谢谢大家，非常高兴又来到深圳，能跟大家有一次见面交流的机会。其实上午的主题可以分成了两个大类。在上午的前半部分，在品牌现状和我们在平台层面，无论是技术的发展方向，还是未来的趋势上面，做了很多的分享和洞察。那么在后半部分，我们会就数据应用的层面，给大家分享我们过去做的积累以及在这里面产生了一些比较实用的方法论，用这些给我们企业的数据应用带来怎样的指导和提升的价值。

    我分享的主题是《如何打造具备深度业务价值的大数据应用》。

    我们在飞鹤的分享中能够看到，在完整的大数据项目中，平台和应用两者都是相辅相成，非常重要的，是缺一不可的。如果我们没有非常完整，功能强大的平台作为底层支撑的载体，就算有再好的数据分析载体场景，也没有一个强有力的指挥系统，那用户体验和实现都会成为非常大的问题。

    另一方面，我们很容易忽视应用的层面，如果业务用户不太认可我们作出的分析成果，不管最后的交付形式是怎样的，就算平台好，其实也不能产生实际的业务价值。这是为什么我说平台和应用是相辅相成的关系。

    这里面需要IT部门和用户两者都在各自的领域里发挥重要的作用，把数据项目真正做好。基于刚才说的前提，我们总结了一个原则，到底怎么样才能评价数据类型的项目是不是成功了，或者对企业产生了足够的价值？这个评价原则定义是唯一的，并且相对来讲是比较严格的。即这个数据必须对企业的业务和管理带来了增长和提升才有价值。这个事情不是我们说了算，也不是客户的信息部门说了算，必须是真正用到这些数据的最终用户，无论是高管还是一线执行层，只有最终用户认可点头了才算数。这是数据的项目是否成功的唯一标准。

    第二是固定，不管是底层数据还是页面样式，一旦做好了，相对来说就不那么灵活，这与我们日益增长的用户提出的新增需求和变更需求，这两者实际上不能匹配。

    第三，这里面缺少真正分析的功能，都是偏统计、结构展示。但是要说做了什么分析，并不能说明清楚，以上这些就是很多企业当前数据应用的现状。

    我们要想把它做成理想的程度，应该做成什么样，以及怎么做。

    首先我们跳过过程说结论，一个具备深度价值业务应的数据应用应该是怎样的，该具备哪些东西？它应该备以上四个层级的能力。只有当这四个能力都具备了，才能说这个数据应用对业务带来比较有深度的价值。前面说绝大部分的企业主对数据应用要停留在第一个层级，即结果监控。少部分企业做了第二个层级，问题诊断。几乎没有看到有多少企业做到真正的决策支持，虽然项目名称叫决策支持，但是我们进去看它里面做的内容，会发现它做的还是结果监控。最后就是结合AI深度分析，做到比较好的智能预测。

    每一个层级都在逐渐往下深化，结果监控是最简单最容易实现的，这也是为什么现在很多企业主要还是做这个层级。它只要梳理出我这次服务的业务对象，让我这些岗位人员的核心关注点和业务目标有哪些，把他们集中可视化地呈现出来，再加以横向纵向的比较，他们能及时准确去监控业务状态，并且在不看报告的时候，问题可以做消息预警监控。

    比如我关心四个核心的KPI，我每个结果都会出现一定的问题，当出现问题需要快速知道这个问题的客观答案，而不是大家在一起开会，互相讨论，甚至是互相扯皮。这样就延伸到第二层级的需求，即问题诊断。无论业务的结果好或不好，我都需要知道原因是什么。这时候我需要基于业务逻辑，把所有的维度跟指标串成指标体系，然后在指标体系里让用户不断地去做细分和拆解，最终找到问题的答案。

    往下的第三层级是决策支持，真正的决策支持应该能极大地提升我们做决策的效率，进而提升做业务的效率及提升企业的决策水平。

    第四层级是智能预测。在不同的业务领域里，通过数据深度分析的方式，能够看到表面所不到的信息。

    如果数据应用要想具备深度的业务价值，让业务用户非常认可，这四个层级是缺一不可的。那么我们每个层级都举例来说明。    

    首先CFO看板，做结果监控的实例。这里面的左上角，展示的整体销售额，净利率，实际费率等等，这些作为业务对象，我核心关注的结果指标，里面的小技巧除了展示结果指标的绝对值以外，还要展示与它相关的横向纵向的比较。如总体销售额是6000万，但是它到底是高是低。我看到数据的时候，首先要对它有整体的判断，做判断需要用对比的方法去做，需要跟去年的同比，跟上个月的环比，跟同行竞争对手的横向比较。通过多维的比较，让我对结果的绝对值有综合判断，知道评价是怎样的。这就是整体结果监控的实例。

  看一下2B销售的数据应用，作为销售负责人，我最关注的核心结果指标，如果给我做结果监控，我就放四个指标：合同额的预测、收款额的预测、任务的完成率、未来销售机会的储备。每一个结果都有可能出现问题，每一个结果一展开都是问题诊断的指标数。

    我有几个结果指标，就可以真开问题诊断的指标体系。时间原因，我们举第一个例子，比如合同额的预测发现不够，这个机构要求我做三千万，我看到目前只能做2500万，这里面有比较大的差距，这时候就是一个问题了。就像刚才说的方法，首先我保持合同额指标不变，先在维度上做细分，看看是哪些销售团队里面的哪些销售结果做得不好。

    因为可能我有5个团队，不是所有人都做得不好，可能就是就是两个团队里面的8个人做得不好，影响到整体的结果，其他没问题的维度我不需要关注。我只关注有问题的团队就可以了，指标数展开是哪些团队，哪些销售，定位出来的两个团队8个销售以后，后面再展开就是基于我的业务逻辑和业务流程把我的过程指标串联起来。

    现在可以看这8个销售，是因为商机不够多，还是因为流量率不够高，或是客单量不够高，人手不够导致部门做得不好。商机不够多还可以再进一步细分，是市场部门贡献得不够，还是销售做得不够，或是代理商贡献不够。销售自己跑的不够多是新客户不够，还是老客户的二次挖掘做得不够，我的业务系统里边，字段细到什么样的力度，最后的指标就可以展开到多么细的节点上。最终我可能发现这8个销售里面，有5个人是因为老客户的二次挖掘不够导致他的销售机会不够多，而另外三个销售可能是下面的一些原因。

    这时候客观问题原因就精准判断出来了，而且是在非常快的时间内，我就可以采取业务行动，把五个销售召集起来，开个会，把老客户的名单发出来，告诉他们这两周不干别的事情，就把所有的老客户跑一遍。两周以后回来研究，你见了老客户里面的谁，交流了我们什么新产品和新的解决方案，最后客户的反馈是什么，有没有销售机会，为什么没有销售机会。通过持续的业务上的行动，最终扭转细节上的问题，让5个销售慢慢产生老客户销售的二次机会，这个问题就不再是问题了。最终每一个个体结果都是好的，那整体的结果就没有道理不好了。

    对于财务来讲，也是一样，假设我是财务总监，我今年的目标就是最大化现金流。那根据这个目标相关的有哪些维度，有哪些过程指标，我同样都可以看出来。我可以先按业务线跟现金流，然后再看过程指标，看应收应付，再看每一笔款的项目账期，哪些款大，账期又长作为应收的重点，它的客户跟业务人员都是谁，最后把这些款集中起来，这个月我的集中催收行动就是针对他们去展开。

    这样可以在应收上面做一些改善，对最大化现金流的整体的结构指标带来一定帮助。在做报告的时候，不能非常零散地去做，不能让主线从500个报表自己去找应该先看哪个，再看哪个，这个对用户的体验要求就比较糟糕了。我们要尽可能降低业务用户的上手门槛，不止包括他怎么自己动手做报告的技术操作门槛，更是他怎么去看做好的报告体系，是不是让我知道现在该看哪个再看哪个，而不是靠我自己去琢磨。

    所以每一个环境我们都不同的分析来展现内容，按照一个形式形成页面流，让他知道现在这步点一下自动跳到下一步，完成整个分析流程的完整过程。

 接下来的例子还是问题诊断，是制造业产品交期的问题诊断。对于产品交期的负责人，如果我给他做结果监控，可能我给他展示的是他关心的结果指标。如果说平均交期过长，就会发现他发货的及时率受到相关影响，这就是问题。而问题在往后去展开，还是刚才的口诀，先形成维度再形成过程指标，先去看到底是哪个产品线比较长，是我的存储产品比较长，还是显示控制产品比较长。比如是摄像机产品，是平均交期过长，那我们再看过程，是哪个环节比较长，是滞单周期比较长，还是采购周期长。如果是滞单周期比较长，再看是哪个节点比较长，是财务审核还是ERP编码，还是运输评审，到底是哪个结点时间长。再看这个节点下到底是哪些订单比较长，订单的负责人是谁。这样很有逻辑地一层层转下去，最终知道我当前核心的问题原因是什么。首先展示结果，再展示不同维度的细分，再看到底是哪个环节比较长，这样我使用起来非常实用，清晰。

    第三个是决策支持的实例。要想真正做到决策支持，不是只有企业的高层才需要做决策，更多的判断、思考是由大量的一线员工来完成。假设我是制造业的采购经理，做决策看板，首先要列出来采购经理每天一上班要采购什么。这里面列出一些例子，每天一上班就要去想今天有什么物料要下采购订单，否则生产销售就来不及了，可能有几家供应商都可以供应货，我这次应该下给哪个供应商，这次应该下多少件，这个供应商有多大可能会给我晚交货等等。

    每天你问我的工作是什么，我是下采购订单，但其实这是一系列的思考和决策的过程。以前我是到ERP里面，输入产品条件，得到结果看一看，到了供应链系统里又输入一堆产品条件，又开始看，回头还得给供应商客户经理打电话，问一下，今天我给你们下定单是不是能马上生产，千万不能晚交货。等这一圈转下来，20分钟过去了。然后我做了一次决策，完成了一笔业务，下了一个采购订单。这是过去我的做法。

    现在如果做一个真正的决策支持的例子，看右边图表的例子，底层的数据规则不管多复杂，前台给用户展示的必须是非常简单的。这个看板只有三个组成部分，左上角是商品清单，用红色高亮显示出来符合今天就要下采购订单的物料名称，右上角是柱图，显示我选中的，可以在左边选中具体的物料，右边现实库存变化的趋势，一个柱图，给我佐证为什么它变成红色，为什么它今天可以下采购订单。我们可以看到，比如我选中第一个物料，右边的柱图会变成第一个物料相关的数据，会显示供货周期是7天，安全库存是150件。第一根柱子永远显示今天的数据，是动态的，每天都不一样。那么根据我的生产计划，我就可以预测库存的消耗，七天之内，这个库存会到安全库存以下变成红色，就说明今天必须下采购订单，否则七天以后生产会受影响。

    下面的表格是供应商的信息，显示ABC供应商都可以给我供应货，这边我是显示最少下单量的要求，AB都是500，C是400，根据未来生产计划的预测，比如我这次需要450件，这次我可能就只能选C，如果需要600件，那ABC都可以选择。最少下单量的要求，这可能是决策依据之一。

    然后我旁边还会显示，今年已经累计的下单量，A今年累计给了5000件订单，B4500件，C才800件。那如果我是资深的采购经理，可能我会意识到一碗水端平的事情，否则C在这儿没有订单，有可能就不合作了。那我就白白花费了很大功夫去开发供应商，制造业开发一个供应商比IT行业时间周期更长，付出的代价要更大。这也是我作为决策依据之一。

    以前20分钟做的决策，现在1分钟就能做了。而且这次我提升了20倍的业务效率，而且提升的不止是决策效率，提升了20倍的业务效率。原来我20分钟做一个决策，20分钟下一个采购订单。现在一分钟做一个决策，也意味着我1分钟下一个采购订单，也就是说我保持5个人的采购团队人数不变，未来业务增长20倍，还是5个人的采购团队，不需要多增加人。在今天无论是哪个行业，我们最终竞争的就是效率，花钱的效率，用人的效率比别人要更精简、更强，最终企业的经营就更有竞争力。这真正做到了决策支持，同时还可以提升企业的整体水平。

    最后的智能预测，并不需要像前三者去梳理整个业务体系，它解决的都是一个点的问题，某一个指标的预测，这里面就用到数据挖掘的算法。

    总结一下，刚才说的四个层级，如果我们只做到第一个层级，业务用户不会觉得这个数据对他有多大帮助，而且可能就是每周看一次数据，因为结果不是每天都在变化。这样使用年限不长，依赖度也不高。如果做到了第三个层级，会发现这个用户每天都要使用很多次数据系统，他发现如果不用这个数据系统，他的业务根本没法做，到这个层面上，用户的年限和依赖度就很高了。业务用户会把这个数据系统当成像OA、ERP、邮件一样，每天用很多次一级的系统。这样时候，他自然而然会对他的数据价值认可非常高。

    回到我们的主题，平台跟应用是相辅相成的，前面我们介绍在平台上面，我们具备了很强的拓展性、应用性、完整性，才能让我们在做数据应用的时候更快速高效，功能更全。这些功能可以极大简化业务用户的实用体验，极大简化上手门槛。这就是为什么既要做好底册的一站式数据分析平台，又要想办法去做好上面的数据结构，两者缺一不可。正是底层的平台足够健壮，才能低门槛促成大量的数据场景方面的创新和突破，可以缩短自己去开发数据应用的周期，提升数据应用产品的相关能力。

以上就是我的分享，谢谢大家。