司洞察市场的眼睛和耳朵,成为公司链接用户的工具,针对性开展各种精准营销动作,促进线索增加和销量提升,逐步用数据创造价值。         2.1信息化现状   目前东风小康使用的业务系统覆盖产、供、研、销全价值链业务,主要有 ERP(SAP) 、CRM 、DMS/DCS、PLM、MOM/MES、OA、HR等信息系统。从系统数量层面来看信息化程度相对较高,但系统间存在信息孤岛及数据壁垒的问题。   2019年我司通过帆软实现了质量数据分析系统的开发,基本实现了数据分析的从无到有。   现目前营销业务单位对数据分析报表需求量很大也很迫切,但是缺乏数据仓库,无法建立大数据联合分析;同时由于数据标准不一致,导致数据整合难度大;另一方面由于业务单位需要的数据有一部分无法从现有的数据系统获取,需要手工加工后才能成为可使用的维度数据,这就需要数据分析平台能够实现数据填报开发,导致开发工作量加大。     (1)数据不一致、指标体系缺失   指标缺乏标准的经营分析指标命名规范,多以孤立指标呈现,逻辑不统一,存在着多 头定义现象,经常造成认知歧义。大部分的指标计算逻辑掌握在各个业务人员手里,一旦计算规则修改,各个业务单位之间的信息不能及时共享,导致业务部门之间数据结果不同,很难分析结果;即便同一个业务部门上下级之间也无法及时共享计算规则,导致沟通成本上升。    (2)人工数据分析效率低下,用户体验不好   目前领导层需要的大量分析报表需要靠业务人员手工计算汇总,然后进行汇报,导致数据分析及时性差,计算工作重复,且容易出错;由于数据质量不高,存在大量人为加工数据,导致领导决策缺乏可靠依据;大量报表没有统一的展示平台,导致风格各异,而且查看不方便,数据分析人员也无法快速满足业务领导经常变化的需求,导致用户体验不好。   (3)数据权限管理困难   营销数据分析需要整合多个业务系统的数据,其中包含一些重要信息,这就要求每个业务领域的分析人员只能分析该业务域的数据;由于缺乏统一的数据分析平台,管理数据权限的工作量非常大,并可能存在数据外泄的风险。   2.2 营销数据分析平台建设需求   鉴于东风小康目前的信息化建设现状,需要一个能够集中体现企业销售数据状况的、 全局的、直观的、可视化的数据分析系统,以供决策和运营管控的运用,支撑管理体系的建设和运作,强化企业数据化运营,提升企业的运营效率和核心竞争能力。   数据分析平台需求如下: (1)统一的应用平台和管理平台 (2)公司领导、中层管理人员、各部门业务人员和片区人员能通过系统查询自己所辖及权限范围的营销情况(如趋势) (3)实现商家进销存、销售、零售、市占率、渠道和潜力商家的报表和数据分析 (4)系统管理员可自由分配权限 (5)丰富的展现方式,系统可根据既定逻辑统计分析并展示质量情况 (6)支持移动应用   根据以上需求,东风小康开始了营销数据分析和商业智能产品的选型与对比,最终选择帆软产品,开始了本次项目的建设。           解决方案     3.1项目背景   (1)东风小康战略定位的理解   产业互联网时代与工业时代的最大不同点就是商业智能:基于网络协同和人工智能,每一个用户的都可以通过大数据分析,用机器智能更精准的服务每一个用户。   新旧商业时代的另一个不同是生态战略:生态战略不同于传统工业时代的专业化战略(业务天花板)、多元化战略(业务不协同),我们的业务生态的硬件、软件、服务相互赋能、自我进化,创造出全新的用户体验。生态战略做好自己的核心业务,非核心业务我们以“超级联盟"形式与外部合作伙伴优势互补,互利共生。   智能生态战略用一句话概括:我们以生态思维为指引,打通产品、服务、企业和行业边界,以大数据智能化大连接方式构建汽车产业互联通的生态体系,成为智能汽车产业生态体系的参与者和组织者,在智能汽车领域实现“变道超车"。   (2)小康大数据建设思考   小康智能生态战略下建立的生态圈,一定需要移动互联网、5G、云计算、大数据作为支撑。   3)方案规划   借鉴行业实践经验,围绕全价值链,采用“统一平台、统一数据、统一运营”的思路推进公司大数据相关工作。   (4)技术架构   本次项目为公司BI总架构下的第二个数据仓库项目,首先从公司层面规划了BI的未来技术框架以及业务框架,然后分别搭建各个业务领域的数据模型并建立数据仓库,进行数据分析。营销大数据运营系统建设了营销业务为主题相关的管理驾驶舱以及业务报表,主要为公司级领导、营销业务领导以及相关数据分析人员提供数据分析报表。   项目成果   4.1 成果总结   (1)建设成果   平台主要分析模块:   · 平台报表/分析模板总量:200+ · 平台月均访问量:20000+ · 平台活跃用户数:300+          (2)整体价值   1、82名驻外人员平台使用率达到100%;   2、仅4个月数据打通SAP、DCS以及相关手工数据,覆盖销售、零售、库存、市占率等关键指标;   3、为领导层决策提供实时数据支持,已开通手机端及PC端,可实时查看公司整体生产,出库,计划,排产等各个重要环节数据;避免短信汇报,邮件汇报,PPT汇报等繁杂耗时的工作;   4、打造了东风小康数据仓库框架,数据分析框架,数据治理体系等相关体系。   4.2 典型场景          (1)场景一:营销综合报表   痛点:在项目实施前,DMS/DCS、SAP、MES等系统数据和报表没有关联性,业务部门编制综合报表涉及销售、零售、库存、市占率等范围,如果再细分到各车型,需要约10人8小时左右的整理核对及邮件发送等工作。   解决过程:通过调研各大区信息员,营销业务经理,大区总经理及销售公司总经理,得知该报表每天都要逐级汇报,通过邮件及短信的方式进行汇报;开发人员收集业务需求后,进行数据源收集,建设数据模型,抽取数据相关业务数据到数仓,再进行报表展示;为了能让该报表发挥业务价值,我们引入了多个业务人员进行数据测试以及业务问题反馈。   场景价值:项目实施后营销综合报表后只需不到1分钟时间,就可以实时查询当天和历史数据,大大节省了人力成本,为经营决策提供了精准及时的依据。   (2)场景二:新能源车辆数据分析   痛点:在项目实施前,新能源车辆行驶数据全靠人工统计,无法及时有效分析出各地区、车型的接入、在线、里程和故障情况,无法给管理部门提供实时监控情况。   解决过程:项目实施后在数据应用的基础上开发出驾驶舱界面,很好的展示出业务关心的数据。   场景价值:该数据通过从车辆网数据平台自动同步到数仓,解决了手工拉取数据的问题,由于数据量非常大,过滤条件非常复杂,节省了大量人力以及时间;通过该报表管理层能够及时看到新能源车的使用情况以及销售情况,能够为管理层决策提供数据支持。   (3)场景三:数字化运营中心   痛点:高层领导关注的数据报表通过表格人工编制,展示、查询和预警都不方便也不直观。   解决过程:通过项目实施开发出数字化运营中心驾驶舱,并通过大屏幕展示,在便于领导查看的同时也对公司大数据运营项目起到了很好的宣传作用。   项目总结   5.1 CIO/项目负责人点评        国内多数制造型企业对大数据应用还停留在分段式报表的层面,数据往往经过业务部门的手工加工形成,分析也停留在个人或本领域范围,不能高效的通过全局思维和BI工具实现。作为企业CIO如何让大数据应用得以开花结果,就需要利用行业优秀的帆软等实施商助力管理层学习、了解什么是大数据,如何运营好大数据工具为业务和高层进行助力。   IT团队应通过大数据项目推动企业数据治理,尽快打通信息和数据孤岛。考虑成本和人员能力等因素,可以从业务痛点开始逐步开展平台建设和数据治理规划,并通过项目业绩扩大人员和资金投入。   有了企业数据和分析,如何引入外部数据实现真正的数据分析和运营就需要相关专业分析专家员或外部有经验的厂商了,但也不能盲目开展,因提前根据企业特点进行规划,一般营销、采购和物流都比较容易通过大数据分析降低成本出成绩。这也需要与分管领导进行有效沟通不能一头热。          5.2 经验心得   (1)先试点,再推广   公司领导对大数据还停留在概念阶段,通过建立核心数据驾驶舱,让领导们先了解,再通过大数据运营规划,建立领导层的深层次想法和应用愿景,通过立项和成立项目组使中高层重视数据的分析和应用,提升企业大数据运营水平。   (2)跨业务域数据整合   通过数据仓库从无到有和营销数据分析平台的建设,实现了营销数据整合,有效的提供高价值数据分析,提供全价值链的数据分析,分析到数据的源头,从而获取到问题的根本原因。   (3)数据标准   经过走访数据分析人员以及业务领导,获取到大量业务需求,从而整理出经过一致认可的数据指标,沉淀行业知识图谱,建立场景化的数据决策模型,使得各级人员能够对公司的业务指标有一致认可。   (4)多维度,多视角灵活分析   通过建立数据模型和数据分析平台,各层级数据分析人员及业务领导能够更加灵活的分析质量数据,多维度钻取数据,IT人员也能灵活快速加工各类数据分析报表,能够快速为业务部门提供决策支持。   【END】            
企业数字化转型:ERP的未来!
曾几何时,“不上ERP等死,上ERP找死”,这句话是用来形容企业上不上ERP面临的窘境的,一方面,ERP代表了先进的企业管理,不上可能会失去竞争优势;另一方面,ERP的很贵、实施很难,再加上一些失败的例子,这又让企业对ERP心生恐惧! 现如今,人人都在谈数字化转型,新技术不断涌现,新概念更是层出不穷。于是,这让一些传统企业变得更加焦虑和纠结,数字化转型是上ERP呢,还是上云计算、区块链、人工智能、大数据平台呢? 01 什么是ERP? ERP,全称Enterprice Resource Planning——企业资源计划,一个20多年的老概念了!在Ganter在对ERP的定义中提出:ERP主要宗旨是对企业的所拥有的人,物,财,信息,时间和空间等综合资源进行综合平衡和优化管理。 说到ERP,你可能最先想到制造业,因为的确ERP最早就是从制造业发展起来的,纵观ERP发展史,它前后经历了MRP—MRPII—ERP三个阶段。 第一阶段:MRP——物料需求计划。主要是解决制造业销售、生产、原料采购的平衡问题的,提供了生产计划、物料清单、库存信息等功能,其核心是围绕物料转化企业制造资源,实现按需要准时生产。 第二阶段:MRPII——制造资源计划。MRP本质是一个物料需求的计算器,回答了产品生产过程中需要什么,需要多少,何时需要的问题。但是无法回答生产完之后是否达到了企业的经营目标?成本是否均衡?是赚钱了还是赔钱了等问题。于是,在MRP基础上,又增加了企业经营计划,销售管理、成本管理等内容,发展出了制造资源计划。MRPII覆盖企业生产活动更多的领域,其核心是有效利用企业的一切资源(人、财、物),来提高企业的生产效率,降低企业成本。 第三阶段:ERP——企业资源计划。随着网络和信息化的发展,企业的管理模式、竞争格局发生了重大的变革,传统通过单体系统管理,甚至纸质文件传递的管理模式,已经无法满足企业竞争和管理上的要求。企业需要一种信息化集成度更高,满足统一部署,集团化资源调配,多工厂协同作战等企业管理需求的人机协同平台。这个时候,ERP应运而生! 从管理模式上看,ERP是对企业内部的物流,资金流,信息流等企业资源的有效集成和管理,充分发挥企业资源效能,帮助企业获取更好的经济效益。可以说,ERP在一定意义上代表了先进的企业管理。 从技术架构上看,从MRP到ERP实际上是也经历了从单体系统架构到SOA组件化架构的技术演进。可以说,ERP系统在某种程度上代表了“信息化”。 02 ERP有哪些问题? 尽管ERP代表了先进的企业管理,是企业信息化的典范。但由于ERP的价格昂贵、实施困难、运维成本高、系统过于庞大、缺乏灵活性等问题,依然遭到人们的不断诟病。 1、贵 ERP的贵,主要是两个方面:一方面是ERP的软件、硬件、实施服务的购置费用贵。另一方面是ERP的升级和维护成本也很高,其总拥有成本(TCO)要比一般的IT系统都要高很多。 2、慢 ERP的慢,也是两个方面:一方面是性能慢,由于ERP经常要跑一些复杂的业务流程或处理一些超大的事务,一不小心就会陷入性能瓶颈。另一方面是响应慢,ERP大多还是商业套装软件,企业自己的二开能力有限,大部分开发需要依靠厂商,对于业务需求的变化,很难做到快速响应。同时,也有不少企业围绕ERP的过渡定制化也导致了ERP的臃肿、僵化。 3、难 ERP的难,还是两个方面:一方面是实施难,ERP实施需要高层领导支持力度不足,业务部门配合不到位,实施团队不给力,基础数据准备的不完善等等都是导致项目失败的主要风险。另一方面是运维难,ERP系统体系庞大、配置复杂,没有专业的人才接手,很难让系统用起来且用得好。 这三个老大难的问题,成为了企业上ERP路上的“拦路虎”,信息化时代是这样,那数字化时代呢? 03 数字化转型,ERP何去何从? 数字化时代来了,新科技为企业的商业创新带来了新的活力和想象空间,而对于ERP这个“老平台”是不是要退休了呢?关于企业数字化转型该如何定位ERP成为了企业一个不得不思考的问题。 这个问题我们能听到很多种不同的声音: 第一种观点:ERP侧重的是企业内部的流程优化,只关注企业内部的信息集成,缺乏与外部的连接,而企业数字化转型必须要与外部广泛连接、建立平台、构建生态,这显然不是ERP擅长的! 第二种观点:数字化转型的关键是技术,‘技术在手,天下我有’。ERP什么的都不重要,重要的是你的掌握先进的数字化技术,你没看见人家特拉斯仅用了4个月就开发出来一套ERP吗? 第三种观点:数字化转型重点是商业模式的创新,业务要线上、线下两条腿跑路,系统要小步快跑、不断迭代。总之,就一个字要“快”,慢了的话就可能被竞争对手超越。这对于体系庞大,架构复杂的ERP来说,明显也是行不通的。 第四种观点:你们别瞎哔哔了,要转型你自己得先活着吧。系统烟囱化,流程断点,信息孤岛,内部管理一团糟,连ERP都用不好,你还想数字化转型,还想巅峰式创新?“你长得很美,想的就不要这么美了吧!” 尽管以上说法“公说公有理、婆说婆有理”,但笔者要提醒大家,数字化的基础是信息化,只有信息化发展到了一定高的水平才能真正实现数字化。这一点大家都要明白,不要整天想着什么弯道超车,跨越式发展, 没有信息化哪来的数字化? 这倒不是说我支持第四种观点,反对更加开放的前三个观点。相反,我是非常鼓励企业去做一些技术、模式上的探索和创新的,但对于一些个要“拆ERP、上中台”的做法,我劝你慎重! 04 数字化转型,上中台、拆ERP? 2019年,阿里、腾讯、华为、百度、小米、京东、滴滴等国内众多头部科技公司也都从不同角度提出自己的中台战略,并进行相应的技术体系、业务模型或组织架构重整。 这一年,中台概念的热度达到了一个新的高度,人们将2019年也称为“中台”的元年。“中台”成为了一种“时尚”,在IT界,人们交流三句话离不开“中台”,如果你说你不知道中台,肯定会被人嘲笑:“火星来的吧”! 在各大头部科技公司的带动下,不仅科技公司在建中台,很多传统企业也都纷纷将“上中台”提上了日程…… 此时,很多形形色色、奇奇怪怪的“中台”出现了。技术中台、数据中台、业务中台,这三个“中台”是大家提的比较多的,我们姑且称之为三大主流中台。 除此之外,你可能还听过什么移动中台、前端中台、研发中台、AI中台、协同中台、组织中台、人力中台、财务中台、采购中台、营销中台、运营中台、客服中台、制造中台…… 好家伙,光罗列名字就够我写500字了,哈哈! 有了这么多中台,还要ERP干嘛! 于是,有不少专家提出:“拆了ERP、上中台”,支持的人还很多。 可能不仅是因为“中台”火、热度高,也是因为ERP确实有它的顽疾(ERP的问题和不足,前边我们已经说过了) 但是,ERP哪有那么好拆的,中台也哪有那么好上的?! ERP发展了20年,以MRP为核心各模块之间都有着千丝万缕的联系,进销存管理、生产控制、会计核算、财务管理、人力资源等模块,从技术上看这是一个个模块或组件,从业务上看这就是一个业务之间相互融合的生态。 因此,ERP能拆吗?能,关键是你得有业务分析、领域建模、技术架构、系统开发等专业化能力的人才。对于大部分企业而言,要找到、配齐这样的人才队伍,还是很难的。 “中台”好上吗?不好上! 网上关于“上中台”失败原因分析的文章有很多,观点也基本相似,笔者将其总结为中台失败的“6个不”:战略定位不明确、目标定义不清晰、高层领导不支持、业务人员不配合、团队资源不齐备、预算资金不给力。 你如果仔细去看,就会发现“上中台”失败的原因和上ERP失败的原因是何其的相似! 为什么呢?请大家思考下,然后留言给我。 我想说,不论是上ERP还是上中台,其目的都是解决业务问题、实现业务价值,这都需要找到企业业务中的痛点、盲点和断点,然后一点点地优化,一项项地提升,每一个优化和提升对企业都是一个“微创新”,当这些“微创新”不断积累、不断叠加,就会由量变引起质变,企业的数字化转型就成了! 05 数字化转型,需要新“ERP” 上中台难,拆ERP也很难,那ERP的未来是什么?业界普遍看好的方向是:云原生ERP! 啥是云原生ERP? 其实吧,云原生ERP是相对传统ERP而言的,我们上文提到的ERP均是传统ERP。要想了解云原生ERP是个啥,首先要搞清楚啥是云原生。 云原生、云原生,顾名思义“为云而生”!云原生是基于分布部署和统一运管的分布式云  ,以容器、微服务、DevOps等技术为基础建立的一套云技术产品体系。它不是一个产品,而是一种构建和运行应用程序的方法,是一套技术体系和方法论,是当前新技术、新的研发流程、敏捷团队文化的最佳实践集合,以提供极致的用户体验、稳定可靠的用户服务。 对于云原生ERP,笔者将其定义为“在新一代云技术、数字化技术的加持下,为客户提供极致体验的ERP服务”。与传统ERP相比,云原生ERP并不是简单的将ERP从本地服务器搬到了“云上”,而是将ERP的所有应用和功能进行“云化”处理,形成SaaS服务,为用户提供更便宜、更敏捷、更高效、更稳定、更智能的数字化服务。 1、更便宜 传统ERP是购买,云原生ERP是租赁。因此在ERP前期的投入上,云原生ERP价格优势明显。 2、更敏捷 传统ERP是本地部署,需要安装客户端软件才能访问,安装过程还需要考虑环境的适配的问题。云原生ERP是只有网就能随时随地进行访问,使得业务处理、数据查询更加灵活、敏捷。 3、更高效 传统ERP安装部署、升级都需要专业的人员操作,每一次升级和打补丁都需要全面跑测,需要耗费大量时间及人工成本。云原生ERP是“零部署、零维护、无痛升级”,厂商统一维护和升级,整个过程对用户来说是无感的。 4、更稳定 传统ERP一般是按照CPU进行授权,硬件资源不足、并发量过大的情况下会引起系统的性能问题,严重情况下造成系统宕机。云原生ERP是由一个个运行在“云上”的“微服务”构成,具有和分布式架构和弹性扩容等特点,提高了系统的稳定性。 5、更智能 传统ERP“重流程、轻数据”,业务过程是由流程驱动的。云原生ERP也关注流程,但在每个流程环节都增加了分析数据查询能力,系统通过历史数据的分析给出业务的决策参考,让业务变得更加智能。例如:做物料采购计划的流程中,都能够实时查询物料的库存情况,帮助业务制定合理的采购计划。 说了这么多优点,那云原生ERP有什么缺点或不足吗? 没有什么是完美的,云原生ERP也有它的缺陷,而且这缺陷也很大。 第一,云原生ERP的“租赁服务”方式虽然价格便宜,但是传统上人们总认为租别人的不如自己拥有,例如房子。对SaaS服务来说,很多企业除了“拥有权”的情怀,还有对数据安全方面的担忧。因此,大多数大中企业往往都会选择私有云部署。 第二,云原生ERP的“零部署、免维护”虽然便捷,但是个性化定制的能力较差,而传统ERP可以根据客户的需求进行各种定制和改装。因此,对于一些大型的、业务复杂的企业依然会倾向于选择私有云部署。 在没有解决这两个问题之前,云原生ERP和传统ERP是各有优劣的,还不能说云原生ERP就一定比传统ERP好。 可能这时你还会问,这也不行,那也不是,那ERP的未来到底是什么? 其实,说到这里,答案已经呼之欲出了。没错,混合云ERP! 混合云ERP是公有云和私有云混合部署的ERP模式,通用的、标准的业务和数据选择公有云的SaaS服务,企业个性化的业务和数据部署在自己的私有云中。混合云ERP也具有“云”的基因,容器化、微服务、DevOps等各项能力都具备,也具有“敏捷、稳定、智能”等优点。 写在最后的话 混合云ERP是不是ERP的未来目前还没有定论,只有交给历史去验证了。企业的数字化转型,选择一个具有混合云ERP能力和特点的平台,将为企业数字化升级转型提供更大的助力和支撑。但是目前业界混合云产品鱼龙混杂,想选出一个理想产品或厂商也比较难,既要有技术上的先进性,也需要业务功能的成熟、稳定,还需要考虑安全性、国产化等因素。 以上就是我对数字化转型下,ERP系统升级的粗浅思考,如有不足请大家留言指正。同时关于数字化转型、ERP你有什么想说的?欢迎在留言区讨论。 部分参考:知乎《ERP是什么?》 https://www.zhihu.com/question/23824983/answer/1751383831   【END】   最后,感兴趣的公众号后台回复“资料”,我们整理了6个G数据平台、数据仓库、数据仓库、数据治理、企业数据化管理案例,供大家免费领取!
数仓已死?数据湖当立!
前言 前两天,我详细剖析了一下这两天脉脉上很火的数据建模帖子。指出来帖子里百度小哥“只见宽表不见建模”的核心原因是整个数据圈的核心逻辑变了。 然后就引起了建模群里一帮人在疯狂吐槽。 也有大厂的数仓大佬高屋建瓴,指点江山,侃侃而谈。   为啥吐槽?因为我们知道,这再也不是以前数据至上、工程为先的俄罗斯方块游戏了,而是客户至上、业务为先的神庙逃亡游戏。 但是绝大多数企业的数据仓库工程师,究竟还是沦落到拉宽表的境地。 大清都亡了,你上哪找辫子去啊? 玩法变了 早些年,业务变化还没那么频繁,战略是一年定一次,KPI 政策是一年发布一次。 我们有充足的时间去规划、业务建模、领域建模、逻辑建模、物理建模、验证模型。如同那时候的爱情,车马慢,一生只够爱一人。 那时候行业的玩法基本一致,所以也有了 FSLDM 这种经典数据模型可以套用。一个模型搞定一个行业有没有? 但是现在,谁家的玩法跟别人一毛一样?没有!就算是短视频界的两个直接竞争对手--抖音和快手,都是那么迥然不同的逻辑: 一个偏向算法推荐,一个偏向社交关系。 更不用说现在火热的社区团购,都在抢占市场,业务模式每天都在变。 我自己都不敢相信,我会建设一个能够支持 KPI 政策一个月一调整的 KPI 数仓+核算体系! 玩法真的变了!这世道变了! 建模变了 在这种边开飞机边换发动机的时代,传统数仓规规矩矩建设的逻辑就不好使了,开始朝着非常诡异的方向发展。 一个方向,是规模大、技术强、业务趋于稳定的企业,如阿里、美团的固有业务,他们开始尝试一种全新的建模理念。 他们的主题域划分根本不遵循老一套的“中性、通用”,而是“个性、专用”。所以他们采用的是按业务流程划分主题域,因为这样才能更方便的支撑上面的业务指标体系。这样弄,上哪提炼一个通用的模型去啊? 在建模的时候,传统建模,DWD 层必须是范式建模,而且一般不对外提供服务。如果各部门需要明细数据,则各自建立 DM 解决。 而现在这些大厂的建模方式,则是尽可能压缩范式建模的范围,扩大维度建模的深度。以结构化指标体系开道,用维度模型向下不断穿透,直到 DWD 层。 是的,DWD 层也是维度建模。所有 ID 统一、代码转换、数据打平的事情放在哪里做?ETL 里做。 哦,不!应该改叫 ELT 了。先 Load ,再 Transformation 。因为超大量的数据输入,我们必须首先解决数据吞吐量的问题。 另一个方向,是那些创业公司或者大公司的新业务。这类场景的特点是业务一直在变,产品功能也在变,业务数据库也在变。 在这种场景中传统数据仓库建设的逻辑完全失效。因为根本不可能有人能在这么短的时间内,设计出一个能适应 2 周一次的迭代速度的数据仓库模型。 所以他们选择了简单粗暴的拉宽表! 这就是脉脉上百度小哥疯狂吐槽的根本原因。不是不去建模,而是根本没时间、没条件给你建模。 数仓已死? 那种业务趋于稳定的大厂毕竟是少数,更多的情况是创业公司、业务不断试错、调整的小厂。 在业务 1 个月变一次方向、产品 2 周迭代一次、业务数据库不断更新还没人告诉你的地狱模式下,基本上宣告了数据仓库的死亡! 这就像是在玩游戏。 以前是玩俄罗斯方块,我们得精心设计好,每一块砖都要放在合理的地方,垒的整整齐齐,等待那一根棍子的到来。 而现在,是在玩神庙逃亡,操作方式同样都是上下左右,但是你根本没办法想合理、结构、布局,稍微迟疑一些,就被怪兽咬到屁股了。   而对于那些业务日趋稳定的大厂,数据仓库同样也有巨大的困扰。就像新能源汽车车主总有里程焦虑一样,几乎所有的离线数仓工程师都害怕任务失败。 任务失败就意味着报表出不来,就意味着运营的白眼和扣绩效。 另外,我们的增量入库方案,由于数据迟到、业务逻辑复杂等各种原因,慢慢的变得越来越复杂。以至于一些小公司干脆直接每天全量,这导致数据延迟更加严重。 貌似一切正常的离线数仓 T+1 延迟,成为压死数仓的最后一根稻草。因为业务部门已经不能满足于看昨天的数据了。 “我们并没有做错什么,但不知为什么,我们输了”,诺基亚 CEO 的声音仿佛萦绕耳边。 什么?你说 Lambda 架构可以满足?是,这样是能出数,但是你拿实时和离线两个结果对比一下试试看?   你现在告诉我,拿什么拯救已然过了互联网淘汰年龄的数据仓库? 数据湖当立 当互联网 HR 对着年龄超限的数据仓库拿出辞退信的时候,另一个 HR 给一个 09 年才出生的小娃娃发出了 Offer 。 它就是数据湖。 它爹是 Pentaho 的 CTO James Dixon。James 创造它的时候,也没想到这家伙能变得这么牛掰。他当初只是想把磁带上存储的所有数据统统倒进一个地方,方便任意探索。 而现在的数据湖,已经成长为一个巨无霸!凭借着基于快照的设计方式、满足快照隔离、优秀的原子性、新元数据等巧妙设计,数据湖拥有了支持批流一体、完美增量入库、入库即可计算等特性。 这些特性意味着什么? 对于 ETL 工程师来说,意味着数据湖没有 T+1 !太令人兴奋了! 但是更兴奋的是大数据架构师,数据湖不仅意味着什么数据都往里扔,更意味着一种新架构的诞生! 一个万能的架构,能够满足算法工程师随意淘换原始数据的架构,能够满足大数据工程师随时拉一张准实时宽表出来的架构,能够满足准实时数据增量接入和即时分析的架构,能够让大数据工程师不用早起看任务是否失败的架构。 架构变了 Kappa 架构中,最无奈的其实是 Kafka ,生把一个 MQ 整成了数据库。这也直接导致了 Kappa 架构无法存储海量数据的弊端。   但是这个弊端,数据湖可以解决啊。把 Kafka 改成数据湖之后,问题解决了。 Kafka 也终于歇了口气,可以卸下莫名其妙得到的“数据库”头衔。 而传统数仓的“数据孤岛问题,在数据湖面前,瞬间荡然无存。因为数据湖本来就是大杂烩,什么都往里装呀! 而且现在已经有各种组件与数据湖产品进行对接了。数据湖真的变成了一个湖! 这个架构简直了! 你可以用数据处理组件,从湖里抽数出来,抽完直接做成宽表扔给运营。 也可以写一个 DAG ,数据规整、打通之后扔其他数据库里。 对数据非常了解的人,可以利用查询组件,直接到数据湖里查数据。 算法工程师同样可以直接对接数据湖,从湖里捞原始数据投喂给算法,训练模型。 最关键的一点,OLAP 引擎也能直接对接数据湖! 这个就厉害了!换句话说,咱可以依据这个构建一个超级无敌的 OLAP 体系,准实时、不用复杂的分层建设、不用担心任务跑不完、业务要啥可以快速给出去! 市场变了 你说,这个东东是不是很牛?对你来说是不是很有价值? 是的,不仅对你有价值,对资本市场也很有价值。美国有个公司叫Snowflake,好家伙,直接估值过 1000 亿美金!!!PS 远超其他各大独角兽。 除了 Snowflake 之外,数据湖的老选手亚马逊 AWS 也是一路狂奔,早就有了自己的 OLAP 产品 AWS Athena ,跟自己的数据湖双剑合并,推出了“湖仓一体”的概念。 当然,这里面肯定也少不了中国队的身影,首当其冲的就是阿里系了。阿里的 OSS 大家应该都挺熟悉的,这个存储便宜的要死。 但是你可能不知道,阿里基于 OSS 的存储还整了一个云原生数据湖体系,其中不仅包括了数据湖,还有基于数据湖的 OLAP 产品 DLA ! 当然啊,这个价钱嘛,嘿嘿,你懂的。 其他选择也有哈。目前开源的数据湖有江湖人称“数据湖三剑客”的 Delta Lake、IceBerg 和 Hudi。 上面的 OLAP、查询引擎可以用 Kylin、Presto,Spark SQL、Impala等。 这里着重强调一下 Kylin 哈,不仅是因为这是中国团队开源的产品,更重要的是这玩意我们大数据工程师熟啊~~~ 而且,就算你不是大数据工程师,是传统数仓工程师,学习起来也不要太简单了!因为这玩意你可以理解为大数据环境下的 Cube。这不就是我们天天在干的活儿么? 当然,Kylin现在已经不局限于传统的Cube,基本上已经把Cube当成Index和存储了。之前分享过,Kylin现在已经支持明细查询和实时查询的功能。 为了帮大家探路,我厚着脸皮找到了 Kylin 创始团队的史少锋大佬,要来了几份半公开的资料。大家自己收着就行哈。 云上数据湖 + Kylin 的这个产品叫 Kyligence Cloud,从上图可以看到它的位置,就在湖之上,可视化之下。因为是直接从湖里取数建 Cube,然后直接展示。这省了多少事儿啊! 有哥们问了,那构建 Cube 不得要时间么?咋说呢,第一次建 Cube,的确要一些时间。但是之后就不需要那么长时间了,因为数据可以增量加载。 因为数据湖的特性,它可以告诉 Kylin 在从上次消费后,有哪些 Partition 发生了修改。这样 Kylin 只要刷新特定的 Partition 就可以了。而且数据湖可以只拉取变化的数据,使得增量修改 Cube 变得可行。如果有查询不能被 Cube 满足,那么直接下压查询数据湖也是支持的,只是性能上会降级到普通水平。 这样,整个数据流,从产生到展示,基本上能控制在半个小时以内。啥?你还嫌慢? 嗯,的确,跟 ClickHouse 比起来,的确是慢一些,我也不是过来跟你掰扯那个工具好,谁的并发量高、速度快。 但是,哥们,咱说句良心话,你真的想成为一个整天“拉宽表”的 SQL Boy 吗?我之前也写过一篇 ClickHouse 的文章,那个快则快矣,但是小心反噬啊。 我们知道,OLAP 其实基本分为三个发展方向:MOLAP、ROLAP 和 HOLAP 。Kylin 是 MOLAP,ClikcHouse 是 ROLAP,这两个产品,犹如倚天屠龙。ClickHouse就是那倚天,追求极致的快,Kylin就是那屠龙,厚重而沉稳。 如果倚天屠龙能合二为一,各自取长补短,那简直无敌了!期待Kylin和ClickHouse团队的合作,推出更牛的产品,让我们的工作更轻松一些。 不过现在么,单纯的 ClickHouse 只能算是辟邪。辟邪虽好,必先自宫啊。ClickHouse 用的多了,那咱练就的一手建模技巧,恐怕就要废了! 你问问那些吐槽天天拉宽表的哥们,就知道其实哥们很悲观。 【END】    
融创上海:从营销切入,建立自上而下的数据平台,实现数据高效应用
后疫情时代下,超过70%的企业开启或加速推动BI项目建设,根据调研数据推断,将近四分之一的企业在2020年度投入BI项目超100万元,融创上海集团早已深刻感受到数字化的必要性和紧迫性,加紧了自身数字化转型的布局。   从转型之初就认识到,数字化转型绝不只是上些软件、做些项目,真正落实解决数字化的问题,是将好的管理经验不断通过IT手段去固化并优化,让公司在各种不确定因素的影响下,仍然能够按照既定的流程去运行。特别是企业经营与投资测算、资源盘点与全面预算、风险预警、经营分析等等高度依赖数据的场景,如何利用好数据,释放其价值,是融创上海集团推动数字化转型中,持续不断思考的问题。   因此针对BI的顶层设计,旨在贯穿上海集团从上至末级组织,数据全周期展现,组织口径无差异,面向对象齐全,希望面向不同用户,能够使其在权限范围内,可以跨组织、职能和时空边界,主动或被动地快速调用数据和报表,开展经营分析和管理,全面感受数据价值。   BI建设一阶段,面向全局希望实现部门间跨业务域取数,解决全局协同性不足,口径不统一的问题,以实现区域全局经营数据打通为前提,对营销、成本、运营核心管控指标梳理,并以大屏看板形势统一口径展现,营销作为项目切入点,最先完成规划及落地。 模块1:数据平台-营销SSC   以移动端为填报口,上海集团每日业绩及时汇总,展现成交新增趋势可周期追溯 ,数据支持企业微信推送,达到下述目标:   (1) 根据项目操盘可控情况区分各个数据展现口径; (2)灵活便捷自定义各类回款、车商周期指标; (3)每条成交记录自动形成格式战报,自动化提升数据累计,避免人工错误 (4)每日至年累计全周期数据可追溯、展现、分析; 模块2:数据平台-营销战图   营销以新增趋势,合同、回款完成率为核心目标梳理周期新增指标完成情况、趋势图,当月销售完成情况,多口径库存分析、供货分析,合同欠款,来访分析,当月车商完成情况。   体验视角:操作型看板强调汇报实时信息,用于监控企业每日生产数据进度和产出,确保实际达成业绩与预期计划相符,使公司能把营销、成本、运营情况的核心指标通过图形展现在管理层面前;提供阈值预警功能,通过醒目颜色进度条对异常情况发出警报;实时查看关键指标,例如合同金额、回款金额、非付现情况、节奏预警,为管理层提供实时、准确的参考数据。   效率视角:认签回数据实时刷新,来电、来访、货值、去化数据每天刷新,时效提升300%以上,平均每3个项目可以节省1个全职人力编制。   管理视角:拉通各业务单元的目标、绩效和管理标准,为每个决策流程减少目标拉通、冗长汇报、等待结果3个环节,决策调整频率提升100%。   业务视角:对于月度目标完成率,利用认未签货值、来电来访量、各环节转化率提前8~12天进行预测,指导精准获客、合理逼单、及时传合同等过程动作的开展,针对性解决来电来访少、转化率低、转化周期长等问题,同时规避低价销售畅销产品,恶意调高难去化产品单价等难以察觉的风险。对于累计/全年目标完成率,可利用全盘货值和过去3~6个月平均去化能力洞察各业务单元供销失衡风险,及时调配资源或调整业绩目标的分布。   目前为止,已经根据面向区域级组织、管理层经营管理建立了营销、成本、节奏全局指标展示大屏看板;根据面向部门级组织、业务执行层的填报汇总建立了周期高粘性营销SSC、法务诉讼案例、客关移动验房、供应链资产储备、成本协同共享分析应用模块,根据面向城市级组织、IT支持层建立了管理工具应用。各个BI项目的反响很热烈,普遍希望加速推进,并持续深化,下图为后续项目的整体规划进程,希望在2021年逐步落实。 远景目标   首先是打好基础,守住基本盘,让管理基本动作源于报表数据查看,基于现有看板夯实指标口径,确保一数一源、口径统一,让管理者充分相信数据,进而做到高势能推动,让管理指标更趋于完善。各部门指标和管理口径夯实基础完成,指标体系成熟后,搭建全局综合经营看板,经营要素完整体现。对于无法纳入集团系统的特殊项目数据,落实数据规范,对口径数据补充完善;   其次围绕大运营体系,逐步完善各条线的数据工作场景地图,开发实用、高价值的数据应用。 最后以点带面,形成正向循环,基于现有指标进行探索式分析,助力经营分析判断数据面支撑,推动数据质量与业务指标提升。依托分析工具自助式托拉拽形成数据报表试点分析体系与主题分析页面。   【END】 干货资料领取! 我们整理了一份IT数字化资料合集,包含:14大行业100+名企的数字化转型案例、10+IT规划实践案例、9大名企CIO讲数字化建设、8大行业数字化经营之道精粹……