1、企業敏捷經營實踐合集2024行業最新動態及12家先進企業實踐干貨觀遠數據成立于2016年，以“讓業務用起來,讓決策更智能”為使命，致力于為零售、消費、金融、高科技、制造、互聯網等行業的領先企業提供一站式數據分析與智能決策產品及解決方案。觀遠數據已深入服務寶潔、聯合利華、招商銀行、中信銀行、華潤集團、3M中國、絲芙蘭中國、安踏、元氣森林、蜜雪冰城、小紅書、斗魚直播、零跑汽車等700多家行業領先企業。公司地址：杭州市余杭區文一西路998號海創園18號樓708室官方網站：咨詢電話：400-880-0750觀遠數據聯系我們本刊物所載分享內容均來自觀遠數據2023智能決策峰會暨產品發布會及2023觀遠數

2、據敏捷分析實踐巡展嘉賓公開演講。本刊物所載企業案例中涉及數據均已脫敏處理，或使用的虛擬數據。本刊物由杭州觀遠數據有限公司所有，未經許可不得以任何方式或途徑復制或傳播。聲明新的宏觀周期正在發生，“不確定性”已取代“穩定性”成為了當下企業所面臨的首要問題。身處快速變化、不可預測和動蕩的環境中，數據驅動的敏捷經營能力，是新周期下企業最亟需構建的核心競爭力。面對外部環境的復雜多變，數據驅動的敏捷經營能力，可以幫助企業主動識別經營環境變化，快速感知與判斷外部環境中的機會與風險，并在此基礎上進行靈活快速的決策和行動，于不確定性中抓住確定性的增長。面對組織內部的變革需求，數據驅動的敏捷經營能力，讓組織決策擁

3、有更高的敏捷性、靈活性，快速響應內外變化，以敏捷決策讓企業在正確的時間做正確的事情，不僅能夠幫助企業應對變化、實現變革，還能夠提升企業的效率和盈利能力。如何實現數據驅動的敏捷經營能力？它呼喚著企業回歸生意的本質，聚焦經營第一性，告別虛榮性指標，從真正重要的北極星指標出發，拆解并識別關鍵業務癥結，抓住全局脈搏，于變化之中抓住增長的確定性。它要求著企業深潛入具體的業務場景中，拆解決策所需要的顆粒度，構建數據驅動的決策邏輯，通過定量分析洞察真實問題，挖掘潛在機會。它提醒著企業要關注具體行動，在行動的過程中追蹤數據表現，在實踐中檢驗行動效果，讓廣泛的業務團隊，不斷從數據中洞察業務問題，發現潛在解決方案

4、，敏捷迭代。讓數據即業務，業務即數據，知行合一，才能讓敏捷經營落地。從今天到未來，企業需要不斷進化的正是數據驅動的敏捷經營能力。在這條進化道路上，觀遠數據始終與企業同行。2023年，觀遠數據持續產品創新，發布一站式智能分析平臺6.0，提升一站式現代化BI的高易用性和智能化，降低數據分析門檻，讓一線聽到炮火的業務團隊能用數據做好決策；不斷升級服務，推出企業BI建設階段6S模型及配套方法論，幫助企業定位自身所處數字化建設階段，匹配差異化服務，助力企業BI能力穩步躍升。而為與更多企業一起邁向數據驅動的敏捷經營的未來，觀遠數據也決心將自身打造為一個追求卓越的敏捷組織。在公司創立七周年之際煥新價值觀，將

5、客戶價值放在第一位，配以“科學求真地解決問題”等核心價值觀，堅持“讓業務用起來 讓決策更智能”的使命，提升組織敏捷性，不斷做深BI的服務價值。我們相信，數據驅動的敏捷經營能力，將成為企業在不確定性陡增的新周期下突破增長的新動力。我們愿與更多企業攜手進化，以敏捷經營，迎增長未來！致辭蘇春園觀遠數據創始人&CEOCONTENT 目錄0206162129323666707301.行業洞察：敏捷決策是未來個體與組織在VUCA時代的生存之道面向未來，成為數據驅動的敏捷決策者02.路徑探索：BI賦能數據驅動的敏捷經營觀遠數據一站式智能分析平臺6.0：賦能企業敏捷決策觀遠6S方法論，助力企業數據建設階段升級

6、03.最佳實踐：4大行業12家先進企業敏捷經營典型實踐金融畢馬威中國：金融業數字化轉型的“生產關系”破局數禾科技：語義BI數據民主化進階之路某券商：數據驅動業務，開啟數字化轉型“五大轉變”零售消費舍得酒業：從經驗驅動到數據驅動，BI賦能敏捷運營維他奶：讓數據看得見摸得著，是實現數據價值的必要條件吉家寵物：寵物行業全鏈路數據分析方法論與實踐慕尚集團：敏捷BI上線一年不到滿足全集團業務數據需求，員工使用率達86.3%張亮集團：3個月從0-1快速落地數據分析能力，BI實現業務全流程數字化復星星選：聚焦以終為始的消費者價值運營，繪就產業數字化轉型藍圖互聯網及先進制造水滴公司：建設去中心化數據組織，實現

7、業務全支撐全滲透上汽飛凡：明星平臺月活達70%，敏捷BI實現組織提效管理創新零跑汽車：BI是一個六邊形武器04.交流平臺：觀遠數據智能決策峰會暨產品發布會觀遠數據智能決策峰會暨產品發布會本屆盛況往屆精彩77787939424653586201行業洞察敏捷決策是未來Insights個體與組織在VUCA時代的生存之道現在經常提到當下是百年大變局，但我認為不止于此，現在或許是三百年未有之大變局，當下匯聚了三大趨勢轉折點。,一是三十年，市場供求結構調整，改革開放以來真正的快速發展，人口結構、偏好的變化；,二是百年，涉及到理解的變化，國際局勢高度復雜，全球貧富分化；,三是三百年，技術奇點臨近，AI、元宇

8、宙、基因編輯技術等等的突破，以及環境容量承壓帶來的生活方式挑戰。當三大轉折點匯聚在一起，我們面對的未來不確定性，與過去任何時候相比都是最大的。王亞軍 掃碼觀看直播回放企業管理要如何應對這樣的趨勢？現有的企業管理理論眾多，歸根結底只有兩種范式神創論與進化論。企業管理范式：神創論 VS 進化論神創論“預測未來”，企業戰略是明確清晰的，確認好目標頂層設計，執行層再按管理層的決策往下執行即可；進化論難以預測未來，需要持續與外部環境共同演化，持續進化。管理中常見的內容，如戰略、執行、創新等，在這兩種范式中的內涵都非常不同，甚至相反。特別是管理中最難的問題，轉型。轉型是一件困難的事情。人、動物、植物都是從

9、一個細胞逐漸成長為大的個體，但通常的企業轉型方法不是這樣。常見的企業轉型方法論是拼接式的，例如一個只會在地上跑的變形金剛，如果想讓他能飛，就需要加上翅膀和噴氣發動機。三百年未有之大變局；VUCA時代，走老路到不了新世界30年100年300年市場供求結構調整 中國過去三十年類似美國戰后三十年，供應端主導，抓機會/Beta 下一步，類似美國70-80年代，需求端主導，抓管理/Alpha人口結構、偏好變化 中國人口老齡化；印度/東南亞結構年輕 95后、00后更追求工作的意義感 價值觀變化速度更快國際局勢高度復雜 大國博弈 傳統地緣政治、科技地緣政治 去全球化/多邊協議 供應鏈從效率為先轉向韌性+效率

10、人口結構、偏好變化 中國人口老齡化；印度/東南亞結構年輕 95后、00后更追求工作的意義感 價值觀變化速度更快市場供求結構調整 中國過去三十年類似美國戰后三十年，供應端主導，抓機會/Beta 下一步，類似美國70-80年代，需求端主導，抓管理/Alpha人口結構、偏好變化 中國人口老齡化；印度/東南亞結構年輕 95后、00后更追求工作的意義感 價值觀變化速度更快版權所有：境門管理/王亞軍企業即算法作者、前龍湖集團首席戰略官行業洞察02這樣的轉型障礙在于“著相”，看得見結果與形式，就只在外在形式上下功夫；但看不見過程與成長，缺乏時間感，變化很難長久。沒有內在的變化，形式的變化只要過一段時間又會回

11、到原來的狀況。如何從根本實現轉型，完成企業的進化？在這之前，需要前討論一個問題，什么是進化？?？吹降倪M化圖是一種直線過程，從猴子一步步進化到直立的人。如果把進化為人當成一個目標，一直不斷改變就會進化成功。但這就讓人們問這樣的問題：為什么現在的猴子進化不了人？其實，如果從真實世界的場景，即第一人稱視角，來思考進化時，這不是一個線性的過程，而是一種分叉的過程，是進化樹。而第三人稱視角的思考，超脫于現實之外，隱含了當前結果的確定性后對歷史的描述，陷入了“幸存者偏差”。分叉式的進化是在任何一個時間點都面對選擇，每個選擇都代表著一個不一樣的后果。這個后果也許導致消亡，也許帶來生機，并“活著”繼續向前進化

12、。進化的目的就是要活著，企業也是。從企業角度看，企業存在的價值就是解決其他企業解決不了的問題，因此只能不斷面對選擇、不斷解決問題。從這個角度看，企業管理只有有兩條主線，一是決策，二是協作。神創論是頂層決策，下層執行，只需要遵從頂層的決策，很難有橫向的協作；進化論則是走規?；肪€，形成分布式的決策和分布式的協作，需要更多的人做決策，進行協作。如何能讓不同的公司上萬人、十萬人都做出高質量的決策？進化論范式的管理，必須以第一人稱視角思考以第一人稱視角來做企業時，決策與協作是管理的兩條主線版權所有：境門管理/王亞軍版權所有：境門管理/王亞軍第三人稱視角第一人稱視角企業存在的價值就是解決問題 管理的兩條

13、主線規?；肪€1.決策2.協作分布式決策類比：單核CPU 多核CPU上萬核的GPU分布式協作類比：高帶寬信號傳輸與協議行業洞察03自相似分形，是一種解法。自相似分形是自然界實現規模的最佳策略，類似雪花的形成，樹枝的分叉，血管的分布等等。每個部分和整體的形狀是相似的，在數學上也叫分形。通過分形生產出來的個體，在傳輸速率來講是成本最低的，這是自然界的優化策略。進化論范式的企業成長公式以“自相似分形”的思路，企業成長是四個關鍵詞的函數：企業算法、分布式大算力、迭代、時間，由分形的企業算法驅動決策，實現“相由心生、生生不息”。什么是企業算法？企業的所有管理要素可以分為三層：底層是管理體系，指具象化的管

14、理內容，包括制度、流程、工具、方法，例如產品設計流程、采購流程、績效考核制度等等日常直接接觸的工作界面；中間層是管理策略，指跨專業或專業內的管理方法論，自身邏輯閉環，例如零基預算，業務領先模型BLM、IPD、產品價值工程等；頂層是企業算法，指核心決策依據，是最抽象、最穩定的，包括核心業務邏輯、核心管理邏輯、核心價值觀等等。企業成長也是企業獨有知識的創造、進化過程，這是敏捷的本質，在AGI時代尤為重要。進化論范式下的敏捷，就是不斷地產生這個組織特有的能力，即創造有用的知識并用它去指導行動、產生價值、兌現價值?；氐綌底只D型，從現在計算技術角度來講，其實越來越支持組織敏捷，比如云原生、Server

15、less等快速部署基礎設施；容器、微服務等更快響應業務需求；輕代碼、無代碼等讓業務人員直接開發，大模型、AGI等進一步賦能業務人員數字技術是越來越敏捷的，DevOps是敏捷的一個核心概念。但是組織管理的敏捷有高低，只有數字技術敏捷與組織敏捷深度融合，才能充分實現數字價值。如果組織敏捷度較低，“傳統組織+敏捷數字化”帶來的是痛苦，決策反復搖擺；“傳統組織+數字化”，帶來的是四平八穩，更強的企業控制；有且只有“敏捷組織+數字化”，企業才能真正實現敏捷轉型。只有數字技術敏捷與組織敏捷深度融合，才能充分實現數字化價值版權所有：境門管理/王亞軍A區：傳統組織+敏捷的數字化 痛苦B區：傳統組織+數字化 更

16、強的命令-控制C/D區：敏捷組織+數字化 更敏捷數字技術敏捷組織敏捷度低低高高A.極其痛苦，搖擺反復B.四平八穩，管控為先C.行云流水未來企業D.順水推舟未來可期行業洞察04敏捷與數字化轉型三原則很多企業在講數字化轉型、敏捷轉型，都希望進化成“未來企業”。未來企業里其實隱含了一個關鍵元素，就是“敏捷組織”。只有數字化轉型，缺乏組織敏捷，就無法實現未來企業的目標。提高敏捷與數字化轉型成功率，成為未來企業的三個原則：一是自上而下的認同，自上而下建立新的認知，推動范式革命，從董事長、CEO、高管團隊至下，一起形成共識。二是由內向外的生長，以企業算法打通專業壁壘，知行合一。將不同行業的知識，作為企業的

17、共性提煉出來。這需要很長時間的磨合。三是融合共演成形，數字化和組織共同敏捷，融合共演，這兩件事情需要同時進行。這要求CDO、CIO影響業務部門和CEO，建立起一套基于組織原生敏捷的共同語言。以上提到的是企業的成長，由核心算法、管理策略、管理體系形成，而個人的成長也具有共同的底層邏輯，由領導動力飛輪驅動，相由心生，生生不息。希望能夠通過這個討論給大家一起啟發，思考怎么更好地切入到業務，影響并引領業務，讓整個組織數字化轉型、敏捷決策來應對30年、100年、300年大變局，能更好地活下去！個人與企業成長具有共同的底層邏輯，相由心生、生生不息版權所有：境門管理/王亞軍企業即算法領導動力飛輪企業核心算法

18、管理策略管理體系領導動力飛輪領導策略領導力表層素質個體行業洞察05面向未來成為數據驅動的敏捷決策者敏捷決策是未來敏捷決策是未來，但敏捷決策其實不是一件新鮮事。在歷史不同的階段，敏捷決策不斷發生。近代史里著名的紅軍長征故事，從瑞金出發到達延安的路線上，每一個我們如今看到的歷史標記點，都是敏捷決策的典范；改革開放的過程，是摸著石頭過河的過程，驗證了“實踐是檢驗真理的唯一標準”，也展現了一個敏捷決策的過程。敏捷經營的本質是“戰略”與“行動”之間的持續反饋與迭代。在企業中，頂層的使命、愿景是中長期不變的，而戰略往下到直到行動，是要隨著外部環境不斷變化的。蘇春園觀遠數據創始人&CEO近幾年，這一趨勢已越

19、來越明顯。在Gartner對CEO的調研中，超過50%的CEO、董事會希望增加數據驅動的決策，將數據分析能力作為第一重要戰略能力。同時，2023年Gartner對CIO進行關于“會在哪些數字化的投入方向上增加投資”的調研中，數據分析位列第一。數據分析扛起了未來支撐企業敏捷決策的重任。但在行業角度，數據分析的落地仍然存在巨大挑戰。這個挑戰其實不是某一個技能或工具，更多時候指向的是“共識”。在企業中數據分析如何讓決策更敏捷？數據分析在解決什么層次的決策問題？怎樣衡量數據分析與業務結果之間的價值？從認知到落地，頂層共識的缺乏，不斷在放大數據分析落地過程中的各種偏差。如何形成共識，如何知行合一，這是數

20、據分析的最大挑戰。項目1關鍵結果2關鍵結果1目標1愿景項目2項目3使命目標2戰略行動1.2.3行動1.2.3 行動1.2.3關鍵結果3MissionVisionStrategyObjectiveKeyResultsProjectAction我們為什么存在我們看到怎樣的未來什么對總體成功最重要近期，我們應該聚焦什么怎么指導有沒有實現目標怎樣才能實現這些目標誰去執行，怎么執行掃碼下載嘉賓分享ppt行業洞察06五大陷阱與應對策略挑戰的方向明確了，挑戰本身就將成為機會。觀遠數據團隊內部常講“問題就是機會”，社會存在的問題就是每一個企業的機會，每一個企業存在的問題就是每個人的機會。我們分兩步，第一找到問

21、題背后更本質的東西，解決認知的問題；第二找到行動的方法，解決落地的問題。下面是我們總結的數據驅動敏捷決策的五大陷阱與應對策略。陷阱1：過去成功的戰略慣性，反而成為今天敏捷的天敵很多企業過去成功的戰略慣性反而會成為今天敏捷的天敵。過去幾年，很多成功的組織都非常深度地實踐了一些經典的戰略執行體系，從市場洞察開始層層拆解，通過戰略解碼定義到每個團隊每個月甚至每周最細顆粒度的行動計劃。在外部環境相對穩定、業務與組織相對不變的假設下，會帶來超強的執行。但在外部不斷變化的今天，各個戰場各個神經末梢都面臨著快速變化的經營環境，每一個更細顆粒度的計劃就會損失對外部響應的敏捷性，因此需要思考怎樣將各種變化作為常

22、量、作為第一性的要素，放到戰略生成與調整的整個過程中，實踐敏捷的戰略與執行。內容與數字均為虛構行業洞察07陷阱2：少數人在頂部決策，更多的人在炮火中迷失第二個陷阱是關于企業中決策方式的問題。這是硅谷最有名的幾家公司很有代表性的決策方式和組織架構，可以對照下我們的企業更像哪一種，是少數人在頂部決策，還是更多人在炮火中能決策？在今天的環境下，我們提倡的是開始分布式決策，讓組織向敏捷轉型，要讓更多聽到炮火的人能決策。陷阱3：優化局部目標，缺乏全局思維當局部開始決策的時候，優化局部目標，缺乏全局思維是最常見的一個陷阱。局部視角認知受限，從局部目標出發找到的關鍵場景或關鍵路徑，在全局視角里未必會是重要的

23、。重視全局目標，才能繞過一些風險場景，補充新的、更重要的、對全局更有價值的場景與路徑，在每個局部，解決對于全局重要的真問題。陷阱4：關注結果指標，缺乏可行動的過程指標當識別了關鍵場景和路徑，我們觀察到很多組織容易陷入到狹義的結果導向、對結果指標過度關注的陷阱。而在敏捷決策的新常態之下，真正業務向下拆解的時候，更加重要的是過程指標，尤其是可行動的過程類指標，比如大家可能聽到的先驗指標、領先指標或原子指標這些叫法。做的好的企業會更重視在更細的顆粒度上的過程指標，例如我們服務的客戶上汽飛凡，同樣關注GMV，但更關注GMV下面的轉化率、意向轉化率、4S店到店每次接觸的行動背后產生的意向轉化率往下一個階

24、段的變化等等，建立行動與過程指標之間的關系。內容與數字均為虛構場景1場景2場景3局部視角 認識受限行業洞察08陷阱5：定性與定量對立，缺乏假想與檢驗的科學方法最后一個陷阱是定性和定量的對立，缺少假想與檢驗的科學思維與方法。在一個公司里，簡單說有兩類人，一類人更擅長講故事，更強調經驗和直覺，但另一些人更希望看到科學的邏輯，決策的嚴謹性，最后導致很難形成有質量的決策往前推進。關于定性與定量的對立，我們看到定性與定量對立的背后，是更高維度的科學思維，基于假想與驗證將這兩者進行統一。通過經驗、通過個人的直覺，可以形成一些有意義的假想，在數據分析中不斷對假想進行驗證，將定性與定量有機統一。在過去一年，觀

25、遠數據自身也在實踐基于“解決問題五步法”的敏捷工作站模式，從定義問題、分析問題開始，提出解決問題的假想、不斷驗證并落地，這中間也包含對假想的證偽，以及重新回到問題和路徑本身，去不斷迭代對問題的分析和定義。小結一下，面對上面這些敏捷決策難以落地的認知層面的陷阱，對策包括兩個方面：認知方面，通過整體思維、過程思維和假想思維去實現認知層面的統一，不斷形成與強化共識；行動方面是認知共識后對能力的持續提升，讓聽到炮火的業務團隊能用數據做決策。定義問題分析問題持續落地驗證假想提出假想解決問題五步法假想是人類最偉大的思維方式“任正非業務用戶他們提出的需求他們真正想解決的問題儀表盤自助分析提高市場銷售減少客戶

26、流失67%CEO的期待73%業務的需求行業洞察09讓聽到炮火的業務團隊能用數據做好決策非常關鍵。過去，業務團隊里的業務用戶會跟IT團隊提出很多需求，包括報表、儀表板、指標等，這些需求對應著他們真正想解決的真實業務問題，但他們還需要依賴IT團隊。如何讓業務團隊自己擁有能用數據解決這些問題、做好決策的能力？根據外部機構調研數據顯示，67%的CEO希望數據分析與決策更多能在業務內閉環，而不是在IT領域完成，這樣才能讓業務敏捷和快速響應；73%的業務負責人希望在業務團隊內有更多的數據分析與技術人員，結合在一起才能讓業務團隊更好的用數據做好決策。觀遠實踐：數據驅動的敏捷決策之路如何提升數據驅動的敏捷決策

27、能力？觀遠數據在過去幾年和客戶共創以及自身不斷實踐，探索從認知到行動如何實現“知行合一”，接下來與大家分享我們認為行之有效的實踐，供大家參考。在認知層面，首先，每個企業都具備自身從戰略（目標）、戰術（指標）到執行（行動）的分層次業務邏輯?；诖?，我們通過三步來拆解與優化，形成敏捷決策的認知，形成數據分析的行動基礎：,第一步，找到全局的真問題。從第一性的全局視角，從理解公司的北極星目標出發，識別局部支撐全局最重要的那些關鍵場景與路徑，解決全局而不是局部高價值的真問題、真場景、真路徑；,第二步，拆解可行動的指標邏輯。將關鍵場景與路徑進行拆解，拆解成對應的最重要的關聯指標，尤其強調過程指標、可行動的

28、原始指標，更關注過程的變化，結果自然發生；,第三步，執行中不斷假想與驗證?？桃鈽嫿ㄐ袆优c過程指標的關系，具體到每一天的行動任務，追蹤最小顆粒度的過程變化，不斷驗證或調整假想，鞏固機會，步步為贏。從戰略拆解到行動，在行動中不斷驗證業務的假想與路徑。自上而下對齊，自下而上反饋，雙向反饋迭代，這是敏捷經營的關鍵認知。從認知到行動，主要通過科技的賦能，讓業務能用起來的數據分析產品與能力，是支撐敏捷決策的最大杠桿。熟悉觀遠數據的老客戶都知道，觀遠的一站式智能分析平臺有三個特點：企業級、易用性和場景化。尤其行動1行動2行動3行動4行動N指標1指標2目標盈利優先的增長戰略戰術執行關鍵場景1關鍵場景2關鍵場景

29、3過程指標1過程指標2假象驗證假象驗證假象驗證全局視角123場景1場景2場景3風險繞過行動指標目標假象驗證假象驗證過程指標財務增長降本防風險指標1指標1指標1指標2指標2指標2業務行業洞察10是易用性，能讓業務人員幾天就可以輕松上手看數據、做決策。這源于觀遠數據產品的設計理念、對產品價值的追求和產品不斷優化的方向，是讓業務團隊產生更多的數據生產者。通過易用性的產品，提升組織內部10倍的數據生產者，去賦能100倍的數據消費者。從總部到一線，讓從CEO到一線的各個業務部門的人員，都能回到炮火中的決策邏輯，關注到最原子級別可以產生的行動和指標，層層協同、決策反饋、不斷行動，持續抓住外部變化里的機會。

30、星火燎原的行業領先實踐數據驅動的敏捷決策實踐，也以燎原之勢，在觀遠數據服務的各行業客戶中落地。以下是分別代表著幾百人、幾千人、幾萬人不同發展階段、不同行業的客戶敏捷決策的三個代表案例。某互聯網泛農平臺：從CEO到一線的指標拆解與數據決策該企業成立時間不長，大概近千人的規模，在下面這個脫敏的圖示里，大家可以感受到該企業數據驅動的敏捷決策邏輯。最左邊是北極星指標，往下是關鍵業務的場景指標，稱為北斗星指標。中間部分是轉化成的核心指標樹，將決策邏輯強化、分解、透明化，讓大家更易理解。右邊是指標分級、到崗到人。這個企業的數據驅動有三個小細節，想特別跟大家分享：一是讓公司內部全員有一定的權限管控，但同時也

31、基本上讓全員都能夠知道有全局思維，讓員工知道他們做的事情和全局各個鏈路指標的目標關系，通過不斷的培訓、不斷的考試，提升全員的數據分析與決策能力；二是該企業內部有二十個機器人，不斷地同步最原子級別的任務和指標的完成情況，讓業務能快速迭代；三是企業內部貫徹的一句話，“從數據驅動到指標驅動，從指標驅動到目標驅動，最終從目標驅動到愿景驅動”。讓業務“活躍”用起來讓業務“廣泛”用起來讓業務“快速”用起來場景化易用性企業級生產者消費者 10X100XIT+各業務部門生產部門供應鏈市場部門銷售部門HR及財務生產信息供應鏈倉儲運輸HR系統財務系統管理信息ERP廣告用戶行為輿情內容品牌CRM交易支付分銷系統總部

32、到一線BI CoreBI PlusBI Managenment管理者BI 平臺行業洞察11某頭部飲料品牌：52周365天的數據迭代與行動閉環觀遠數據與該品牌已經合作了3年，從品牌最早幾十個人使用觀遠，到現在已經超過了幾千人在用觀遠數據平臺，品牌也實現了從以前12個月、52周，到現在365天的數據迭代。隨著企業戰略變化，該企業敏捷決策的解決方案版圖仍在不斷豐富中。以通過數據強化網點管理，指導一線執行動作以導向更好的網點銷售的場景為例，Step,1顯示的是基于最一線對每個網點的反饋觀察行為，總結成每個具體的行動能跟對應原始指標產生的關系。例如某個網點的鋪貨率、主管跟最一線的業務代表聯合拜訪的比率等

33、等。一步步到Step,2，每一天、每一個網點、每一個業態產生的數據關聯與過程指標的關系、高亮的異常指標。而后Step,3進一步形成反饋的閉環，導向一個個可執行的行動。這樣的決策場景在該品牌只是冰山一角，企業有幾千個這樣的場景甚至更多，每個場景產生的經濟效益少則百萬多則千萬甚至更大。這個案例希望與大家分享的是，在數據驅動的敏捷決策中，在企業的關鍵場景鏈路之中，構建最小的可行動的行動與指標的關系，不斷反饋迭代。北極星指標規模GMV損益總損益CEO核心指標北斗星指標各業務北極星指標匯總規模日活周活流量及平臺運營訪購率詳情頁轉化率周日GMV系數品類運營戰略品類及目標貨值；主推商家貨值品質售后提交率物流

34、時效送達準點率物流品質物流原因售后率12 Wed13 Thu10 Mon11 Tue14 Fri15 Satweek1趙誠指標3階段2李工指標4階段39:00李工指標4階段210:0011:00張三指標1 階段1張三指標1階段412:0013:00王美指標2階段2王美指標2階段2項目總結214:00項目總結1趙誠指標3階段1張三指標1階段515:00王美指標2 階段1趙誠指標3階段316:00張三指標1階段3張三指標1階段517:00李工指標4階段1趙誠指標3階段318:0019:00張三指標1 階段2北極星指標指標分級 到崗到人核心指標樹用戶分層流量用戶活躍品類運營規模GMV日活客單價客均S

35、KU件單價斤單價日活質量 客單價1W日活 客單價1K日活 周活 周活周均下單天數/7 登錄客戶數 訪購率 貨值按品類分類 品類運營專項 商戶體驗客戶NPS準時申訴結案率申訴率匯款正確率損益用戶體驗用戶3日/7日復購率用戶NPS激活用戶復購率召回用戶復購率活躍用戶復購率品質好價格低供應全價格低供應全SKU復購率總損益前臺損益中后臺損益貨值損益系數中后臺人力成本占比其他固定成本中臺員工人均GMV產研人均GMV后臺人均GMV商品抽傭比例物流收入比例物流成本體系頻臺運營費用占比商品營銷費用占比+x前臺人力成本占比內容與數字均為虛構從定義問題到衡量指標（從VOC（客戶聲音）到CTQ品質關鍵點）的拆解St

36、ep 1指標異常定位與分析數據監控-DMAICStep 2數據推送與閉環迭代Steps 3內容與數字均為虛構行業洞察12某頭部股份制銀行：從總行到分行，超萬人的分布式決策實踐觀遠數據與該行的合作也已超過3年，從一開始幾百人，到現在該行有幾萬人在使用觀遠BI。金融行業近幾年特別火的新增長業務代發業務，很多銀行過去甚至今天依然是總行告訴分行、支行，有哪些企業在當地可以做代發業務擴展的傳統模式。但該行通過敏捷模式建設，將這一能力賦能給分行，讓分行可以結合所熟知的企業，通過很多不同的分析維度，同時參考總行或其他分行數據，不斷在過程中識別更符合當地的畫像，選擇轉化好、更好潛力、更有長期價值的企業進行拓展

37、。在該行從總行到分行能夠支撐過萬的分布式決策模式的背后，建立了三層影響圈，讓各個分行具備能力后，能夠在相對統一的規則下進行分布式決策。在過去一年里，有很多新朋友加入到觀遠數據服務的客戶名錄里。我們很開心看到有越來越多的客戶不斷成為所在行業的數字化標桿。但讓我們更加感慨和充滿敬意的不是越來越多的客戶logo，而是在這些logo背后的一個個團隊，一個個具體的負責人與推動者，是他們在讓事情發生，改變了潮水的方向，讓這個企業在數字化的大浪潮下熠熠生輝，成為了更先進的組織，更是推動著整個行業與社會的進化。觀遠的使命與長期陪伴今年觀遠數據迎來了七周年。9月份的七周年慶典上，我們發布了升級的價值觀。價值觀煥

38、新的原因，是當我們越來越意識到和我們的客戶一起敏捷是未來的趨勢，以及數據驅動和敏捷決策的關系時，我們決心自己要成為一個更敏捷的組織。煥新的六條價值觀，是觀遠數據所有小伙伴共創的。其中的兩條這里小分享下：“始終把客戶價值放在第一位”，是我們第一位的價值觀，堅定的為客戶創造價值，也是對所有老客戶們、未來的新朋友們的承諾；“科學求真地解決問題”，通過數據思維、科學思維，求是求真，務實的解決真問題，是敏捷組織的重要行為，與各位在實踐敏捷的路上共勉?？傂蟹罩С謭F隊系統支持+數據開發服務支持影響圈第一層運營支持團隊觀遠項目團隊分行IT分行數據分析師第二層分行業務高層分行業務中層分行業務中臺第三層一線業務

39、團隊一線職能團隊線上業務各網點各支行月活，分行覆蓋率，精品應用數有目標多搭臺，勤動員：技術開放日，數據分析比賽等精應用，做提效：分行共創，分行自投等沉淀精品應用先識別，再轉化：種子用戶的全生命周期運營有策略用戶分析，內容分析，體驗分析，平臺分析等有監控行業洞察13七周年的另一個重點升級，是觀遠數據今年開始運行的6S模型，是我們服務升級的最重要內容之一。通過6S模型，大家可以匹配自己企業所處的數字化發展階段，是從無到有的激活期，還是已經進入了滲透期、復制期，或者廣泛自助期、業數融合期，或已經開始對AI進行探索嘗試。在這個路線圖里，我們會從不同維度給到企業一些建議，和企業一起結合企業自身情況，選擇

40、最合適的進階方式，配套觀遠所提供的各類服務，幫助企業穩步進階。產品方面，觀遠數據一站式智能分析平臺6.0正式發布。升級核心是對一站式能力的強化與更新，因為我們看到越來越多客戶有各種各樣的需求希望在一個平臺上實現，因此觀遠BI 6.0的功能新增或優化升級都會特別強調一站式，讓企業能夠在一個平臺上更好的管理，讓業務同學能夠在統一平臺上更好的協同。產品6.0有很多升級，其中一個高亮點，是很多客戶期待的BI與ChatGPT的融合BI,Copilot系列產品。觀遠數據從2016年成立即在行業首先提出了AI+BI的理念，并一直在這個方向上不斷的堅持探索，積累了很多底層的認知與能力。今年我們非常開心的看到，

41、因為ChatGPT與大模型技術的到來，AI+BI的進程將被極大的加速，企業內使用BI的門檻將極大的降低，未來“讓每個企業有100倍的數據消費者”這一目標越來越觸手可及。過去的大半年時間里，我們一直在為BI與ChatGPT融合的BI Copilot系列產品做準備。BI Copilot系列產品通過BI與大語言模型的融合重塑數據分析全鏈路，將為企業進一步降低數據分析的應用門檻，讓組織更敏捷，讓決策更敏捷。成為數據驅動的敏捷決策者“不確定的時代，在確定的方向上堅定地行動”，這是我想在分享的最后送給大家的一句話。過去幾年大家都在說不要“內卷”，那么內卷的反義詞是什么？不是反內卷，更不是躺平，內卷的反義詞

42、在我們看來是“進化”，個人的進化，組織的進化，構建在不確定中找到確定性的未來能力。敏捷向未來。與大家共勉，一起成為數據驅動的敏捷決策者。使 命MISSION讓業務用起來 讓決策更智能價值觀VALUES 始終把客戶的價值放在第一位 科學求真地解決問題 以成長驅動增長 堅持坦誠且清晰的溝通 作為一個團隊來贏得勝利 用熱愛創建未來愿 景VISION成為智能決策的全球引領者行業洞察1402路徑探索BI賦能數據驅動的敏捷經營Methodology賦能企業敏捷決策觀遠數據一站式智能分析平臺6.0正式發布張 進觀遠數據創始人&CTO10月20日，觀遠數據2023智能決策峰會暨產品發布會于上海中星鉑爾曼大酒店

43、圓滿收官。這次盛會圓滿結束，將是觀遠數據成立七周年的里程碑。在過去的七年里，觀遠數據不斷發展和進化，助力著更多企業實現數據驅動的敏捷經營之路。在峰會現場，觀遠數據聯合創始人兼CTO張進正式發布觀遠數據一站式智能分析平臺 6.0，推動企業能力煥新進化，助力更多企業客戶享受數據價值。以下為張進精彩分享節選：敏捷決策關鍵詞：一站式BI“讓業務用起來”的現代化BI產品，最核心的三大特質是易用性、企業級、場景化，這些特性能夠真正賦能企業的敏捷決策與敏捷轉型。在實際落地中，產品形態的關鍵詞是“一站式”。以最常見的經營分析的場景為例，從銷售數據、成本數據、目標數據等原始數據，匯總成經營數據的分析模型，到財務

44、報表、再到經營分析看板，進而產生分析洞察與業務決策，這個過程涉及到企業組織各部門的各種角色。整個決策鏈路可以總結為四類需求，即數倉需求、報表需求、分析需求和AI需求。對此，傳統的解法一般是使用割裂的產品，有數倉需求采購數倉工具，有報表需求采購報表工具，有自助分析需求再采購BI工具，如此割裂化嚴重的產品，不僅意味著學習門檻極高，而且在部署后還需要面對權限對接、數據遷移等方面的高昂成本。針對這個問題，觀遠是如何解決的呢？觀遠數據自2016年創業之始一直堅持“一站式”的產品理念，通過過去七年的迭代，觀遠數據逐漸掌握了面對這四類需求構建一站式產品的方法論，正式發布最新的一站式智能分析平臺-觀遠BI,6

45、.0。在BI一站式的新趨勢中，觀遠BI,6.0從技術架構、數據底層、產品體驗等方面，都處于引領地位。掃碼下載嘉賓分享ppt路徑探索16觀遠BI,6.0產品矩陣包含BI Management、BI Core、BI Plus、BI Copilot四大部分：BI Management打造能夠保障安全穩定大規模應用的企業級平臺底座，BI Core聚焦端到端的易用性，BI Plus面向業務解決具體的場景化問題，BI,Copilot,是利用大語言模型的能力構建的最新模塊，為BI應用持續注入新的活力。觀遠BI作為一站式BI平臺，面向融合需求，以解決企業的完整決策鏈路。以下將分別從數倉需求、報表需求、分析需求

46、、AI需求四個板塊，分享觀遠BI,6.0中的產品迭代和創新功能。數倉需求：融合集中管理與敏捷分析的湖倉一體化升級首先是數倉需求。觀遠BI與傳統BI最大的不同，在于其自帶了一套數據湖的底層存儲方案。與此同時，為更好地支持企業基于hadoop和databricks上構建企業級湖倉，觀遠數據研發團隊在觀遠BI,6.0中對hadoop和databricks進行了深度的架構和技術融合。在部署觀遠BI時，IT部門可以輕松地構建企業級湖倉，業務人員則可以基于敏捷數倉進行快速的業務分析和決策。觀遠BI,6.0的數據回寫和反向ETL功能，使得敏捷數倉中沉淀的穩態業務數據，可以一方面返回到企業級湖倉進行統一管理和

47、控制，另一方面可以無縫傳輸到下游業務系統進行自動化決策，無需人為干預。此外，觀遠BI,6.0還推出一款高頻增量更新調度器“實時數據Pro”，支持數據實時融合處理。該調度器采用了Micro-Batch微批計算引擎，優化了對實時分析場景的支持，并同時支持事件驅動和定時驅動的工作流調度。這為用戶提供了更高的性能、極速的響應能力，并穩定支持高并發的實時數據處理體驗。觀遠BI 6.0 產品矩陣路徑探索17報表需求：獨立的報表工具永遠無法讓業務用起來其次是報表需求。眾所周知，每個企業在報表層面都面臨供需矛盾，開發流程冗長、遷移成本高、使用效果差。這主要源于傳統報表工具的設計是面向IT設計，未針對敏捷決策場

48、景下的業務使用進行優化。對此，觀遠BI,6.0推出“中國式報表Pro”，立志于讓復雜的報表構建不再復雜。業務人員只需三個簡單步驟即可創建基礎的業務報表：首先，將Excel報表模板上傳至觀遠BI；其次，將數據源切換為BI托管的定期更新數據源；最后，保存報表至看板并直接使用。中國式報表Pro高度兼容Excel用戶已有操作習慣，即便是只會用Excel的業務人員也能低門檻、高效率輕松實現中國式報表的自主開發和維護。同時它能夠高效實現線下Excel報表的線上化，更具備BI的智能數據準備、權限管控、與圖表融合呈現及聯動鉆取等能力，具有數據互通、分析互通、協作互通、訂閱預警等一站式全鏈能力，進一步提升業務的

49、靈活性和可用性。典型場景三大痛點線下Excel報表報表工具開發報表遷移周期性報表需要IT協助取數，周期長，流程長，重復工作多已有的線下Excel無法快速遷移上線，需從0到1構建 主要面對IT人員，業務用戶難掌握 IT工作量大，響應慢 報表和BI割裂，無法融合呈現分析開發流程長遷移成本高使用效果差經營分析報表數據產品報表風險管理報表綜合管理報表成本分析報表匯報分享報表人事分析報表財務分析報表監管報送經營管理報表如何簡化報表流程，實現敏捷迭代數據自動更新？如何實現Excel報表最 小 成 本 快 速 遷移？如何降低使用門檻讓 業 務 人 員 用 起來？如何讓報表分析能力最大化？路徑探索18EXCE

50、LCSVAI需求：創業至今始終堅持AI+BI理念立志讓決策更智能最后是AI需求。觀遠數據自2016年創立以來一直秉持著AI+BI的理念，致力于讓決策更智能。觀遠BI,6.0進一步增強了AI能力，推出智能洞察和BI Copilot系列產品。1、智能洞察實現從看板+文檔到報告+洞察的跨越。通過深入業務打造智能化應用服務和企業決策知識庫，旨在降低數據理解成本，提高決策效率，這意味著更強大的智能化功能，幫助用戶從數據中獲取更深入的洞察和見解。分析決策樹配置，輔助報告自動生成，沉淀決策資產。將業務專家的分析思路轉化為靈活可配的“智能決策樹”，自動遍歷多個維度層級，分析業務堵點、痛點及造成原因。再結合數據

51、可視化的能力，輸出易于管理層直接解讀的結論報告。最后支持通過AI算子和行業模板的完美融合，提升數據分析高度和決策質量?；趫蟾姘l起討論，關聯業務動作，沉淀決策資產。分析需求：豐富的行業場景主題幫助提升BI開發落地效率第三個模塊是分析需求。在過去的一年里，觀遠數據應用市場進行了大量的更新，涵蓋了各行各業的素材，包括零售消費、金融、制造業等領域，擴展了包含數據接入、經典分析模型、可視化插件、視覺風格、大屏模板等等全新素材，讓分析構建過程更容易，實現了更便捷的分析路徑、更豐富的信息承載、更順滑的看數體驗，讓業務：更快上手：新手培訓效率提升30%；更快上線：看板制作效率提升20%；更快傳達：性能與分析

52、效率提升50%。典型場景分析方案參考，快速起步解決業務問題 讓分析構建過程更容易場景包經營管理 商品管理 渠道管理零售門戶 績效管理 代發業務財務分析HR管理 業財業務零售消費金 融泛行業更多.數據接入經典分析模型視覺風格可視化插件大屏模板API連接器SaaS連接器連接器監控KPI管理留存分析RFM模型蝴蝶圖日歷圖啞鈴圖路徑探索19通過異常原因補充、報告發起討論、關聯業務動作的功能，使得決策過程更加完整，信息更加全面，決策更加高效，實現全面的經營管理閉環。2、BI Copilot系列產品BI Copilot系列產品通過BI與大語言模型的融合重塑數據分析全鏈路，進一步降低數據分析的應用門檻?；?/p>

53、BI Copilot的ChatTo-系列應用，用戶通過多輪對話即可自動搭建ETL、創建看板和定制報告風格、詢問有關數據的問題并獲得深度見解等。Chat2Help，24小時在線技術支持每 位 產 品 使 用 者 在 遇 到 問 題 時 都 可 以 及 時 向Chat2Help尋求幫助。當遇到報錯或問題時，只需將報錯信息復制粘貼到對話框中與Chat2Help進行問答，它將直接告訴你報錯的含義。但與其僅僅解釋報錯 信 息，更 重 要 的 是 采 取 行 動 來 解 決 問 題。Chat2Help還將指導一步步排除報錯，并提供解決方案。Chat2Help能夠滿足不同角色用戶的不同需求。無論你是新手還是

54、專業用戶，Chat2Help都將提供準確、個性化的支持，幫助解決問題并順利進行決策分析。這將大大降低產品的門檻，使每位用戶都能輕松使用AI能力。Chat2Answer，用對話開啟數據洞察市面上99%的BI問答產品的設計思路都面向IT、數據分析師等人群，沒有真正考慮到業務通過對話方式獲取所需數據。而Chat2Answer的出發點也是觀遠團隊一直主張的面向業務。Chat2Answer利用知識庫構建，可以幫助業務用戶理解數據的含義，并提供智能解讀。當用戶提出數據相關的問題時，Chat2Answer會解釋數據背后的原因，并給出針對性的建議和可操作的方案。Chat2Answer產品的形成需要結合What

55、、Why、How三個方面，但它并不需要大量的構建成本。通過使用觀遠BI產品并在某些部門、場景廣泛推廣后，利用數據資產形成知識庫的效率非常高。也正是如此，呼吁企業在使用觀遠BI后，盡快在相關部門和場景中推廣產品使用。沒有知識庫的支持，直接調用大語言模型來處理數據集的準確率通常只在10%到20%之間。只有當業務真正使用平臺并留下知識資產后，才能快速積累知識庫，進一步提升回答準確度。同時，為了更敏捷、準確地獲取知識，觀遠BI,6.0將數據血緣從表級提升到字段級。這樣，在不同企業中提取字段信息和知識時，可以進行更智能更細顆粒度的識別。有了Chat2Answer，可以預見敏捷組織的未來。類比一下，它可以

56、使傳統的電報式BI變成手機式的現代化BI。通過現代化的BI平臺，業務資產和數據資產沉淀在一起，使得業務分析與決策之間無需中間人進行翻譯。觀遠數據一站式智能分析平臺6.0圍繞企業對賦能敏捷經營的BI工具的數倉、報表、分析、AI能力需求，幫助企業以更高效率、更低門檻、更敏捷方式實現更智能的決策，并以更高頻、更廣泛、更有效的業務決策驅動“自組織涌現”，最終，讓數據進一步賦能業務，以10X的產能撬動100X的數據消費者，為企業創造更多、更大價值。希望每家企業都可以把觀遠BI用起來。通過更多的業務場景和更高的分析頻率，有效利用數據做出決策，每個企業都可以在自己的領域成為行業領先者。路徑探索20觀遠6S方

57、法論助力企業數據建設階段升級孫 妍觀遠數據副總裁BI行業新觀察：數字化的趨勢和挑戰首先分享一下Gartner2023年CIO和技術高管會議：中國篇報告中總結的一些發現，整個報告主要突出三個觀點：其一，即使在經濟下行的環境下，商業智能和數據分析仍然是企業第一大投資趨勢。與2022年相比，62%的受訪者表示將在2023年提高商業智能和數據分析領域的支出；其二，大約52%的企業在進行數字化轉型的過程中會遇到這樣那樣的難題，甚至是失??；其三，企業數字化轉型失敗最尖銳的矛盾原因在于缺乏頂層設計，部門之間無法達成共識，或無法匹配戰略資源。接下來來看下企業為什么會遇到這樣的困難。企業的BI建設會遇到很多問題

58、，其中最核心要回答的問題就是“數據分析能力建設、數字化建設是誰的事情”，是數據部門的事情，還是企業的事情？這是今天所有討論的原點，也是企業在做數字化建設時往往容易忽略的點。很多企業找到觀遠數據的時候會說“我要選一個好產品，我要用好的培訓”等，這些事情當然也很重要，但在我看來，一個企業數字化轉型能不能成功，最重要的一件事情是“資源”。7月份時我們回訪了一個很重要的客戶，該客戶平臺從2月份到七月份用戶數增長了10倍，而且客戶本身就擁有非常大的用戶基數。我們和客戶負責數字化建設的副總裁進行了交流，問客戶推廣怎么做的這么快，有什么成功秘訣可以分享。他講了一句話，“數字化戰略一定是一號位工程，如果不是一

59、把手工程就做不下去了”。聽完這句話更驗證我們的推斷。為什么數據團隊在推出數字化應用的時候，業務團隊、管理團隊會有那么高的配合度？實際上就是把公司所有的預算、資源擰成一股繩。這是推進整個數字化建設戰略很成功、很關鍵的一點。所以，在講BI能力建設的時候，我們很容易能看到數據應用、數據資產、數據技掃碼下載嘉賓分享ppt路徑探索21簡單來說，圖譜中每個階段有每個階段共性的特征。例如在S2滲透期階段，特別是該階段后期，很容易碰到用數人多時數據指標口徑不統一以及數據治理、數倉建設方面的問題。在S3復制期階段，主要會面臨的問題則是數據場景越做越多，但這個階段已經不再求量，而是希望由多到精，做更精致的、預測更

60、準、行動決策更閉環的一些場景。在S4廣泛自助階段，在數據生產者數據能力有限時如何推廣廣泛自助，數據文化和企業基因就成為共性的問題。每個階段都有共性的問題，就會有共性的解決方法。觀遠數據以企業BI建設階段6S模型為原點，將企業6S階段升級作為要達成的“果”，以企業需要具備的組織人才、業務流程、技術能力、數據能力為能達成的“因”，匹配企業BI數字化建設的6個階段設計診斷咨詢、能力培訓、運營中心、行業榮譽、G-Community、數據大賽六大服務，幫助企業實現BI數字化建設階段升級。術、數據運營這四個數據能力外化的表現，但實際上這些都是建設的“果”。建設的“因”實際是在組織能力、業務流程、技術能力、

61、數據能力這四層數據能力本質上。大家一看就知道這完全不是數據部門一個部門能掌控的，它跟企業基因和數據文化有關，同時和組織設計、組織分工、流程、考核、業務流程、IT等端到端的流程有沒有打通、技術能力、數據能力等企業的綜合能力是息息相關的。觀遠6S方法論輔助企業頂層設計的基礎理論觀遠數據目前服務了600多家企業客戶，在這個過程里我們發現，企業級BI能力的建設可以大致分成6個階段，每個階段大概是1-3年左右。在每個階段中，企業有共同面對的問題、機會和挑戰。因此我們繪制出一個圖譜，來幫助企業做BI數字化建設的階段躍遷。企業BI建設階段6S模型6S Construction Modeling Of Ent

62、erprise BI第一階梯“中心化”產出模式“需求-交付”的應答式合作模式第二階梯（第一次飛躍）“分布式”產出模式懂業務的人分析數據，懂數據的人管理數據第三階梯（第二次飛躍）從“輔助決策”到“分析即決策”從“商業智能”到“人工智能”S1 激活期從無到有S2 滲透期S3 復制期S4 廣泛自助去中心化S5 業數融合S6 BI+AI融合應用融合AI融合 業務發展和決策對 數據弱依賴 一部分場景能通過 報表回答發生了什么從有到多 部分角色形成依賴數 據決策習慣 小部分場景內能做到“看到-歸因-解決”的 閉環從多到精 更多角色在更多場景 下養成看數用數習慣 具備批量復制分析場 景的要素 數據廣泛用于日

63、常，成為決策 前提 數據內容生產的角色大幅增加，不限于數據崗位 分析結果融合于業務 執行系統 分析結果影響戰略決 策 95%的人擁有Top5%能力 BI與AI有明確分工，又能完美融合 普世的數據文化，頂 尖的數據技術 行業領先的數據應用 及方法論路徑探索22以診斷咨詢為企業BI進階起點助力企業數據建設階段升級觀遠數據提供的六大服務的目的，是幫助企業完成數字化建設階段的躍遷，將企業推向行業標桿的高度。觀遠服務促進BI進階飛輪的起點在【診斷咨詢】，診斷企業現在數字化建設處于哪個階段、問題是什么、希望提升的能力是什么、有沒有相對應的分析師等角色等等。之后是匹配相關的【能力培訓】，進行能力提升。然后通

64、過【運營中心】，將對一個人的培訓變成對一個企業的培訓，把一次培訓變成無線循環的培訓。接下來，當企業有了種子用戶，就可以通過【數據大賽】讓數據分析能力在企業內星火燎原。這時企業基本已經到S4及往后的階段了，自然的就會有一些【行業榮譽】。然后企業將在階段躍升后進入下一個循環。而中間的【G-Community】，則是為了滿足企業的分析師群體、算法群體、產品技術群體或高管群體都會有想在一個圈子里做交流，學習其他人是如何進行BI建設的愿望。圍繞“增強企業級數據分析能力”進行全面體檢，產出診斷和“體檢報告”，助力企業制定相關目標、規劃和落地方案服務概述路徑探索23服務：【診斷咨詢】企業BI建設的“全面體檢

65、”服務客群：S1-S6，需要輔助制定BI建設規劃的企業客戶客戶：CEO、CIO、CDO、業務負責人觀遠：咨詢專家、CSM、銷售關鍵角色 6S診斷體檢報告 BI建設規劃目標與方案關鍵產出為企業BI建設進行“全面體檢”的【診斷咨詢】服務，是觀遠數據最有特色的服務之一。如何為企業進行“全面體檢”，我們可以看下面這個案例：該案例是觀遠數據與某全球500強知名快消品行業頭部企業共創。今年6月份觀遠為其進行了【診斷咨詢】服務，形式有兩種：一是面向高管側的訪談；二是面向一線的業務問卷調研。調研時原本客戶只給我們約了三個人訪談，但聊著聊著企業自己就發現好像三個人是不夠的，就安排了更多不同的角色來參與調研。正如

66、前面所說，企業數字化建設是很復雜的過程，并不是單一角色、單一部門做好就行的，所以必須要聽到不同部門、不同立場的不同聲音，判斷和結論才會更準確。訪談調研最后會產生一個體檢報告，我們會和企業共同判斷企業目前所處階段，這個階段會有哪些表征，并建議企業在這個階段進行哪些方向的重點探索與考核。同時，會在落地實踐階段，將企業四大能力擴展成7個大能力、27個小能力，進行成熟度和重要性兩個方面的評估，分別評出高中低不同等級。而后將重要性高且成熟度低的部分，作為企業下一步建設的建議方向。出于對【診斷咨詢】服務的認可，該客戶今年也在跟觀遠數據一起做【運營中心】、【數據大賽】的共創，六大服務里該客戶已經用了五個，雙

67、方服務和產品的合作越走越深。我之前有問這家客戶的數字化建設負責人，為什么會對【診斷咨詢】這件事感興趣，他給我的答案是，大多數BI公司更多會做內容服務，但我們真正需要的是有一個角色，從行業專家的角度和立場告訴我們企業真正應該聚焦的是什么，管理層、業務層、數據部門各自的責任是哪些。這些一定是第三方來講才更加有公信力。這個答案非常啟發我，也與Gartner調研中很多企業數字化建設面對的主要困難吻合。很多公司都在做【能力培訓】，觀遠數據服務的特色在于：第一，面向企業級的服務。這里的“企業級”不是指企業規模，而是指讓企業自己擁有大于“輸血能力”的“造血能力”。例如企業人員流動性較大，需要培訓的人很多，觀

68、遠會為企業提供打包素材和教學材料，以及與企業做BI聯合認證，也可幫助企業的講師做培訓帶教和認證，讓企業自己擁有“造血能力”，能夠自主培養更多數據分析新力量。第二，面向零基礎的員工。觀遠數據一直在貫徹“讓路徑探索24服務：【能力培訓】培訓認證一條龍，教學材料打包帶走服務客群：S1-S3，有數據分析和BI能力提升訴求的客戶（如初次使用BI產品、在業務側推廣自助分析等）通過設計不同角色、不同階段、不同層級的培訓認證內容，提升用戶的數據分析與BI產品能力，更好利用BI產出業務價值服務概述客戶：IT、數據分析師、業務分析師、業務人員觀遠：訓 練 營 教 練、培 訓 講 師、CSM、銷售關鍵角色 BI/數

69、據分析能力提升 BI/數據分析（聯合）認證關鍵產出業務用起來 讓決策更智能”的使命，在課程設計上，由于業務人員關注點和數據人員關注點的不同，課程會分為業務分析師和數據分析師課程。業務分析師課程會從業務方向講解在什么場景解決什么問題，數據分析師課程則會更偏功能講解。其次，課程設計偏向互聯網化、碎片化的學習方式，每個課程視頻只有3分鐘，同時將學習過程分為學一學、想一想、練一練，通過很小的循環迭代，讓學員能更好的掌握知識。學員在極短時間內就可以輕松完成幾門課程的學習，所以課程的完結率特別高，收獲了95%以上的好評率，目前為止幾乎所有的學員都能快速學會輕松上手?！具\營中心】解決的是如何從對一個人的培訓

70、變成對一群人的培訓，如何將培訓變得持久、有積淀?！具\營中心】中包含了六個專門的服務內容，也是關鍵產出，我們可以看到其中一些案例：用戶運營機制做企業管理的都知道如何復制一個成功的團隊，包括崗責力、動力、能力，復制這三大力就能復制一個成功的團隊。用戶運營機制解決的就是其中的動力問題。很多員工不想學BI，本質上是不知道要學。他們需要知道學習BI有沒有價值，價值能不能得到認可。所以在我們很多真實客戶的案例中，用戶運營會用積分、認證考核獎項，或者讓員工自己講述使用數據做了什么不一樣事情的故事，激勵員工的同時，讓員工有自己內因的自我激勵。數據監控體系做數據的人都知道“業務即數據”，所以通常會監控庫存、周轉

71、、轉化率、流量等業務數據，但往往會忽視運營數據也是數據，也可以做成業務。一些案例中企業通過數據監控體系，可以將平臺上的月活、性能指標等都監控起來，并根據數據來做更精細化的運營，激發企業內更多人的使用。數據知識社區很多企業會做知識社區，讓知識在企業里流動起來，觀遠數據服務的客戶里也有很多這樣的案例。例如招商銀行中做知識分享可獲得內部積分兌換禮品；零跑汽車做了用BI讀報告的知識分享創新。還有很多企業會讓數據人員、業務人員做直播，讓一線業務數據同學自己把自己用數據的故事講出來，激發更多人使用數據。精品應用沉淀業務模式上最小業務單元有很大相似性的企業非常適路徑探索25服務：【運營中心】是持續復制和提升

72、的引擎服務客群：S2-S6，追求更體系化的消費者和生產者賦能“讓生產者更便利，讓消費者更省心”，提升生產者效能，降低消費者門檻，沉淀和推廣更多高價值BI應用服務概述客戶：BI產品經理、BI運營、數據文化運營觀遠：專家服務，CSM，銷售關鍵角色用戶運營機制：用戶成長體系，積分體系，激勵機制等數據精英培養：挖掘更多數據精英，建立數據人才矩陣數據監控體系：數據化驅動BI推廣，提升平臺運行效率數據知識社區：傳播數據價值，沉淀幫助文檔及攻略等企業數據學堂：打造企業內部員工學習成長的資源平臺精品應用沉淀：挖掘沉淀傳播公司及部門級的精品應用關鍵產出合做精品應用沉淀。例如銀行有很多分行，分行之間管理模式、運營

73、數據是有很多相似之處的。觀遠數據的平臺有應用市場功能，A分行自己好的應用上傳發布，我們的數據人員會再給它進行包裝、組織、邏輯梳理，這樣B、C、D等分行的人都能下載，讓企業95%的人都能擁有TOP 5%的人的能力?！緮祿筚悺渴墙衲瓯蛔稍冏疃嗟姆?。簡單來說，如果企業已經積累了一定的數據勢能，已經有一些活躍用戶，希望將勢能不斷擴大，這時數據大賽可以起到助燃的作用，讓星星之火變成燎原之勢。今年我們跟很多企業協辦了數據大賽。以規模最大的一場為例，比賽共歷時5個月，有750支隊伍，1700名選手，業務和數據組團參賽。5個月歷程里融會貫通了很多培訓、數據故事、賽程作品的review，是一場數據人的狂歡。

74、狂歡過后，企業從平時平臺月活1萬增長到4萬，表示有4萬人持續地每個月都在平臺看數，代表了背后數據文化和數據能力的提升。后來我們回訪了該企業從數據大賽中得到什么，其中包括不少大賽中獲獎者在當年就得到了晉升，也包括業務人員轉崗到數據，數據人員轉崗到業務的人員變多，企業的內部流動性變大。如果企業想將數據能力作為企業能力去推廣，數據大賽對企業來說肯定是很好的一個方法。路徑探索26服務：【數據大賽】點燃企業數據文化的火種服務客群：S3-S6，有一定數據應用及種子用戶的沉淀，希望通過比賽加速文化和能力建設服務：【行業榮譽】企業數據發揮價值最好的背書服務客群：S3-S6，具有代表性的實踐助力舉辦數據大賽，點

75、燃數據文化星火全面加速業數融合，提升數據技能服務概述客戶：BI運營/數據文化負責人觀遠：培 訓 專 家，數 據 分 析 專家，CSM關鍵角色 促進BI平臺在組織內的滲透，提升活躍率 培養不同部門的種子用戶，擴大“內容生產者”基數 加強IT與業務部門的協作，促進“業數融合”培養數據分析思維，提升數據驅動決策的管理意識 沉淀高價值場景，發布數據分析（聯合）認證關鍵產出與頭部客戶共創數據高價值實踐共同收獲權威榮譽，提升行業影響力服務概述客戶：愿意與觀遠深度共創的管理層，包括業務管理層與數據管理層觀遠：產品專家，行業專家，CSM，銷售關鍵角色最佳實踐：聚焦業務痛點，落地BI+AI數據解決方案行業創新：

76、BI深度賦能企業管理，創新企業決策通路數據文化：打造企業人人用數文化，提升企業競爭力關鍵產出對于BI建設階段比較靠后，又在某一領域上做的比較有特色的企業，觀遠數據會跟企業一起聯合申報一些獎項，這也是很多CIO、CDO比較關心的事。例如我們跟聯合利華、元氣森林、寧波銀行、北京銀行、招商銀行等客戶聯合申報并獲得了很多行業最佳實踐、行業創新、數據文化獎項?！綠-Community】就是社群，幫助不同圈子去做圈層經營，不止是線上，觀遠還會做各種線下會議。例如今年七八月份我們在華北做了CIO私董會，邀請了一些企業的CEO、CIO等。會后調研顯示100%的嘉賓都表示下次還要參加，并且50%以上的CEO、C

77、IO當場就報名了。另一個例子是我們在杭州做的一場面向分析師群體的線下活動，同時吸引了很多數倉產品的技術人員，進行了深度的workshop。在活動最后講述自己收獲的checkout環節，有一個小女孩站起來說，自己入職分析師行業才不到一年，作為一個新人常常覺得自己的工作沒有什么價值，但聽了大家的分享后又重新點燃了自己。而正是因為像她所說的這種收獲，才讓觀遠數據更有動力將這樣的活動辦下去。最后總結下觀遠的服務特色：,致力于長期陪伴，貫穿企業數字化建設的6個階段周期；,致力于使命級陪伴，養成企業數據文化和土壤；,致力于成長型陪伴，讓企業擁有大于“輸血能力”的“造血能力”，讓企業能夠從人才復制到能力復制

78、。觀遠數據成立至今已7周年，7年里我們沉淀了600+家企業客戶，產品從1.0迭代升級到了6.0，方法論從5A升級到6S。7年間不光是我們在成長，我們的客戶也在成長，我們見證了很多客戶發展、上市等，對我們也是鼓舞。觀遠數據是非常榮幸能和企業一起探索與成長，與客戶一起經歷過的旅程讓我們倍感榮幸。未來的路還很漫長，我們一起走過的BI建設之路終會讓我們共同走向更好的未來。路徑探索27服務：【G-Community】貫穿全周期的加速器服務客群：S1-S6按不同圈層做設計，組織企業BI建設、組織演進、行業方案等話題的G-Com-munity活動，促進客戶間的聯系、交流與共創服務概述客戶：CEO、CIO、C

79、DO等高層；數據產品經理、數據分析師等觀遠：活動運營、CSM、銷售關鍵角色CIO：CIO私董會，觀遠新品推介會等分析師：分析師交流會，觀遠產品訓練營等客戶定向交流：BI建設歷程、信息化建設經驗等主題交流關鍵產出03最佳實踐4大行業12家先進企業敏捷經營典型實踐Best Practices畢馬威中國：金融業數字化轉型的“生產關系”破局柳曉光 畢馬威中國金融業數字化咨詢主管合伙人掃碼觀看直播回放金融業數字化轉型的根本要義：金融業數字化的“生產力”與生產關系數字化的生產力包括CDO、數據分析專員、數據工程師、科技人員等，生產關系則是從組織架構、流程、管理體系、機制上，組織好、發揮好這些生產力。金融機

80、構的數字化，行業通行的三步走做法是：1、業務數字化。把系統建設起來，把業務線上化，留存數據。2、數據業務化。搭建現代化數據架構，實現數據聯動分析，使數據能夠支持業務，不再局限于單一系統統計分析功能。3、決策智能化。借助AI、大數據等金融科技的深度賦能，真正從感知認知到決策的智能化。以上三步會有時間上的遞進，大多數金融機構目前處于第一步和第二步之間。整體上，無論各家金融機構目前處于哪一個步驟，都同樣會關注如何將對數字化轉型的想法真正落地，如何完善組織與機制以應對數字化轉型的挑戰。畢馬威中國認為，對金融業來講，真正的數字化是業務、技術、數據、組織的四位一體，需要打破信息的不對稱，打破部門壁壘，打破

81、數據孤島，打破系統豎井，這些打破和鏈接才能使數字化真正成功。要實現真正的成功，金融機構從生產關系的角度至少要關注兩個方面：一是組織機制變革。數字化生產關系的核心問題是怎樣形成一個清晰的數字化戰略并能夠落地推進，以銀行為例，大多是部門制，各有目標和職責邊界，很少有人會考慮自己部門以外其他部門的事情。但數字化轉型很多時候是需要多部門共進的，所以有一個全行的數字化戰略推進管理機制很重要。二是人才培育培養。包括在業務側如何落地產品經理機制，在技術側如何向前一步擁抱業務，讓業務與技術融合，主動服務業務。最佳實踐29數字化轉型統籌推進配套組織與機制數字化轉型統籌推進的主流組織結構有三層：,決策層，數字化轉

82、型委員會，負責重點審議、最高決策；,治理層，數字化轉型辦公室，負責統籌推進、監督、管理、資源協調；,執行層，數字化轉型專項工作推進小組，由具體的業務、技術、數據等不同部門組成的聯合項目組。這樣的三層結構，相對來講符合國內金融機構的數字化轉型需求，既不太突破傳統組織架構的條框，又能夠在一定的條框內創新，讓數字化能夠真正落地，是目前金融機構數字化統籌推進的組織結構的一個大趨勢。數字化轉型管理三層結構中最核心的是數字化轉型辦公室。在成功的金融機構數字化轉型中，數轉辦都不會是一個虛擬機構，要有實質性的管理權限、考核權限，擁有復合型職能，包括戰略引領、資源整合、協同管理、知識共享、文化建設、能力挖掘等。

83、數轉辦的設置通常有三種模式：,模式一：數轉辦作為二級部門，由董辦/戰略部門牽頭。適用于數字化轉型初期，企業數字化思維、數字化能力尚未成熟，數字化人才相對有限，而戰略部門規劃能力強，懂業務，對數字化轉型有清晰的認識并能建立藍圖的情況。,模式二：數轉辦作為二級部門，由科技/金數部門牽頭。適合科技驅動或數據驅動需求明顯，科技話語權較強，對業務理解和跨條線、部門協同能力較強的情況。,模式三：新設置數轉辦作為一級部門。適合各部門已建立相對成熟數字化轉型思維和基本理念認知，數字化人才儲備豐富且人員數字化能力較高的情況。三種模式各有優勢，同樣也各有缺點：,模式一有戰略管理的抓手，統籌推動力強，能夠對數字化轉

84、型趨勢及行業實踐有良好的洞察，從全局視野設計數字化轉型規劃，但離業務、科技的一線實務工作遠；,模式二人員擁有科技背景，能夠快速運用科技手段賦能數字化轉型，但如果單純設立在傳統信息化部門下，“科技自說自話”、“跟業務兩張皮”這類問題仍然難解決；,模式三作為獨立部門能夠保持較為中立態度解決數字化轉型中的協同問題，效率較高，但作為一級部門通常是短時間的，設立時可能會面臨監管的壓力、人員編制的問題等。模式三能夠擁有一定的授權級別，雖然難度較大，但有決心的、真正嚴肅認真對待數字化轉型的管理層，通常會嘗試模式三?？扇绻麩o法落地模式三，嘗試模式一、模式二也比什么都不做要好。模式的選擇沒有正確答案，金融機構要

85、根據自身數字化轉型發展現狀，選擇一個相對更適合的選項將其落實。想要真正落實，就需要明確數轉辦的核心職能：第一，戰略統籌。不僅要有全公司的需求收集，也要有總體的數字化規劃輸入。從全公司的角度自上而下的統籌，體系化的思考，謀定而后動。第二，落地監控。集中管控企業數字化轉型項目，跟蹤項目進展，建立管理溝通綠色通道，及時管控項目、解決問題。第三，成效評價。尤其是項目上線后的使用情況、經濟效益的后評價，對業務需求也要有一定的閉環管理。第四，敏捷協同。數字化轉型應該是跨部門、多需求方的項目，數轉辦要統籌推進產品經理責任制落實，加強企業級組織協同與敏捷化管理。不同的項目有不同的牽頭方、參與方，數轉辦就需要作

86、為一個項目群的“大管家”推進項目，關注企業重點數字化項目的進展，過程中的資源協調、落地后的成效等都需要數轉辦考慮。數字化人才定義與能力培養組織和機制都需要靠人來推進和落實，因此數字化人才也是金融業數字化轉型的核心命題之一。數字化人才不僅僅是指數據分析師，做數據產品的人、能把數字化工具用好的前線人員等也都是數字化人才。包括數轉辦，盡管做的是管理統籌工作，但對金融機構數最佳實踐30字化的橋梁與促進作用是不可小覷的。廣義上數字化人才有三類：科技型數字化人才例如產品架構師、數據分析師、建模師等技術人才。以創造更優質的科技服務為發展目標。在金融機構數字化轉型中對其關鍵需求中包括強化技術對業務的支撐、開拓

87、數字化創新新模式、推動全公司層面的業務與技術深度融合等。在我跟很多領先的技術管理者的交流中，會聽到他們希望團隊能夠理解要跟業務融合，讓作為產品經理和需求方的業務人員，在技術每個版本開發迭代過程中都參與進來。這個理念是我們認為科技型數字化人才需要有的。業務型數字化人才例如項目群統籌、產品經理、數據運營等業務驅動型人才，以加速更有效的業務數字化轉型為發展目標，是將業務與技術連接在一起的橋梁。數字化要業技融合，技術要理解業務語言，業務也要站在技術的角度來理解。這是很不容易，所以需要數轉辦的機制，也是一種業技融合的機制。分管數字化的領導、數轉辦的人員，也都是偏向業務型數字化人才，不做一線的應用，也不做

88、技術的開發，而是將這兩者拉在一起，在一個清晰的戰略支持下向前推動金融機構的數字化轉型。應用型數字化人才例如用戶運營、組織人事管理、合規風控等業務一線應用人才，以展現更高的業務價值與管理效能為發展目標。在數字化時代，所有一線人員最重要的一點就是擁抱數字化，積極看待數字化，要讓數據智能普惠。以銀行為例，不僅是總行要用，分支機構也要用，一線的客服人員、營銷人員也要用。前線能夠使用數字化產品的應用型人才也是數字化人才，即便他們的專業技術不強，但對金融機構數字化轉型的作用依舊很大。同時，這些應用型數字化人才可以作為標桿，將數字化能力的優勢從一個部門傳遞到更多部門，最終實現數字化能力的普惠。盡管任重道遠，

89、但卻是必經之路。想要培養以上三類人才，金融機構也要配套人才體系建設機制。從人力資源角度，要給予這些人才合適的績效評價、晉升路線、薪酬待遇。從提升數字化能力的動力角度，可以通過創新實驗室、創新基金、OKR+KPI等模式激勵。數字化建設成效與投入效能評估數字化建設成效與投入效能評估，也是近兩年很多金融機構CEO和CFO談到數字化時非常關注的事情，希望能夠評估產出的業務價值、計算出ROI，盡管他們也理解其中有些事情不能夠量化評估，但也認為必須要定性分析。一些CDO和CTO可能對此會比較抵觸，認為是對成本的壓制或額外的考核。但更加精明的CTO和CDO反而會迎難而上，自己先考量清楚其價值，并將提升效能作

90、為自己的抓手和優勢，獲取更多資源。成效與效能評估重點關注三件事：數字化項目實施成效評價、數字化整體推進成效評價、評估重點邏輯及內容目標。在具體項目實施成效評價上，要能夠量化到金額、算得出ROI，將項目的效能講清楚，在后期結項后能夠評價前后是否達到預期效能。對項目做到精益化管理，是越來越多金融機構財務、內審的要求。從更長遠的角度講，數字化投入需要在財務上有更加細節的管理能力。項目投入的構成中哪些是必要的，哪些是可以節省的，未來有哪些效能提升的空間。這是財務與IT的交界，是一個IT和數據管理會計的問題。金融機構數字化轉型面臨著需要更加精益化以釋放效能，而這需要在財務和管理會計的要求下做得更好。另一

91、方面，金融機構的數字化能力，是從全機構角度將多個數字化項目匯總加權合并，成為整體性的能力。通過對價值產出、資源投入的分析，對數字化轉型效果的評估，不論是CEO還是CFO，或者技術管理者，都能更清楚地看到數字化戰略推進的效果，明確數字化轉型方向是否正確。最后總結，數字化轉型的成功既取決于總體規劃的戰略部署方向性領導力，更考驗的是數字化轉型落地實施戰術策略執行力。數字化時代下必備的組織、機制、人才管理模式變革，是鏈接數字化戰略領導力與戰術執行力的轉換中樞，亦是數字化戰略統籌自主的內生性保障與基礎性能級。最佳實踐31數禾科技：語義BI 數據民主化進階之路王冠軍 數禾科技CDO掃碼下載嘉賓分享PPT數

92、禾科技是一家金融科技服務公司，以大數據和技術為驅動，為金融機構提供高效的智能零售金融解決方案，服務銀行、信托、消費金融公司、保險、小貸公司等持牌金融機構，業務涵蓋消費信貸、小微企業信貸、場景分期等多個領域，提供營銷獲客、風險防控、運營管理等服務。數禾科技與觀遠數據于2020年下半年開始合作，至今公司內部已實現人人用觀遠BI。曾經我們在使用的過程當中，也發現了一些問題。雖然BI很敏捷，但業務取數卻不盡人意。面對精密的數據平臺，業務用戶往往手足無措。例如，業務希望看到本月優惠券成本是多少？今日成交訂單數是多少？此類指標信息底層非常復雜，對業務人員要有一定的數據素養，例如要找到數據在哪、要了解底層數

93、據結構和含義、要知道表之間關聯關系、要熟悉SQL或Python等語言，如果缺乏這些素養，業務團隊不得不依賴數據團隊的幫助，這常常導致溝通頻繁、響應滯后、二手數據可信度問題以及業務的敏捷性受損。對于業務人員來說，他們的需求很樸素：簡單地獲取數據，將其導入BI系統中快速分析。然而，這背后隱藏著一系列的挑戰 數據在哪里，如何被存儲，誰來維護數據的準確性，數據如何被計算，以及如何處理數據指標之間的不一致性等問題。對數據團隊而言，同樣面臨棘手且復雜的情況。例如，在處理數據提取的任務時，他們必須評估和解決數據的規模、存儲格式、每日數據增長的峰值以及敏感信息的處理等復雜問題。業務團隊追求的是數據的快速獲取與

94、應用，而數據團隊則注重數據的管理與質量，這兩者之間的不同視角和關注重點造成了一個看似簡單的任務數據生產流轉變得復雜。業務團隊與數據團隊的協同工作關鍵在于找到應用數據與管理數據之間的平衡點。數禾科技從實踐中精心設計了四種逐步深入的模式，巧妙地搭建起了連接業務需求與數據處理的橋梁，有效地彌合了二者之間的鴻溝。最佳實踐32人的驅動有兩種，一種是集中式，由工程師團隊承接業務需求，完全按需實現，所有的指標預先融合匯總成表，BI僅承接可視化功能。優點在于有統一的數據視圖，但缺點也很明顯，完全靠工程師進行交付，需要業務提需求，不僅交付慢，需求積壓，也無法實現靈活的數據探索分析。第二種是分布式，由分析師或業務

95、策略團隊自己開發滿足需求。起初業務團隊用得“很爽”，學習成本低，非常敏捷，快速解決問題，隨著時間推移，歷史遺留資產越來越多，導致速度越來越慢，無論是部門間的協同，還是成本維護，都是巨大的開支。因此，數據團隊做交付，面臨不夠敏捷的問題；業務團隊自己處理，面臨數據混亂冗余的問題，這其實是兩個極端。模式一：人的驅動慢工程師驅動由工程師團隊承接業務需求完全按需實現，所有指標預先聚合匯總成表，BI承擔可視化功能優點：統一的數據視圖缺點：靜態報表，不支持下鉆、切片開發慢，需求積壓無法實現靈活探索分析亂分析師/策略師驅動由分析師或業務策略團隊自己開發滿足需求大量的私有化數據集導入BI優點：起步時有學習成本，

96、但非常敏捷，短平快解決問題缺點：信息孤島，割裂，重復建設 大量私有化業務邏輯，業務不一致 質量差，易出故障 維護成本高，難以管理長此以往，限制業務發展，積重難返VS兩個極端數據湖倉DCube共享復用的公共指標衍生指標私有化指標業務團隊工程團隊DCube架構新需求缺乏彈性私有邏輯多樣化私有化信息孤島應用層數據雜亂固定/預定義上卷、下鉆靈活性一致性部分解決了慢和亂的矛盾缺點：優點：共享復用最佳實踐33因此數禾科技快速調整了策略，尋求了一個平衡的方法。將公司業務公用的指標放到共享的層面，基于公共的維度、公共的指標，快速支撐業務團隊使用數據，靈活進行探索分析。同時，這種模式也面臨一個問題。如果有新的需

97、求、新的業務、新的指標，新的維度時，指標層的共享會格外緩慢，因為它需要精心設計和大量開發、數據回溯等。因此它只能部分解決慢和亂的矛盾。模式二：Cube驅動模式三：語義驅動為了進一步解決上述矛盾，數禾科技當前的策略重點轉向了數據語義化。首先要為數據注入語義。語義指說同一種語言：業務術語。舉個例子，“在貸余額”，在A部門是剩余本金，在B部門叫期末余額，在C部門才叫在貸余額。因此，需要一個標準的術語體系，確保大家都在使用同一種語言。為數據注入業務語言，是語義化的核心的工作。語義化的方法論是以業務流程為橋梁，實現數據模型、業務邏輯和指標等對象的語義標準化。其中，業務流程由參與者和他們的關鍵活動所構建，

98、承載了業務本身。用戶旅程是最重要的業務流程之一，因為它直接關聯到業務的核心價值。整個業務流程在執行的過程中，業務角色和管理記錄將通過數字化的方式沉淀為數據模型、數據結構，也就是事實表和維度表。最終可以從“多快好省穩”五個維度指標評估業務流程的質量。指標可以從擁有業務術語信息的數據模型上面疊加業務邏輯、統計邏輯得到，此后再把指標數據推進BI里進行洞察和分析?，F在的業務術語體系，通過業務流程注入到數據模型上，也可以注入在指標上。數禾內部有數據治理中心，管理所有的業務術語，數據湖倉管理數據模型，指標平臺管理指標邏輯語義，BI平臺管理洞察和分析。數禾內部構建了一個以數據治理驅動的全面語義數據體系，其基

99、礎是由數據湖倉組成的強大數據基礎架構。在這個基礎之上，建立了一個管理業務邏輯語義的指標平臺。這一結構不僅支撐了BI和各類數據產品，甚至AI相關的產品。整個體系實現了從數據的生成、供給到最終使用各個環節的語義整合?？偨Y下來，指標是分析應用中抽象高級業務語義的具體表征，技術的復雜性完全藏匿于業務友好的語義表述之內。業務只需要關心需求，不需要關心數據在哪，以及數據怎么計算，他可以隨時隨地訪問數據，分析數據。業務流程（用戶旅程）數據治理中心數據湖倉業務邏輯展示多快好省穩事實表維度表語義化：以業務流程為橋梁，實現數據模型、業務邏輯和指標等對象的語義標準化業務術語數據模型管理記錄 業務角色BI平臺指標儀表

100、板描述度量數字化記載最佳實踐34模式四：AI驅動當數據都語義化、富含語義信息后，我們就將進入AI驅動的范疇。以烹飪為類比，數據工作的過程類似于準備食材，而語義化的數據就如同經過徹底清洗和精心分類的原料。緊隨其后的AI算法好比是精心編纂的食譜，它能夠將這些準備好的原料轉化為一道道美味佳肴。在這個過程中，分析師和業務人員就像是制作美食的廚師。AI驅動相當于拓展了菜譜?，F有的經典分析框架和模型已經在觀遠BI系統中得到應用。隨著AI技術的深入融合，未來我們將能夠實現更加深入和自動化的決策過程。以下是數禾科技未來開展數據工作的行徑路線圖。從數據分析的成熟度角度來看，數智化的核心功能涵蓋了記錄、還原、推斷

101、、預測和決策等方面。數禾致力于利用高質量、直觀易懂且可靠的數據，結合機器學習和因果推斷技術，進一步深化AI在推理和決策制定中的應用。最后總結一句話，“極多的語義，極高的智能，極限的自助，極致的敏捷，向未來”。未來，越來越強的技術能力，將賦能業務達到更敏捷的狀態。分析框架和模型LLM能力從Copilot到Analyst Agent語義化是AI驅動的筑基之本RFMCohort多維度拆解AARRR相關性分析多目標決策路徑分析漏洞分析對比分析What-if經典預測模型Anomaly DetectionPropensity Modeling競爭優勢分析成熟度數據源數據模型標準化報表即席查詢報表分析模型預

102、測模型最優化為什么發生？將要發生什么？最好的情況會是什么？還原推斷決策數據湖倉指標平臺AI驅動感知&響應預測&行動記錄發生了什么？最佳實踐35某券商：數據驅動業務，開啟數字化轉型“五大轉變”（為保護客戶隱私，以下涉及企業名稱處統稱為“A證券”）數字化轉型的認識和理解數字化轉型是技術革新也是業務變革，是“一把手工程”也是“全民運動”，是需要業務引領、技術驅動的“雙向奔赴”，這是我們對于數字化轉型的認識和理解。A證券的數字化轉型工作目前進行了將近三年，我們的最終目標是實現商業價值。從這點出發，我們需要做兩個方面的事：其一，做正確的事，業務即IT，IT即業務。指的是要把我們現在的業務數字化，并研發數

103、字化產品。在互聯網行業或許天然就是這樣，IT研發都是直接服務于客戶或交付成產品。但在傳統金融機構，IT或科技部門是職能部門，并不直接交付產品或服務。因此數字化轉型就是要讓我們從用戶場景出發，產品驅動，并基于這些場景來進行數字化運營。其二，正確地做事，高質量、快速、可持續交付。指在研發數字化產品的過程中，我們需要一些方法論或工具支撐，來實現高質量、快速、可持續的交付。系統方面，分為敏態和穩態兩類系統，不同類型系統通過不同方式交付，穩態系統依舊基于傳統瀑布研發模式，敏態系統則會更多用到例如CMMI敏捷的理論來做。工具方面，將原來煙囪式的系統建設結構分層，在每一層上形成平臺能力，包括技術底座平臺、業

104、務中臺、用戶端前臺。數字化轉型的“五大轉變”基于對數字化轉型的認識和理解，在公司戰略層面，明確要開啟“五大轉變”：1、轉“文化”。打造數字思維、敏捷文化。2、轉“意識”?；貧w業務，實時感知，為客戶/用戶創造價值。3、轉“組織”。業務與IT合作共創，采用精益的產品開發方式，引入敏捷開發和持續交付流程，實現需求的快速響應。4、轉“方法”。驅動業務模式創新，從線下到線上，不斷豐富和完善數字化方法論，驅動業務改進和模式創新。掃碼觀看直播回放最佳實踐365、轉“模式”。技術模式轉型，新增應用采用“云原生”方式直接構建在云平臺之上，采用微服務架構DevOps敏捷開發模式。數字化轉型的內核是數據驅動業務，因

105、此，基于公司數字化轉型戰略要求，我們梳理了數字化轉型關鍵事項，包括：1、業務數據化。伴隨著企業的數字化轉型，在補齊信息化或線上化的過程中，會沉淀大量業務過程數據和業務結果數據，需要將這些數據全部匯聚到統一的企業級數倉中，實現業務數據化。2、數據資產化。通過數據治理，規范完善數據元數據信息，提供數據地圖、數據目錄、數據血緣，使數據變得可見、可懂、可用，形成企業級的數據資產。3、數據服務化。提供統一標準化服務API，將各類數據服務直接給到業務使用。4、數據智能化。借助AI能力或融合ChatGPT能力，進行智能推薦、營銷、客戶服務等方面的探索實踐，與數據結合，交付高附加值的智能化產品和服務，提升客戶

106、體驗和業務價值。數據平臺發展歷程A證券2007年開始規劃建設數據中心，到2010年建設數據倉庫，2015年進行數倉升級擴容，而后在2018年進入重點建設階段，開始大數據平臺建設，完整更新了整個數據平臺的技術棧，并在平臺之上重新搭建了數倉。到2019年啟動數據中臺建設，直到現在不斷升級迭代。最近的兩三年，在完成基礎設施建設后，開始主要投入到數據資產、數據應用、數據服務的建設上。A證券的數據平臺整體架構，是覆蓋了“采、存、算、管、用”全生命周期的一體化數據中臺體系，支持多模態計算與服務化，破除數據供需壁壘，沉淀企業高價值數字資產，構建業務場景驅動的數據產品，為運營機制、組織、人才提供持續保障。構建

107、“聽、說、讀、識”基礎智能平臺，基于平臺能力賦能業務場景智能化。數據平臺建設的效果體現在“一個大數據平臺、一個數據資產底座、一套數據中臺流水線、一套數據治理與運營體系、一系列數據產品與服務”。最近，我們正將一系列的數據產品和服務整合到數據門戶中，讓公司所有員工，只需要到統一的門戶中就可以使用所有的數據產品和服務。數據賦能場景與實踐在介紹完A證券的數字化轉型背景后，我想分享一下作為一家券商，我們的數據賦能典型場景與在各場景中的具體實踐。場景一：分支機構用數分支機構系統零散，缺少統一的獲取數據途徑，是長期被忽視的一個群體，用數需求一直沒有得到很好的滿足。去年起，A證券開始重點解決分支機構用數的問題

108、。我們梳理了分支機構用數的主要場景，包括數據報送、明細數據查詢、運營營銷、業績考核、數據分析等。為了解決分支機構的用數問題，我們按照分支機構的人員角色及工作場景，針對性給予了場景數據服務。例如，普通客戶與兩融客戶的對賬單，過去沒有這類數據工具時，業務只能提需求給技術，描述要什么客戶什么時間的什么數據，也沒有統一格式，還需要線下反復確認，工作量非常大。我們將這些場景逐一整理出來做成標準化產品后，業務只需要輸入客戶號，選一個時間段，就可以得到標準化的報表，并可以導出下載再提供給客戶。以上只是其中一類，目前我們已經整理了幾十個這樣的場景，既解決了分支機構用數的問題，也大幅釋放了數據團隊的工作量。過去

109、我們一年取數的需求有上千單，上線了這類工具后，數量減少一半。隨著數據服務與產品持續增多，這類需求的量還會逐漸下降。最佳實踐37場景二：企業運營與經營決策這類場景對應總部中后臺部門的需求，包括業務運營、經營分析、風控合規、員工服務等。針對這些需求，我們也做了各類數據應用，來輔助企業經營決策。如給營運中心的數據大屏，包含了每天的交易量、清算筆數等數據內容，將整個公司由營運中心負責的業務通過數據大屏實時展示。如給業務運營同事做的用戶行為分析看板，包括標簽畫像、客戶圈群等，業務同事可以通過選擇特定標簽、特定客群，下發到CRM、運營平臺投放素材，再通過行為數據回收，看最終營銷活動的執行效果，實現運營閉環

110、。不僅給業務數據賦能，我們也落地了IT的數字化場景。通過觀遠BI搭建數據團隊的運營駕駛艙，過去要每周有人發郵件才能看到的數據團隊內部運營數據，現在可以直接在駕駛艙里可視化呈現。給軟件開發部做的研發效能管理看板，將所有研發效能數據、指標可視化，已成為部門每次管理例會必備。場景三：前臺業務支撐前臺部門的投資研究、財富管理業務、機構業務、投行業務等，也是與數據強相關的應用場景。針對這些前臺業務，我們與觀遠數據合作構建場景數據應用，如給投行用的債券地圖，將原本內容繁雜的報表通過BI可視化，使用門檻大幅降低，并能夠以更靈活的形式展現，如數據聯動、指標下拽等，使其具備了在投行部門廣泛推廣的條件?，F在，投行

111、部門的同事50%以上都已經成為了這一工具的用戶，基本都在使用其看數據。我們還做了輿情系統，爬取外部公共輿情信息并提供預警。同時也正在建設智能投研平臺，整合大量外部數據，按照投研的研究口徑進行指標加工，輔助公司內部的投資研究決策。我們做了很多數據工具，看起來是為了解決一個個場景問題，但是實質上是希望通過數據工具滿足多層次用數需求。上述場景中我們通過指標看板、管理駕駛艙等解決了數據可視化的問題，而在另一些場景里，業務臨時想看一些數據或者驗證一些業務想法，過去的做法是業務給數據團隊提需求，數據開發的同學寫SQL、取數據。但現在，我們希望能夠基于業務同事自身應用數據的技能水平，為其提供不同的數據工具，

112、讓他們具備更多數據分析能力。如業務同事有基本的數據分析概念或使用數據分析工具的技能，我們就會提供一些指標平臺、BI工具、數據瀏覽器等簡單的數據分析工具，使其能夠進行自助洞察分析。如其具備更高能力，例如會寫SQL，就可以提供自助查詢平臺等，讓他能進行復雜數據分析與加工，獲得更強大、更靈活的數據分析能力。再進一步如果有代碼編寫的能力，就會提供數據科學實驗室，使其能做數據清洗、加工等，挖掘更深度的業務規律。規劃與展望在A證券的數字化轉型工作推進過程中，我們也發現了一些待解決的問題。例如文化與意識方面，很多人會把數字化轉型理解成就是做數字化平臺建設或者IT系統建設，認為只是數據團隊的事情，這會阻礙數字

113、化轉型工作的開展，企業需要建設整體的數據文化氛圍，高層與員工都要建立數據驅動的意識。員工技能培訓方面，要讓數據分析工具的使用變成通用技能而不是專業技能，在整個企業加強培訓與推廣。組織與機制的建設也十分重要，包括企業級的全局數據規劃與管理，數據管理權責明細，數據共享與安全的機制配套等。因此對未來的數字化建設規劃，我們有四點展望：,推動公司成立企業級的數據管理與運營部門，統籌規劃、建設、管理企業全局數據資產；,數字化轉型過程中重點培育數據驅動意識與文化；,啟動工作坊和技能大賽，在工作中鍛煉和培養員工使用數據和工具的專業技能；,推動各部門配置數據分析崗位，健全數據驅動型企業的人才梯隊。最佳實踐38舍

114、得酒業：從經驗驅動到數據驅動，BI賦能敏捷運營成軒浩 舍得酒業大數據團隊負責人作為川酒“六朵金花”之一，舍得酒業起源于1940年，至今已擁有83年歷史，從泰安作坊到全球化知名酒企，舍得酒業也是生態釀酒的創行者。進入數字化時代，舍得酒業也以其行業領先的數字化實踐，成為白酒企業中的數字化創新先行者。企業數據進化歷程?舍得酒業理解的數字化運營有四個層次：第一階段，運營可視。在此階段需要數據支撐，且更偏向于結果數據，數據工具不一定要是很先進的，但強調對數據價值的引入。第二階段，運營賦能。這一階段最重要的是培養企業數據分析師團隊，讓數據分析師團隊深入到業務，幫助業務找到業務流程或者結果數據中的增長機會點

115、，此時我們強調的是數據能力的成長，“有分析，能驅動”。第三階段，運營閉環。從數據分析到決策制定、執行、復盤，通過整個閉環提高業務運營效率。此時我們強調的是數據能力的發酵，“分析多，慧驅動”。第四階段，運營智能。借助大數據模型、算法與AI工具融合，場景化的助力運營，決策智能化。舍得酒業目前處于L2-L3的階段，未來的目標則是提升AI預測能力，實現智能決策。舍得的BI建設歷程跟數字化運營的歷程非常相似。2021年，舍得與觀遠數據攜手，至今合作三年，給我最大的體會是，在整個BI發展歷程當中，我們明顯感覺到了從經驗驅動到數據驅動轉變的過程。BI建設過程中，我們一直圍繞著“3+3”的建設理念，從組織層面

116、上有“決策層、管理層、執行層”3個層次，從產品賦能上有“PC端、移動端、數據大屏”3個產品端。舍得酒業從經驗驅動到數據驅動最直觀表現在BI平臺的活躍用戶數，目前我們還未全員開放使用，但已經有近1500位用戶，月活1200+，DAU達到40%，代表著我們每天都會使用BI的高粘性的用戶數。掃碼下載嘉賓分享PPT最佳實踐39數字舍得運營實踐舍得酒業績效模式按照FWBbC路徑。在這個鏈路里，“碼數據”對我們來說意義非凡。整個鏈路里包括五個碼：生產線上的托盤碼、裝箱的箱碼、產品的盒碼、瓶碼、蓋內碼?！按a數據”作為核心貫穿FWBbC業務價值鏈，在供應鏈側有訂單批次預警、在生產側做來料檢驗和一物一碼、在倉儲

117、物流側做庫位貨架、流通側掃描物流、C端消費者側做消費者活動，例如開瓶掃碼抽獎等。這些都是通過碼數據配置。對于消費者來說，只要掃一個碼，就能看到這瓶酒釀造的時間、勾調時間、儲運時間、發運時間、開瓶時間，整個鏈路非常清晰。這也保證我們能夠真正做到碼數據的溯源。接下來通過一些具體案例，來看舍得在 FWBbC 路徑里的運營實踐：案例一：以數為矛，異地開瓶監控的從0到1第一個場景是“防竄貨”。在我們所處的行業里，竄貨是非常常見的。舍得如何解決竄貨問題，如何管理好供應商市場的價盤，也是基于“碼數據”。2021年前，判定經銷商是否竄貨這個問題，對于我們來說是非常困難的。首先，我們會跟經銷商在合同里簽定經銷區

118、域，消費者開瓶的時候所處的開瓶定位則來自于三個系統的配置，即終身會員、業務中臺和營銷平臺。對于督導中心的督查人員來說，想要監控到經銷商有沒有竄貨、是不是大面積竄貨，就要把三方數據都統計起來，再去線下抽查，這是非常難的。但2021年我們上了觀遠BI分析平臺后，通過數倉開發打通了所有業務系統，形成了消費者開瓶掃碼表，會詳細記錄消費者在哪個地方、什么時間開瓶哪個產品。通過與經銷商的經營區縣和微信掃碼之后定位的對比，就能判斷出經銷商這批貨是不是在被外地竄貨。第二個場景是對竄貨場景后續的閉環處理。即當督查拿到經銷商開瓶數據后，我們會進行一些管理上的糾偏動作，包括會給單元主任、疑似竄貨的經銷商發送異地斷行

119、提醒，告知他你的這批貨現在在什么地方被開啟了，引起相關人員的重視。如果被督查確認竄貨之后，還會有通報和處罰。掃描物流 達量返費 終端管理 防竄貨 訂單管理 銷售數字化生產消費者倉儲物流流通供應鏈掃碼FWBbC 訂單通知 訂單進度 批次監管 數據回傳 來料檢驗 一物一碼 自動報工 制程終檢 生產看板 倉儲數字化 庫位貨架 物流跟蹤 運費結算 凍結召回 會員畫像 積分商城 營銷互動 物聯網賦能 私人訂制五碼合一，碼聯萬物最佳實踐40案例二：數據破圈，從生態獲取增長動能第二個案例是數字化對我們思維上的提升。我們認識到，數字化不只是一項成本投資，也可以打造為企業增長的新引擎。我們通過數字化，與一個紙業

120、企業達成了生態合作，實現100%的生態互購。在數字化的建設過程里，我們與觀遠數據也成為合作伙伴，一起開展“數字川渝行”等活動，走到舍得生態里的伙伴與觀遠數據的客戶及生態伙伴中去，讓生態的生態，也成為一種增長。敏捷實踐擁抱未來關于敏捷實踐擁抱未來，有三個部分想跟大家分享。1、不變的往往是變化，敏捷而上，敢于試錯第一個部分是一個具體的事例。在我們的事業部群里，原本有一個小姑娘每天都要做各個事業部下面大區排行榜的報表，每天11:30要準時將報表發送到各個事業部群里。但每個事業部關注的指標、維度都不一樣，計算排名的權重也不一樣，所以這個報表做起來非常辛苦。于是我們的CFO就提需求要用報表來完成這件事。

121、從接到需求開始，開發只用了7天，然后跟業務核對了后續5天的數據是否一致。確認數據準確無誤后，我們還上線了一個機器人，和觀遠BI打通，用可復刻“機器人”的方式實現了其他板塊的數據推送。業務對此非常認可，它釋放了業務3 小時/日的做表時間，但最重要的在于它能夠復用，這意味著我們能在更多的場景里跑通BI價值。2、利他的客戶思維，與客戶站在一起第二個部分是舍得貫徹的一個理念：利他的客戶思維，始終跟我們的客戶站在一起。我們應該是行業首家在BI里給所有客戶、經銷商做消息推送的。推送的數據里包含客戶、經銷商每天的訂單、回款、資金池里的資金。在有這個推送之前，經銷商想了解他現在在舍得里還有多少資金路徑是比較長

122、的，需要先聯系他的業務員，業務員再去找我們的財務，財務查到之后再反饋他，可能一天時間也不能得到回應。我們現在每天都會直接將這些消息推送給他，還會有消費者開瓶數據、異地開瓶提醒等等。3、立足當下，著眼未來最后是我們跟觀遠數據的合作。觀遠數據今年也融合ChatGPT的能力有了很多新的產品功能，我們之前也了解過、體驗過，這將成為補全我們固有報表的一塊新拼圖，我們希望能在AI、ChatGPT領域有更多數字嘗試。另一點就是我們強調的數智賦能的新場景，與觀遠數據合作的過去三年我們是圍繞營銷側大量在建設，期待明年雙方能在供應鏈體系有所建樹。數據支持稽查對竄貨行為分析，施加管理動作形成閉環數據監控預警過程提醒

123、糾偏通報與處罰單元主任經銷商扣轉x00萬最佳實踐41維他奶：讓數據看得見摸得著，是實現數據價值的必要條件龍 飛維他奶數據分析總監維他奶數據建設歷程：從BI產品落地到體系化經營近年，維他奶開啟了數字化建設。數據建設作為數字化中非常重要的一環，2020年，維他奶啟動BI平臺的搭建，期望搭建一個現代化、高性能、用戶友好而且具備快速迭代能力的BI平臺。彼時，我們以銷售作為切入場景，以銷售總部用戶為主，希望借助BI平臺解決銷售用戶數據展現和數據分享的問題。2020年是BI平臺引入期，我們的活躍用戶數在100+人。到2021年，在不斷深化銷售相關場景的基礎上，我們也開始將BI能力橫向擴展到財務、供應鏈、制

124、造等其他業務領域。經過一年多的建設，維他奶基本上建立起一套企業級的分析體系，公司主要用數業務部門都成為了BI平臺用戶，此時活躍用戶數達到1000+人。今年，我們開始建立相關運營體系，并逐步推廣自助分析，經過努力，活躍用戶數已達到2000+人。在這個過程中，我們不斷收到業務反饋，這些反饋也是很多企業數據建設中會遇到的問題或痛點。其中一些可統稱為“看不見、看不清”的問題，如決策沒有數據支持、不同部門之間數據口徑不統一、數據更新不及時等。另一些可以統稱為“用不到、不會用、用不爽”的問題，如數據分散在各個業務系統里，需要依靠數據分析師手工從不同系統導出再用Excel加工，以及缺少數據探索工具、業務變化

125、快IT響應慢等。如何解決以上痛點？我們的理解是要“讓數據看得見摸得著”。讓數據看得見摸得著：從業務的角度思考和創新什么是“讓數據看得見摸得著”？我們拆開來看：掃碼觀看直播回放最佳實踐421、什么是“看得見”？我們的理解為：讓正確的數據，在適合的場合，被有需要的用戶使用。正確的數據正確的數據不單指數據質量，更重要的是要有統一的指標口徑，打通各層級用戶的理解。還需要有正確的數據粒度，要基于場景開發不同的數據粒度，滿足目標用戶需求。適合的場景其一是多渠道的觸達方式，實現主動與被動的數據獲取。如維他奶BI建設了PC端、手機端門戶全面觸達，并支持郵件、企微、BI內嵌應用系統的推送。其二是貼合場景的展現形

126、式，幫助用戶快速理解數據。如通過高度匯總的KPI看板滿足高層用戶對整盤生意健康情況的關注、通過二維表滿足中層用戶對明細數據的需求。有需要的用戶有了正確的數據和場景，怎樣快速讓更多人用起來？維他奶打造了基于角色的權限套餐，不同角色制定固定權限套餐，可根據套餐快速開通權限，實現高效推廣的同時保障數據安全。一個“讓數據看得見”的具體實踐案例是“制造業KPI看板”：我們在全國有多家工廠，每家工廠里有多個產線，其中涉及如產量、效率、質量等非常多核心KPI，制造部高層希望通過數據了解這部分業務是否健康。我們利用KPI看板加上手機端推送，讓其能實時掌握生意健康程度，還能根據數據預警讓下面工廠的不同職能部門做

127、相關改進措施，改進進展也會進一步推送，形成閉環。根據最新的平臺統計，我們的月活用戶已達到2000+，月度使用人次在60000+，用戶活躍率和報表活躍率都在70%以上，BI已經成為我們業務日常工作不可或缺的工具。2、什么是“摸得著”？我們的理解為：讓主題化的數據，在易上手的工具上，滿足靈活的用戶需求。主題化的數據維他奶經過近幾年的數字化建設，沉淀了大量數據，如何使之成為“主題化的數據”？其一是分析主題化，按分析對象做主題分類，滿足不同分析場景。其二是分層數據建模，按數據粒度分層的模型，兼顧高效與靈活。易上手的工具在推廣自助分析的過程中，業務用戶常有不會用、用不好的擔憂，所以，我們需要有更低門檻、

128、更易上手的工具去解決業務的顧慮。還要考慮工具能不能支持另一些會寫SQL、python的業務用戶的高級應用，因此，工具要能快速上手同時也要擁有更豐富的功能。靈活的需求有了主題化的數據和易上手的工具，我們就可以推廣自助分析，讓業務用戶充分發揮主動性和創意，進一步釋放數據價值。一個“讓數據摸得著”的具體實踐案例是“財務數據大屏”，需要強調的是，這個案例是由業務用戶用自助分析自己完成的：財務用戶反饋在匯報時，常需要拉各種數據，用Excel完成后再做成PPT拼到一起變成大屏去匯報。我們就推薦了BI的數據大屏模塊。用戶在一周之內利用BI中的卡片和主題化的數據集，完成了大屏搭建，在匯報時獲得CFO的贊賞，并

129、迅速在整個財務部門推廣開來。由“摸得著”而帶來的自助分析能力在公司推廣開來后，根據最新平臺數據統計，維他奶參加自助分析培訓并通過考試認證的用戶有110+人，月活躍用戶（當月創建過看板或報表）80+人，活躍率達到了70%以上。最佳實踐43數據建設的三大關鍵策略：系統建設、用戶識別和運營管理基于以上實踐，我們總結了數據建設的三大關鍵策略，包括：1、系統建設：現代化、高性能、用戶友好且具備快速迭代能力的BI系統系統建設要從業務場景和需求出發，包括四個關鍵：現代化BI利用數據可視化增強業務快速洞察的能力。我們在實踐中發現很重要的一個現代化BI能力是移動端BI應用，我們有大約60%的用戶會通過手機訪問，

130、40%通過PC，移動辦公已經成為大趨勢。高效數據模型貼合業務精細化管理數據需求。包括前面所講的針對不同層級，提供不同數據粒度，以及提供明細數據等。友好交易界面降低業務使用門檻，提升業務使用體驗的更加友好的交互界面和多渠道的觸達方式，能夠讓業務實現主動和被動的數據獲取，以及場景化的交互?？焖俚芰Σ粩嗵嵘到y能力，滿足用戶靈活的需求。我們的實踐里會從分業務的不同項目里，收集產品的需求與觀遠數據共創，也會從觀遠數據新的產品、模塊和功能里尋找落地的場景。據統計，目前我們已經升級了84次產品，提交的需求接近400個，對觀遠數據的產品使用非常深入，觀遠數據也提供了很給力的支持。2、用戶識別：認識用戶，

131、重新定位，挖掘用戶核心需求用戶識別是為了真正了解“用戶需求”，我們將用戶分為三大類型：高層用戶主要指企業的高級管理層，是VIP用戶。特點是對數據的期望遠遠超越了系統的直接供給。對此我們的策略是聚焦解決最核心的問題，遵循“二八原則”，通過高層用戶喜歡的手機端訪問方式、推送方式，滿足他們最關注的業務健康度分析需求。中層用戶主要指總部各職能團隊或區域管理團隊，是關鍵用戶。是承上啟下的聯系紐帶，對明細十分執著，特點就是數據需求非常多且很靈活。對此我們采取的策略是優先解決其“明細焦慮”，用主題化分層的數據模型給到中層用戶自助分析的能力，滿足靈活分析的需求。一線執行用戶這部分用戶的數量最多，也需要最簡單、

132、最直接的方式使用數據，是主要用戶。我們對此的策略是解決他們的日常工作用數需求，給予他們清晰、易于理解的數據。同樣會采用手機端加推送的方式，滿足他們核心KPI達成追蹤等需求。3、運營管理：體系化、數據化、服務化推進BI建設BI建設的體系化包括運維體系、權限體系，數據化包括BI平臺監控，服務化包括推廣與培訓、業務自助能力，這也是運營管理的五個關鍵詞。運維體系其一是報表分層，按使用情況、用戶重要程度分層，通過報表分層指導運維時的優先級。其二是建立分層、分角色的問題處理流程及相關回顧機制，提升運維效率，實現閉環。最佳實踐44 權限體系區分報表權限和功能權限，根據不同用戶的角色劃分角色權限。對自助分析用

133、戶劃分為初階用戶和進階用戶，在不同階段匹配不同權限。通過完善權限管理體系，兼顧效率與安全。BI平臺監控建立BI平臺監控大屏，掌握整個平臺運行效率，低效報表及時下線，回收系統資源，提高運維效率。通過平臺監控發現用戶使用習慣，提高項目方案設計效率。同時通過平臺監控的長尾報表，發現推廣和培訓的機會，提升用戶和報表活躍率。推廣與培訓在項目過程中，針對推廣與培訓要做好三件事：一是在項目立項階段盡可能邀請高層用戶參與，收集核心需求，做好“售前服務”；二是項目實施過程中主動向用戶提供預定義方案，并定期周報同步，做好業務的好伙伴；三是上線時通過發布公告、推送等方式，做好“售后服務”。培訓離不開課程，課程設計上

134、我們考慮了三大類型：一是新人指南，包括系統操作、系統功能、流程講解、常見問題等；二是幫助技能提升的入門基礎和進階應用課程，并提供相關的考試認證；三是熱點場景課程，將公司最近出現的熱點場景制作成課程推送給用戶，如組織架構變化時如何用BI自助分析實現大區合并等。培訓形式則既有能夠充分利用碎片化時間學習的線上課程，也有覆蓋范圍更廣對場地要求更低的線上直播可成，還有更加集中高效、針對性更強的線下課程。業務自助能力提升業務自助能力，既要有彈藥，也要有管理。首先通過數據門戶、UI和布局規范、報表命名規范的統一，統一用戶體驗，讓用戶形成數據文化，形成統一的溝通語言。其次，提供完備的用戶文檔，并持續更新，包括

135、平臺操作手冊、已上線報表清單、報表授權基線、常見問題與接單、平臺動態公告等。最后，提供清晰的流程指引，以場景化方式讓用戶了解BI權限申請流程、BI需求/服務流程等。做完這些業務才能真正在平臺上自助使用我們提供的各種服務，從而釋放IT的精力。最后總結，讓數據看得見摸得著，是實現數據價值的必要條件。讓正確的數據在適合的場合被需要的用戶使用是“看得見”，讓主題化的數據在易上手的工具上滿足靈活的需求是“摸得著”，系統建設、用戶識別和運營管理是讓數據看得見摸得著的關鍵策略。數據團隊也不只是數據的生產者和運維者，還要做好業務賦能和數據運營。最佳實踐45吉家寵物：寵物行業全鏈路數據分析方法論與實踐張志偉吉家

136、寵物信息技術中心負責人掃碼下載嘉賓分享PPT吉家寵物旗下擁有瘋狂小狗、藍氏等知名寵物產品品牌和邁仕等線上渠道以及安寵工廠等，產品布局涵蓋寵物主糧、寵物零食、寵物用品等，全面覆蓋天貓、京東和抖音等線上平臺和寵物醫院、寵物門店等線下渠道，服務千萬養寵家庭。下面我主要分享寵物行業，主要是電商方面，如何實現全鏈路數據分析，包括成功方法論和實踐，共分為四個部分：理論篇、實戰篇、建議篇、成果篇。一、理論篇吉家內部一直使用下圖衡量公司的數據分析應用成熟度，橫軸代表難度，縱軸代表價值。通過這條線，可以得到信息不斷迭代優化幾個階段：,第一，初步的后見階段，通過數據呈現描述性信息。,第二，中間的洞見階段，實現業務

137、的診斷性分析。,第三，最后的預見階段，在數據分析的最成熟階段，要知道四件事情：發生了什么、為什么發生、將來發生什么、如何影響發生。Gartner Analytic Ascendancy ModelVALUEDIFFICULTYInformationOptimization HindsightInsightForesightWhathappened？Why did itHappen?What willHappen?How can wemake it happen?DescriptiveAnalyticsDiagnosticAanlyticsPredictiveAnalyticsPrescript

138、iveAnalytics最佳實踐46這就是數據分析師具體要做的工作。初級數據分析師聚焦后見與洞見，中級分析師注重洞見與先見，高級分析師則要解決洞見和預見的問題。數據分析師的主要工作內容，可以分為數據提取、數據可視化、指標體驗搭建及異常診斷、實驗設計和專項分析。從能力上，分為硬實力和軟實力。硬實力專注于業務知識等技能，軟實力則偏向于邏輯思維、學習創新等角度。整個數據分析師團隊，則是具有九大知識領域，也可以稱之為分析能力模型。業務領域、數據探索等是業務數據分析師要掌握的能力；分析思維、數據可視化偏向于報表開發工程師；數據管理是數倉工程師。其余能力更多代表的是企業的先進性，團隊的專業性，包括前沿的戰

139、略思維、技術能力、產品管理以及團隊領導力等等?；氐綌祿治霰旧?，數據管道與數據分析生命周期是什么關系？下圖左側從收集到攝取、準備、持久化、體驗其實聯動的是下層引擎、ETL、數據整合、數據倉庫等工作。這些是數據管道的工作。這上圖右側是分析生命周期。中間層數據理解并探索數據以及規劃分析是對數據管道的詮釋，上層則是溝通，分析問題，底層是解釋和激活的階段，將數據分析應用到實際的應用場景。吉家內部總結了分析生命周期的最佳實踐，從問題理解、理解和探索、模型開發，到解讀、解釋和結果應用。數據管道與數據分析生命周期的關系分析生命周期最佳實踐數據管道分析生命周期支持通知需求收集攝取準備持久化體驗從數據源收集或獲

140、取數據（數據庫、文件、流）引擎、連接器和APIETL、整合服務和應用數據整合、質量/治理、聚合數據倉庫、數據集市、數據湖通過實時或批量將數據吸收進數據系統收集、分析、組合、結構、清洗、驗證和組織數據。以一種不隨時間、系統和內存改變的方式存儲數據。數據開放給應用或用戶（建模、分析和執行等）分析問題應用測試分享運營化試點講故事描述解釋、預測、優化探索怎么為何什么場景化觀察理解理解并探索數據規劃分析模型解釋并激活結果分析產品管理分析生命周期問題理解理解和探索模型開發解讀、解釋和結果應用定義識別探索展示實施分析利益相關者分析需求收集和引出問題定義問題設計預期收益 數據提取數據集成數據轉換數據探索確定數

141、據關系記錄數據特征生成描述統計量統計分析假設檢驗豐富選項建模數據可視化故事板結果展示ROI計算文檔工作流影響終端用戶培訓分析產品校準維護調優和改進最佳實踐47二、實戰篇進入實戰篇，首先分享數據分析鏈路中的BI系統藍圖，以梳理整體脈絡并獲取公司資源支持。BI系統圍繞四個方面，業務、數據、資產、服務，因此我們也推動業務數據化、數據資產化、資產服務化、服務業務化。第一是業務。常規的發展中公司，一般分為日常業務和戰略型業務。日常業務包括采購、生產、倉儲物流。每家戰略業務是不一樣的，基于目前公司的發展狀況。戰略主要是未來三年內要取得突破的事情，比如大單品、抖音、私域等等。數據分析為經營決策、經營分析、業

142、務管理提供支持。第二是數據。數據來自于哪些業務系統？采取哪些工具？業務數據源比如說MES、SRM、OMS、WMS、TMS、ERP等，工具包括有API接口、抽數平臺、數據連接器、在線填報、Excel等等。第三是資產。資產是企業最核心的部分。底層的基建部分包括服務器、操作系統、數據庫等等。數據存儲隨著企業的發展，數據量越來越大，當輕量級的數倉已經不能滿足業務或分析側的應用，就要開始做數倉和湖倉一體化。數據管理相對比較標準化的，比如數據資產的門戶、質量管理、模型管理、元數據管理、數據安全管理等。第四是服務。數據資產落到服務上，服務流程分為分析、方案、產品、交付、學習、系統的運維?；氐紹I實戰，吉家在

143、BI側落地了很多應用場景，包括數據駕駛艙、行業分析、生產數據分析、銷售維度分析、客戶維度分析、財務維度分析、倉儲分析、物流分析等等。以下就詳細分享幾項分析實踐。1、供應鏈管理每家企業遇到的最大問題是供應鏈里面的故事太多、難度太高、計劃體系怎么做、產能怎么跟得上，排產怎么去做、采購怎么去做等等。吉家通過觀遠BI在這其中做了一些價值的探索。下圖是數據分析賦能供應鏈管理。供應鏈管理：數據分析賦能供應鏈升級運籌+AI產銷協同計劃S&OP供應計劃MES產品規劃產能規劃倉配規劃供應能力規劃市場預測銷售預測補貨計劃調撥計劃生產排程運輸調度人員排班WMSTMS勞動力管理可視化預測決策銷售管理庫存管理采購管理主

144、生產計劃MPS物料需求計劃MRP供應鏈控制塔ERP車間排產供應鏈控制塔需求計劃庫存計劃生產計劃協作替代戰略層運營層最佳實踐48先是市場需求，吉家基于過去3年到5年的數據，可以對老品非常準確地去做預測。新品則是加了很多因子，做區間的參考。預測準確率每提高一個點，對于整個企業經營銷售各個方面提升是非常大的，是可以用價值來直接衡量的。在底層，TMS是負責整個訂單、送到倉儲這部分計費的BMS系統。目前來吉家已經做到每個成本無論是變動成本還是固定成本，都核算到具體的單品，所以在BI可以精確地把這部分運費分攤到每個主產品和贈品。在生產側，使用BI對整個工廠的成本一覽表，比如說大料、小料、排產以及到人工效率

145、做了精確的計算，讓業務有數據可依。在倉庫端，BI探實現了庫存管理，了解每個品牌倉、渠道倉庫存必須要控制什么地方，最后通過看板做預警動態調節。2、財務管理 在財務管理上，我們使用指標來管控公司的整體經營。利潤=銷售收入-成本。進一步分解成本和銷售收入，成本可以分為固定成本和變動成本。變動成本中，包含了商品成本、平臺費、推廣、廣宣、倉儲物流、勞務費等等。這些需要控制邊際貢獻率，即邊際貢獻除以銷售收入。利用這樣的體系，可以進一步管理利潤空間。吉家最佳實踐里，15%的邊際貢獻是保持先進性的指標或者是基線。邊際貢獻有高有低，我們要有思考，例如原材料不斷上漲的情況下，怎么通過生產來去降低商品成本等等。3、

146、商品分析過去吉家有大幾千個SKU，大家一味追求銷售額。但光有銷售額沒利潤是不能長久的。因此我們采用了矩陣分析法。最后發現80%的銷售額來自于20%的SKU，這是很可怕的數據。流量款可以保持，但是長尾款如何去處理？基于矩陣法進行分析，比如金牛產品盈利高、銷量高，當它的投放效率已經達到頂峰的時候就要注意，不能再繼續加投，金牛產品已經形成了品牌心智，要適量減少投放，維持高毛利；問題產品銷量高但是利潤低，這里要通過邊際貢獻分析如何優化成本；新星產品，銷量低但是利潤高，這里分新老品牌，新品可以繼續嘗試，但是老品要注意庫存；瘦狗產品，如果是新品處于推廣期建議持續觀察，老品需立刻采取停售的政策。這就解決企業

147、生產過程當中所遇到的問題，最后我們縮減了SKU數量，提升了整個公司的運營效率。財務管理：如何用一個指標管控一家公司的整體經營？利潤銷售收入成本固定成本變動成本（成本=變動成本+固定成本）邊際貢獻=銷售收入-變動成本（利潤=銷售收入-成本）廠房機械設備房屋租金管理人員工資其它固定成本商品成本平臺費推廣費廣宣費倉儲費物流費勞務費其它變動成本邊際貢獻率=邊際貢獻/銷售收入邊際貢獻率15%是良性的，確保公司快速增長的情況下，成本在一定可控范圍內，將運營導向降低變動成本，保障企業發展處于良性狀態：1、在原材料不斷上漲的情況下，如何通過精益生產降低商品成本？2、如何通過精準投放，提升推廣ROI?3、如何通

148、過現代化技術，構建智能倉儲，提升作業效率，減少人力成本？4、如何通過大數據算法，做到快遞智選，降低物流成本？最佳實踐49商品分析：矩陣分析法在優化產品結構上的應用三、建議與成果篇吉家四年的建設中，通過2-3人實現了目前數據分析的體系?？偨Y一句話，先解決有的問題，再解決質的問題。很多時候我們不光要基于想，還要基于實踐，踏出第一步。最后分享吉家的BI建設成果：集團經營駕駛艙：從各個銷售指標做了分析，可以總覽各個渠道側、品牌側和投放側的相關數據；銷量低銷量高盈利不盈利區分新老品，如果為新品，嘗試增加推廣；如果老品，可以繼續保留，需要注意以銷定采，避免庫存積壓如果是新品可能處于推廣期，建議繼續觀察；如

149、果是老品，可以采取清庫停售策略減少過多的投入、維持現狀因銷量較高，不能輕易停售，考慮降本新星產品金牛產品瘦狗產品問題產品Guandata BI dashboardBI-集團經營駕駛艙注：本章節所展示數據皆為虛擬數據，僅供參考最佳實踐50 商品評價分析：以最細的顆粒度到店鋪和經營分析情況，將全網關于該類目的商品評價全部集中到后臺數據庫；全鏈路數據分析：涵蓋了整個經營階段的成本管理，細到可以查詢每個商品的具體分攤成本；Guandata BI dashboardBI-全鏈路數據分析Guandata BI dashboard店鋪運營駕駛艙注：本章節所展示數據皆為虛擬數據，僅供參考注：本章節所展示數據皆

150、為虛擬數據，僅供參考最佳實踐51除去以上PC端的BI看板，吉家以“越簡單，越智慧”為目標建設了移動端，聚集了：銷售總覽，看到集團的銷售情況；行業分析，包括內部和外部的行業分析；市場洞察：觀察整個行業的情況；等等板塊最后總結一下，在數據分析的初始階段，我們一直站在山腳下，所以看山是山，看水是水，看到的萬物就是它本身原來的樣貌，很難能通過這種現象看到一些本質。當我們在處于數據分析成熟階段時，我們看到了山、看到了水、看到了云，一切都是客觀規律的顯現。一旦站立巔峰，每個團隊都是負責這個企業，對于企業未來商業成功要做戰略支持，對自己、對他人都會有更高的要求。希望未來同大家一起在山頂見！精益生產一覽表：可

151、以看到大料、小料、成本、能耗以及分析效率等等，為精益生產提供輔助決策的功能。Guandata BI dashboardBI-精益生產一覽表注：本章節所展示數據皆為虛擬數據，僅供參考最佳實踐52慕尚集團：敏捷BI上線一年不到滿足全集團業務數據需求員工使用率達86.3%金中緯慕尚集團數字化負責人掃碼下載嘉賓分享PPT慕尚集團是中國領先時尚男裝公司，同時覆蓋運動服市場和其他時尚渠道。旗下有GXG、gxg.jeans、MODE COMMUNTER等品牌。主力品牌GXG男裝品牌創立至今，多次榮獲男裝類目銷售第一。同時，GXG更依靠數字化實現的全渠道整合和線下門店坪效提升，以及大數據為主導的新零售營銷模式

152、，為慕尚集團整體業績增長發揮了關鍵作用。慕尚集團數字化搭建歷程慕尚集團的數字化建設已經進行了四年，嚴格意義上來說是從2019年開始在整個市場推行了數字化建設。2020年，慕尚集團融合所有業務系統正式上線了全渠道業務中臺。在上線平臺的過程中，我們整合了業務基礎數據，并成立MDM項目組，到2021年，MDM一期上線。在這個過程里，我們發現了業務和技術不兼容的問題對于平臺上線的影響，于是在此之后成立了數據中臺項目組，并在2021年下半年對整體業務需求和全域數據進行了整理。2022年，慕尚集團進行了BI、可視化工具的選型和上線。在此之前我們有很多業務數據系統，也用過了國外廠商的BI產品，但在使用過程中

153、發現它并不能貼合國內的一些應用，同時后期的運維能力也無法得到滿足。因此，我們希望能夠選擇一款貼合品牌業務需求的國產BI，最終選中了觀遠BI。過去，業務用數據做分析是分散性的，數據口徑不統一。通過觀遠BI，我們對集團多源數據進行了統一管理，實現統一數據標準化，也和業務一起線上線下開了好幾次會議，宣導數據口徑的唯一性、一致性。到今年，我們還是會不斷完善數據流程，持續推進數據指標分析，減輕業務表格化。最佳實踐53上面這張圖顯示的是我們在建設MDM和數據中臺之前的系統架構，所有的源數據會從不同的系統進到業務中臺，再由業務中臺分發給其他的下游系統?？梢钥吹?，這些線是雜亂無章的。同時，通過API等各種形式

154、接入數據很容易造成數據的缺失和不完整性。所以我們在2019年開始進行數字化轉型。應用層則會在POS端、OMS端，以及現在很多人在用的微商城、釘釘、企微實現數據化。2020年我們上線了數據中臺，所有的數據都從業務數據中來，當然基礎數據還是從MDM流向主數據。兩者相結合，下分了四個數據層：,數據采集層：采用批、流數據處理方式。因為BI需要實時性的統計數據用于給高層管理層做決策用，而業務層需要用的數據量更大，不止需要指標性數據，還要用底層的數據做個性化的分析。,中間數據層：由數據中臺進行數據清洗和數據整合，數據中臺是我們信息部自建的。,數據模型層：對清洗和整合完成的數據進行多維度的分析和計算。,數據

155、應用層：通過觀遠BI進行可視化分析，對元數據和數據流進行管理，實時洞察分析數據。通過內嵌在釘釘里的BI應用進行數據監控，數據異常會通過釘釘推送消息預警，保證數據的及時處理。應用說明OACRMTSCM商品檔案WMS店鋪檔案倉庫檔案CMS供應商檔案客戶檔案HRMCBSCRM財務系統零售數據員工數據部門數據會員檔案優惠券員工客戶應用說明,中臺的主數據來源于各個業務系統，各業務系統數據通過接口各自交匯,部分數據雖然來自于上游系統，但是 數據維度不一致,通過接口平臺實現和外部系統集成源系統業務中臺目標系統主數據來源管理數據管理業務管理最佳實踐54數據建設四大要素講完了慕尚集團數字化搭建的歷程，我想要分享

156、一下我們的數據建設的四大要素：第一，品牌數據整合。我們之前的數據來源是雜亂無章的，接口也是雜亂無章的，常常不知道哪邊的數據是準確的。對于業務來說可能是A數據準確，對于財務來說則可能認為B數據準確。MDM和數據中臺上線以后，我們對于數據的高度共享性、長期穩定性達成了共識。不管怎樣替代下游的產品，只要保證數據來源是唯一入口，保證數據的長期穩定性，就可以提升數據的處理效率。第二，品牌口徑拉通。慕尚集團有很多品牌，也有很多不同的業務部門，過去他們的數據口徑都是不太一樣。我們跟業務部、商品部、財務部開會的時候，就發現同一個數據他們的一個條件不一樣，就會造成數據的差異翻倍。于是我們拉通業務部門去開線下會議

157、，把一些不一致的指標、數據口徑的盲區全部拉平，在平臺上線后就做到了數據的唯一性、準確性、有效性。第三，聯動業務增效。在過去沒有整合數據、沒有上線BI工具前，我們的業務每天早上要花很長時間導出新數據，整理數據，最后得出結論再拉品牌中心一起開會。在整體上線BI工具，包括以IT部作為數據唯一出口端后，我們就得以聯動業務實現了一定的降本增效，同時還釋放了業務的壓力。第四，驅動業務決策。在上線MDM、數據中臺之前，我們的業務可能是拿底層的數據做分析，經過很多計算反推數據指標，而后反饋給我們信息部提出數據是有問題的，我們再去找業務溝通問題所在、為什么會出現數據偏差?，F在做了數據整合后，我們信息部就可以拿自

158、己的數據去給業務，引導業務思考，驅動業務決策。信息部如何做好業務的后盾信息部如何做好業務的后盾？對于信息部來說，我們是屬于品牌的一個職能部門，我們輔助業務，就像業務在前線戰斗，在后方給他們輸送彈藥，彈藥就是我們的數據。我們需要用數據支撐業務，而具體如何給到業務支撐，我認為有以下四點：第一，我們得知道業務想要什么。這其實很簡單，業務想要的就是準確的數據，其他他們都可以自己解決，但只有準確的數據是只能通過我們獲取到的。第二，我們可以給業務帶來什么。通過我們不斷地模擬，不斷地訓練數據模型，不斷地驗證數據的結果性，我們可以給到業務統一的邏輯，統一的口徑，統一的數據，以及也可以給到業務一定的培訓，進行共

159、創。第三，業務擔心什么。我們所做的系統中最重要就是數據是否準確，一旦數據不準確，對于業務來說這套系統就從根本上沒有任何用處，所以他們第一個擔心的就是數據的準確性，這也是我們首要要滿足的。此外，信息部和業務之間的聯系是一個需求配合的過程，業務部門的人數一定比信息部多，對于業務的思考多需求也多，我們是否能及時滿足他們的需求，提的需求排期會不會過長，這也是他們所擔心而我們要解決的問題。另一個就是業務會擔心自己是否會被工具取代。很多業務擔心一些現場處理的工作被線上化，被信息部通過數據的方式每天自動處理了，自己的工作是否會丟失。我認為不會，因為業務的想法和每天積累的新經驗是沒有辦法用工具代替的，數據所總

160、結出來的規律的來源還是業務的腦子。就像觀遠數據巡展主題“讓業務用起來”，好的工具不是要取代業務，而是要讓業務用起來，去釋放他們繁瑣工作的壓力，幫助他們提升效率，讓他們有更多精力去做更有價值的事情。第四，公司可以給到什么支持。這一點非常重要。數據建設的過程中一定會存在很多的困難點，比如業務跟財務之間一個數據口徑不一致產生了矛盾，比如我們在上線主數據的時候一定會規范數據和流程的要求，這一定會給業務帶來不便捷性，因為需要他們填寫的東西更多了，對他們填寫內容的精確性的要求也更高了。這種時候就需要管理層的支持。最佳實踐55在慕尚集團，我們上下一致認為要用數據驅動業務。上圖是我們數據給到不同層面的占比，業

161、務層一定是最多的。決策層會通過BI的決策分析報告來給他們展現數據，包括在移動端BI應用展現。給到管理層的數據占比30%，兼容了上下兩層的一些數據。我們為管理層做的移動端BI的數據看板，包括了整體銷售業績、店鋪分析、SKU分析、客戶分析等等，這些一定是高層和管理層最想要看到的東西，他們會通過這些去分析、去決策，從而引導公司未來的走向。用過觀遠BI的人都很熟悉觀遠的智能ETL，我們選擇觀遠BI產品其中一個原因就是它的ETL對應用非常友好，而且很直觀，現在我們的業務已經借助智能ETL自己做了非常多的報表。在這個過程里，我們只要指導業務用哪些函數、數據源在哪里，幫他們把數據整合梳理好，或者幫助他們解決

162、一些比較困難的腳本上的問題，業務就能夠自己用這些數據源去做自己想要的ETL?；谶@種易用性，我們也通過對用數據最深最多的商品部門、財務部門進行深入調研，選定了幾個比較關鍵的超級管理員的角色，如部門里的數據分析人員，培訓他們使用BI的技能，和他們共創或者協同他們去生產自己需要的報表、自己進行分析，讓他們能自己把BI用起來，更高效率滿足業務上的需求。決策層管理層業務層10%30%60%360+2小時86.3%1總報表數優化使用EXCEL時長員工使用率信息部數據唯一出口最佳實踐56從去年7月上線觀遠BI到今天為止，我們也做出了一些成績：與業務協同制作的總報表數達到360+張；員工使用率達到了86.3

163、%；觀遠BI上線后，直接省卻了過去業務每天要花2小時導數據、做報表的時間；作為信息部數據唯一出口，極大保障數據口徑的統一性，提升了業務運營效率。在不到一年的時間里，可以滿足集團上下所有的業務需求，對我們來說是一件里程碑式的事情。源于數據帶來的思考關于數字化運營的兩個思考：第一個，在存量有限的時代，如何放大數據的價值？現在很多鞋服零售企業都在做私域，因為近幾年公域流量已經看不到多少存量了，所以大家都在挖掘私域流量。私域的流量通過什么做載體呢？很多企業可能會通過各種AI外呼、短信、優惠券等方式將用戶拉到私域池子里。慕尚集團則會通過CRM、企業微信等各種產品做載體，沉淀下用戶相關的數據。有了這些數據

164、以后，我們如何去發揮它的價值？很多企業不會看這些數據，甚至不知道每個用戶給品牌帶來的價值是多少。最近做私域的大家應該都知道，企業微信要收費了，添加外部聯系人每人0.1元/人。這個價格看似不多，但如果存量會員達到了100萬甚至1000萬，對于公司來說每年多考慮10萬甚至100萬的成本支出。當沒有精準的數據的時候，可能大家都不會知道它的價值在哪里，但當有明確的數據呈現時，我們就會考慮當我花這0.1元去“購買”了一個客戶，以及一個能夠觸達他的工具的一年使用權，我要怎么在這一年以內對他進行N次觸達，從這個客戶這里轉化出我們需要的收益。這就是在放大數據的價值。此外，以清洗客戶池子為例。GXG的客戶池子里

165、也有很多沉積的客戶，他們可能已經不再是我們的目標客戶，也難以再挖掘出復購的價值，但如果我們不做數據分析，不能洞察到他們的狀態，我們可能就還投入很多錢在對他們的觸達和營銷上，但卻無法帶來任何價值轉換。所以，我們需要考慮在存量經濟時代，如何放大數據的價值。第二個，企業選擇數字化的意義是什么？我認為是增長。在大環境被不確定性沖擊之前，大家關注的都是GMV，只要上了天貓的雙十一、做了一些平臺化的活動，增長率一定可觀的。但大家不知道GMV背后的數據到底是怎樣的。但是，當流量的紅利退去，當我們身處存量有限的時代，企業只有通過數字化建設，擁有能夠分析數據背后邏輯的能力，才能知道應該走哪一個賽道完成企業的轉型

166、，實現企業的增長。從這個思考向下延伸，數字化對于信息部的意義是什么？我認為也是兩個字信任。這個信任來源于集團公司，來源于業務團隊。接觸過SaaS工具的人都知道，我們去購買一些SaaS工具時，會告訴我們基本版的功能是什么，標準版的功能是什么，專業版的功能是什么。對于信息部來說也一樣，信息部服務于業務，對于業務來說，信息部給他們的服務也是不同版本的。前期是基礎版，后面信息部推出了標準版，但業務什么時候會“購買”標準版呢？什么時候會“試用”標準版的功能呢？其實就是我們什么時候把數據質量提上去了，什么時候給到業務的數據口徑一致了，業務對我們信任了，才會一步步地從基礎版走向標準版、專業版，從而達成集團上

167、下數據一致化。最佳實踐57張亮集團：3個月從0-1快速落地數據分析能力，BI實現業務全流程數字化顧 超張亮集團技術運營中心-IT總監掃碼下載嘉賓分享PPT張亮集團旗下品牌張亮麻辣燙創立于2008年，經過十五年戮力耕耘，張亮麻辣燙迅速發展為集直營、加盟、研發、培訓、設計、管理、服務于一體的全球餐飲連鎖品牌，下轄28家分公司，擁有直營店100余家，連鎖店面數量超過5800家，在業內樹立了廣泛知名度及高品質口碑。2019年開始，張亮麻辣燙正式啟動全球化店面連鎖的戰略布局，先后在日本、美國、澳大利亞、加拿大、新加坡、新西蘭、英國、韓國等10個國家的25個城市建立43家品牌門店，不斷進行品牌升級，為輻射

168、全球餐飲市場打下堅實的基礎。內外驅動張亮集團數字化戰略落地張亮集團為什么要進行數字化建設？有外部驅動和內部驅動兩個方面的因素。外部驅動：張亮麻辣燙是2008年成立的，但前期我們內部運營管理信息化和數字化的程度和進展都相對緩慢。我們在參加各個行業展會或者對賽道、競品進行調研時發現，餐飲行業外部營銷信息化應用非常廣泛，從中也發現了我們亟待提升的部分。在行業市場整體蓬勃發展的環境里，我們的數字化升級迫在眉睫。在這種外部驅動下，我們的數字化升級需要短平快跑，甚至需要彎道超車，且不允許走彎路。我們在2022年選擇跟觀遠數據合作進行數字化建設也是基于這個原因。觀遠數據在餐飲行業數字化實踐上有非常豐富的經驗

169、，團隊也非常敬業。過去一年里我接觸了不下一百個供應商，對觀遠數據的能力非常認可。觀遠團隊會主動催著我來推進項目，而不是要我催著他們。內部驅動：張亮集團是“雙總部”的模式，不同職能部門分散在哈爾濱和上?？偛?。像招商、供應鏈、財務、外賣等部門，非常需要數字化，通過數據驅動來優化跨部門溝通協同的能力。最佳實踐58過去我們有雙周會、季度會、半年會、年會等等大小會議，要讓所有部門在會上報告數據，例如董事長在會上問現在門店數量的數據，董事長助理說需要最新的數據，就要找連鎖經營的副總裁，再找連鎖經營督導，再找到店長，一層層上報，整個流程冗長也耗時耗力。這種真實案例顯示的是我們必須通過數字化建設打通業務全鏈路

170、的數據流，提升內部經營管理效率。行業外部和企業內部共同驅動著張亮麻辣燙的數字化轉型，我們將其提升到了集團戰略高度，規劃從0-1搭建數字化基礎，并和觀遠數據合作，希望通過BI平臺的搭建，以終為始推進信息化的快速建設，加速落地數字化轉型。為了推動集團數字化戰略，我們在過去一年里做了很多事情，包括組織架構的變革，將我們的供應鏈公司合并到集團體系內，還包括上線了大概10個信息化系統。做這些事情的過程里，BI都是其中一個主要的環節。例如組織架構變革后需要重新匹配賬號，例如上線集團財務系統后要整合數據。觀遠數據幫助我們把2008年之后能拿到的數據全部進行了清洗，清除了信息孤島，將割裂數據串聯，放入BI進行

171、統一管理，讓我們實現了一體化分析。同時，觀遠數據也幫助我們將人工經驗沉淀為固化的系統規則，讓我們的數據建設進入了系統主導的自動化階段。例如過去我們的客服接到訂單后有一個判斷訂貨是否合理的“訂貨規則”，這個“訂貨規則”會通過25個步驟來驗證訂貨是否合理、哪里不合理，這25個步驟是我們企業長期沉淀的人工經驗。觀遠數據幫助我們將這些經驗根據邏輯規則固化到了BI里，現在我們只要每個月通過BI定期輸出給監管部門，就能知道門店的訂貨是不是根據規則來做的。隨著數字化基礎設施的建設，我們也很快步入了數據主導的精細化運營階段，并開始進行智能化的探索，打造一些融合AI分析的產品。從0-1構建以業務為核心的數據分析

172、體系接下來具體分享下張亮集團的數字化實踐。1、BI選型：多個業務系統同步規劃進行我們在2021年12月決定要開始用BI，但當時我們的財務系統、電話系統、訂貨系統等等都在同步規劃中，于是BI選型的時間就拖到了2022年3月開始，并最終在當年5月定下了與觀遠數據合作。合作敲定后，我內生數據驅動組織增長潛能渠道越多，SKU越多，訂單越多，用戶越多，時間越長，則數字化運營的價值越凸顯一體化（系統主導）,消除信息孤島,將割裂數據串聯進行一體化分析自動化(系統主導),人工經驗沉淀為固化的系統規則,持續迭代優化，以“法治”替代“人治”精細化(數據主導),運營邏輯從簡單到復雜，粗暴到精細,人工分析差異化機會，

173、提升敏捷迭代能力智能化(算法主導),通過機器學習尋求業務方案最優解,建模、回歸、預測等突破人工經驗局限性一體化自動化精細化智能化場流量|連接貨爆品|體驗 人組織|文化 短期價值中期價值長期價值最佳實踐59們和觀遠數據一邊做系統規劃一邊接入數據，一步步實施，到10月下旬BI一期內容正式上線，現在雙方已經在探討二期的建設內容。從2022年才慢慢開始接入10個信息化系統，到接下來還有10個系統的建設計劃，開始數字化建設后，數據對于我們來說越來越重要，我們的BI看板也越來越多。2、BI建設歷程：獲得決策層支持，深入挖掘業務需求回看我們上線BI的歷程，首先牽頭的是信息部門和財務部門。當時我們新來的CFO

174、說，集團的生意做的很好，每年賺很多的錢，但是背后的一些數據邏輯卻不知道。信息部門和財務部門都想去推進信息化和數字化的建設，但要怎么去跟決策層講這件事呢？我們就開始倒推，我們肯定要做數據建設，我們就需要BI。我們做了一個BI的規劃，這個規劃里部分有數據，部分沒有的數據就用個括號代替。董事長看的時候就會問為什么這些地方沒有數據，我們就說規劃是需要這些數據的，但是因為條件不滿足只能空著。通過這種方式最終讓決策層也堅定了推動BI建設的決心。有了決策層的支持，業務部門也開始配合。這也有一個過程，我們第一次跟業務部門做BI需求調研時，業務反饋是完全沒有需求，因為他們依然站在原來的角度，認為我這些工作就是用

175、手工表就可以，或者這些數據是沒有的分析不出來，所以提不出需求。但當我們和觀遠數據一起進行第二次業務需求調研時，我們拿著觀遠數據行業標準BI參考跟業務談，談完之后業務就開始知道想要什么，提出了很多需求。包括現在二期建設業務需求梳理，他們自己提出來了200多個需求的改變點，我們也不停地把手工表變成接口表，大幅提高了業務部門的效率。所以業務部門也跟我們反饋說我們找的供應商很專業，因為觀遠BI是真的有幫助到業務降本增效，也對整個業務部門的數字化應用思維帶來了很大轉變。最后是企業管理，我們現在會給高管很多看板數據，高層能夠通過這些看板及時洞察企業整體經營情況，依據數據表現及時下達決策指令給業務部門，業務

176、也可以在數據指導下及時調整運營策略。3、BI深度應用：優先構建業財分析場景，已實現業務自助分析我們的數字化建設，確實是跟觀遠數據一起通過一個月的調研、思考、討論，經過N輪會議之后一起做出了一期、二期、三期的完整規劃。而且我很驕傲我們一期規劃的內容完全上線了，驕傲的原因在于這個項目落地僅僅用了三個月，且是在所有業務都是異地辦核心目標：實現數字化0-1，出更少的力，獲更多的利解放IT，賦能業務，推動集團決策信息部門助力IT部門推進集團的信息化建設進程；業務部門自主應用，提升數據效率，減少信息部支持工作量業務部門提升數據處理及跨部門協同效率，達到降本提效的效果；培養數字化應用思維，工具自主應用企業管

177、理及時洞察企業整體經營情況，及時監控調整集團戰略，實現數據指導決策；各版塊業務數據可視化，想看就看最佳實踐60理的情況下。觀遠團隊在杭州，我們的業務團隊一部分在哈爾濱，一部分在上海，項目實施的過程中還經歷了上海出行不便的兩個月，所以項目落地實際所用的時間甚至還要更短。一期的項目建設，主要是隨著我們集團財務系統的上線，把財務分析主題的內容全部做出來了，包括財務四大報表、各個公司的損益表等等。同時還基于我們的貿易體系，以及隨著我們供應鏈系統上線，完成了貿易分析主題。過程中我對觀遠數據非常欣賞的一點在于，有一次我們從某ERP里拉出近240張表，要從這些表里抽出自己想要的數據，做技術的人都知道從海量的

178、表里抽數據這種事情非常麻煩。當時我們連續開了一周的會，觀遠數據根據我們的業務指標跟系統供應商一個一個對，幫助我們把這240張表里的業務邏輯抽了出來。其中還涉及到了賬號的改變，包括歷史數據的清洗、舊帳號的清洗、新賬號的清洗，80%的工作量都在這里。一期還有裝飾分析和加盟分析兩個板塊。加盟分析里包含了線索、成交、招商等各方面的分析，例如線索從哪個渠道來、跟進到什么階段、怎么成交的，以及加盟門店的選址、洽談、商務、裝修、開店、轉店等等，所有的狀態都會在加盟主題中有體現。裝飾分析板塊是因為我們自己有裝飾公司，會對裝飾公司的ROI進行考核，在建的門店、裝修的門店和完成的門店也都會在其中進行分析。今年我們

179、會對裝飾主題進行擴充，將裝飾公司所有的財務數據納入進來，以及它的庫存和銷售數據，針對裝飾板塊做一個財務分析主題。這兩個板塊其實可以說是我們自己做的。和觀遠數據合作的項目啟動后，我們隨著項目組一起成立了數據分析團隊。團隊成員都是當時剛招進來的非常年輕的同學，有的是大學剛畢業，隨著項目的啟動我們也開始給她們進行培訓，到目前為止已經有同學通過了觀遠中級數據分析師的培訓考核。所以現在裝飾分析和加盟分析都是由這些新同學自己做。這也展現了觀遠BI的易用性，非常好上手。包括對數據管控非常嚴格的財務部門，財務人員現在可以自己用觀遠BI做集團財務報表，做財務分析，對數據權限的管控更加嚴密，數據安全也更有保障?，F

180、在我們已經開啟了二期內容的探討，目前計劃將全國凍品的數據接入BI進行分析，同時也包括門店經營銷售，以及線下堂食、線上美團和餓了么、抖音、線上會員等等數據的展現和分析。此外我們也想通過二期建設將這些數據展示給全國28個分公司，以及所有的加盟商，讓他們無論在什么地方都可以看到想看的數據，洞察門店經營情況、業績發展趨勢。數字化轉型是一套組合拳基于過去一年的實踐，我們認為，企業的數字化不僅要依托于信息系統的搭建，還需要能融合組織數字化、人才數字化、管理數字化的綜合進程，打造圍繞系統的組織架構，形成一套組合拳。通過這套組合拳，企業的組織能力、業務流程、技術能力、數據能力都將得到優化與提升。以業務流程為例

181、，之前有說我們集團有月會和周會的報告機制，甚至各個業務環節也有，但當我們在這些會議上需要數據時，往往會因為一些業務流程上的原因拿不到數據，或者需要經過非常復雜的流程、很長的時間才能拿到。與觀遠數據合作通過BI建設后，我們實現了業務流程數字化，數據不再難以獲取，權限管控也更加明晰，從決策層到業務一線都可以很便捷地看到自己想看的數據，各個業務環節的協同效率也得到了大幅提升。再以技術能力為例，想要強調的是具備易用性的觀遠BI讓我們得以培養了一大幫可以使用BI的人，業務部門、財務部門得以自主進行數據分析工作，大大減輕了IT部門的負擔。例如以前財務部門給我們提需求，我們要溝通理解需求，再排期去給他做，但

182、現在財務部門的同學自己就可以做掉了。此外，基于BI能真正為他們帶來的效率提升，業務人員也更愿意積極地參與到BI建設中，進一步讓企業的數字化基礎建設能夠真正落地在撬動業務價值的點上。最佳實踐61復星星選：聚焦以終為始的消費者價值運營，繪就產業數字化轉型藍圖郭 盼復星星選數據分析總經理掃碼下載嘉賓分享PPT復星創立于1992年，經過逾30年發展，已成為一家創新驅動的全球家庭消費產業集團。秉持讓全球家庭生活更幸福的使命，復星持續深耕健康、快樂、富足、智造四大業務板塊，為全球家庭客戶提供高質量的產品和服務。2007年復星國際在香港聯交所主板上市（股份代號：00656.HK），截至2022年12月31日

183、，公司總資產達人民幣8,231億元，在2022福布斯全球上市公司2000強榜單中位列第589位，MSCI ESG評級為AA。復星星選是植根于復星生態內成長起來的一家數據智能公司，依托于生態內跨產業數據優勢，通過數據智能產品、AI能力等，為生態內外產業提供運營咨詢、數智化解決方案等商業增長服務。以終為始的消費者價值運營復星是跨了四個業務板塊的大型集團，“健康”板塊有復星健康、復星醫療，“快樂”板塊有消費品產業，“富足”板塊涉及到保險、金融理財，“智造”板塊如工業自動化、自動駕駛等。由于產業跨度大，會員基數大，針對產業運營，集團有協作運營、產業自主運營、網格化運營等運營模式及管理模式，整體是比較復

184、雜的。由此，延伸出了復星星選，以助力所有產業進行數字化改革，通過數字化手段提升產業競爭力與營收規模。由于復星星選是植根于復星生態內成長起來的數據智能公司，背后是生態內跨產業的數據優勢，因此星選所做的不是單純的報表或者駕駛艙，而是要提供落地的運營策略，包括與觀遠數據合作，共同為復星下屬產業和品牌提供監測&分析、營銷&增長、數據服務三大模塊的助力，構造完整的價值運營閉環，幫助產業實現效率提升、商業增長以及經營拓展。雖然產業跨度較大，但星選在C端運營有著相似的維度。目前，基于整個復星集團C2M的戰略，星選會以消費者作為價值運營的核心鏈路來進行所有的運營賦能和數字化賦能。最佳實踐62以終為始的消費者價

185、值運營，是指我們不僅要為產業提供數據服務、運營策略以及平臺，也會涉及到再向下一層的組織與人，在賦能產業的過程中，幫助他們診斷組織的能力、團隊的能力，進行人員的調整，提升整個團隊的效率，提升組織韌性。同樣也會幫助其實現最上層的價值，我們為產業所提供的數字化賦能是有考核指標的，不是僅僅提供一個BI看板就結束了，而是跟他們一起背KPI，一起提升ROI，為產業真正創造價值。以提升用戶價值這一鏈路為例，在過程中我們會幫助產業拆解核心指標，并進一步拆分為結果指標、過程指標、因子指標，為產業搭好完整的數據運營框架，并提出運營策略，例如如何調整頁面，如何調整電商平臺優惠券策略，如何設置優惠活動門檻、金額、折扣

186、等。在不同的運營階段，我們也會告訴他們這時的核心指標是什么，并細化拆分到各個場景。例如拆分到消費者標簽賦能投放渠道、精準人群、粉絲運營、品牌公眾號運營，以及用戶生命周期等場景。其中，用戶生命周期是我們目前在消費者價值運營中切入最多的場景。我們會幫助產業將會員生命周期梳理清楚，劃定不同階段的用戶，為各個階段不同的人群匹配相應的策略。這個過程中不光需要BI，還會有相應用來做頁面的工具和系統，用以承接用戶，而后將所有用戶數據匯整于觀遠BI內，進行效果分析，并形成對應的觸達策略，而后還會驗證策略好與不好、如何優化等等，實現全鏈路的數字化?；谶@個鏈路，還可以輔助產業調優產品設計、新品運營、爆款打造等。

187、核心場景解決方案來到具體的核心場景，向大家展示三個核心場景解決方案。場景一：完善的數據分析體系助力運營策略優化消費者價值運營模式倒金字塔模式價值:以終為始，提升CLTV、GMV、ROI始終終于價值:價值韌性數據:感知、洞察與決策、行動、反饋運營:敏捷、精細、精準始終中于數據、運營、平臺:杠桿韌性干活:擰起袖子，加油干始終始于組織與人:組織韌性價值數據 運營 平臺組織與人最佳實踐63上圖的DEMO展示的是我們通過數據調研、運營調研、基數調研之后為產業提供的運營策略優化鏈路的整體框架。從數據層面上，這個框架分為兩個部分：,其一，監測洞察體系。我們會幫產業搭建起多維全面的人、貨、渠道、活動運營監測洞

188、察體系。,其二，歸因增長體系。我們會幫產業搭建起商機、線索歸因分析體系，幫助產業找到增長因子。在這個框架里，運營策略優化鏈路分為了三個環節：環節1，數據監測分析及增長挖掘通過人、標簽、留存分析以及一些算法，疊加商品分析、渠道分析、策略分析，幫助產業找到高價值人群。環節2，測試內容觸達與溝通幫助產業針對不同人群配置不同策略提升運營ROI，并建立與用戶的溝通觸點進行多變量的AB測試。環節3，基于AB測試分析，支持運營策略優化通過AB測試分析，得出具備明顯優勢的優勝組，疊加更多標簽分析，實現多維度運營策略洞察，持續支撐運營策略優化。例如，在復星所有產業下的BFC外灘金融中心、豫園股份等商場中，我們會

189、在線上做商場導流，通過小程序觸點獲取用戶到場信息，而后基于快速補充標簽識別用戶的消費力、年齡段、性別等，從而推送不同內容進行AB測試，將人群分流到商場下屬不同商戶去。同時，基于內容的點擊、轉化和核銷，進一步調優運營策略，包括輔助商場各個點位的廣告展示、運營建議，達到分流效率、分流轉化的最大化。這個鏈路也會應用到線下的運營。例如在老廟黃金，由于黃金商品的特殊性，讓用戶愿意到場、成交、復購每一步都是具有挑戰的。我們會通過運營策略優化鏈路去幫助門店優化場景和營銷手段，促成用戶的到場、成交以及復購。在黃金商品銷售中有貼金調換的場景，目前我們聯合共建了AI智能導購，和觀遠數據所做的一樣，在其中植入大量算

190、法，并應用了ChatGPT第四版本做了語義分析。面對不同周期購買的用戶，導購只需要對AI智能導購說出相關內容，AI智能導購立刻顯示用戶信息，并推薦符合用戶消費喜完善的數據分析體系助力運營策略優化監測洞察體系歸因增長體系數據能力用戶標簽CDP&MA用戶分析全面多維的人、貨、渠道、活動運營監測洞察體系商機、線索歸因分析體系01-數據監測分析及增長挖掘02-AB測試內容觸達與溝通03-基于AB測試分析，支持運營策略優化價值沉淀不同區域不同用戶人群的推送運營體系鏈路同樣適用：加盟商內容推送用戶360畫像用戶分群x 商品分析 x 渠道分析 x 策略分析留存分析人群配置多變量AB測試互動策略分析：時間 間

191、隔貼金調換11SMS/企微觸達/A外呼2動態AB測過3AB測 假設檢驗423得出具備明顯優勢的優勝組，疊加更多標簽分析，支持多維度的運營策略洞察：企微 vs X 短信 促銷文案 vs X 功效文案 長文案 vs X 短文案 有link vs X 無link人群 vs X 推品 最佳實踐64好與消費習慣的能夠等對換新的商品，包括商品克重、款式等信息，幫助導購提高轉化，并通過不斷地優化實現更精準的推薦。場景二：高價值人群挖掘及運營鏈路高價值人群挖掘也是整個復星目前聚焦所在。這個鏈路不僅會幫助產業定位面向的客群，更要從客群中通過痛點挖掘和分析找到具有消費能力的高價值人群，并通過對不同的高價值人群特征

192、的分析，找到最佳的提升ROI的切入點，進行觸達轉化。場景三：活動運營的數字化鏈路對活動運營，我們會幫助產業串聯活動運營全鏈路，聚焦活動價值，從歸因與增長兩方面進行解析。通過這一鏈路，幫助產業了解活動價值點所在，是促進新客數量增長，或是銷售金額增長，抑或推動老客復購提升。為此我們構建了一些價值模型，可以幫助產業分析活動效果好的原因所在，是折扣力度大，還是推送時間好，或是頁面布局好，抑或活動IP影響力強等等，通過大量的因子分析幫助挖掘活動效果好的原因。我們由眾多精英專家構成的算法團隊還搭建了精準模型，通過精準推薦算法，在此鏈路中為產業活動運營進行精準推薦，幫助產業持續優化活動運營?；顒舆\營分析體系

193、中最經典的就是漏斗分析，在該鏈路中，我們也會基于不同的漏斗分析來分析核心業務的流轉，包括業務布局、金剛位的展示、面向不同人群的展示、流轉路徑是否合理等等，都會通過漏斗分析進行調優，以提升活動廣告點擊率。在我們真實的實踐案例中，我們會幫助產業挖掘流量入口，找到線上核心的流量入口，打開日活提升的空間，分析頁面布局合理性，關注廣告點擊率等關鍵指標，通過AB測試幫助產業快速找到最佳的頁面布局邏輯，最高幫助產業商家提升近10倍的活動廣告點擊率。數字化藍圖復星星星選的數字化藍圖最底層包括了數據標準的建立、數據治理、數據安全和隱私計算，中間層以AI算法作為BI分析和商業分析兩大模塊的支撐，此外還涉及到我們的

194、產品矩陣，包括CDP平臺、MA營銷自動化平臺，以及權益中臺、爆款中臺等中臺打造。再上層是星選目前服務聚焦的方向，包括用戶生命周期管理，活動效果監測和分析以及銷量的預測、供應鏈端的預測，以及M端的智能優化。我們發現無論是什么行業的品牌，都會涉及到供應鏈的問題，供應鏈庫存是否準確會影響到前端的銷售，因此銷量預測目前也是復星主打的方向之一。而在M端，我們會做爆款的研發、新品的冷啟動，以及產品全生命周期的智能化運營和加速。在整個數字藍圖的最上層，我們將其稱為成功的方向，包括商業增長、效率提升、可持續發展三個部分：,商業增長：重點在于精準獲客，涉及到公域、APP應用投放，以及復購率、人均客單價的提升，高

195、價值人群的挖掘。,效率提升：重點在于提升活動的ROI，銷量、供應鏈的預測等等，以及千店千面，讓不同的店通過不同的商品組合，疊加不同的價格策略，實現整個店面的坪效最優。,可持續發展：指我們未來要做人貨匹配、智能組貨、競品監測、新品推薦等。最佳實踐65水滴公司：建設去中心化數據組織，實現業務全支撐全滲透胡 浩水滴數據與平臺產品中心負責人掃碼下載嘉賓分享PPT打破數據中心化水滴此前存在供需不平衡的情況，所有的數據場景工作事項都需要提需求。數據和商分專業團隊在供應鏈的最中間。從業務視角看，為什么我的需求還在排期？但從數據視角來看，每天都在完成大需求小需求，但是整體認可度卻不高，因為業務需求沒有完全滿足

196、。數據中心化讓所有的數據場景工作都需要提需求。因此成本就非常高。那怎樣去打破這樣的場景？核心是打破數據中心化供需體系，這里做了三件比較有成效的事：,需求全面的Review。對需求進行梳理分類，明確需求背景和目標。,引入成熟BI產品。誕生更多的生產者，不僅僅是專業的數據團隊、商分團隊在數據建設。,深度的運營。精確定位種子用戶，讓業務更好地用起來。第一是認識自己，第二是提升技術能力，第三是真正讓能力落地。1、需求Review需求Review階段有幾個要點，要站在公司數據建設的角度看待，數據究竟有哪些需求，哪些需求是能夠提效的。第一接管取數需求。把商分取數的工作，接到產品部門中，通過專門的人力對接，

197、提升業務的迭代效果。取數類型的需求往往反映業務數據建設的情況，是一個非常好的負向指標。其次是產品建設。定期對數據進行review，觀察需求究竟在哪些層面，為什么會有這種需求？是產品內容能力宣發不夠，還是產品能力還沒跟上業務訴求。最后是用戶需求。接到需求，取完數，這可能是第一步，更多要做的是怎么運營用戶。如果需求已經具備能力解決，就進行一對一的培訓。最佳實踐66打破數據中心化“需求”Review這些工作做了一年，可以看到早期階段對需求進行review的需求類型分布。第一類，寬表透視和數據推送，占33%。如果把業務核心數據當成一張大表，在這張大表里做透視就可以得到業務想要的數據，應該讓用戶使用BI

198、自助完成需求。第二類，人群圈選。水滴很多場景需要用戶畫像的運營，這時候需要實現標簽畫像平臺的自助分析。第三類，漏斗分析需求。用戶線上行為從接觸到產品到最后完成轉化的全鏈路分析，理論上用合適的行為分析系統可以解決。第四類，營銷觸達需求。經銷平臺經常觸達用戶，需要一個自助的營銷平臺。把數據做完掃描之后，就能發現增長潛力有多大。80%的需求是可以被壓縮的，真正需要專業的團隊介入的一次性取數需求只有20%，足以實現四五倍的效能提升。這是在數據需求階段可以做的事情，也是第一個經驗。2、引入三方成熟BI第二件事情，引入三方成熟的BI。水滴在BI建設上主要有三個階段，從Tableau到自研，再到使用三方的成

199、熟產品。2019年公司使用的是Tableau，一是使用門檻有點高，不能全員使用，二是在國內服務沒有跟上，導致最后沒完全用起來。2020年Q1時，公司決定自研，經過一年多努力，發現和想要的成熟BI分析能力軟件仍存在差距。因為自研成本高于采購成熟產品，業務使用效率也并不高。因此在2021年3月末，試點市面上的成熟BI。2022年Q2，經過兩個季度深度試點，明確了水滴的需求，對自身的痛點和業務場景有了深入的理解，最后跟觀遠數據達到了非常良好的合作。水滴在數據場景跟觀遠“讓業務用起來”的理念是非常契合的，深入到業務場景，包括易用性、場景化、企業級。水滴每天自由維度分析的表都是億級的，沒有底層分布式引擎

200、在下面支持，普通的BI產品是完全用不起來的，每天一抽數據可能就卡死了。我們非常高興能找到觀遠BI這么好的產品，今年Q2，我們基本上完成了歷史所有數據報表到觀遠BI的遷移。一次性取數21%寬表透視+數據推送33%人群圈選25%漏斗分析8%營銷觸達8%其他4%接管取數需求 產品建設 用戶運營 商分取數 數產取數 專有人力對接，提高交付效率 周度/季度復盤、產品迭代 不僅交付結果、1V1培訓產品使用需求壓縮空間近80%！寬表透視需求：BI自助人群圈選需求：標簽畫像平臺自助漏斗分析需求：埋點分析平臺自助營銷觸達需求：營銷平臺自助最佳實踐67引入觀遠BI之后，可以說整個效率提升非常明顯。過去，對傳統普通

201、用戶來說，提一個需求，需求有長流程、短流程，一個普通流程也要經過這么幾步?，F在很多取數的場景或者簡單的分析場景，業務只需要找到對應的寬表，大部分場景可以完成自助分析。對專業用戶來說，提效更明顯。分析師作為專業的數據用戶，從提出假設、驗證、結果輸出要經歷這么幾步，寫SQL數據下載到ExcelExcel透視做圖做完圖貼PPT或者word，周報日報都是這樣做的。這樣會出現一些問題。比如今天數據分析完了，明天想再分析一下，就又得重新做一遍；每個人把自己的分析過程維護在自己手里，如果分析師走了，其他分析師拿到上一任交接的SQL，難以修改，隨著業務變復雜，完全沒法深入?，F在，有觀遠BI后很容易。數據在線用

202、智能ETL調度，業務想要數據，只需做成數據集自行調度，相當于把數倉權限開放給專業用戶；再者，可以在線隨時做分析，直接推送到內部工具中，周報只需截圖；每天自動生產，過一段時間觀察之前分析有沒有問題。以上這些，無論是從溝通，還是從協同來講，效率提升非常大，未來甚至可以實現十倍的提效量級。3、深度運營需求方第三，深度運營需求方。相當于所有給我們提需求的人，都要運營，而不是被動交付結果。我們主要做了三件事。關鍵場景打樣。以商分周報為關鍵場景進行打樣。水滴很重視周報，每周都要做一個非常詳細的周報，反映業務策略，以及各種各樣的核心數據指標。之前商分團隊每周編寫各種周報，需要耗費40%的人力，通過BI工具提

203、效，常規周報工作縮減到半天以內，商分團隊可以投入更多精力在業務策略分析上。關鍵影響力人物撬動。例如每個業務線一號位的管理駕駛艙。我們的管理駕駛艙跟普通駕駛艙的差異點主要體現在駕駛艙維度能不能下鉆?，F在整個數據集所有的指標看板都基于一個數據集建設，過去業務全貌只能等周報才能看到，現在每天可以實時看數，效率得到極大提升。種子用戶精準運營。每一條業務線，會有一些最了解業務的用戶，要把這些人找出來，制定好種子用戶的打破數據中心化引入三方成熟BI普通用戶以前專業用戶現在業務問題需求提出需求確認需求評審排期開發需求測試需求上線數據決策寫SQL下載數據Excel透視Excel可視化分析Excel制圖ppt文

204、件分享提出假設驗證假設結果輸出 在線查看數據BI多維可視化分析在線可視化看板分享/自動推送提出假設驗證假設結果輸出業務尋找數據寬表自助分析數據決策協同、決策效率提升 X10 最佳實踐68問題名單，把BI產品按照功能分類。很多時候，大家不愿意配合，這時候，我們優先培養年輕、學習能力強的同學，一點點攻克。另外，我們通過模板的形式，讓門檻更低。任何一個想要拿結果的同學都肯定希望能自己干，通過這種方式慢慢把用戶運營起來，最后結果也很明顯。自2022年Q3上線至今，近60%的需求是用戶自助完成的，數據產品團隊只負責不到30%的需求。所以說，怎么讓用戶認可數據團隊的價值和存在？30%的人力肯定無法應對10

205、0%的需求?，F在業務可以自己完成需求，業務得到了很好的支撐，價值自然得到了體現。當然除了數據上的表現，我們在實際的業務反饋上也收到了很多幸福的煩惱，比如用戶增長太快，導致經常擔心服務器資源是不是不夠了，用戶名額License是不是不夠了等等。這些幸福的煩惱代表著，我們在業務的產品、研發以及整個全公司領域的滲透，大家都知道數據平臺提供了這樣的工具，可以支持相關的場景。堅定去中心化的數據組織面向未來，要繼續堅定的把去中心化的路走下去。專業的數據團隊不要成為一個中心，而成為其中支撐的一角，把BI平臺，各種行為分析平臺等等平臺逐步完善，以它們為依托，專業的數據團隊只完成20%專業需求，例如業務底層的基

206、礎數據的建設，整個數據的治理體系、數據安全體系等等工作。剩下80%的常規數據的支持分析工作，由用戶自助完成。最終實現最高效地支撐業務的發展。未來要堅定的把去中心化的數據組織形態打造起來。打破數據中心化深度運營需求方 關鍵場景打樣 影響力人物撬動 種子用戶精準運營 商分周報（業務數據及策略review）周報自動化 數據團隊打樣、商分團隊 迭代維護 周報日報化 天級數據推送 提升決策效率 優先培養年輕、有進取心的同學 門檻降到最低，從模板開始商分團隊每周有2天在做周報？管理駕駛艙（核心數據推送）管理者月度/周度才能看到全局數據？不愿意？太難了？沒時間？制定各條線種子名單，精細運營最佳實踐69上汽飛

207、凡：明星平臺月活達70%，敏捷BI實現組織提效管理創新田 欣上汽飛凡數據分析負責人掃碼下載嘉賓分享PPT飛凡汽車有四大發展戰略：用戶驅動、數字驅動、極智驅動、共創驅動。今天的分享非常契合數字驅動戰略。飛凡汽車作為實體性企業，數字驅動在內部有三層體現：,產品數字化：推動產品數字化進展，打造智能汽車；,生態智能化：建設面向用戶的飛凡汽車APP、小程序，讓用戶感受到生態智能；,體系數字化：通過業務過程的數字化，實現企業內部更加高效的運作、經營效率。其中，體系數字化離不開數據。在不斷推進業務數字化的過程中，產生了大量的數據。飛凡汽車利用數據驅動組織管理模式的創新。傳統型企業一般是層級結構，數據驅動型企

208、業往往是扁平化的層級組織。在這個組織內部，大家需要不斷學習用數據量化業務目標，通過數據分析推動業務數字化，形成正向的驅動和閉環。涉及數據分析，自然需要數據展示和數據可視化。一年前，飛凡汽車選擇了敏捷BI，也就是觀遠BI。觀遠BI有四大特點，簡單易上手、及時高效、精細化管控以及自動化較高。它對于飛凡汽車整個組織有以下價值：對于大數據部門，可以高效融合跨多元、跨平臺的數據源，因為整個汽車的生產鏈路、銷售鏈路所跨的數據服務底層的內容庫比較復雜；其次，快速高效的統一數據口徑，快速拉齊整個組織內部的數據語言。完成上述兩個基礎工作完成之后，對于開發部門可以減少大量重復性工作，縮短響應時長，就有更多的精力投

209、入到更深入的分析內容，洞察業務。對于業務部門，觀遠BI簡單易上手，業務人員在使用過程中，可以真正學會如何用數據描述業務，用數據量化業務目標，最終更加主動地推動整個業務過程的數字化。對于公司管理，最重要的是能把目前企業經營數據快速高效呈現給管理層，無論是高層、中層、區域，門店甚至是一線，只有高效的數據獲取，才能提高企業的核心競爭力。最佳實踐70下面以四組數字說明如何通過觀遠BI提升組織效率。報表開發：高峰期，單月快速上線報表27張，近兩月新增報表數量低于8張。這對應大數據部門的價值，可以稱之為開發“能手”。飛凡汽車在去年4月份經歷了一次系統遷移，在拆和遷移的過程中，需要既滿足不停的業務，又要平穩

210、過度遷移，這里觀遠BI發揮了重要的作用。先通過觀遠BI直連業務系統，保證核心數據不斷，再配合底層的大數據平臺遷移，把歷史數據慢慢遷移過來。在高峰期，當時只有兩個分析師，一個月開發上線了27張報表。最近兩個月，新增報表數量已經不足8張，說明體系化、通用化的報表，配合觀遠BI自助分析的能力，已能滿足日常需求，只有當新增系統、新增業務時，才需要新增的報表。平臺活躍：月訪問人數為核心用戶的70%，月訪問量穩定在7萬+。觀遠BI在飛凡汽車內部已經成為“明星”平臺，用戶使用率比較高?？窗迨褂茫汗芾韺尤栈?0%，單人日均訪問20次。這里的看板主要強調管理看板，是飛凡汽車高管、中層管理的管理“助手”。例如公司

211、汽車發布期，管理層可以隨時查看相關數據。自助分析：月增報表29張，月活達千次。我們給業務伙伴開放了底層能力，他們基于業務需求，可以自行拖拉拽進行數據分析，月活達到千次。飛凡汽車敏捷BI構建實踐下面具體介紹飛凡汽車敏捷BI的構建實踐。這是一個簡易的飛凡汽車數據中臺架構圖。數據門戶、數據應用、包括CDP、VDP、報表平臺的數據產品、大數據平臺。再往上有ToE和ToB的用戶服務，ToE指向企業內部，ToB主要是合作伙伴、經銷商，他們可以在營銷平臺無感知使用觀遠BI，查看數據，進行數據分析。以下具體說明敏捷BI構建過程中最核心的應用。第一，零代碼的功能設計，讓BI團隊工作更高效。沒有使用觀遠BI之前，

212、整個團隊承接報表需求，報表開發量 80%，需要專門設置報表開發崗位專門開發報表。傳統BI無法在BI層面進行數據處理，因此數據處理依賴底層開發，即便是很輕量的小需求，也需要開發成本。這導致深入分析和洞察業務只能占到20%。這其中，人力還會消耗在跨平臺查詢底層數據。應用觀遠BI之后，有兩個功能特別實用。一個是自定義報表，也可以叫做自助取數?，F在只需把底層業務方最關注的指標、明細打成寬表，業務可以自行下載和分析。另一個功能是智能ETL，數據分析師在業務洞察分析時進行底層生產數據的關聯，以及簡單的底層邏輯過程修改。目前，報表開發的需求已經縮減到40%，數據分析師有了更多的時間和精力投入深入分析，洞察業

213、務。飛凡汽車數據中臺架構圖數據門戶數據應用數據產品大數據平臺TOE用戶/車輛畫像固化報表自助分析VDP畫像平臺CDP畫像平臺報表平臺數據治理數據采集數據建模平臺管理應用管理權限管理流程規范TOB最佳實踐71第二，精細化數據安全策略，實現“千人千面”，共有三個層面：,同一底層，不同角色，頁面靈活配置，不需要重復開發；,同一頁面，不同角色，設置是不同的數據訪問策略，更安全?？偛?、區域等等的數據訪問需要做好安全策略；,同一頁面。不同角色，敏感信息管控，按照不同角色進行敏感數據的管控策略。通過三個層面的安全控制，可以實現同一個平臺、不同角色、不同用戶看到的內容和數據不一樣。最后，跨平臺的數據賦能策略，

214、實現“眾口可調”?；谟^遠BI實現的跨平臺數據賦能展示，飛凡汽車內部稱之為“大門戶”、“小門戶”、“單頁面集成”。大門戶包括駕駛艙、自助取數、大屏、區域看板等等；小門戶是移動端，可以從釘釘、企微進入；最后的單頁面集成，現在很多業務應用系統自己不做可視化報表開發，而是通過觀遠BI集成。共創數據驅動型組織最后分享飛凡汽車共創數據驅動型組織文化的過程，這個過程其實也是自助分析的推廣過程。首先內部宣貫觀遠BI，給用戶制定了共創旅程，但是嚴格限制名額，要求負責人推薦課程用戶，需要能認認真真學完課程并且應用的學員。只有真正有需求的用戶才會認真學習。在這個過程中，進行了兩次培訓，共6個課時，每課時40分鐘。

215、除去基礎課程，課程還針對公司業務背景做了專題課程，通過在線答疑群的方式進行旅程的普及。最終效果可以用三組數據表示：,參與共創營人數占總部10%，只有讓業務積極參與進來，才能更懂得業務和數據之間的關系，理解數據開發的復雜度和工作量；,共創看板數100+，零門檻拖拉拽的頁面，讓業務方輕松動手創作；,自主分析報表月增20+，業務持續性在使用，讓數據驅動組織保持持續滲透?？缙脚_的數據賦能策略，實現“眾口可調”駕駛艙自助取數大屏固化報表區域看板公告&流程固化報表駕駛艙“大門戶”“小門戶”單頁面集成最佳實踐72零跑汽車：BI是一個六邊形武器李盼盼零跑汽車BI團隊負責人掃碼下載嘉賓分享PPT去年，分享了零跑

216、汽車從沒有BI到引入BI階段的變化和展望；今年，和大家繼續分享從引入BI到用好BI這一階段的變化。零跑汽車和觀遠數據是陪伴式成長的互助企業，每年峰會的分享恰好也讓我們對BI的發展做了一個全面的復盤。起初，在沒有BI的階段，零跑汽車處于業務報表線上化時代，定義為點餐式數據服務，業務提需求，IT做需求。這無疑會產生一些矛盾，業務的需求源源不斷，但IT資源總是有限的。2022年，引入觀遠BI，進入了BI數據分析自助化時代，定義為自助餐式數據服務。此時，IT提供給業務自助分析的數據模型，就像自助餐的餐食，業務根據自己的想法和需求自助靈活的實現數據需求。至此，引入BI已經解決了“源源不斷的業務需求和有限

217、的IT資源”這一矛盾。但是在逐漸使用觀遠BI的過程中，我們發現BI已經逐漸成為了零跑的六邊形武器，自助分析能力只是六邊形的一邊。六邊形武器的六維能力以下分別介紹BI作為六邊形武器的六維能力。一是自助修煉。通過自助分析修煉數據內容。自助化后，數據分析成為人人都可以修煉的能力，而非特定崗位。二是看清局勢。通過數據報表洞悉趨勢局勢。通過數據報表掌握公司運營情況，總覽當前局勢，洞悉未來趨勢。三是排兵布陣。通過代辦任務看板排兵布陣，代辦任務數據可視化，通過看板認領代辦工作，及時跟進。四是傳遞情報。通過訂閱預警獲知最新情報，有效利用訂閱以及預警，做到情報傳遞無阻礙，戰事吃緊提前知。五是識別人才。通過BI培

218、訓和大賽大浪淘金尋智囊。借力培訓及大賽，挖掘潛在的數據人才，讓金子發光，組建數據智囊團。六是文化傳播。通過分析報告傳播DT文化，開創全新欄目“BI帶你讀報告”，引導大家探索數據價值，培養數盡其用意識。最佳實踐73六邊形武器是推動零跑汽車從信息化的IT時代，轉向數字化DT時代的一把利器。信息化IT時代的發力點在IT，技術手段在驅動，但到了數字化DT時代，想讓商業決策更精準，企業管理更高效、更敏捷，用戶體驗更智能，就離不開數據。數字化的DT時代真正的發力點在業務，無法單單依靠IT實現，而是需要通過數據思維驅動。以上六維能力以自助、他助、互助的模式在公司營造了DT文化氛圍，將數據分析意識完全下沉至業

219、務，浸潤每個工作崗位，讓業務能真正擁有數字化戰略思維，敏捷智能的作戰。六維能力詳解及應用以下以六維能力展開詳解的實際應用案例。六維能力之一：自助修煉通過自助分析，修煉數據內功。因為基于BI，零跑汽車已經實現“數據的接入、更新、管理、應用”的全局統一性后，數據分析已完全實現自助化。業務部門人員在各個環節均已掌握自助實現能力，數據分析就變成了公司每個崗位、每個人都可以修煉的能力。六維能力之二：看清局勢通過數據報表，洞悉趨勢局勢。通過各類數據報表掌握公司運營情況，總覽當前局勢，洞悉未來趨勢。目前零跑汽車BI門戶的報表層級進行了自上而下的層級化搭建。最顯眼的位置是自助分析快捷入口，這是實現數據分析自助

220、化的重要模塊。報表層級的最上層是數據大屏報表，CEO、CTO等高層可以通過它們掌握公司全局大盤；各業務域的決策報表，劃分了各大產品線、業務域，高管可以依此洞悉各自業務板塊的局勢；各部門的BI報表，部門Leader或者管理者可以了解部門內部業務發展。這些僅是一級部門菜單，向下探還會有二三級部門自行搭建的報表。底層板塊是分類專題報表，是對專項問題進行定位后對癥下藥出具的報告診斷，例如某項具體問題的專題探索或者專題報告。維能力之三：排兵布陣六邊形武器的六維能力通過數據報表洞悉趨勢局勢通過BI培訓/大賽大浪淘金尋智囊通過數據報表掌握公司運營情況，總覽當前局勢，洞悉未來趨勢借力培訓及大賽，挖掘潛在的數據

221、人才，讓金子發光，組建數據智囊團通過待辦任務看板排兵布陣待辦任務數據可視化，通過看板認領待辦工作，及時跟進通過訂閱預警獲知最新情報有效利用訂閱及預警，做到情報傳遞無阻礙，戰事吃緊提前知通過自助分析修煉數據內功自助化后，數據分析成為人人都可以修煉的能力，而非特定崗位通過分析報告傳播DT文化開創全新欄目BI帶你讀報告，引導大家探索數據價值，培養數盡其用意識132645看清局勢識別人才文化傳播傳遞情報自助修煉排兵布陣最佳實踐74通過代辦任務看板排兵布陣。代辦任務數據可視化，用戶通過看板認領代辦工作，及時跟進，配合推送技能，效果加倍。例如在BI普及化的當下，用BI的人越來越多，我們的BI資源也受到了一

222、定的沖擊，但我們發現很多頁面和ETL設置是可以被優化后釋放大量資源的。于是在待辦任務看板中圖文并茂的清晰表述他們需要做什么和怎么做，并輔以數據列表展示，讓他們知道有哪些要做，做了哪些，還剩哪些。六維能力之四：傳遞情報通過訂閱預警獲知最新情報。有效利用訂閱及預警，真正做到情報傳遞無阻礙，戰事吃緊提前知。大致有四種應用場景可以通過訂閱預警實現：,月刊報告每期推送，通過定期推送月刊型的BI報告，分享數據文化；,必看報表按時訂閱，定向人群需要定期查看的報表周期性訂閱；,通知提醒快速觸達，BI也是信息傳遞的工具，讓一些類似大賽邀約和培訓通知的提醒類消息能快速觸達；,目標達成及時預警，當進度緊張時，要及時

223、通知相關負責人以采用應對策略。六維能力之五：識別人才一是通過BI培訓大浪淘金尋智囊。公司內部隱藏著非常多的人才，借力形式多樣的BI培訓，我們挖掘了潛在的數據人才和核心種子用戶，為各個業務團隊培養并輸送數據分析師或數據接口人。區別于傳統的老師在臺上講，學生在臺下聽的授課模式，零跑汽車創建了很多更適合業務體質的、形式多樣的BI培訓。觀遠數據也提供了每月度的線上訓練營、體系化的課程和案例式的教學。通過線上訓練營初篩潛力BI用戶后，線下定制化培訓可以針對業務訴求進行專項培訓。最后是1V1的指導教學，針對部門種子用戶，確保手把手包教會。二是BI大賽尋人才。在引入BI一周年之際，我們以“用數據發電，為零跑

224、續航“為主題口號舉辦了首屆BI數據應用大賽，目前初賽階段已經篩選出了很多極具潛力的參賽作品。大賽有四個目的：,第一是讓BI普及，零跑汽車已經完成了引入BI的1.0時代，現在推動進入2.0時代，讓所有有數據分析需求的人都能使用；,第二是讓數據流動，通過大賽讓用戶充分的挖掘和利用數據，同時能發現數據里的問題并進行改善；,第三讓金子發光，提供BI大賽的展示舞臺，網羅數據高手，成立數據智囊團。,第四是讓應用孵化，發現優秀的數據應用，孵化具備產品力的數據應用成為系統功能或工具，真正影響業務。六維能力之六：文化傳播通過分析報告傳播DT文化。開創BI欄目引導探索數據價值，培養數盡其用的意識，潛移默化傳播DT

225、文化?，F在以月刊的形式，基于某個主題進行內部的數據分析和外部報告分享。例如第五期是“今年你降價了嗎”，基于當時新能源市場迎來了大概兩三個月的降價潮這一背景，結合了內外部數據做了數據探索，觀察內外部降價效果。以上是零跑汽車運用BI成為六邊形武器的場景和方向。BI的應用價值和程度在當今企業中不言而喻，BI的六維能力為敏捷經營提供了數據驅動的支持，幫助企業在競爭激烈的市場中保持敏捷性和競爭優勢。零跑汽車從沒有BI到引入BI階段，繼續向用好BI而進發，成功將BI鑄就成得心應手的“六邊形武器”。希望以上經驗分享能夠給大家一些啟發，探索更好地應用BI這一利器。最佳實踐7504交流平臺觀遠數據智能決策峰會暨

226、產品發布會Experience Exchange匯聚零售消費、金融、高科技、互聯網、制造等多行業代表性企業，超500人與會規模，聚焦市場熱門話題，前瞻行業發展趨勢，共享數智創新價值。TOP盛會聚焦價值行業權威機構、世界500強企業、各行業先進企業CXO、業務與技術決策人、數據從業者、行業KOL等大咖云集，打造高層精英社交圈，交流互鑒共繪發展藍圖。大咖云集高層社交主題演講、圓桌對話、高端沙龍、閉門私董會等多樣化交流平臺，同業經驗分享，異業思維碰撞，深度垂直交流，共同探索數據智能前沿，開啟增長未來！實踐共享思維碰撞觀遠數據智能決策峰會暨產品發布會是一場引領行業發展趨勢、匯聚先進企業數字化最佳實踐的

227、盛會。峰會迄今已舉辦五屆，線下線上累計參會人數20000+。峰會旨在與行業數字化實踐先鋒企業、技術大咖、業界精英一起，洞觀數字化發展趨勢，深入探討如何利用數字技術切實解決企業核心業務問題，助力企業以數智驅動業務長效增長。觀遠數據智能決策峰會暨產品發布會2019-2023年主題20232022202120202019交流平臺772023年10月20日，觀遠數據2023智能決策峰會暨產品發布會于上海中星鉑爾曼大酒店圓滿舉行。本屆峰會以敏捷向未來為主題，設置一大主會場，零售消費、金融、分析實踐三大專題分會場，來自寶潔中國、聯合利華、百威亞太、零跑汽車、安信證券、數禾科技、凱盛浩豐、舍得酒業、奈雪的茶

228、、維他奶、吉家寵物、星星充電、畢馬威中國、億歐智庫等20+世界500強企業、行業領先企業、權威機構的重磅嘉賓出席峰會，與500+零售消費、金融、高科技、互聯網等行業企業高管、業界精英，共同探尋新經濟趨勢下數據驅動的敏捷經營價值與路徑。本屆盛況觀者如云深入體驗大咖匯聚會場盛況交流平臺78往屆盛況數據有為觀遠數據2019智能決策峰會暨產品發布會2019望見粒子觀遠數據2020智能決策峰會暨產品發布會2020交流平臺79讓業務用起來觀遠數據2022智能決策峰會暨產品發布會2022乘云駕務觀遠數據2021智能決策峰會暨產品發布會2021交流平臺80數據有為2019望見粒子2020讓業務用起來2022乘

229、云駕務2021敏捷向未來2023觀遠數據2023智能決策峰會暨產品發布會觀遠數據2019智能決策峰會暨產品發布會觀遠數據2020智能決策峰會暨產品發布會觀遠數據2022智能決策峰會暨產品發布會觀遠數據2021智能決策峰會暨產品發布會峰會歷程發布一站式智能分析平臺2.0版本；紅杉中國、永安咨詢、聯合利華等500+新零售行業大咖親臨現場；GPC快消圓桌&CIO圓桌兩場高端對話，理論與實踐兼具，共同探討DT時代下企業數據智能發展之路。一站式智能分析平臺3.0版本亮相；紅杉資本、黑蟻資本、波士頓咨詢、CCFA等大咖分享前瞻視角；聯合利華、百威英博、沃爾瑪、王府井等行業領軍企業現場論術。發布智能分析云、

230、DTC應用市場、一站式智能分析平臺4.0版本；紅杉資本、波士頓咨詢、聯合利華、招商銀行等15位數智化先鋒代表，與近10個行業的500+企業高管蒞臨現場，共同探討數智轉型變革升級和交流跨界業務增長道與術。發布一站式智能分析平臺5.0，升級客戶成功戰略；集結寶潔、絲芙蘭中國、元氣森林、招商銀行、中信銀行、零跑汽車、斗魚直播等30余位行業數字化先進企業重磅嘉賓，以 云上直播+五城聯動 全新雙軌模式，共探“讓業務用起來”的數智創新與增長路徑。發布一站式智能分析平臺6.0，推出企業BI建設階段6S模型及配套方法論，幫助企業以更高效率、更低門檻、更敏捷方式實現數據驅動的敏捷經營，持續推動BI能力躍升；寶潔中國、聯合利華、百威亞太、安信證券、數禾科技、零跑汽車等20+行業先進企業匯聚，共享領先實踐經驗。SUMMIT HISTORY2024相約明年,敬請期待!客戶名錄CUSTOMER CONTENTS