|
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：
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。
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
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。
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。 | 
