接下来我为在座的各位分享数据如何真正为业务创造价值。我这个部分就是A的部分，在最开始的时候我们已经提到，为了让一个企业或政府的大数据项目能够取得成功，唯一的判断标准就是这个数据对政府或企业的业务、管理带来了增长，带来了正向的促进作用，这样才能证明这个数据真正的产生了价值。

    要想让这件事情发生，要想让数据真正产生价值，平台、应用、服务、运营这四样元素是缺一不可的。如果说没有一个好的平台作为底层的支撑，实际上整个解决方案都是没有落地基础的。如果说只有一个好的平台、产品、系统，却没有很好的业务场景，就会经常发生在咱们企业天天会发生的事情，业务部门认为IT部门做出来的分析报告跟业务不贴近，不愿意看这样的分析结果。如果真的看业务部门的需求，他们往往又提不出来，就让这件事情变成僵局，导致这个平台无人问津。好的平台，好的应用，无论是自建团队还是找第三方寻求合作，比如说永洪，精细化的本地服务也是非常重要的，从数据咨询到实施服务，二次开发，项目管理等本地服务，很多疑问和系统的问题不能在第一时间得到解决，从而使得用户体验有很大程度上的下降。

    我们其实也经常去替换一些国际大牌的场景，因为我们对这些国际大牌的产品也有非常多的研究。说实话，客户有的时候也会抱怨，它的稳定性、性能也不是非常理想，也经常出问题。这些国际大牌的产品不可能有致命的缺陷和BUG存在，我们调查发现并不是系统的问题，而是使用方法和运营规范的问题，我们数据化的运营实践也是独门武器。我们总结了上百条的数据化运营的最佳实践，从数据的架构到流程，到运营的规范和安全策略和推广策略，我们会帮客户做健康检查。

    有了好的平台和运营服务，让它持续稳定的健康运行，把数据化运营的最佳实践做到位。这四个元素是缺一不可的，也正是因为我们看到了这个事情，远不是把可视化买了一个好的产品这个事情就可以搞定这么简单。我们围绕着客户需要的四样能力构建属于永洪的能力。下面在数据应用的生态体系这一块跟大家做一个间断的分享。

    既然我们叫数据应用生态体系，就意味着本身永洪也是一个开放的平台和开放的架构，这里面有很多不同的行业，不同的业务场景，实际上每一个场景都足以支撑一个庞大的数据分析体系和数据的垂直应用。有一些是永洪自己打造的，也有一些是我们非常重要的合作伙伴们对业务流程有很深刻的理解，基于永洪应用的产品打造属于它们的数据应用。

    今天因为在座的各个行业和各个领域的朋友都很多，我们挑一些比较有代表性的做一些举例和分享。正如刚才所说，只有数据真正为企业和政府的业务、管理带来提升增长，这个数据才有真正的价值，这是唯一的判断标准。

    从应用的角度来讲，如果我们把各个行业的企业做一个提炼，其实每个行业的企业都会分成前台、中台、后台。一般前台是销售服务市场，中台是生产制造，后台是人力、财务、信息化等等相关部门，以及公司的核心做一些战略的相关部门。其实每一个职能都代表一个垂直的业务线，一个垂直的业务领域。而每一个业务领域都有非常多的问题，每一个问题都可以支持一个数据的垂直应用，让数据在它的业务场景当中真正发挥价值。

    永洪在这件事情上做到的效果是，我们并不是帮企业的业务部门提供一个数据分析工具简单事情的厂商，从深层次的角度来讲，永洪真正的价值是帮企业的各个业务部门更好的完成它今年乃至未来的业务绩效，完成更好的集团考核它的KPI。比如说销售部门，它的KPI可能是今年要做到多少亿的营收，要做到我们的利润率，要把帐期控制在多少时间之内，要打造一支什么样的销售骨干的团队，这些都是它的核心业务目标。为了完成这样的业务目标，它有哪些挑战和困难，我们可以通过一个数据分析的指标体系，很完整的通过指标体系快速的发现这中间的问题是什么，原因是什么，然后让他们采取行动改变。是商机不够还是客单量不够导致业绩完成受到影响，当数据能够给他带来一些洞察的时候，实际上就能精准的发现问题的所在或导致的原因，从事采取一些正确的行动挽回改进这些问题，最后一步步的量变发生到质变，KPI可以达到更好的效果。

    所有的部门也是一样，如果说是供应链部门，物资部门，可能更重点关注的是采购的成本，采购的合规性和供应商的管理，供应商满意度的评价。其实供应商的管理，采购的效率，采购的成本，采购的合规，这些同样都可以转化成一些可量化的指标体系，帮助我们监控这项业务的状态，以及发现它的原因。比如说供应商的管理，也是一套指标体系，从供应商交互的及时率，客户的满意度和我们的合作年限、成本等等，有无数的指标可以形成一个模型，帮我们更好的评价供应商，从而更好的做到供应商的选择、维护、管理、议价等等。

    包括生产，生产最核心的是良品率和交货时间，以及生产成本，从良品率可以做细化的分析，比公司要求低了2%，是哪个产品线、哪个型号，哪个厂房，哪个班子带来了这个降低。因为良品率是一个结果的指标，有很多前置的问题，是操作问题还是验收标准不够严，这都可以做出一些非常细的独具洞察，数据归根到底是做精细化的管理。

    一个企业，不管是哪个行业，所有的业务都可以转换成一套数据分析的体系，帮它做好业务增长。如果是一个多元化的集团企业，对于一个集团性的企业来讲，可能不会特别关注某一个单一业务板块的经营状况，但是从企业的决策层需要一个战略性的分析。高管往往关注三大方面，战略发展的推进，整体的经营绩效，投资决策。这些是集团性企业CEO们真正关心的事情。下面我们挑几个具体的场景简单的做一个介绍，以金融业为例子。

    从银行的角度来讲，它也有非常多的前中后台的业务场景，可以做很多主题的数据分析，数据垂直的应用。从客户的管理到运营，到财税、产品营销，金融监管、风控，人力资源，每一点展开都足以支撑工作场景的数据体系，每一个问题都是一个体系。

    我们挑两个做一个分享，一是审计，一是营销。审计，在大数据时代，主要会从过去的专家经验做好审计的工作，像风险评估这种更高层级做好转变，尤其是数据维度多了以后，可以识别单一业务的风险到识别跨业务的关联风险做进一步的提升。

    我们可以从审计这个角度把几百项不同的指标串联成一棵树，这棵树就是一个分析体系。（PPT图）这是我们给国内比较大的股份制银行总行做的审计的数据分析应用的成果展示例子，精准营销，无论是在金融还是在制造、零售、互联网，是所有C端里面大家普遍关注的一个重要场景，也是前台业务重要的场景，想要通过精准营销的方式提升销售收入和销售业绩的达成。

    精准营销这件事情，从我们的角度来讲，我们认为它在市场上被妖魔化了，太多的人把精准营销讲成非常复杂和神秘的事情。我们的风格是，因为我们是要最终负责落地的，我们跟咨询公司是相反的，我们喜欢把复杂的事情简单化，变成可落地，让用户一听、一看就可以理解。所谓的精准营销，归根到底就是在做用户的特征和产品的特征，基于历史已发生的事实做一些匹配，然后预测未来用户的喜好。这句话就概括了精准营销的本质，不管是做银行的还是做地产的，还是做产品的，比如说我是一个银行的卡中心，或者是零售的，卡中心可能会卖信用卡分期的产品，零售的话可能会卖中间业务，或者是卖一些理财的业务产品。

    营销怎么做？比如说我行里面有一千万的有效持卡客户，有10万个过去买过信用卡分期的产品，每一个持卡用户都可以有几十个甚至上百个字段，有就是所谓的一些标签，无论是属于原始的字段还是衍生后的字段，这不重要。我们通过一些算法分析，过去买了卡分期的用户特征，如果它符合这个特征，就给他推荐。其实这个事情就这么简单，所有行业都一样，都可以用这个套路来做。在银行也好，其他的零售行业也好，无论是卖什么样的产品或服务，最终都可以形成这样的特征。只有跟业务结合起来，有目的的用户画像才是真正有价值、有意义的用户画像，任何数据的采集、整理和分析都有成本，我们就可以看出来，已有同款产品高消费的用户的分析，把特征真正的找到，最后特别一个营销的建议。针对什么样指标的，比如说月消费是多少之间，卡的额度是什么样的，过去有没有欠费的记录，存款的波动，以及这个客户过去在电子渠道方面的交易频率和行为是什么样，把这些维度的指标，基于过去的事实拉出一个特征，这是精准营销的建议。

    做完这个以后，就可以得出有效的精准营销的阶段，而这个过程并不一定全部需要依赖第三方的数据，基于自己的数据，只要启动做起来就可以取得一些很好的成果。

    在零售制造行业一样的，可能需要做客群数据分析，分析当前我们的优势客户群体在哪里，短板在哪里。如果市场足够大，在这里面取得一些成绩，其实可以作为一个战略决策告诉我到底攻打哪一块。这个过程中产品类型、品类、型号会比金融业的产品复杂的多，其实整个道理都是完全相通的。

    同样的，可以基于产品数据做分析，做一些横向和纵向的产品比对，实现一些产品的差异化，一方面可以通过产品比对发现自身的优势和烈士，跟用户的需求结合起来，为下一步研发做指导的依据。比如说做电视的，想给年轻女性做一款新的电视，结果调研发现女性喜欢白色的，壁挂的，圆角的，3D智能的电视，价位在4000-5000千之间，通过调研可以给到这么精准的结论，工业设计设计的产品成功率比过去会高好几倍。以前我们要拍脑袋想，新的电视要往4K、一些新的概念去做，但不是所有的用户群体都喜欢和关注我以为的东西，她关注的并不是3D、4K，关注的是时髦性的功能，所以需要通过数据来知道。通过数据做产品研发的指导，会发现消费者在肯定这个产品的时候，它的购买决策链条当中所有的硬性条件全部都是打勾的，剩下的就看一下样式的感觉，购买的机率就会大很多。

    很多企业在全国开了上千家的门店，门店之间也要做好管理。同样一个区域有三家门店，有一家好，两家做的不好，需要做数据的分析，客流量的不同不能作为一个借口，好的为什么好？不好的为什么不好？库存和缺货应该是所有的零售制造业的问题，归根到底实际上就是需求跟供给之间的平衡可能没有达到最优的效果，导致了库存缺货。库存还分成伪库存和真库存问题，真库存问题就是这个产品设计的就有问题，所以它放在库存里面就是卖不掉，要想办法做一些清理。伪库存是这个产品本来能卖掉，但是放的位置不合理。实际上是在数据上没有做深入的洞察，这方面我们可以优化产品结构，解决库存的问题。

    后台，财务分析，往往两个含义，一是基于财务数据分析业务销售，这不是我们今天要说的，我们今天说的是一个真正的财务分析，是基于资金，基于整个财务水平做场景分析，发现财务能力和财务当中的短板，比如说可以做实时的利润评估，成本利润和盈利水平的分析，做VA和普通视角的分析，做现金、融资、资产管理的综合分析。这些都能够让我知道我的帐期是多少，现金流的安全周期是怎么样的，周转率在哪一块做的还不够，尤其是地产行业，周转率是非重要的，快速扩张当中，高周转率是最高的指标。比如说一个央企的CFO要考虑的指标（PPT图）。数据分析合适应该是广义的数据，而不是狭隘的系统当中的数据。我们的Z-Suite7.5增加了外部组建嵌入的功能，让我们可以很方便的把CPI实时的情况嵌到一个页面上，包括舆情的正负面的情况。有的时候财务指标下降了不一定是内部出现的原因，从集团企业大领导来讲，可能要更全面的信息，有可能是出现一个负面新闻导致股票下降，这个时候光看内部的数据是不够的，我们需要做一个完整的体系构建，才能做的足够好。如果没有良好的平台产品作为落地，我今天讲的所有东西都是空中楼阁，只是想法，落不了地。应用和平台是缺一不可的，包括可以做财务综合能力的评价，EVA绩效体系模拟。

    越大的企业，人力是最宝贵的资产，人力的分析又是另外一个非常重要的课题，每个企业都非常关注自己的人才结构，尤其是现在很多传统行业的骨干人在普遍往新兴企业流失，可不可以预测出哪些人才会流失，这些流失会带来什么样的影响，怎么样能挽回这些流失，如果不能挽回这些流失，应该提前多久做好人才储备，调整好招聘计划，这些是可以提前做好的。人力资源方面可以做很多数据的分析，从招聘效率的提升，有效的预算能不能把今天的招聘任务完成，到企业的绩效、企业文化，员工流失等等全生命周期的分析。

    从政府的角度来讲，人口、法人、综合治理，这些主题是很多城市的领导者们所关心的事情。在智慧城市和政府这个领域，同样有非常多的空间和课题可以形成一个数据分析的体系，帮助我们政府的领导者们做好它的业务评判和政绩上的评判，以及政策制定的决策支持。尤其是现在综合治理是谈的最多的话题，对于一个城市来讲，这是当今这个国家讲的比较多的问题。政府也可以用这套方法形成他们的数据分析的框架。

    因为我们积累了这么多行业、这么多领域的应用，取决于很多因素，并不是说我们做的很杂，而是说一方面我们有一个好的平台，意味着可以像搭积木一样快速的搭出一个数据应用，而不需要从头开发一个应用。如果没有一个平台，开发一个财务的数据平台应用，可能需要30人的技术团队开发半年的时间。如果已经有这个平台，所有的原材料已经提供好了，下面的事情就是有了一个数据专家，懂一些财务或这个行业的知识，就可以快速的用一些组合拖拽配置的方式形成一个数据分析的垂直应用。三个人一个月就可以搞定，而不需要30个人做半年。

    再者，这个世界归根到底一定是简单的，在我们做这件事情的时候我们发现，每个行业每个业务领域都有很多不同，但是其实相同点远远比我们想象的要多。单说一个漏斗的分析，无论是销售漏斗，同类的潜客、客户、商机，客户，签单、回款，这可能是一个漏斗。从用户的行为角度来讲，比如说一个APP从用户的登录、浏览、点击、注册、转化、消费，这又是一个漏斗。从招聘的角度来讲，从简历到笔试、面试、到offer、到最后离职，都是一个漏斗。其实分析方法大道至简的角度来讲，都是这些。只要了解业务形态，数据方法马上可以套进去，是有很多共同点的。跨界可以做到很好的借鉴。

    最终我们要做出来的是一个真正符合业务需求的，有生命力的数据应用，而不能只是做一些指标的堆砌，指标的堆砌对业务部门来说是没有用的，我们必须形成一个有逻辑的体系，从业务目标出发，细分到业务问题，再细分到指标，再细分到问题的原因。把一棵从上到下的树构建好，有这样的体系，虽然做出来的可能还是可视化的结果，但是截然不同的。因为这是一个体系跟堆砌对比的过程，会带来很强的业务洞察，让业务增长真正有价值。

    一方面是我们的数据专家们，一方面是我们的合作伙伴们，还有一部分是非常有智慧的客户们，它们都在往这件事情上贡献自己的业务知识，也欢迎更多的合作伙伴和更多的客户能够加入到我们这个行动当中来，更好的进行合作，让永洪的SaaS和Z-Suite能力为您的单位起到很好的支撑，让数据真正的为您的单位发挥巨大的价值，带来业务的增长。这是我今天的分享，谢谢大家。