江苏龙网

  1. 首页 > 人文 > >

产业气象站|企业数据中台建设过程中面临的三大挑战

1）业务挑战：如何以大数据赋能 ， 反哺业务精耕？
越是成功的企业 ， 业务发展的痛点越难以单点解决 ， 需要整体思考、科学决策、集体行动 ， 在业务的创新中解决这些痛点 。
比如 ， 如何做好会员精细化运营？如何为门店挑选合适的商品且控制好库存？如何动态打折以至不损伤毛利等等 ， 是摆在企业前面的一个个难题 ， 直接影响到企业的规模扩展或者利润提升 ， 也是企业迫切需要解决的问题 。
这就需要构建数据中台 ， 通过大数据赋能业务 。
相比传统数据业务 ， 大数据业务的优势在于 ， 通过整体规划智能化的数据应用 ， 来推动业务创新 。 这就是企业数字化转型的业务内涵 。 这些数据智能应用需要将业务经验和解决方法论、全域的数据模型 ， 与算法模型相结合 ， 我们称之为“业务智能模型” ， 它的价值在于“降本增效” 。
在奇点云过去三年的数据中台实践中 ， 我们发现这些业务智能模型遍布在整个零售产业上下游 。 比如通过全方位的数据反馈并指导买手做好选品；又如通过商品的聚类 ， 发现某类特征的商品 ， 可以优化打折速度和幅度 ， 以此提高整体的折扣率从而增加毛利等 。 再比如 ， 通过门店和商品数据 ， 通过最优算法 ， 解决“什么样的店铺类型应该铺什么商品” ， 以提升门店的顾客进店转化率 ， 从而提升效益 。
业务智能模型需要数据和业务系统深度结合 ， 在运营工作中直接产生效果 ， 让业务能够自动化、高效地运转起来 。
2）技术挑战：如何高效的数据治理 ， 远离数据“黑洞“？
要做好有价值的业务智能模型 ， 离不开高质量、高可用的、全域的数据中台 ， 数据治理就显得非常重要 。 “数据治理”是企业数字化转型中典型的大数据技术问题 。
数据治理 ， 解决的是“业务越来越复杂而数据现状的脏乱差”带来的挑战 。 如何合理规划数据结构？如何规范定义数据？如何有效管理数据资产？如何安全分发使用数据？这都需要一套完善的数据治理体系 ， 驱动企业数据化运营转型 。
数据治理是基础 ， 也制约了企业的数据智能化方向的发展 ， 难以做到数据创新 。 从理念上来看 ， “治”不应只在事后 ， 更应在事前 ， “理”考验的是业务与技术能力的结合 。 从实际内容上来看 ， 数据治理是一套方法体系+工具集 ， 旨在帮助企业合理的架构数据、规范的定义与加工数据、清晰的管理数据、安全的应用数据 ， 促使数据从成本中心变成价值中心 ， 驱动企业数字化转型 。
3）组织挑战：如何深挖数据红利 ， 成为业务创新“能手“？
从解决业务挑战和技术挑战出发 ， 企业必须把数字化转型定义为战略问题 ， 从而推动“数据中台”的落地 ， 这也给企业带来了组织上的挑战 。
一般来讲 ， 传统的数仓解决方式有两大问题：一方面从业务系统直接计算数据 ， 非解耦架构对业务系统影响极大 。 一方面基于DB构建的数据仓库 ， 计算及查询效率难以满足业务数据膨胀的大趋势要求 。 解决这些问题 ， 已经不是藏在“IT部门”的数据小分队这一组织形式所能够解决的 。
2018年7月 ， 阿里云总结了过去的成功经验 ， 在业界大力推出“数据中台”解决方案 ， 很好地解决了这些问题 。 奇点云提出的数据中台架构与设计 ， 其出发点是支撑复杂的、多系统的、数量巨大的、多应用场景的业务形态 。 在组织层面理顺以下部门或团队关系 ， 来解决企业在组织落地战略上的困惑：
①与传统IT业务之间的关系：业务和计算分离 ， 业务和数据分离
大数据业务应与业务系统解耦 ， 采用T+1离线计算方法产出结果数据 ， 不直接在业务系统上进行数据计算 ， 实现了业务和计算的分离、业务和数据的分离 。
【产业气象站|企业数据中台建设过程中面临的三大挑战】大数据部门的工作起点是满足多种计算场景的需求 。 支持大数据计算 ， 结合了多种计算引擎 ， 针对不同的场景使用不同的计算引擎 ， 如离线计算引擎、实时计算引擎、多维分析引擎、即席查询引擎、实时搜索引擎 。


推荐阅读


上一篇：产业气象站|阿里巴巴的无人超市只是营销策略吗？不必大惊小怪

下一篇：产业气象站|大神带你了解Bootstrap框架技术！