新时代中国企业数字化转型之BI平台建设
摘要:
随着数字经济时代的到来,企业面临着新的机遇和挑战,数字化转型成为企业提升竞争力的必要手段。企业数字化转型离不开信息化的建设,商业智能BI作为信息化建设中的关键一环,在企业数字化转型中发挥着重要的作用。
目录:
一、2010年vs 2020年,BI商业智能的发展历程
二、从欧美到中国,商业化分析正被广泛应用
国外商业化分析案例--雀巢:培养数据驱动业务决策的企业文化
国内商业化分析案例--某全球领先ICT企业:面向”自助消费”的数据服务建设
国内商业化分析案例--某大型国有银行:搭建全行统一的自助分析平台
三、结论,BI已进入业务用户商业化分析新时代
随着数字经济时代的到来,企业面临着新的机遇和挑战,数字化转型成为企业提升竞争力的必要手段。通过数字化转型可以帮助企业抓住新机遇,提升企业韧性,应对外部环境的变化及内部组织变革的挑战。企业数字化转型不是简单的新技术的创新应用,是发展理念、组织方式、业务模式、经营手段等全方位的转变,既是战略转型,又是系统工程,需要体系化推进。
企业数字化转型离不开信息化的建设,商业智能BI作为信息化建设中的关键一环,在企业数字化转型中发挥着重要的作用。通过商业智能BI,对下能连接打通企业业务系统数据库,将各业务系统数据整合到数据仓库,简化存储取数流程,减少人力、时间成本;对上能提供数据可视化报表,通过数据可视化分析全面展现企业发展状况,追踪业务执行效果,促进业务健康发展,辅助进行管理决策。因此想要真正实现企业数字化转型,让信息化和数字化深入企业,离不开BI商业智能分析平台。
一、2010年 VS 2020年,BI商业智能的发展历程
BI的概念最早是由Gartner在1996年提出,其定义为一类由数据仓库(或数据集市)、查询报表、数据分析、数据挖掘、数据备份和恢复等部分组成的、以帮助企业决策为目的的技术及其应用。从发展阶段来看,我国BI的发展分为两个阶段。
2010年处于IT用户报表开发时代
第一个阶段是以2010年为代表的IT用户报表开发时代,属于传统BI,该阶段产品报表的开发与制作以IT为主导,由业务用户提需求,IT工程师负责项目规划、数据准备、报表开发、测试、最后上线给到业务人员使用。
【一图看懂传统BI和自助式敏捷BI的差别】
2020年开始进入业务用户商业分析时代
在2010-2019年,报表类产品是中国最受欢迎的BI产品,而Gartner2022年发布的一份针对中国分析平台市场的报告提到,报表类产品的需求增速在逐渐停滞,增量的需求来自于更强调低门槛分析能力的现代化的分析型BI平台(Analytics and BI platforms),这类产品未来5年将会以超过30%的增速,引领整个BI市场的发展。
这个结论和我们近几年不断接触客户和对市场变化的持续感知产生的观察不谋而合。近年BI市场的发展趋势明显呈现出从IT走向业务、从报表工具走向分析决策的特征,开始逐渐步入业务用户商业分析的时代,与此同时新一代敏捷BI产品应运而生。
从报表工具和商业分析角度来看,该阶段产品主要以面向业务用户/分析师为主,整个过程当业务用户/分析师有需求和问题时,IT工程师只需负责把基础的数据整理好,其他数据准备和报表开发都让业务人员通过拖拉拽的方式完成,同时也可以进行“究其原因”的探索式分析,让业务人员可以真正通过数据提升业务效果。
【一图看懂传统BI和自助式敏捷BI的差别】
二、从欧美到中国,商业化分析正被广泛应用
在全球范围内,第一批BI工具厂商在20世纪80、90年代诞生于欧美市场,并于2000年前后初步在全球形成一定规模,出现了美国的MicroStrategy、Hyperio、Salesforce,法国BusinessObjects,加拿大Cognos和Crystal Reports、Siebel Analytic,瑞典Qlikview等行业领军者。到2010年,欧美开始规模化进入业务用户商业分析时代。
【一图看懂国内外BI发展历史】
国外商业化分析案例--雀巢:培养数据驱动业务决策的企业文化
雀巢是一家总部位于瑞士的跨国食品和饮料公司。成立于 1866 年,拥有超过 291,000 名员工和 403 家工厂,2021 年的销售额为 871亿瑞士法郎。拥有如此大规模的公司,为员工寻找合适的业务管理工具以做出有价值的业务决策既至关重要又具有挑战性。雀巢从2010年就已开始构建商业化分析体系,后来又引入了BI商业化分析工具,以帮助那些做出业务决策的人在需要时访问他们需要的数据,而无需等待集中式数据团队的报告。
在整个数据分析架构体系当中,雀巢的分析技术堆栈包括四个领域。这些领域的组件是成功分析解决方案的基石:
(1)商业智能工具
(2)机器学习和统计平台
(3)数据管理解决方案
(4)数据治理和集成
【图1. 雀巢用于BI的工具和平台】
【图2. 分析解决方案和服务】
为了让员工更好地访问数据,从而对市场做出快速反应。雀巢开发了统一的数据仓库,并将数据仓库中的数据与其他本地数据集相结合起来,利用自助式BI,以准确、高效的方式为员工提供数据分析服务,从而促进科学决策和公司的可持续发展。
1、数据驱动下的科学决策
以某部门的营销分析主题为例子,该仪表板的目标是提供全球统一的仪表板界面,让部门内部人员可以实时访问其关键业务和品牌的绩效指标表现,提供业务决策依据。
这个仪表板汇总了来自各种内部和外部来源的 Purina 营销数据,包括来自 Nielsen 等媒体机构、定制研究、联合销售来源、社交媒体和销售点的数据。例如Consumer Metrics(消费者指标分析)页面整合了品牌资产、品牌情绪、家庭面板数据和来自各种来源的消费者联系方式,以全面了解品牌的评价程度,并做出精准的决策调整。
【图3. 用于了解销售指标和品牌购买情绪的仪表板】
2、自助分析助力雀巢保持全球的核心竞争力
雀巢通过明智的战略性技术投资来增强员工能力并创建一个现代和先进的组织,培养以数据驱动的企业文化,让员工能够做出科学的业务决策,从而继续保持企业的竞争力。截止2020年底,公司内部的用户已增长到每月超过45000位活跃用户。2022年5月,Gartner 发布2022年全球供应链25强排行榜中,雀巢以“创新转型、数字赋能的智能供应链战略”优势,荣登全球第八。
而在中国,商业化分析的步伐开始于2020年,相较于欧美落后10-15年,但随着本土BI企业的日益成熟,商业化分析的土壤在智能制造、金融、零售等行业的头部企业中快速兴起,这加速了追赶欧美的步伐。
国内商业化分析案例--某全球领先ICT企业:面向 ”自助消费” 的数据服务建设
该企业创立于80年代末,是全球领先的ICT(信息与通信)基础设施和智能终端提供商。目前约有20万员工,业务遍及170多个国家和地区,服务全球30多亿人口。
1、从 ”保姆” 模式到 ”服务 + 自助” 模型
过去,该集团各业务部门的分析诉求往往通过公司总部”保姆式”的开发模式来满足,即业务部门只负责提出需求,所有的方案从设计到开发实现,统一由总部完成。这也是传统BI的开发模式,强依赖于IT人员,贯穿整个数据分析的过程,从获取数据、建模到设计报告,均需要IT人员的支撑,这种模式存在多个问题:
1)开发周期长。通常从需求提出到开发实现,需要多轮次需求解析和澄清,IT开发完之后还需要进行严格的测试验证部署,因此整个周期通常最短需要30天。
2)无法满足灵活多变的业务要求。业务运营是按需开发的,而业务开展时的问题和风险是经常变化的,总部无法响应所有业务部门的需求。
在这种背景下,提出了”服务 + 自助” 模式,即公司总部只提供统一的数据服务和分析能力组件服务,各业务部门可以根据业务需要进行灵活的数据分析消费,数据分析的方案和结果由业务自己完成。使得数据分析消费周期极大缩短。发挥业务运营主观能动性。减少“烟囱式系统”的重复建设。
2、打造业务自助分析的关键能力
该企业将自助分析打造成企业内部的一种公共的能力,在企业层面进行了统一构建。一方面,面向不同的消费用户提供了差异性的能力和工具支撑;另一方面,引入”租户”的概念,不同类型的用户可以在一定范围内分析数据、共享数据结果。
在选择要实施的工具时,拥有便捷的数据分析能力和高效的性能,同时还使业务用户能够在数据结果共享时保障数据安全非常重要。该企业在2019年选择了敏捷BI作为内部的自助分析工具,帮助用户能够快速释放数据价值,驱动业务增长。
截止到2019年,敏捷BI工具已被逐步推广到集团的20几个单位或部门。培育了近2000+商业化数据分析师,生产了超过3W+张自服务分析报告,周活报表10000+。为集团各部门的业务决策提供了灵活、精准、高效的支撑。
国内商业化分析案例--某大型国有银行:搭建全行统一的自助式分析平台
该银行属于中央管理的大型国有银行之一,在2015年被认定为是全世界市值最高的银行之一。2018年底总资产超过27兆人民币,个人金融资产达12兆人民币。
1、大数据平台建设历程
该银行从 2002 年开始建设数据集市,当时主要使用 Oracle 类单机版的关系型数据库。随着数据量不断增加,开始引入 TD、ED 等国外高端一体机。2014 年该银行正式基于 Hadoop 技术建设了大数据平台,在其之上构建了企业级数据湖及数据仓库。2017 年,随着 AI 技术的兴起,又开始建设机器学习平台,2020 年开始建设数据中台和高时效类商业化分析平台。
2、为什么要上企业级自助式BI系统
该银行原有报表平台有自研报表平台、水晶报表、Cognos和SAS。在使用时面临着以下问题:
1)数据交互式查询慢。该银行的数据量级在千亿级别,数据涉及面广,分析的复杂度也高。原系统的hive查询往往会出现几分钟甚至几十分钟才能返回数据结果,无法满足快速、准确查询的需要。
2)数据分析和业务探索能力不足。该银行需要服务集团及分子公司上万业务用户,原有系统分散,不能满足全行业务分析师在线数据挖掘和业务探索的需求。
3)原有报表图表样式少。该银行原有报表图表样式10余种,难以满足丰富精致的数据图表样式需求。
4)权限管控机制不够。该银行需要企业级权限管控,保障数据安全应用。
3、商业化数据分析平台的技术架构
该银行的实时大数据平台依托于华为云 FusionInsight 智能数据湖为数据底座,以敏捷BI作为全行的自助式数据分析中心。
【图1 系统架构】
1) 数据层
a. 数据底座:依托华为Hetu集群,大大加速了数据查询与计算的速度,由一开始的分钟级优化为秒级响应。
b. 自助BI层:采用了BI系统直接连接数据湖的形式。数据分析师通过bi平台的功能自行编写查询语句,对于数据湖中数据进行抽取来完成各式各样的自助式bi分析功能。这样的设计会使得分析非常灵活,自由度高。
2) 服务层:由于行方需要上百台BI系统来满足大规模用户使用需要,采用了分布式docker容器方案,通过启动docker灵活部署的方式+即时BI系统的license server功能,实现了即停即起,license管控,心跳检测,自动杀停等一系列灵活部署的机制。
3) 业务层:需要规范安全的权限管控机制,支持集团,区域,项目,不同中心以及子公司等多层级、分角色、分用户、高安全性、易操作的权限管控保障要求。
【图2 技术架构】
到2020年,该银行搭建的全行级的统一数据分析平台加速了海量数据的价值转化,服务了全行上千名数据分析师,利用高效便捷的数据分析服务促进了更快、更有效的业务决策。
三、结论,BI已进入业务用户商业化分析新时代
数字化的飞速发展以及数字经济的扩张,让数据成为继土地、劳动力、资本和技术之后的第五大生产要素,更是上升为国家重要战略资源。随着硬件存储和计算能力大幅提升、软件平台和产品能力越来越成熟,企业人才素质不断提高,企业将实现数字化转型的重心放在数据的有效应用,释放数据价值,让数据可以有效赋能业务增长,提升经营发展质量上。2020年是中国规模化进入业务用户商业分析时代,各企业面对数字化转型都应积极布局。