【干货】超大型多业态集团性企业的数据中台建设

1 超大型多业态集团企业数据中台建设

关键词：

40多家公司

5种不同的格式

信息化水平参差不齐

数据标准缺失，数据质量差

公司背景：该企业是以物流为核心产业的多业态集团。其传统的商业物流、仓储、机场、货运、清关和进出口贸易是五种主要业态。其中，供应链是他们希望整合的业务。

经营目标：

实施原则：

数据第一：

以用户数量整合整合业务，以数据探索推动创新。

三步策略：

数据资产排序；

开放数据共享；

数据场景创新。

这是我们2017年成功实施的一个项目，这种案例并不常见，因为很少有企业有这样多业态的整合需求和整合的勇气。

这40多家企业的企业信息化水平参差不齐。部分子公司已经建立了较好的信息化建设。核心数据在数仓中，部分子公司甚至主要使用excel和纸质文档。. 这种情况下，企业数据标准缺失，数据质量根本谈不上。因此，他们希望通过用户、订单、支付三大核心数据的整合，构建新的产品业态，实现物流行业端。端到端服务。

例如：生鲜从澳洲空运到中国，从挑选到本地采购，澳洲本地运输加工贸易转型案例分析，跨境电商，跨境贸易到中国，再到清关，报关，物流，最后快递到手头的消费者。

说的比较清楚，做起来却很复杂。因为这些企业是不同的公司，他们的客户是完全独立的，所以要在半年内完成集团业务的整合是非常困难的。

当时我们为他们做整体的数字化转型，我们深刻认识到，如果用传统的IT规划或转型方式来做，组织架构的变化和流程体系的梳理都会非常缓慢。

当时我在西安给公司进行了为期两天的数字化转型培训。公司高层管理人员、首席信息官、首席创新官均莅临参会。他们共同制定了公司的愿景并制定了整个转型计划，重点关注数据使用。数据整合整合业务，用数据从数据中探索，整合后的新产品在哪里。

我们制定了三步走战略。如果我们从流程层面出发，那么流程围绕这个职位和您的业务目标展开。其中有一些线下的复杂因素。但是数据本身是很客观的，而且是相互依存的，所以数据是打通整合业务的好方法，那么如何整合数据呢？

请注意这里数据资产的排序。它不仅仅是原始系统的数据。我们认为，企业处理过的数据集、数据应用、数据报表都是数据资产。

整理数据资产首先要做的就是建立数据资产目录

它是同一业务领域中数据资产的一个抽象的、一个目录和一个结构。那么这个数据资产目录的一个节点就可以连接多个数据源，梳理出数据资产目录的流程。我们不需要实际查看数据。它实际上是数据世界中实体业务的建模。

例如：这样一个企业的物流业务可能有多个公司做同一个业务，多个地区的公司，多个不同的干线物流和支线物流，它们是不同的数据集。

也就是说，如果你看看这些公司和业态，他们现在有什么数据？这个数据在哪里？这些数据的质量如何？然后在此基础上搭建了一个数据资产平台，然后将一些优质的数据（当时这家企业的数据质量是物流货运，有一定的基础数据）链接到数据资产平台上.

在这种情况下，我们也帮助客户企业搭建数据门户，进行数据共享。他们的业务人员可以在数据工具中快速查找、定位和浏览，并快速使用自己熟悉的工具来探索数据。

我们将数据用户分为两类：

(1）企业用户

他们没有能力使用数据仓库和数据报告。他们只熟悉常见的拖放数据工具，不会使用复杂的工具。例如，有些人可能只熟悉excel。

（2）拥有高级数据分析的用户

在这样的平台中，它们与数据资产直接挂钩，同时与授权挂钩。他们可以使用这些数据吗？

授权的所有事情都会被记录下来。然后当他们探索这些数据，发现有价值的数据集和有意义的数据创新（这就是所谓的数据场景创新）时，它可以快速将这些数据和数据价值发布为服务，然后这些服务可以快速提供给业务用户和业务系统使用。

示例：本项目有一个机场货运侧的场景，货物分类是人工标注的。但是我们的工作人员并不是万能的百科全书，有时候标注商品种类的时候不准确，而且很不规范。例如，多了一个词，少了一个词，还有一个错字。

但是，如果你的数据分类不规范，很容易在你的货物的检验和储存中造成隐患，比如把不应该放在一起的货物放在一起，把一些对时效性要求比较高的货物放在一起。按时效性较差的顺序排列。

为了解决这样的问题，我们通过数据探索找到了一个非常有用的方法，然后结合数据中心。那时候我们有nlp自然语言处理技术，就是用这样的算法来自动识别和优化文本标签。我们对互联网上一些没有版权的公共分类信息建立一个模型，然后在手动输入的时候，我们会使用这个模型来优化标签。

在开发这个平台的同时，我们也有专门的数据运营团队。这个团队必须不断地分析数据，然后找到一些有价值的场景和有价值的数据集，然后通过数据中心将数据作为服务发布。（我们当时不叫它数据中台，而是数据资产创新平台。）

因此，通过数据资产的整理和构建、数据的共享和开放、数据探索服务数据工具的整合这三个步骤，最终为数据场景提供了一个方便、快捷、完整、全集成的数据服务探索平台。然后这些数据场景和数据可以快速发布为服务供他人使用。

当时我们整合了所有这些不同公司的交易，并围绕用户进行整合，我们知道相同类型的物流订单和所有支付记录数据。因此，通过这样一个数据资产平台，打通用户订单和支付，打造新产品。

通过这些案例，我们总结出六点启示：

（1）没有完美的数据基础，数据思维应该从最早建立（数据优先）

因为它有40多家公司，我们要从子公司拿数据，很多人说我们没有数据，数据质量差，没用。所以在最早阶段构建应用的时候，一定要站在数据的角度去思考，要尽快建立数据思维。

（2）数据策略和规划很重要（Think Big）

当时我们梳理了企业业务业态的重要数据资产结构。这样，当你有新的并购和新业务时，与你最早的数据资产规划没有太大区别，避免了数据孤岛。发生。

（3）从业务场景出发，围绕业务构建（从业务出发，高于业务）

数据中心的建设要从业务场景入手。必须从业务场景入手，找到具体的场景。构建时，不能只针对一个场景，必须抽象其场景及其共性。, 把那些跨场景的需求抽象出来，以后可以支持更多的场景。

（4）数据结构的共享和开放是数据应用的基础（数据资产目录）

(5）快速数据服务构建和消费

这个数据本来是给人看的，后来数据中心建成后，数据被系统使用，从人机界面到机器与机器之间的界面，这就是Data API的最大价值所在。

(6）持续的数据操作是数据中台项目成功的关键

当时这个企业的领导压力很大，那么我们如何去推动和化解这种压力呢？我们成立了数据运营部门。没有数据的时候，数据平台的建设还没有开始的时候，我们成立了数据运营部，然后数据运营部做数据策略的规划。

在数据平台建设过程中收集到一些数据后，让数据运营部门发现数据的价值，然后每周、每月向集团领导汇报，让他们看到这样一个技术平台作为您，在施工过程中解决了一些实际的技术问题。

后来，他们的会议不再需要 PPT 和 excel。每次他们打开我们的数据资产创新平台，每个数据故事都对应着他们开会时的一个主题，而且数据是实时的，非常有趣。

因此，在建设、运营、搭建平台、发现价值的同时，要有持续的数据运营。只有这样，你的这种数据平台类型的项目才能得到业务和领导的支持，让大家看到。价值，以免被质疑您的投资的去向。

02零售企业数据中心建设

背景关键词：

全球企业

没有本地 IT 能力

无数据平台

有大量的数据分析和应用需求

公司背景：这是一家全球性的企业，其信息化是一个全球性的系统。从总部的SPA取回数据非常麻烦。但是，在中国的业务中，他们需要做连接设备和客户的IT系统。他们有大量的数据分析和应用需求，我不知道如何实现。

经营目标：

三个步骤：

数据价值探索；

数据资产盘点；

数据服务构建。

是一家以销售为导向的企业。这是一个 B 到 B 到 C 的模型。领导很有远见。他们找了一堆做excel分析的表弟，然后每天做各种报表。分析一下，他们大概有二十张很复杂的表，不同部门有不同的表，但是这些表是没有联系的，表的含义只有各个部门才能理解。

他每天都在做这件事很开心，但是当业务变得越来越有竞争力并让他们控制越来越多时，他们面临着巨大的数据分析需求，他们希望在整个业务中共享。，需要构建数据应用和决策能力。但当时他们的IT预算有限，是从各个部门挤出来的一笔钱，希望能整合一些行业的数据。

最早的时候，他们不知道通过渠道经销商把产品卖给了哪些店铺、哪些消费者，相当于闭着眼睛卖东西。但是当来自互联网公司的竞争激烈时，如果他们不了解情况，他们的业务就会被蒙蔽。，可以说已经失去了洞察力。

因此，数据的分析和整合成为了他们巨大的诉求，但经过几轮交流，我们发现他们的情况并不适合大型综合平台。

(1）预算有限

预算用完后，就无法产生商业价值。

(2）业务场景不清楚

一旦你搭建了一个大而全的平台，你就很难找到相应的场景来解决问题。

所以，我们当时给他的建设策略是，先不要急于搭建平台。如果您有excel，我们将使用excel作为数据。

首先是做数据价值探索。我们整合了许多部门来分析他们的数据需求并从数据中获取价值。然后，通过我们独创的数据探索方法，对这些数据价值场景进行排序，找到它们。确定优先级最高的场景，然后我们为这些场景盘点数据资产，然后构建数据服务。

我们基于业务应用程序和数据应用程序构建项目。当我们构建数据应用时，我们将平台能力和应用能力分开。这样，当我们的应用在不断升级的同时，我们的平台也在不断的完善。

通过这些案例，我们总结出五个启示：

(1）没有数据平台，没有数据仓库加工贸易转型案例分析，甚至没有业务数据库，你也可以做数据服务

哪怕只是excel，也能提升后台服务。

（2）业务价值一定要尽快展现，否则会失去业务支持

业务部门必须具备相应的数据接口和业务需求才能参与项目组。

（3）内外部数据整合的重要性，建立公司自己的用户画像库

（4）连续的数据操作需要耐心（这个特别重要）

(5）前期要考虑数据利用、数据规划和全景蓝图

你不能只盯着一个场景，你必须识别多个业务场景，即使这些场景还不能实现，但你必须识别它们。只有这样，才能在前期梳理好这个数据的大框架，数据利用率的关系，应用之间的数据调用关系，有个大全景，避免以后的建设。数据孤岛。

总结

最后，总结一下这两个数据中期案例的特点和求和的实用方法。

我们会发现一件很有意思的事情，这样的数据项目和传统的应用开发项目有很大的不同。这里我做了一个三字总结，一个是大规模建设，我们会发现它是基于规划策略和启动；另一个是这个按需业务有需求。

我们首创的数据中台项目建设方法论：

精益数据发现

当然，通过这样的方法论，我们可以构建一个企业自己的数据创新地图：所有的数据都应用到产生价值的重要因素上，有场景有技术，缺一不可。我们需要找到这样的同时具备商业价值、数据和技术的场景，然后优先建设。

因此，使用精益数据的方法可以达到这样的效果，即从业务价值出发，从业务场景出发，但高于单一业务场景，快速上线，不断优化运营。

长按二维码

关注行业洞察