快捷搜索:
当前位置: www.bf66.com > 互联网 > 正文

观远数据这家新兴,大数据会替代守旧BI吗

时间:2019-05-14 20:45来源:互联网
成立于 2016 年的观远数据,在 BI 市场中可谓是不折不扣的新玩家,但是不到 3年时间,观远数据已经在泛零售领域站稳了脚跟。这背后,是哪些因素推动着观远数据的快速发展? 近几年

成立于 2016 年的观远数据,在 BI 市场中可谓是不折不扣的新玩家,但是不到 3 年时间,观远数据已经在泛零售领域站稳了脚跟。这背后,是哪些因素推动着观远数据的快速发展?

近几年,随着人口红利的消退,连锁零售的经营成本显著提升,许多连锁零售商纷纷借助大数据和人工智能等技术赋能进入了精细化管理的阵列。而另一方面,在消费升级的助推下,零售消费市场逐渐回归理性,消费者购买决策的影响变得十分复杂,对市场分析和企业管理也提出了更为严苛的要求。

BI一词早在20年前就被提出,加特纳集团将商业智能定义为描述一系列的概念和方法,通过应用基于事实的支持系统来辅助商业决策的制定。BI商业智能从国外兴起,当时IBM、SAP、微软等厂商无论是在BI的理念上还是技术上都做的比较出色。BI的风头经过了一段时间的蛰伏,于2000年初开始迎来春天,被国内许多企业所接纳,正式走向上升趋势。

定位一站式智能分析平台,实施 Land-and-Expand 策略

面对日益艰难的市场环境,数据化管理能力将帮助塑造连锁零售企业差异化的核心竞争力,并成为保证其持续盈利的坚固基石。但对于广大的连锁零售服务商而言,要想成功落地“数据驱动”却并非易事,商品管理、门店管理、顾客关系......因素庞杂,难以掌握,又该如何入手呢?别担心,「观远数据连锁零售大数据分析BI解决方案」来为您细细讲解。

图片 1

图片 2

AI BI,打通敏捷分析到智能决策的最短路径

如今,随着信息技术与经济社会的交汇融合引发了数据的迅猛增长,在数据量爆发的同时,也引起了许多企业的重视,数据已经成为企业发展的基础战略资源,成为企业解决分析的重要依据。与此同时,数据治理、数据可视化、数据分析、数据仓库、大数据等词汇被提出,借此BI商业智能又重新被炒火,造成很多人在大数据分析与BI商业智能的概念上混淆,事实上大数据分析与BI商业智能是两种不同的概念和工具,今天对未来大数据分析是否会取代传统BI进行探讨。概念定义区分

目前,观远数据的一站式分析平台可以覆盖从数据接入、存储、分析与可视化、AI 预测以及分发与消费的数据分析 - 决策支持全流程。

观远数据连锁零售大数据分析BI解决方案,在深刻洞察“人、货、场”的基础上,以AI BI的服务模式,帮助连锁零售企业构建最强“决策大脑”。量身打造的深入各个应用场景的数据分析指标体系,可打通线上、线下,实现各环节的数据实时同步,并覆盖多维度的营运分析。同时结合先进的AI算法,实现需求预测、智能诊断、智能订货等深度AI应用场景,真正做到数据追人,使效率提升和精准决策更进一步。

若想区分两者的不同,首先就从浅层面说起,即两者的概念区分。

在数据源方面,观远数据可敏捷融合多种数据源,与客户业务数据库(ERP、CRM、POS、供应链、财务等)、线上电商与 O2O 业务体系,以及数据平台无缝对接,观远数据提供 Smart Gateway 连接器,满足客户不同的数据接入需求。

图片 3

1 BI商业智能

BI 项目一般都会涉及到数据仓库的搭建,观远数据的一站式分析平台中提供轻型数仓产品,可以帮助客户快速搭建数仓,同时提供 Smart ETL 工具,通过可视化的方式完成数据清洗与整理工作。但如果客户已经完成了数据仓库或者数据中台的搭建工作,观远数据可以直接对接该数据平台,进行上层的分析。

连锁零售企业数据分析盈利模型

BI(Business Intelligence)即商业智能,它是一套完整的解决方案,用来将企业中现有的数据进行有效的整合,快速准确地提供报表并提出决策依据,帮助企业做出明智的业务经营决策,既可以是操作层的,也可以是战术层和战略层的决策。

之所以选择提供轻型数仓产品,一方面,对于大企业来说,虽然整体数据量很大,一般会搭建完整的数据仓库,但是随着 " 互联网 " 转型的不断深入,会开展大量创新业务,这部分业务早期在数据分析方面的需求就需要轻型数仓来支持;

连锁零售的经营利润=门店数量×均店销售额×毛利率-存货成本-房租成本-人员成本-管理成本

提到BI商业智能一定会提到数据仓库,数据仓库DW主要对多种业务数据进行筛选和整合,是提供所有类型数据支持的战略集合,可以用于数据决策分析、数据报表等场景。数据仓库是BI商业智能重要的一环,有些BI产品中数据仓库作为系统中的组件,用来支撑BI系统统一数据来源,存储所有系统数据库中的数据,简化数据的查询与组合。

另一方面,对于中小型企业,本身数据量有限,并不需要花费大量时间、人力在数仓搭建上,因此观远的轻型数据仓库是一个非常好的选择。提供轻型数仓、Smart ETL 到数据分析的一站式产品,可以使观远服务更宽阔的客户群体,并有助于其快速获取客户并落地。

连锁零售行业由于低毛利的特点,要求必须更加精细化地管理。将以上利润指标进行拆解,观远数据将相应地从战略计划、门店运营、商品运营、市场营销、顾客关系、全渠道运营、人力资源、财务分析等环节进行流程优化,覆盖目标的制定、实施、评估和分析改善,构建基于数据能力的持续改善循环模型,为连锁零售企业实现产品与服务增值。

2 大数据分析

面向业务部门的敏捷分析已经成为主流,观远数据也不例外,敏捷 BI 模块可以通过可视化拖拉拽的方式处理数据流,并且在形成了流程之后可以定时更新分析结果,减少业务人员工作量。

核心赋能场景介绍

大数据分析是指对规模巨大的数据进行分析,从收集的海量数据中,通过算法将这些来自不同渠道、格式的数据进行直接分析,从中找到数据之间的相关性,大数据可以概括为4个V, 数据量大、速度快、类型多、价值。

图片 4

一、战略计划

提到大数据分析常会伴随数据湖这一词,数据湖是一个集中式存储库,用来集中存储多来源(内外部系统、机器、传感器、社交网络)、多类型(结构化、非结构化、半结构化)的海量数据。数据湖与大数据分析技术进行良好融合,与大数据需要的Hadoop、Hbase、Spark、Storm等技术工具相互支撑,实现包括数据采集、处理、实时分析、机器学习、配置展现等技术环节,以达到更好的决策分析。数据来源区分

移动预警主要提供客户移动看板,满足其随时随地数据共享、监控、预警等需求。在此基础上,观远数据还通过与企业微信、钉钉等常用 OA 系统的深度集成,可实现免密登录、一键订阅预警等功能,为企业和使用者带来更高的信息可用性,更快的反应速度和更高效的工作体验,并改善内部基于数据的沟通并缩短工作流程。

企业经营的成败首先取决于战略决策的正确与否,而决策的正确与否则取决于数据和信息的质量。观远数据将指导战略计划的核心指标层层细化,为决策者打造全局视角的实时、动态分析场景,由上而下推动企业内部数据驱动文化形成。同时还可支持多终端应用呈现,诸如数据可视化大屏,触摸会议大屏等,辅助企业战略发布实施。

BI商业智能与大数据分析的数据来源是不同侧重的,大数据分析的数据来源更广,它不仅涵盖BI所能获取的数据来源,还具备BI不能或不擅长获取的数据来源。

覆盖从数据接入、存储、可视化分析、一键预测、AI 高级分析到数据分发与消费的一站式数据分析平台可以满足客户各类需求,有助于观远实施 Land-and-Expand 的市场策略,对于数据基础与应用水平参差不齐的国内市场来讲,这种产品矩阵形式会更加适合。

图片 5

1 BI商业智能

BI 叠加 AI,一键预测提升产品竞争力

运营大屏

BI商业智能分析的数据来源一般为企业内部信息化系统中的数据,BI在其中的作用更多的是对这些数据的集成,从数据的抽取到转换到装载,帮助企业实现内部数据交换和使用,对数据进行更好的运用。

从简单的报表到如今的高级分析,BI 的功能随着数据量的增多以及数据分析要求提高在不断叠加。但过去十年,不论是敏捷 BI 还是传统 BI,其本身的价值更多的体现在历史数据的统计、展示、分析,并没有切入到决策环节。如今,随着 AI 技术的快速发展以及客户对于精细化运营的要求提升,增强化分析开始成为 BI 的下一个发展方向。

图片 6

2 大数据分析

拥抱 AI 是众多 BI 厂商的选择,因为在 BI 分析之前,AI 所需要的大量数据聚合、清洗工作就已经完成,因此从 BI 延伸到 AI 变得非常顺畅。但是由于 BI 与业务联系非常紧密,并且敏捷 BI 的使用对象多为业务人员,因此在延伸到 AI 功能时,需要考虑到易用性以及实用性。

目标销售达成分析

大数据分析的数据来源不仅是局限于企业内部的信息化系统,还包括各种外部系统、机器设备、数据库的数据,如:政府、银行、国计民生、行业产业、社交网站等数据,其中数据结构多样化,包括:结构化数据、半结构化数据、非结构化数据。技术运用区分

以零售行业为例,观远数据针对零售客户推出了一键销售预测模块,与数据科学平台产品不同,这些模块是和业务场景深度结合的,客户只需要将数据导入相应的模块中,即可得到预测结果,为客户提供决策建议。

二、门店运营

在技术的运用上,BI商业智能使用的是ETL、数仓、OLAP、可视化报表等传统技术。大数据分析采用的是Hadoop、流处理等解决海量数据传输问题,同时结合Spark、MPP、HBase等技术方式来实现数据的挖掘、计算、分析问题。

但是我们知道,客户的数据质量、类型、特征选择都会影响预测结果,标准化产品最终的准确率很难做到很高。观远数据 CEO 苏春园也表示,不同客户在不同的发展阶段所需要的精准度是不一样的,标准化的一键预测功能对于很多成长中的行业客户来说,已经比以往完全基于经验的预测要提升很多,所以在预算适中的情况下也有相应的价值。

终端门店作为消费者的直接触点,对连锁零售的交易转化和用户经营至关重要。观远数据以赋能一线店长为主旨,为店长提供相应角色看板,并引入先进的AI技术,将优秀门店管理经验固化到系统,形成门店整体经营健康画像。移动端支持数据分析结果实时查看,以及订阅预警信息直接推送至邮件、企业微信、钉钉等,随时随地监控业务变化。

1 BI商业智能

而如果客户的数据基础已经比较成熟,需要更加精准的预测模型,且有相应的预算,观远数据则提供 AI BI 整体解决方案的方式,包括为客户进行模型优化,不断提升预测精准度,目前这部分合作更多是与联合利华、百威英博等国内与国外的 500 强客户展开,但未来会不断延展至成长性客户。

图片 7

随着时代的变革与技术的迭代,相应的,传统BI在技术上也经历了多次优化和变革,在数据处理的某些环节技术上已经在向大数据分析技术靠拢,但由于其基因定位,始终未能形成一整套的技术体系。BI的技术体系主要包括数据ETL的过程,数仓构建、联机分析处理的过程、数据配置展现的过程。

图片 8

门店指标完成情况

1.1 数据仓库

主打泛零售领域,深入场景提供行业解决方案

图片 9

数据仓库是BI智能分析的基础,数据仓库能够从大容量的业务处理型数据库中抽取数据,处理、转换为新的存储格式。这部分技术的实现重点就是ETL的过程,满足对数据挖掘的需求,具体为从来自不同企业系统的关系数据、平面数据文件中提取出关键分析数据,之后经过对各种业务数据的抽取和相关转化,按照目标需求转化为相应的格式,来满足数据仓库或数据集成对数据格式和内容挖掘的要求,随着技术发展,很多BI产品支持离线使用cube 数据存储,支持 cube 数据定时全量以及增量更新。

在 2B 市场中,厂商往往很难收取较高的产品软件费用,因为单纯的工具并没有为客户直接带来价值。同时,由于 BI 软件过去更多解决的是报表或者历史数据统计的问题,因此 BI 行业中整体客单价并不太高。

虚拟标杆店

1.2 处理分析

观远数据选择了深入行业的打法,通过与行业场景相结合直接为客户提供行业解决方案,利用产品

三、商品运营

在数据处理分析部分,BI商业智能通常采用OLAP联机分析处理技术,OLAP是数据仓库的主要应用,提供多维分析操作,支持复杂分析操作的同时,直观的为用户展现分析结果。OLAP的基本多维分析操作有钻取(roll up和drill down)、切片和切块、以及旋转等,而时间、产品、数量、地区、人员、利润等都可以成为分析的维度,通过结合形成不同的分析指标。市面上很多BI产品基于OLAP分析组件实现如:维度切换、指标添加、数据预警、查询分析等功能,使用户从多个角度观察数据,发现数据的利用价值。

  • 场景的能力提升客单价。

哪些是畅滞销商品、哪个价格区间卖的最好、各类商品销售情况及所占比例是否合理......这些分析结果可为店铺的订货、组货及促销提供参考依据。在观远数据的解决方案中,包含了价格体系、商品管理、多品牌管理到库存管理等多个维度的商品运营分析,力求全方位高效满足零售顾客需求,从而显著提升店铺销量。

1.3 配置展现

新零售领域是观远数据的重点,观远数据推出零售行业最佳数据分析实践,将各类零售业务场景归纳为 8 大主题,50 个场景、200 个指标,如门店运营中的单店场景,商品运营中的关联分析、新品销售监测等场景,将这些场景固化在产品中形成一整套完整解决方案提供给客户。目前观远数据的平均客单价在数十万,大客户的客单价在百万以上。

图片 10

数据配置展现是BI商业智能产品的亮点,数据灵活配置、可视化也是BI厂商技术实现及宣传的重点,配置方面他们推崇构建企业自己掌控的BI产品,用户可以根据展现需求自定义配置分析指标。展现方面,为达到更好的展现效果和更容易理解数据,BI注重将数据搭配适合的展现方式,记分卡、仪表盘等是较为常见的展现方式,同时用户可以自由更改数据过滤条件、切换维度和指标。随着移动时代到来,BI已经支持移动端与PC端一致的分析结果展示。

这种方式极大的降低了客户的使用门槛,同时由于这些场景模型已经经过了头部客户的使用,对于后续同行业客户的获取也会更加容易。目前,观远数据服务了联合利华、百威英博、Lily 女装、来伊份、上蔬永辉、生鲜传奇、NOME、奈雪的茶、野兽派、IFS 等头部或者最新锐的品牌,这其中包括了传统的快消与服装品牌,也包含新生代连锁零售品牌。

存货周转分析

2 大数据分析

在泛互联网、泛金融行业,观远数据同样也有拥有标杆客户,包括小红书、蜜芽宝贝、猩便利、海风教育以及中国银行、歌斐资产等。目前观远数据的 AI 与高级分析功能主要应用于零售企业中,为其打造销售预测、需求预测、智能诊断、关联分析、标杆分析等深度应用场景。对于零售行业外的客户,观远数据主要还是以智能数据分析平台为主。

图片 11

大数据分析技术相对于BI商业智能来说,不仅涵盖BI商业智能具备的技术,还包括一整套对于海量数据采集、处理、分析、展现的专用体系和工具,大数据分析包括数据采集、数据存储、数据汇聚、配置展现等过程。

图片 12

品类角色分析

2.1 数据采集

团队背景优秀,打造企业级产品瞄准大客户

四、市场营销

数据采集作为大数据分析的首个环节,技术上使用机器采集和爬虫工具来实现海量数据的采集,其中采集的数据包括结构化数据(应用系统数据、数据库数据、各种结构化文件、消息队列等)与非结构化数据(网络媒体、社交工具、机器设备、传感器等),采集数据后将这些数据整理、清洗、转换后,生成到一个新的数据集,为后续查询和分析处理提供统一的数据视图。在海量数据采集的过程中,通常数据的并发量会很大,所以一般会在采集端部署许多数据库来支撑不同类型的数据存储。

企业服务领域的目标大客户一直是各家软件厂商争夺的目标,观远数据之所以能在成立短短三年时间内拿下大量头部企业,与其团队技术实力密不可分。

连锁零售商通常会根据市场需求、节假日、产品上市、季节性等因素,出于提升销售、消化库存、品牌宣传等目的制定开展相关的促销活动。对于促销选品、促销过程监控、促销前中后期的效果评估,我们也制定了相应的营销分析组合,比如销售额目标达成情况、新增会员数、重点商品销售情况等,实时监控市场反应和消费者动态。

2.2 数据存储

大客户所需要的是企业级产品,企业级产品要求的不单单是各项功能的累加,还需要包括大量企业级特性,比如角色权限、细颗粒度的权限管控、系统层面监测、高可用、高扩展等,这些特性对于服务大客户来说必不可少。

图片 13

大数据存储是将采集后生成的数据集持久化到计算机中,用于支撑数据的计算分析,而大数据的优势就是快速在海量数据中挖掘和预测相关信息,帮助业务人员做出关键性决策和风险防范,所以大数据会采用高性能、高吞吐率、大容量的基础设备来提供及时性或近及时性的数据供于分析,在大数据存储部分,对于简单的结构化数据,采用关系数据库即可实现,对于半结构化和非结构化数据,,这就需要用到Hadoop、列存储数据库Cassandra、文档数据库MongoDB、图数据库Neo4j、K/V存储Redis等。

观远数据创始人 &CEO 苏春园曾在 MicroStrategy 任职,担任中国区研发总裁以及全球服务器产品线总裁,联合创始人也来自于 MicroStrategy 以及阿里巴巴,过去十年创始团队服务过全球 500 强中的 100 多家,针对大客户的各类需求进行产品研发和创新,对于企业级产品所需要的各项功能理解更为透彻,因此观远数据的产品可以更符合大客户的需求,帮助观远数据在短时间内拿下了大量头部客户。

市场营销看板

2.3 处理分析

图片 14

图片 15

处理分析部分主要是从数据中分析及预测出有用的信息供企业决策分析使用,包括对相关数据集的数据进行排序、归集,执行机器学习算法、实时流处理、分析预测等。处理分析部分基于Hadoop、Spark、Storm、Hive等计算框架以及数据库及时,通过Hadoop提供海量数据存储和分布式计算,HBase 技术提供海量数据的高效发布,图计算支持针对图的各种操作以及一些常用图算法。

近期,爱分析对观远数据创始人 &CEO 苏春园进行了专访,就观远数据的产品业务、运营战略以及 BI 行业问题进行了深入交流,现将部分精彩内容分享。

促销活动分析

除了对数据的处理分析,预测也是大数据算法应用中的核心功能,通常会在大数据分析中预置一系列机器学习算法库,构建回归、分类、聚类、关联规则挖掘、描述性统计等一系列的数据模型,实现对当前数据的深度挖掘、特征提取、行为分析、轨迹预测等,也可以结合流计算对实时数据提供流式计算的能力,实现实时追踪页面的访问统计,训练机器学习模型,自动化异常检测等,最终通过Open API的形式提供相应的服务,以供外部调用获取相关数据,支撑企业对大数据分析成果及数据价值的有效利用。

产品、业务快速发展,重点发展零售行业

五、顾客关系

2.4 配置展现

爱分析:自 2018 年初访谈至今,观远数据的产品和业务有哪些新进展?

以往企业只能管理会员的消费记录、姓名、手机号、消费金额、消费频率等结构化数据,在分析、运营会员的时候,也只能依据这些浅显的维度,这样容易让商家错失很多潜在的商机。现在观远数据从时间维度分析(日/周/月/季/年)、会员结构分析、消费结构分析以及会员价值RFM分析等,全方位深入分析,可为连锁零售企业呈现清晰的客户画像,深度挖掘客户价值。

大数据分析配置展现部分主要用来展示不同分析算法处理后的结果,包括导航配置、菜单配置、页面配置等,配置后将计算汇总结果用一种友好界面或表格形式展现出来,分析形式多样,包括:行列转置、钻取联动,同时,在交互方式上针对用户的操作方式、习惯,模拟推算用户的分析习惯,提供更友好、更具有针对性的交互服务。数据展现部分相比传统使用表格或文档展现数据的方式,展现形式更具多样化、丰富化,包括:饼图、柱状图、折线图、气泡图、面积图、省份地图、词云、瀑布图、漏斗图等酷炫图表,还包括自定义指标、表单查询等功能,展示页面良好支撑PC端与移动端的转换,并为企业建立数据战略室,以数字大屏形式为企业展现数据。业务场景区分

苏春园:在客户端,近一年时间累积了大几十家客户,大部分为头部品牌,包括联合利华、百威英博、Amer Sports、Lily 女装、上蔬永辉、奈雪的茶、生鲜传奇、小红书、蜜芽宝贝、海风教育、野兽派、NOME、鲜丰水果等。

图片 16

通过上述三点的区分不难看出,传统BI关注的是企业过去与现在的业务、数据,从中归纳提取出数据间的共性、差异,多数被应用在企业内部的经营分析上,体现的是数据价值应用的过程,及时掌握当下组织的运营现状,做出科学的经营决策。大数据分析不仅关注企业过去与现在的业务、数据,还偏重于数据价值的发展和获取利用,在分析内部运营决策的同时,通过对海量数据的计算,分析出一定的规律,从而预测未来的行情趋势、风险预警,之后不断根据大量数据分析认证事情的可靠程度,帮助企业个性化决策,更注重企业的过去、现在和未来的综合管控。

在产品端,我们也在不断迭代。现在观远数据提供的产品为一站式智能分析平台,包含从数据接入、存储、分析、可视化、预测、分发消费等全链条功能。

会员分析

1 BI商业智能

爱分析:哪些客户会选择我们的轻型数仓产品?

图片 17

BI商业智能应用场景更多围绕企业内部运营数据的分析,对现有系统数据进行提取、整理,建立信息中心的同时生成各种分析报表,基本上不会限定行业性,会根据企业业务不同划分不同的分析结构,常见的业务场景包括销售分析、利润分析、产品分析、人员分析等。

苏春园:很多成长性的客户会使用我们的轻型数仓,这里面很多企业未必有了独立的数仓,但是分析与决策势在必行,所以我们提供一站式的方案。如果客户已经有独立的数仓,那更好,我们可以直接连接进行从浅到深的分析。

预流失会员精准激活

1.1 销售分析

当然,我们发现有的时候即使是拥有 SAP HANA 的大型企业客户,依旧会有很多创新业务,这些创新业务一般会等到相对成熟之后才会将数据接入到大的数仓、中台或者 HANA 之中,因此这时候就可以用我们的轻型数仓,与客户已有的数据平台相结合。

六、全渠道运营

销售分析主要是帮助企业跟踪销售情况,通过对数据对比、极值、预测的方式,一方面帮助企业鉴别、留住有价值的客户,另一方面分析各项销售指标,与KPI对比,帮助企业快速调整销售策略。客户分析方面,BI实现对企业内部客户的划分、重点客户与潜在客户的比对;销售指标分析方面,实现如毛利、交叉比、盈利能力、销售额、周转率、环比等指标分析。

爱分析:在服务客户时,会对接整个集团还是单一业务部门?

全渠道运营已是如今零售发展的显著趋势之一,观远智能BI平台支持ERP、POS、CRM、线上数据等多种数据源接入,并依托自带的SmartETL工具,赋能IT人员对数据集进行易操作、低门槛、智能化的高效数据处理,从而帮助快速打通企业级数仓数据与部门数据以及线上、线下数据的汇融贯通。在此基础上进行整合分析,最大程度还原数据原貌。

1.2 利润分析

苏春园:两种情况都有,主要看场景,很多时候即使是和集团合作,可能开始合作的时候也是先切其中的几个部门。

图片 18

利润分析以企业每一月度/季度/年度的利润情况为基础,分析计算利润增减幅度,并将利润与同期计划相比,查明利润变动原因,对应修改相应计划,帮助企业扩大市场占有率、增长利润来源,包括:销售利润分析、营业外收支分析、成本变动分析、税率变动分析、价格变动分析等,从浅层次的统计分析结果为企业未来营销发展方向提供深入支撑。

爱分析:观远数据是否会帮助客户进行数据治理工作?

全渠道运营

1.3 产品分析

苏春园:取决于客户的数据基础,如果客户的数据基础较差,我们会协助客户进行一些与分析直接相关的数据整理工作,比如我们有自有的 Smart ETL 产品,可以协助客户来完成这项工作,或者与客户的数据团队一起选择最合适的方案。整体上数据治理工作的占比较小,在项目中的平均占比为 0-30%。

图片 19

产品分析部分主要是对产品的进销存情况进行管理与统计分析,分析指标或主题包括:库存率、产量、畅销产品/滞销产品统计、产品淘汰率、产品引进率、产品置换率、折扣率、动销率、周转率等。根据这些统计内容意在减少企业产品滞销、库存量大周转资金低、进销存不合理、销售滞后等现象,继而辅助企业对产品结构进行调整,产品与战略合理配置。

爱分析:现在是否会提供定制化开发服务?

全渠道运营

1.4 人员分析

苏春园:我们的产品现在都是标准化产品,没有一行定制化开发的代码。

七、人力资源和财务分析

人员分析部分主要帮助企业合理利用、调配人力资源,对员工业绩进行考核、监督,避免人力成本浪费,提升企业对人员管理的有效性。人员分析主题包括:员工人员构成、员工人均成本、人均销售额、毛利贡献、人均产量、引进商品销量情况等。

爱分析:大企业定制化需求多,为什么观远数据可以做到完全标准化?

连锁零售企业的精细化管理,内外部数据分析缺一不可,尤其是作为企业内部管理重要一环的“人员管理”和“财务管理”。在我们的解决方案中,人力资源分析包含:流失分析、补偿分析、薪酬分析、绩效分析、招聘分析、劳动力概况分析等指标;财务分析则包含:应收账款分析、总账分析、应付账款分析、利润分析等指标,从而帮助构建完整精细化的企业管理模型。

2 大数据分析

苏春园:观远数据是一家极度产品化导向的公司,我们的团队背景本身就是做 500 强企业级产品的,针对不同企业的不同需求,可以高度概括提炼抽象出来放入到产品。

图片 20

大数据不仅包括企业内部应用系统的数据分析,还包括与行业、产业的深度融合,虽然大数据分析技术并没有完全普及,但在一些行业内已经开始并较有成效的被使用,大数据分析的应用场景具有行业性,不同行业所呈现的内容与分析维度各不相同,具体场景包括:互联网行业、政府行业、金融行业、传统企业中的地产、医疗、能源行业等。

从成立第一天开始,我们就是写的产品化的代码,而不是说做若干个定制化项目后去做产品化。

人力资源看板

2.1 互联网行业

一方面,标准化产品对我们来说是一件好事,如果没有标准化产品就没法服务很多客户;另一方面,标准化产品对客户来说也是一个保障,我们服务了很多客户之后,把代表行业最佳实践的分析场景、分析功能都抽象成了通用模块,把前瞻性的理念与分析能力植入到了产品里面,反哺给到更多客户。

图片 21

互联网行业大数据的应用代表为电商、社交、网络检索领域,此类场景都有一个共性,就是具备先天的数据优势,可以更好的支撑大数据分析平台的建设,电商行业可以根据销售数据、客户行为(活跃度、商品偏好、购买率等)数据、交易数据、商品收藏数据、售后数据等刻画用户画像,根据客户的喜好为其推荐对应的产品,帮助制定营销策略,优化当前问题;社交数据可以帮助潜在客户更加了解关系的资讯或服务,为商家带来引流;搜索引擎与上述同理,根据用户的搜索习惯,对于用户进行关键词和信息推荐,对于利益方面可以成为获取收益的渠道,以精准广告投放的方式进行产品营销。

爱分析:预测模块中,与其他数据科学平台相比,有哪些优势?

财务分析

2.2 政府行业

苏春园:我的理解是数据科学平台的定位还是以数据科学家为主要使用对象的通用建模平台,观远做的会更加贴近场景,比如在零售行业中,大部分客户更需要的的是场景化的智能模块。

以上是观远数据关于「连锁零售大数据分析BI解决方案」的核心思路,文中只节选部分细节指标和应用场景。如果您想了解观远数据详细的连锁零售解决方案或其他行业解决方案,可点击小程序进行免费体验,或点击阅读原文提交试用申请。

政府行业在大数据分析部分也具有先天数据优势,可以获取多种渠道的数据,包括质检部门、公安部门、气象部门、医疗部门等,质检部门包括对商品生产、加工、物流、贸易、消费全过程的信息进行采集、验证、检查,保证食品物品安全;公安部门通过对各个机器设备的人脸识别、图像采集等技术,利用这些数据,进行嫌犯追踪或风险管控;通过大数据,采集分析气象历史数据、星云图变化历史数据,通过构建大气运动规律评估模型、气象变化关联性分析等路径,精准地预测气象变化,寻找最佳的解决方案,规划应急、救灾工作。

爱分析:零售行业中有大量细分领域,观远数据是否有侧重?

2.3 金融行业

苏春园:有些侧重但我们看到更多是共性。比如我们服务的零售包含有各种连锁零售、购物中心、运动鞋服、快消品牌等细分领域,但是从业务逻辑、数据的角度来看,很多都是相通以及相互参考的,只是不同领域的侧重不同。比如大家都关注 " 人货场经销存财务 ",但优先级不完全一样。而我们提供一个集合,包含零售里各方面的各种主流场景分析实践,不同细分领域可以选择自己的侧重场景,以及相应的产品模块。

金融行业也是大数据分析的重点应用行业,金融行业的大数据分析多应用于银行、证券、保险等细分领域,在大数据分析方面银行会结合多种渠道数据进行分析,客户在社交媒体上的行为数据、在网站上消费的交易数据、客户办理业务的预留数据,结合客户年龄、资产规模、消费偏好等对客户群进行精准定位,分析其在金融业的需求,反向对洗钱、诈骗等行为进行预测分析;对于保险行业则根据用户信息细分进行精准化营销、欺诈行为分析及预测、精细化运营等;证券行业则利用大数据分析进行估价预测、客户关系维护与管理、流失客户预测、投资景气分析等。

爱分析:选择零售行业作为重点行业的原因是什么?

2.4 传统企业

苏春园:一方面,泛零售行业是最市场化的行业,通过科技去驱动的效果是最显著的,在零售领域的创新去向其他领域推进的时候会更容易;另一方面,零售发展到现在数据基础已经比较完备,最不缺的就是数据,但缺少的是如何用好数据的能力,如何构建基于数据的决策大脑。

传统行业对于大数据分析的构建要比前三点提到的行业漫长一些,很难一步做到内外部数据联合分析,通常都是由内向外的一个过程,常见的行业包括:能源、电信、地产、零售、制造等。电信行业借助大数据应用分析传感器数据异常情况,预测设备故障,提高用户满意度;能源行业利用大数据分析挖掘客户行为特征、消费规律,提高能源需求准确性;地产行业通过内外部数据的挖掘分析,使管理者掌握和了解房地产行业潜在的市场需求,掌握商情和动态,针对细分市场实施动态定价和差别定价等;制造行业通过大数据分析实现设备预测维护、优化生产流程、能源消耗管控、发现潜在问题并及时预警等。个人见解分析

云 BI 仍处早期,通用平台是最终模式

当下很多BI厂商宣称其BI系统就是大数据分析类产品,可以实现大数据平台的功能,满足企业决策分析需求。实际上,企业对BI系统的使用量的确大于对大数据分析平台的使用量,笔者也不止一次思考大数据是否真的可以取代传统BI产品,最终我的答案是:大数据分析平台与传统BI会以相互配合、协作的关系共存。

爱分析:从 BI 向 AI 发展的难易程度?

虽然大数据分析平台在技术上可以替代BI系统,但两者都是构建企业数据资产的一部分,一定程度上可以做到相辅相成,传统BI系统实现企业内部系统运营数据的有效利用,满足对业务数据的归纳与分析,发现企业经营问题;大数据分析平台实现企业内部外数据的结合,行/产业间上下游的联动,为企业战略、规划、政策、目标等大方针制定、监督和执行提供支撑。很多时候应该理性看待两者的关系,合理利用两种工具,为自身创造更多的价值。

苏春园:其实 AI 中的大部分工作其实是前期的数据整理以及指标口径的梳理,但是这部分工作在实施 BI 时就完成了很大一部分,因此随着 BI 越用越深入,我们很多 BI 的客户天然具备了使用 AI 的基础。

1 走出观念误区

爱分析:云端 SaaS 模式的 BI 发展情况如何?

若想合理利用两种工具,首先需要走出对大数据分析与BI在理念上、功能上的观念误区,明确两者当前的技术发展趋势。起初BI更强调以美、炫酷、自主配置、构建企业DIY商业智能平台为主,数据管理分析部分做的较弱,当时构建BI的企业多数是希望借此突出其政绩工程,而没有真正实现数据决策。如今BI系统在技术上已进行了升级,更加重视数据治理、数据整合等技术的支撑,经过改变,一些BI系统已经具备简单的数据关联、大数据引擎、数据挖掘等功能,真正实现企业经营成果分析。

苏春园:大型企业还是会以私有化部署为主,这里的私有化很多是部署在私有云中,不一定是本地,但是是私有环境。

大数据分析受到BI的宣传影响,让很多人误认为大数据分析也只是注重可视化部分,事实上,可视化只是其技术中很小的一部分,大数据同样支持钻取、即席分析等操作,展示层面也具备仪表盘、数字大屏等效果。对于大数据分析真正的价值是对海量数据的采集、存储、计算、配置、展现等一系列过程,通过数据统计、数据挖掘、在线分析处理、机器学习等手段,在日积月累的数据中发现规律,预测未来行业趋势、预警风险,以数据驱动业务、针对性调整优化业务,以获得商业利益。

国外的云化比国内要领先,但是国外的大型企业还是以私有化部署为主,因为数据是企业的核心,永远是最后才上云的。

2 业务管理驱动

但云 BI 肯定是未来的趋势,我认为会有 5-10 年的一个发展过程。

从业务角度来看,每个企业管理都会围绕三点进行,分别为经营管理(市场营销管理、产品体系管理、价格管理、财务管理)、团队管理(团队建设、部门管理、制度管理、成本管理)、可持续发展管理(战略管理、手段管理、创新管理、风险管理)。初期,企业核心需求为对人、财、物、产、供、销的管理,这时除了必要的信息化系统之外,还需要有效利用系统中产生的数据进行决策分析,而BI就是有效实现企业内部数据运用与分析的最佳手段。

爱分析:一站式数据分析平台和单纯 BI 工具两者对比有哪些优劣势?

企业若想持续发展壮大,必须具备可持续发展、防范风险、预测未来的能力,这就意味着企业间真正拼的不在是内部运营现状的调整与分析,而是如何有效利用起内外部数据资源,达到企业内部与行业产业的上下联动,做到信息内外皆知,在千篇一律的经营模式下掌握客户所求,出奇制胜;在风雨难测的市场环境下快速调整业务,推陈出新;在看似平稳的发展趋势下有效规避风险,掌控未来。这些需求大数据平台都可以帮助企业有效的实现,平台之下融合BI系统,共同打造内外部一体化决策。

苏春园:一站式智能分析平台包含对历史数据的各种多维灵活分析,但也包含实时数据分析以支持快速反应,以及包含基于预测与智能诊断的 AI 与高级分析。从应用的深度和频道来讲,我们很多客户里面,他们的很多部门很多角色每天都在高频的使用。而如果单纯 BI 工具,简单的大屏、可视化、报表,对于客户的价值就很低。客户所需要的是数据驱动决策,更行动化的建议指导,而不是单一的场景。同时他们希望厂商的产品有更强的扩展性,而不是在后续扩展的时候又要选另一家。

3 技术发展助推

爱分析:深入行业的整体解决方案是否很难向其他行业推广?

企业对于BI系统与大数据平台的选择不应该是根据当下潮流决定的,而是根据企业信息化建设基础和业务发展状况决定的,两者缺一不可,并相互制约。从信息化建设角度讲,两者建设顺序与业务发展情况相同,BI系统会优先于大数据平台。伴随着系统的快速构建,数据问题也随之出现,系统已不能再为企业带来绝对的竞争优势,数据治理分析理念兴起,在企业还不具备大规模数据的阶段,通常会在系统整合与数据治理之后会选择构建BI系统,实现初步决策分析。

苏春园:这个本质上取决于产品化尤其是平台化的能力。很多成功的企业都一开始聚焦在重点行业,因为一开始就做通用平台,对于客户的价值度有限。但是往后发展的过程中,平台化又是必经之路,尤其我们做的是面向大中型企业的分析平台,各个部门都会用这个平台做数据分析,各个业务环节、各类场景、各类数据源等等,这就需要平台化、PaaS 化的能力。

信息化建设对于企业来讲是一个漫长的过程,需要不断去完善、深化,并呈现出上升趋势,数据时代带来数据量大幅度增长,数据中具备许多高价值的情报待发掘,过程中促使利用大数据的技术、架构、工具产生,如物联网、人工智能、Hadoop、Spark等,还包括近期较火的上云计划,将大数据分析平台基于云上部署,减少企业运营和技术的维护成本的同时,做到性能更加优化,以上的种种都加速了企业迈向大数据分析的步伐,达到对前期BI数据决策分析的一种更深化、稳定、有效的传承。

综上所述,大数据相对于传统BI产品,不只是所谓的升级关系,而是在相互协作中,从理念、技术、架构、工具上进行了一定的颠覆,无论企业当前如何发展,未来终将会走到数据驱动时代。然而对于当下没有构建大数据分析平台的企业来说,也不必着急,顺应大势固然重要,但在建设过程中打好基础更重要,要明确做好大数据平台的前提是应用集成、数据治理,做到基础优先,过程稳扎稳打,根据业务现状、信息化实情、顺势而为即可。

本文由数通畅联原创,欢迎转发,仅供学习交流使用,引用请注明出处!谢谢!

编辑:互联网 本文来源:观远数据这家新兴,大数据会替代守旧BI吗

关键词: www.bf66.com