上篇文章详细为大家介绍了两大数据治理策略：拉式策略（Pull Strategy）与推式策略（Push Strategy）。 详情回顾：什么是数据治理，这篇文章说的最清楚！ 而其中拉式策略是一种帮助企业洞察数据问题根因，满足数据应用需求的敏捷数据治理策略。本文将从两个实际案例着手，帮助大家深入理解。 拉式策略流程 以提升数据应用过程中数据准确性为目标的拉式数据治理建设策略主要包括3个流程： （1）基于指标体系的数据问题洞察：基于数据指标体系，以“数据流、信息流、业务流”的基本逻辑框架，在限定的范围内及时洞察数据质量问题的根源，并逆向推动业务信息化和业务管理的改善和提升； （2）稳健的数据架构设计：通过数据仓库建模、合理的分层设计、ETL 过程开发等，保障数据模型及架构的稳健性和可扩展性，提高数据使用的准确性； （3）数据应用审核管控机制：建立面向高层管理的数据指标管控及审核机制，确保数据应用过程中（上报、可视化分析）关键数据必须经过有效审核，提升数据使用质量及数据准确性。 案例一：通过“数据流”和“业务流”定位到“信息流”层面的建设问题 表象问题：某集团内部分包导致项目产值及二级单位业绩划分不明确 根因分析：在数据流层面上，发现各部门项目产值不一致，数据的准确性存在问题。基于这个问题，进一步去挖掘信息流层面和业务流层面的根因。在业务流层面上，集团有明确的业务管理标准和规章制度，需要各部门在项目成立时就明确产值，并在缴纳管理费时才需要上报产值，因此业务流层面不存在严重问题。在信息流层面上，项目组织建立时存在同一个项目在信息系统中有两个层级项目的情况，因此NC中项目组织存在“多对一”的情况，导致系统中取自NC的项目组织的数据存在问题。至此，我们通过“数据流”和“业务流”的分析，将数据问题定位到了“信息流”层面的系统设计问题。 解决路径：从信息侧的角度，在NC中建立项目组织时，需要划分项目组织层级，总承包项目部由总承包申请建立，内部分包项目部建立时需要选择对应的总承包项目部；从数据侧的角度，进行产值统计时，项目总产值仅统计一级组织的产值数据。核算各公司产值时，按照对应组织核算自施部分产值，并抵扣内部分包的产值。 治理成果：最终，通过完善业务系统中项目分级管理的机制，实现项目产值的精准核算，完成了从数据问题洞察到数据治理的过程。 数据治理成果展示： -信息侧- -数据侧- 案例二：通过“数据流”和“信息流”定位到“业务流”层面的管理问题 表象问题：某集团在建项目、完工项目数量各部门数据不一致 根因分析：数据流层面上，发现在进行数据分析时，从各业务系统中获取的数据不一致，并且项管部仍存在线下统计数据的现象。进一步分析，发现信息流层面不同的业务系统，对项目状态的定义模糊、不一致，例如项管部以项目部发文为开工，商务部以获取开工报告为开工。至此，我们已经可以明确问题的根源在于业务流层面，集团内部缺乏统一的制度、流程来明确项目各节点的划分标准，也没有明确以固定的流程节点划分项目状态。因此，要想治理各部门项目数量的数据问题，就必须在集团管理流程和标准上做出改善。 解决路径：从业务侧的角度，开展跨部门的沟通交流，统一项管部、人力部、商务部的项目状态定义标准；从信息侧的角度，完善项目状态各阶段划分流程，在OA系统中完善、改造流程节点；从数据侧的角度，根据现有流程优化取数逻辑，实现数据的来源一致和跨部门应用。 治理成果：最终，实现了跨部门项目数据的统一，规范了项目全生命周期的管理流程，完成了从数据问题洞察到数据治理的过程。 数据治理成果展示 -业务侧- -信息侧- -数据侧- 进行稳健的数据架构设计 在洞察到数据问题所在并进行了数据侧、信息侧或者业务侧的改善后，进行稳健的数据架构设计是拉式策略的第二个流程。这里主要涉及通过数据仓库建模、合理的分层设计、ETL 过程开发等，保障数据模型及架构的稳健性和可扩展性，从而提高数据使用的准确性。关于数仓建模、ETL的相关概念和过程上文已有详细的描述，在此就不赘述。值得强调的是思考数据架构有三个出发点：稳健性、可扩展性和效率。数据仓库架构的稳健性需要通过数据仓库分层来解决；数据仓库的可扩展性要通过数仓建模、维度一致性等方式来解决；效率问题需要通过多系统数据集中、处理，从流程型数据架构转变到分析型数据架构来解决。 数据应用审核管控机制 我们数据治理策略的最后一个流程是建立一个企业内部，面向高层管理者的数据指标管控及审核机制，确保数据应用过程中（上报、可视化分析）的关键数据必须经过有效审核，提升数据使用质量及数据准确性。 以某集团的经营分析会数据审核流程为例，集团总部的填报用户保存、提交数据后，数据会被锁定并流转至集团总部的审核用户处。如果数据审核通过，它会被定版并做会前使用准备；如果数据审核不通过，它则会被退回填报用户处，并且系统会自动推送审核失败原因给填报用户，后台同步更新审核记录和状态。 子产业集团的填报用户提交数据后，流程情况与集团总部的填报用户类似，只是需要额外经过一轮子产业集团审核用户的审核。如果在子产业层面审核通过，数据将会做会前准备定版，流转至集团总部审核用户处。如果集团总部数据审核不通过，数据将会被直接退回子产业数据保存中心，并推送原因给子产业填报用户。总之，双重审核流程保障了子产业集团数据上报的准确性，进而提高了集团总部高层使用数据的质量。 某集团经营分析会数据审核流程 总结 企业表层数据问题的产生往往有深层次的业务系统设计、流程制度管理方面的原因，因此要想通过数据治理提升企业数据的质量，就不能仅仅依靠一个工具或产品解决表象的问题。我们提出了企业数据治理的拉式策略（Pull Strategy）和推式策略（Push Strategy）来满足不同的数据治理需求。考虑到当今企业面临的复杂环境，实施周期更短、治理成本更低的拉式治理策略更能及时满足企业数据消费的需求，是一种更灵活、更敏捷的数据治理方式。在该策略下，基于指标体系的“数据流-信息流-业务流”分析逻辑能够帮助企业发现、洞察、追踪数据问题产生的根源；稳健的数据架构设计能够帮助企业解决数据质量的问题；数据应用审核管控机制的建立能够帮助企业解决错误数据被使用的问题。经过系统化的数据治理，企业数据质量将更能满足消费的需求，基于数据的决策也将更加精准。 本文摘录于帆软最新《商业智能应用白皮书 5.0》 本白皮书对170多位企业CIO、CTO、数据管理负责人或拥有同等职责的IT负责人的调研，了解IT管理者对BI的应用情况、价值诉求、技术需求、主要参考因素。通过对调查情况分析，深度洞察BI现状和发挥数据应用价值的关键，并基于此提出专业建议，以帮助企业推动决策改善、推进企业数字化转型，白皮书中不少观点可以给大家来年数据工作立项带来一些参考。   扫描下方二维码或点击阅读原文链接即可下载完整PDF资料

9月19日今晚19:00《产品大讲堂系列直播——FineBI数据先锋之财务转型第五期》马上就要开始，台晶电子11 年财务老兵带您详解企业财务分析平台搭建思路——财务分析框架、典型业财分析场景、财务费用分摊，从框架体系到分析案例再到数据处理，全链路剖析财务人员如何通过数据分析挖掘业务价值提升自身能力。 感兴趣的小伙伴千万不要错过！点击图片链接即可预约观看！ 在当前全球经济动荡和市场竞争加剧的环境下，制造业企业面临着成本上升、利润压缩和经营风险加大等多重挑战。如何让财务数据真正为企业决策服务，提升财务管理的效率和准确性，是每一个制造业企业管理者亟需解决的问题。尤其是传统离散型和流程型制造的大型企业，如何运用现代信息技术，实现财务数据的实时分析和智能决策，使企业在复杂多变的市场环境中保持竞争优势，是企业发展的关键。 直播三大亮点： 一、台晶电子财务分析平台框架 二、成本费用追溯平台场景案例分享 三、工费分摊demo实战（数据为假数据） 直播预告 9月19日今晚19:00，我们邀请来了电子元件“隐形冠军” 台晶电子的管理会计赵阳老师 ，以制造业成本管理和费用追踪场景为例，深度分享：财务分析平台建设历程+典型费用预算场景怎么做！ 更多精彩内容、丰厚奖励，不容错过，扫码即可报名！

导言 帆软专家智库由帆软旗下机构「帆软数据应用研究院」创立，邀请来自不同领域的技术、业务和管理专家，旨在将各行各业优秀的数字实战经验，借助帆软平台分享给更多的中国企业。 今年，我们将持续邀请企业及咨询机构的知名行业专家、高校学者等共话数字化转型。 本期我们邀请到方正中期 数字科技中心负责人 张志明老师分享企业数字化的四种形态、具体的演化路径以及方正证券的数字化路线。 这篇文章‍虽然是笔者21年所写，但文章内对于数字化的思考，企业数字化形态的划分以及企业具体的演化路径放到现在依然适用。 背景 方正证券2022年的规划，明确将数字化提升为公司的重大战略。然而，关于什么是数字化，一千个人心中恐怕有五百个答案，另外有三百人心中茫然，还有两百人对之嗤之以鼻，以为数字化不过是又一个噱头。在这个背景下，金科团队内部也展开了新一轮的讨论。 回顾：数字化和信息化有什么区别？ 21年7月，在部门的年中大会上，我在代表数据智能团队发言的时候，试图回答过什么是数字化的问题，或者说，数字化和信息化有什么区别。 当时我总结了三点： 第一，数据是信息化系统的副产品，数字化则将数据视为企业的资产。20年国家明确的将数据定义为生产要素，道理是一样的。什么叫生产要素？可以用来创造价值的东西叫生产要素。举个例子，一个HR系统，里面登记的员工信息，就是这个系统的副产品。但是如果这份数据被用来训练一个模型，从而预测员工的上升空间，那这份数据就产生了额外的价值。将这些数据妥善的管理起来，随着时间的积累，可发掘的价值会越来越大。 第二，信息化是把线下的业务流程搬到了线上，工作流程没有改变。比如原先买一台电脑，需要打印一份申请表，依次找部门负责人，CIO和CFO签字。如果上了采购系统，就改成在电脑上提交申请，流转到部门负责人，CIO和CFO那里签字。业务的流程完全没有发生变化，人依然是关键的决策节点。数字化的系统，是由系统来驱动人，系统是有智慧的。所以，一个数字化的监控大屏是信息化的，因为它仅仅是呈现，做复杂决策的是人。滴滴的车-客匹配是数字化的，司机只有接还是不接的选择。 第三，数字化的系统，是建立在大量数据的空间和时间的链接基础上的。这就要求企业将经营和运营所使用的各个系统的数据进行治理。没有完成数据治理，没有统一的抽象数据模型的公司，很难说是数字化的。 再思考：什么是数字化 21年7月，我的团队将助力公司数字化转型作为小团队的使命。到了22年，数字化转型就已经上升成了公司级的战略方向，方正证券的演化速度，绝对是首屈一指的。 在这个时候，有必要对“什么是数字化”“什么是数字化转型”做一些更加深刻的探讨。21年7月的观点，主要是在技术能力层面上，区分了信息化和数字化。在这里，我试图更进一步，从企业中每一个人的角度上，去回答“什么是数字化”的问题。 这个思考的主要结论，就是将数字化在两个维度上进行了细分。 数字化的两个维度分别是数字化的目标和数字化的对象。 数字化的目标 从数字化的目标出发，可以将目标拆解为数字化优化和数字化转型两部分。 数字化优化，指的是利用数字化的各种技术，优化效率，增加利润，提升客户满意度等。举例：方正证券的数字化目标，是通过数字化的网点管理和薪酬考核，在三年内降低运营成本30%，净利润翻一番。 数字化转型，则是要创造出新的产品、新的服务，甚至新的业务模式。举例：方正证券的数字化目标，是让我们的每一个员工都成为一个全能的投行，可以承接理财、投顾、资产配置、期权衍生品，资产证券化，企业并购等各种业务。这个目标将依托一个强大的数字化虚拟投行中台的支持。 数字化的对象 从数字化的对象出发，可以分为业务数字化和组织数字化。 业务数字化的改造对象是公司的业务模式，业务主体和业务效率。 组织数字化的改造目标是公司组织自身的运作方式，比如沟通，协作，管理和经营。 很多新模式的公司的业务都是数字化的。比如几乎所有的互联网公司，业务上都是数字化原生的，特别是SaaS + PLG (产品驱动增长) + Lead Driven Marketing的公司，整个业务就是一台数字化的机器。获客，转化，交易，服务，全部都是数字化的，SaaS 本身就是数字化催生的商业模式。 但是，这些公司内部的组织，则未必是数字化的，甚至未必是信息化的。 举个例子，我20年入职方正证券的第一天，部门秘书告诉我：下午有一个会议。我说：那你给我发个日程好了。她说：我们没有日程软件，你可以用个小本记录自己要开什么会。我当时眼前一黑……虽说我司也不是互联网公司，但是国内很多互联网公司，一样没有日程系统，也没有文档协同，做一个ppt，几十个版本发来发去，合并来合并去是常态。更别提财务、人力、采购、法务、销售、市场各个职能部门之间数字化协同的障碍。 企业数字化的四种形态 综上所述，当我们说企业数字化的时候，会分为两个维度，衍生四种形态。 具体的路径 具体到一家公司，在确定数字化战略的时候，目标一定要明确（写下来的那种），自己瞄准的是什么，以及执行的路线图是什么样的。对于一个创新公司而言，首选的可能就是第一象限，业务的数字化转型。对于传统的金融企业而言，选择就会比较多。我个人的思考，以下两种模式都可以： 第一种，从组织的数字化优化开始，提升工作效率，增强员工幸福感，培养员工的数字化思维。因为数字化最大的力量是人，最大的障碍也是人。我们提出组织上云，就是这个思路。在此之后，可以推进业务的数字化优化，这主要是金科条线用技术对业务部门赋能。让业务部门看到数字化的好处，进而积极的拥抱数字化。这时候才有可能实现业务的数字化转型。没有具备数字化思维的业务部门的参与，业务的数字化转型是不可能实现的。最后一步，颠覆组织的运作模式，推进组织的数字化转型。这个过程可以形成一个闭环，持续的进行下去。 直观的图是这样的： 第二种，就是同时在多个象限启动数字化的进程，逐渐扩大范围，加大深度，看起来就像涟漪一样，一圈圈的扩散出去。 直观的图是这样的： 方正证券22年的路线，大致上是从组织的数字化优化和业务的数字化优化开始的：组织的数字化优化是飞书和Business Management Platform；业务的数字化优化是Business Operation Platform，运营中台，sCRM。 通过这个过程，一方面提升公司的数字化思维，锻炼我们的队伍；另一方面也积累业务的数字化转型所需要的数据资产和平台架构。 总结 数字化有四种模式，分别是组织的数字化优化，业务的数字化优化，业务的数字化转型和组织的数字化转型。 从哪里开始，到哪里去，走多快，投入多少资源，都是企业必须要思考的问题。金融企业的金科团队，掌握了较为先进的技术，有能力，也有责任在这个过程中，与公司其他部门协作，找出一条最适合于自身的道路。 帆软研究院官方运营轻咨询模式，已吸纳不同行业不同领域（技术、业务和管理）百余位，为三百多家企业完善业务通路，提升数字化经营实力提供专属方案。若您有与专家面对面咨询交流的真实需求，欢迎扫描下方二维码提交，填写完成后，我们会进行信息初步审核，审核通过的客户，帆软将免费提供专家资源进行支持。

数据治理（Data Governance）是企业对数据资产管理行使权力和控制的活动集合（包括计划、监督和执行)，它是管理企业数据资源的一种方式、方法，旨在确保数据的质量、安全、合规和有效性。数据治理是企业实现数据战略的基础，是一个管理体系，包括组织、制度、流程和工具。 数据治理是一套复杂的管理体系，它无法通过单一的工具或产品来实现。数据的生命周期包含了源头、处理和消费这三个阶段，数据的问题也可能会出现在这三个环节中。例如在数据源头环节，用户录入数据的规范性存在问题，导致了最终数据消费环节的数据质量低。这些表象问题的根源，可能来自于业务系统用户交互设计，乃至是底层数据库表结构设计上的缺陷。想要解决这些表象的问题，就需要解决深层次的信息化业务系统开发以及数据库表约束设计等问题。 例如为了保证用户录入数据的准确性，有三种方式去设计业务系统：其一是设计前端的检验验证，避免用户做出相同的选择；其二是通过程序编写过滤判断的逻辑，筛除掉前端误入的数据，作为第二层验证；其三是通过建立约束条件，例如唯一性约束、检测约束等等来控制数据录入准确性。因此，企业的数据治理远非使用一款单一的工具或产品就可以实现的，它是需要回到源头，对企业的组织、流程制度、业务系统、底层架构等多个方面进行排查和重构的，它是一套复杂的管理体系。 数据治理的两种策略 考虑到数据治理工程的复杂性，我们提出了两种目的性不同的数据治理策略：拉式策略（Pull Strategy）和推式策略（Push Strategy）。 拉式策略 拉式策略，面向数据应用，是以提升数据应用过程中的数据准确性为目标的数据治理建设策略。它强调在数据应用的过程中定位和解决问题，以数据应用项目为建设周期。具体而言，拉式策略有三个特点： 1.自上而下：拉式策略通常以指标体系为起点，进行金字塔式自上而下的规划与建设，通过“数据流、业务流、信息流”的过程反向推动数据质量提升； 2.数据整合：它包括多系统的数据整合、拉通、清洗、处理，以及数据仓库建设和ETL 开发过程； 3.数据应用：拉式策略面向数据应用。根据实际业务情况，主要解决数据指标定义标准不清晰、指标计算口径不统一、指标计算口径版本变更、数据不准确、数据上报与数据审核等数据应用场景出现的问题。 推式策略 推式策略，面向数据全生命周期的管理与控制，是一种体系化的数据治理建设策略。它强调体系化的计划、监督、预防与执行，包括多年计划的数据策略周期。具体而言，推式策略有三个特点： 1.体系化、系统化：推式策略不针对某个单一的、具体的数据应用场景，而是一个全面体系化的治理过程； 2.全生命周期：它贯穿数据全生命周期的管理，例如数据采集、数据质量、数据应用、数据安全、数据分享等多个环节； 3.立体策略：推式策略从数据治理策略（目标、范围、方法和组织 ）开始，通过专业的数据治理团队进行数据治理的规划、实施和监督，通过制定数据管理流程规范从源头业务系统的构建到数据的分发、流转，包括数据安全策略与控制，最终贯穿数据资产管理、分析和挖掘的全生命周期过程。 策略比较 拉式策略以数据应用需求为起点，推式策略以标准规划为起点，两种策略在多个方面有差异： 根据多数企业的实践经验，以数据应用需求为起点的拉式策略有着更短的实施周期和更低的投入成本，是一种更加灵活、更加敏捷的数据治理策略，我们将在下文中着重介绍这种数据治理策略。 拉式数据治理建设策略流程解析 以提升数据应用过程中数据准确性为目标的拉式数据治理建设策略主要包括3个流程： （1）基于指标体系的数据问题洞察：基于数据指标体系，以“数据流、信息流、业务流”的基本逻辑框架，在限定的范围内及时洞察数据质量问题的根源，并逆向推动业务信息化和业务管理的改善和提升； （2）稳健的数据架构设计：通过数据仓库建模、合理的分层设计、ETL 过程开发等，保障数据模型及架构的稳健性和可扩展性，提高数据使用的准确性； （3）数据应用审核管控机制：建立面向高层管理的数据指标管控及审核机制，确保数据应用过程中（上报、可视化分析）关键数据必须经过有效审核，提升数据使用质量及数据准确性。 数据问题洞察 数据问题的洞察过程可以分为5个步骤： 第一步是企业内部的资料收集和需求调研； 第二步是指标体系梳理； 第三步是确认可视化原型设计方案； 第四步是“数据流-信息流-业务流”的问题识别过程； 第五步是暴露问题，形成数据质量提高待办。 这些步骤中最为重要的是第二步指标体系的梳理和第四步“数据流-信息流-业务流”的问题识别过程。数据问题洞察，本质上就是基于数据指标体系，以“数据流、信息流、业务流”的基本逻辑框架，在限定的范围内及时洞察数据质量问题的根源，并逆向推动业务信息化和业务管理的改善和提升。 数据流层面： 企业数据问题的洞察始于数据流层面的对指标体系的梳理。指标体系里包含指标和维度，指标即是目标，维度是数据的视角。在确定指标体系后，就需要标准化指标的定义与计算口径、计算逻辑，包括对不同计算口径的版本管理。在计算口径确认后，就需要顺着计算逻辑逐层向下追踪，查看数据能否被获取到。 信息流层面： 如果在数据流层面出现了问题，比方说数据不能被获取到，那么问题很有可能出在信息流层面，例如信息系统建设存在问题导致数据没有被收集。在这种情况下，可以通过手动填报的方式补录数据，也可以在后续的阶段中完善信息系统的建设。这一过程体现了从数据流到信息流的分析，企业能够更深层次地洞察数据问题的本质，通过数据流暴露的问题来逆向推动未来信息流建设的完善，进而支撑更全面的指标体系。 业务流层面： 数据流层面出现问题，排除信息流层面存在的信息系统建设问题，还有可能是业务流层面的管理问题导致的。例如同一个指标有不同的计算口径，这就不是信息系统的问题，而是管理自身的问题，是由于部门间的冲突而导致的。从数据流到业务流的分析，企业可以通过表层的数据问题洞察到自身业务流程上存在的弊端，从而逆向完善业务管理流程和管理边界。 在这样金字塔式的数据问题洞察方法下，通过阶段性、有限的指标体系框定了取数的来源范围，因此不会盲目地扩大数据治理的范围和目标。通过在限定的系统范围内洞察存在问题的数据，可以形成有针对性的数据治理策略，让问题聚焦。最后通过阶段性的识别问题、解决问题，可以由点到面、由浅及深，暴露的问题逐步解决，保障阶段性的建设成果。 企业表层数据问题的产生往往有深层次的业务系统设计、流程制度管理方面的原因，因此要想通过数据治理提升企业数据的质量，就不能仅仅依靠一个工具或产品解决表象的问题。我们提出了企业数据治理的拉式策略（Pull Strategy）和推式策略（Push Strategy）来满足不同的数据治理需求。考虑到当今企业面临的复杂环境，实施周期更短、治理成本更低的拉式治理策略更能及时满足企业数据消费的需求，是一种更灵活、更敏捷的数据治理方式。在该策略下，基于指标体系的“数据流-信息流-业务流”分析逻辑能够帮助企业发现、洞察、追踪数据问题产生的根源；稳健的数据架构设计能够帮助企业解决数据质量的问题；数据应用审核管控机制的建立能够帮助企业解决错误数据被使用的问题。经过系统化的数据治理，企业数据质量将更能满足消费的需求，基于数据的决策也将更加精准。 本文摘录于帆软最新《商业智能应用白皮书 5.0》 本白皮书对170多位企业CIO、CTO、数据管理负责人或拥有同等职责的IT负责人的调研，了解IT管理者对BI的应用情况、价值诉求、技术需求、主要参考因素。通过对调查情况分析，深度洞察BI现状和发挥数据应用价值的关键，并基于此提出专业建议，以帮助企业推动决策改善、推进企业数字化转型，白皮书中不少观点可以给大家来年数据工作立项带来一些参考。   扫描下方二维码或点击阅读原文链接即可下载完整PDF资料

9月10日今晚19:00《行业大讲堂系列直播——供应链专场》马上就要开始，供应链如何保持弹性和响应速度？我们的直播将分享行业领先企业的数字化转型故事，为大家做供应链端到端流程梳理！ 感兴趣的小伙伴千万不要错过！点击图片链接即可预约观看！   在当今全球化的商业环境中，企业规模的扩大和国际贸易的不断增长，供应链管理已成为各个企业不可或缺的核心业务流程，管理的复杂性也日益凸显。 供应链目前的现状与挑战 以服装零售行业为例，目前行业面临着诸多主要挑战，以下三点比较突出：  1、订单碎片化，处理效率低下、生产计划调整困难 企业小批量快反业务模式不断加大的情况下，传统大批量流水线作业模式难以适应个性化、小批量的市场需求，供应商加工成本显著增加。要想实现灵活生产与快速响应的能力，已经成为目前服装行业供应链管理的重中之重。目前迫切需要寻求更为智能、更加高效、更敏捷的解决方案。  2、库存管理压力大 由于服装的流行周期短、季节性强，市场变化迅速，企业难以准确预测市场需求，导致库存积压。企业占用大量资金，成本大幅度增加。 3、消费降级压力 降级消费趋势越来越明显，消费者更加注重性价比，这使得企业利润变得非常微薄。企业需要在降低成本的同时，保证产品质量和服务水平，以满足消费者的需求。 企业必须精准把握市场供需平衡，促使供应链快速高效地满足消费者需求，并且要精准、及时地抓住消费者的需求，只有这样才能在激烈的市场竞争中立足。 目前服装零售行业主要模式 目前，服装零售行业的主要模式正发生着转变。以往以订货会模式为主，如今逐渐向 “订货会 + 补货 + 快反” 的组合模式发展。通过减少订货会量，增加补货和快反的量，能够有效降低库存水平。 为了更好地适应市场变化，服装零售行业还在积极建立产销协同机制，打通门店需求和供应链的关系。这样一来，既可以降低库存，又能保障订单及时交付。 此外，提升供应商协同能力也至关重要。实现供应链信息透明化，包括产能、面辅料等方面，能够做到即时生产，让产品快速上市并满足市场需求。再加上“推拉结合” 的供应链模式，供应试销、适销、适量的商品，可以进一步降低库存，提高行业的整体运营效率。 服装零售行业的发展趋势 1、打造供需平衡的供应链模式 2、建立一套完善的供应链体系 通过数字化转型与智能供应链建立高效的运作体系。 3、精准的品牌策略与市场定位 可以通过深入的市场研究来精准定位目标受众，并通过高性价比的产品、创新的设计和社交媒体营销策略来吸引和与消费者互动。此外，灵活的合作模式、快速的市场响应以及积极的品牌形象塑造，都是提升品牌在市场竞争力和影响力的关键因素。 4、创新的产品与设计 服装是一个非常卷的赛道。如果产品没有差异化或竞争力则很难占领市场，必须解决了消费者痛点。大大满足了不同客户的消费偏好。 在激烈竞争的市场环境下，企业需要更加有效地适应不断变化的市场需求，积极探索数字化转型之路。构建一套完善、高效的供应链体系，通过科学合理的流程来驱动整个供应链的顺畅运作。实现供需平衡。这样一来，企业能够以更快的速度响应市场变化，及时满足消费者日益多样化的需求，从而在市场中占据有利地位，实现可持续发展。 直播预告 为何供应链传统分析难以洞悉业务全貌？供应链如何用数字化帮助企业降本增效？ 供应链体系数字化转型有哪些常见业务场景？如何打破传统业务模式，实现供应链数字化升级？ 9月10号今晚19:00，帆软智库资深鞋服数字化专家 宋志英老师，为大家带来《行业数字风暴之供应链专场》，锁定今晚七点帆软小程序直播间，更多行业先锋实战案例，可复制的转型路径期待与您一同探索！ 扫描下方二维码加入供应链「供应链」行业大讲堂系列直播群，群内每周分享最新鲜的直播资讯和供应链相关场景干货！ 今晚七点帆软小程序直播间我们不见不散！

大多数人对数字孪生的印象可能还停留在那部电影。 去年春节的《流浪地球2》中，图博士为自己多年前去世的闺女整了个数字人图丫丫在电脑里，电脑里的图丫丫会哭，会笑，还会对图博士的话语做出生动的反应。这其实就是未来的数字孪生人类的样子。 数字孪生，英文名叫Digital Twin（数字双胞胎），也被称为数字映射、数字镜像，是充分利用物理模型、传感器更新、运行历史等数据，集成仿真科技，在3维空间中映射，从而反映相对应的实体装备的全生命周期过程。 简而言之，数字孪生就是创造了一个数字版的“克隆体”。 现实中，数字孪生有哪些应用？ 在实际应用时，数字孪生是某个实际场景、产品或作业流程的虚拟表示。 简单来说，数字孪生被用来在虚拟空间中测试真实的场景。 例如，现实生活中，我们需要对一台智能手机做跌落测试，那么在很大程度上就需要损失多台手机成品，而利用数字孪生技术，可以无限模拟测试，还可以降低产品在生产和制造过程中的成本。 这就相当于打游戏开了无限生命的外挂，大大减少了实操带来的成本，避免了试错带来的损失。 因此，越复杂的系统，越复杂的构造物，数字孪生带来的使用价值就越大。 不同行业，数字孪生技术能够提供的价值是不一样的。对各行各业而言，它能带给我们带来什么呢？ 优势&案例 1、改进产品设计   使用数字孪生可以更有效地研究和设计产品，并创建大量关于可能的性能结果的数据。这些信息可以帮助公司在开始生产之前进行必要的产品改进。 以下是FineVis制作的智慧水务数字孪生大屏，在管线铺设前可以用来模拟铺设和运行情况，在管线铺设后可以连接数据进行异常数据的实时预警。 数字孪生通过GIS系统可视化展示了管线总长，压力仪数，水质点数等，并根据模拟数据测算管网监测点数据， 同时实时计算划分区域的漏损率排行，夜间最小流量等指标。因而可以通过异常数据自动预警不合理的管网配置。 2、优化生产过程   即使在新产品投入生产后，数字孪生也可以帮助镜像和监控生产系统，着眼于在整个制造过程中实现并保持最高效率。 以下是FineVis制作的智慧工厂3D孪生，一方面有助于工厂及时发现异常设备并进行维修。另一方面可以实时分析产出情况和生产指标，便于更精确的利用人工。 设备状态检修：FineVis的大屏编辑器提供强大了数据可视化能力，其智能化监测和实时报告功能有助于保持设备状态的良好运行，管理者通过大屏看可直接连接设备的参数，有助于工厂及时发现异常设备并进行维修。 数字车间：通过投射物理世界的人，物到大屏， FineVis通过数字化的设备监控， 智能化的根据指标来评价设备的状态，监控和提醒设备的生命周期，进一步提高工作效率，降低设备成本。产出情况的实时呈现和当天的生产指标的对比，管理者可以更精确的利用人工，推进项目进度。 3、提升资源的利用效率   一方面数字孪生甚至可以帮助制造商决定如何处理已达到产品生命周期终点并需要通过回收或其他措施进行最终处理的产品。通过使用数字孪生，他们可以确定可以收获哪些产品材料。另一方面，对于整个可利用资源的可视化加强了管理的便利性，更方便各类资源的利用。 通过FineVis制作的智慧医院大楼孪生体，管理者可以直接通过展开3D楼层和其数据来发现诊室/住院的预约情况。 通过切换，可以将门诊大楼，分层打开。管理者可以看到楼层具体的候诊科室以及目前患者挂号就诊情况。及时能够帮助医院及时进行合理的诊室资源调度。   总结   作为一个多学科交叉的复杂领域，数字孪生被应用在城市规划、生产建设、生物医疗等领域已是家常便饭。目前很多企业都在寻求数字转型，就是要从此着手，不知道效果如何的，可以去看一看这个数字孪生搭建工具FineVis，亲自试过其中的大屏模板，里面大部分模板是免费使用的，零代码基础也能学会！ 扫描二维码即可体验数字孪生工具

文章开始前给大家推荐一份《大数据决策分析平台建设方案》，本方案从目前中国企业数据处理现状、目标、整体规划建设等方面，梳理出企业数据分析决策平台建设的流程与方法，共包含生产、营销、财务、库存四个模块方案介绍，并附带成功客户案例供参考，为企业数字化转型提供支撑，感兴趣的扫描下方二维码下载！ 为了真正掌握业务的核心，我们需对其背后的框架进行深入探讨。这正体现了业务架构的至关重要性。业务架构不仅仅是业务的高层设计图谱，它还是数据、应用和技术架构驱动所在。随着当前数字化转型的推进，业务架构已逐渐变为跨领域流程设计的核心环节。 以运营商为例，他们有一个叫做“地址查询变更”的业务功能。为了满足这一业务需求，资管系统和CRM系统各自构建了相应的应用功能模块，但这导致了数据不一致性的问题。从业务架构的角度出发，其实我们只需构建一个统一的业务功能模块即可，这凸显出了业务架构设计的真正价值。 尽管TOGAF对此进行了阐述，但其描述略显抽象。在深入阅读温昱的《业务架构•应用架构•数据架构实战》后，我收获了诸多洞见。特此分享我的关于业务架构的看法，希望能简洁而深刻地诠释这个概念。 企业架构全景图 企业架构包含了四部分，BA（Business Architecture，业务架构）、DA（Data Architecture，数据架构）、AA（Applications Architecture，应用架构）、TA（Technology Architecture，技术架构）。 企业架构由全局战略规划驱动，我们来看下战略、BA、DA、AA、TA五者之间的关系。 BA、DA、AA、TA的执行顺序 如图所示，战略、BA、DA、AA、TA实际位于以下三个层次上： 公司战略 业务架构 方案架构 这五者的核心关系，可以概况为以下几点： 战略是公司高层设计，却是业务架构师的需求 业务架构师的工作时“战略进，业务架构出” 业务架构是业务架构师的设计，却是数据、应用、技术架构师的需求 环环相扣，上层驱动下层，下层支撑上层。 业务架构的定义和组成 业务架构可以看作是一个组织的"蓝图"，是对组织的价值主张、结构、策略、核心产品和服务、主要流程、资产、以及相关的外部环境之间相互关系的结构化描述。它为组织提供了一个共同的框架，用于了解业务活动的相互关系，从而实现策略，并确保业务活动与策略之间的对齐。 这种定义强调了业务架构的目的，即将策略与执行对齐，并确保组织在追求其目标时具有一致性和协调性。 基于此定义，我觉得业务架构应该包含这六大部分，分别是业务策略、价值链、业务流程、业务功能、业务数据及业务组织，如下图所示，同时给出了所以包含这六大部分的原因： 1、业务策略（why） 每个组织都需要一个明确的方向和目标。业务策略定义了组织的愿景、使命和核心价值观，并为组织提供了一个长期的、宏观的指引。没有策略，业务架构会失去方向。业务策略在业务架构中起到了桥梁的作用，它确保了组织的行动与其长期愿景、使命和目标保持一致。 在描述和组织策略内容的时候，一个常用的结构化方法是使用框架或模型，如“SWOT”分析或“PESTLE”分析。这些工具为组织提供了一种方法，帮助它们识别其内部和外部环境中的机会和威胁，并据此制定策略。以下是关于业务策略的一些常见的结构化方法： （1）SWOT 分析 S (Strengths)：组织的内部优势。 W (Weaknesses)：组织的内部劣势。 O (Opportunities)：组织所在环境中的机会。 T (Threats)：组织所面临的外部威胁。 （2）PESTLE 分析：评估宏观环境对业务的影响。 P (Political)：政治因素。 E (Economic)：经济因素。 S (Sociocultural)：社会文化因素。 T (Technological)：技术因素。 L (Legal)：法律因素。 E (Environmental)：环境因素。 （3）Porter 的五力模型：评估行业竞争力度。 现有竞争者的竞争。 新进入者的威胁。 替代品的威胁。 买方的议价能力。 供应商的议价能力。 （4）价值主张画布：帮助组织定义其对目标客户的价值主张。 客户细分 客户关系 渠道 价值主张 关键活动 关键资源 关键合作伙伴 收入流 成本结构 2、价值链（what） 业务架构包含价值链是因为价值链明确地展示了组织如何创造和交付价值给其客户和利益相关者，这对于确保业务操作的连贯性和效率至关重要。 首先，最经典的传统价值链模型，就是波特创造的生产型企业的价值链模型，分为辅助活动和基本活动，现今应用时，都是进行了改造和优化的，倾向于分为支持层、业务层、战略层，如下所示： 其次，电信运营商、电网、仓储物流等基建投资占比高的企业的价值链模型，倾向于分为管理支持、运营支撑、核心业务三层，如果存在业务支撑层，那么投资规划、工程建设、运营维护这三者就放入业务支撑层，否则列入核心业务主线，下图示例了能源仓储分销企业的价值链模型。 第三，银证保、电信、电商、家电、运输等服务密集型企业的价值链模型，倾向于分为支持层、业务层，支持层经常包含财务管理、人力资源管理、客户资源管理、数据资源管理等，企业对外提供的业务多种多样，那就分别梳理在业务层，铁路运输行业的价值链分析，如下图所示： 3、业务流程（how） 在价值链提供了宏观的视角，每一个在价值链中定义的活动，实际上都可以进一步细分为一系列连续的、有逻辑关系的子活动。这些子活动构成了业务流程，业务流程深入到更为具体的活动、任务、步骤和和决策，描述了如何实际执行这些活动，为组织的日常操作和持续改进提供了必要的微观视角和详细指导。两者共同为组织的策略执行、效率提升和价值创造提供了完整的框架。 跨行业的流程分类框架（The cross-industry PCF）自1992年被首次推出以来，已经被世界各地的组织使用了20多年。最新版的PCF更新于2022年5月，它将流程分为五个层级，分别是1级-流程种类（Level 1 - Category）、2级-流程群组（Level 2 – Process Group）、3级-流程（Level 3 – Process）、4级-活动（Level 4 – Activity）、5级-任务（Level 5 – Task），示例如下： 事实上，PCF的5级流程框架，体现了业务架构的完整内容，其中level1和level2可以映射到业务架构中的价值链，即解决what的问题，level3、level4及level5可以映射到业务架构定义中的业务流程和业务功能，解决how的问题，每个企业可以根据自己的需要选择合适的流程层级。 温昱在《业务架构•应用架构•数据架构实战》中建议所有的复杂核心业务流程都采用文本化描述，其以订购火车票为例说明流程的描述方法，包括主干流程和分支流程，主干流程为购票流程，如下图所示： 分支流程为多人购票、购买儿童票、购买接续换乘票、选座、没选到、无列车、过滤查看结果、查看经停站信息等等。 值得关注的是，订购火车票既可以看作流程，也可以看作活动，具体取决于从哪个角度或粒度来看待它。当我们在更高的粒度上，例如在一个价值链中，描述交通运输部门的总体业务时，"订购火车票"可能被视为一个单一的活动。这是因为在这个粒度上，我们可能不关心每个步骤的具体细节，只关心主要的业务活动，当我们深入到更细的粒度，"订购火车票"可以被看作是一个流程，因为它可以进一步分解为多个连续的任务，以上为了说明流程的描述方法，就把订购火车票看作流程。 4、业务功能（how） 业务架构需要包含业务功能，因为业务功能明确地描述了组织为实现其业务目标所需进行的关键活动和任务。它们为业务流程、策略和目标提供具体的上下文，并确保技术和操作设计与组织的核心需求和能力保持一致。此外，通过理解业务功能，组织能更有效地确定和优化其资源、过程和技术解决方案。 通常情况下，一个业务流程会包括多个业务功能。举例来说：电商平台的"订单处理"业务流程可能包括以下业务功能：客户身份验证、库存检查、付款处理、订单分派、商品发货、发票处理等，如下所示： 然而，在复杂的业务环境中，有些业务功能可能会跨越多个业务流程。例如，“客户身份验证”这个功能可能不仅仅在"订单处理"流程中使用，还可能在"退货处理"或"客户服务"等其他流程中也被用到。 因此，从某种程度上说，业务流程和业务功能之间是存在多对多的关系的，即一个业务流程可以涉及多个业务功能，而一个业务功能也可以被多个业务流程所使用。但更为常见的情况是，一个业务流程包括多个业务功能。 在温昱的《业务架构•应用架构•数据架构实战》一书中，指出业务功能>业务流程，即一个业务功能包括多个流程，对此我有不同的看法。 我们常常也会混淆业务功能、业务能力和应用功能的区别。 业务能力与业务功能相比，具有更高的抽象程度和稳定性，它主要关注“做什么”而非“如何做”。例如，贷款审批被视为银行的核心业务能力，但它并没有细述具体审批的步骤；而信用评分检查则属于业务功能，因为它详细阐述了评估客户信用的具体方法。 相对于业务功能，应用功能更强调从技术和实现的角度进行定义，它与特定的软件或系统紧密相连。而业务能力则多从组织的业务目标和需求出发，与具体的技术实施或平台关联度较小。 以地址查询变更为例，它初步可以被视为一个业务功能。但如果我们已在资管系统中实现了该功能，那么这个地址查询变更模块则转变为应用功能，因为它现已与特定的系统紧密结合。 5、业务数据（base on what） 业务数据和业务功能、业务流程紧密相关，也属同一思维层次，没有正确和及时的数据，组织的流程、策略和价值提供都可能受到影响。因此，将业务数据纳入业务架构可以确保组织有一个统一、准确和有效的数据视角来支持其业务目标。 有人争辩业务数据应属于数据架构，的确存在这个问题，但业务架构中的业务数据和数据架构中的数据还是有差别的。 从视角看，在业务架构中，业务数据是从业务需求和业务活动的角度来看的。而在数据架构中，业务数据是从技术和实现的角度来看的。 从定位看，业务架构定义了什么样的数据是必需的，以及为什么需要这些数据。而数据架构则确定如何有效地存储、访问和管理这些数据。 如下图所示： 当然，两者也是有互补性质的，一个完善的业务策略需要可靠和高效的数据支持，而数据策略和技术实现则需要明确的业务需求和指导。简而言之，业务数据确实既属于业务架构，也属于数据架构。这两个架构的目标是确保企业可以有效地利用其数据来支持其业务目标和技术实现。 6、业务组织（who） 业务架构包含业务组织是为了明确组织内各部门和团队的职责、优化资源分配、确保战略对齐，并加强内部沟通与协作，从而有效地实现业务目标和策略，组织结构为业务架构提供了设计的范围和边界。下面示例了一个在线零售公司的业务组织。 业务架构的实践案例 假设一家企业计划重构企业管理信息系统，以改变分散建设导致的小系统林立，业务流转不畅等问题，下面说明其业务架构的构建过程。 1、业务策略 这里采取商业画布的形式来描述业务策略： （1）客户细分 (Customer Segments) 主要部门领导及经理：他们是决策者和ERP的主要受益者。 员工：日常使用ERP系统，需要培训。 IT团队：为ERP提供技术支持。 （2）价值主张 (Value Propositions) 系统集成：集成所有部门，确保数据的一致性。 提高工作效率：自动化流程，减少冗余工作。 准确性：确保数据的准确性和完整性。 实时分析：快速的报告和实时的分析，助力决策。 （3）渠道 (Channels) 内部培训：确保所有用户都了解如何使用系统。 内部网站和帮助中心：在线支持和文档。 （4）客户关系 (Customer Relationships) 培训和研讨会：帮助员工掌握系统。 IT支持：快速响应任何技术问题。 （5）核心资源 (Key Resources) ERP软件平台。 培训材料和手册。 数据中心和IT硬件。 （6）核心活动 (Key Activities) ERP的选择和采购。 系统配置和定制。 员工培训。 持续的维护和升级。   （7）关键合作伙伴 (Key Partnerships) ERP供应商：提供软件支持和更新。 IT外包团队：可能需要外部的技术支持。 （8）成本结构 (Cost Structure) ERP软件和硬件成本。 培训成本。 IT支持和维护成本。 可能的升级和定制成本。 （9）效益预期 (Expected Benefits) ROI：长期的效益与初始和持续的投资成本之间的关系。 工作效率的提升百分比。 决策时间的减少。 错误率的降低。 2、价值链 企业信息管理域的价值链涉及了从战略到投资支出，到人财物，再到企业有效性相关的企业综合管理等核心业务，如下图所示： 3、业务流程 价值链的每个模块都是要依托流程来实现，流程还可以分多个层级，具体分为多少层级依赖于企业的实际需要。这里以价值链中的供应链管理流程为例说明，共分为需求预测、需求提报、采购寻源、采购执行、物流配送、采购支付和评估分析等7个活动。采购执行活动可以进一步拆分成子流程，共有20个步骤，如下所示。 4、业务功能 采购寻源是供应链管理流程的一个活动，可以认为是一个业务功能，提供包括寻源准备、寻源执行、寻源决策的功能支撑，并实现与采购进度和中标后合同启动环节的衔接等子功能，示例图如下。 采购执行是供应链管理流程的另一个活动，包括正常订单采购，目录自助采购、提前到货订单采购、采购物料管理等子功能。 5、业务数据 供应链管理涉及需求预测、需求提报、采购寻源、采购执行、物流配送、采购支付和评估分析等活动的业务数据，如下所示，这些业务数据为供应链管理的各个活动提供了必要的输入和背景信息，支持决策制定和执行，并帮助评估供应链的绩效和效率。 6、业务组织 为了更高的进行ERP集约化建设，公司新增IT指导委员会，职责如下： 业务架构、应用架构、数据架构、技术架构的关系 在业务架构中，业务流程被详细定义，业务流程是DA、AA和TA设计的驱动因素，这里具体以“买入股票”示范从业务流程到应用程序，又到数据实体，再到技术组件这条主线设计。 1、业务架构 1）业务流程——由买入挂单、规则检查、上报给交易所等步骤组成。 2）业务数据——买入申报指令。 3）业务事件——图中“交易所回报”事件会触发券商“处理成交结果”，当收市时，“当日收市”事件也会触发相应业务处理。可见，用好业务事件，有利于把“条件触发的业务场景”表达清楚。 2. 应用架构 应用架构师应思考：买入股票业务流程需要哪些应用服务支持呢？ 1）业务流程一级的买入挂单、规则检查、上报给交易所、处理成交结果，需要IT应用服务支持，分别为挂单录入、规则检查、委托上报、接收回报、结果显示。 2）进一步地，这些IT应用服务要由具体的应用系统来实现，分别为券商App、券商集中交易系统。如下图所示。 3. 数据架构 数据架构师应思考：买入股票业务流程需要哪些数据支持呢？ 1）券商的集中交易系统作为后台，首先要将委托记录排队，以备异步处理。 2）券商App不保存“投资人账户”信息，但交易后台要保存，由证券经纪业务后台做交易规则检查。 3）由证券经纪业务后台负责的交易规则检查，会用到投资人账户和投资人资产等数据信息，例如，账户余额不足时是不允许挂单成功的。 4）后台存储“回报记录”数据，也是为了异步处理。如下图所示。 4. 技术架构 技术架构师应思考：买入股票业务流程需要哪些技术组件支持呢？ 1）挂单录入、结果显示等技术，由客户端应用程序支持。 2）规则检查、委托上报和接收回报是可重用的应用功能，可考虑实现成服务或微服务。 3）基础设施的技术选型，由技术架构师决定。如下图所示。 希望对你有所启示。

相约帆软智数大会 「智见· 数质新生」主论坛 今日，《商业智能应用白皮书 5.0》&《企业数字化人才实践研究报告》在2024 帆软智数大会 「智见· 数质新生」主论坛重磅发布！ 《商业智能应用白皮书 5.0》汇集了数十位行业顶尖专家的独家见解，通过对百余家行业领先企业的深度调研，从BI产品解读到数据治理建议，再到数据资产入表实践分享和指标梳理指导，围绕BI，但远不止BI。 《企业数字化人才实践研究报告》探究了80+头部企业数字人才建设理论和10+标杆企业数字人才建设实践，告诉企业如何解决数字工具用不起来、如何解决数字工具业务用不深的问题。 商业智能洞见，人才赋能实践，敬请期待由帆软数据应用研究院梅杰院长带领大家一起进行全面解读！ 点击图片，直达发布会现场 我能从《商业智能应用白皮书 5.0》中，看到哪些亮点内容? 本白皮书对170多位企业CIO、CTO、数据管理负责人或拥有同等职责的IT负责人的调研，了解IT管理者对BI的应用情况、价值诉求、技术需求、主要参考因素。帆软数据应用研究院基于最新的洞察，在《商业智能应用白皮书 5.0》中阐述了以下核心内容： 解读 BI 产品演变，BI 多形态共生理念究竟包括什么？ 强调数据全链路管理和建设，产品的价值主张是什么？ 对话企业内部 BI 资深用户，有哪些工具使用的感悟？ 探究智能 BI 更多是 AI for BI，如何定位方向及落地？ 解析案例如何用 BI 发挥数据价值，加速数据资产入表？ 分享浙高运实践经验，企业数据资产入表该准备什么？ 提出企业数据治理的优解：如何用“拉式策略”做治理？ 指导企业如何建指标体系、建底层，以及如何应用指标？ 传递帆软如何用 BI 进行数字化建设的心得，以财务为例？ 扫码下载《商业智能应用白皮书 5.0》电子版 我能从《企业数字化人才实践研究报告》中，看到哪些亮点内容？   基于500+家客户调研，帆软数据应用研究院联合赛迪顾问，第一次就企业数字化人才建设发布研究报告，围绕“规划人才 -培育人才 - 善用人才 - 保留人才”的数字人才建设框架和优秀企业实践等进行全面的洞察。主要内容围绕： 当下企业数字人才定义是什么？包括哪些类别的数字人才？ 企业如何规划自身数字化人才？岗位及能力画像包括哪些？ 企业如何培育自身数字化人才？需要采取哪些的培养方法？ 企业如何发挥数字化人才价值？如何用好培养出来的人才？ 企业如何保留住数字化人才？想保留住人才需要关注什么？ 目前都有哪些优秀的企业数字化人才建设案例可以借鉴？ 扫码下载《企业数字化人才实践研究报告》电子版 2024年，帆软数据应用研究院将会继续持续围绕数据应用相关主题持续解读和探究，欢迎大家一起交流学习！ 商业智能洞见，人才赋能实践，点击下方图片观看2024 帆软智数大会 「智见· 数质新生」主论坛直播

在电商行业的快速发展中，运营效率成为企业竞争力的关键因素。面对日益激烈的市场竞争和不断变化的消费者需求，如何提升运营效率，实现数据驱动的决策，是每个电商企业都需要面对的挑战。电商参谋系统作为一种先进的数据分析系统，能够为企业提供一个全面、高效的解决方案。本文将探讨电商参谋系统如何帮助电商企业提升运营效率，助力电商企业洞察市场趋势，优化运营策略，降本增效。 文章开始前先分享一份《电商行业数字化分析方案》，电商行业的朋友可以看看： 电商运营提效存在哪些难点？ 1、电商数据获取难度大 首先，电商数据的获取难度较大。特别是在国内平台，电商没有标准的接口开放，我们获取的行为数据、流量数据、推广数据、市场竞争数据等都需要店铺运营人员或负责人每天手动下载、整理，然后汇总成报告。这是一项繁琐且低效的工作，但数据透明化又是必须的。因此，如何高效地获取电商所需数据，及时反映市场情况，是电商企业面临的第一个问题。 2、电商数据融合慢 其次，是电商数据的快速融合问题。商品数据需要下载后分辨其品类、品牌等信息，再进行汇总、分析、行转列、列转行等操作。同时，还需要梳理主数据维度，整合各平台之间的数据口径差异。这些都会耗费大量时间，电商企业需要考虑如何快速实现数据融合。 3、数据分析挑战重重 在电商领域，数据的业务分析是释放数据潜力、指导企业决策和优化运营的关键。尽管如此，众多企业在这一领域仍面临诸多挑战。他们往往缺乏与实际业务紧密结合的分析场景，以及能够将数据转化为有价值业务洞察和具体行动方案的有效工具。这限制了企业在数据驱动决策方面的能力，影响了数据在商业活动中的真正价值实现。 在电商行业的激烈竞争中，企业要想突破重围，关键在于找到切实有效的解决策略。 在精细化管理成为主流的今天，电商企业要想实现突破，关键在于实施精细化运营。这种运营模式依托于数据分析，以业务需求为动力，要求企业深入挖掘数据，洞察市场动向、消费者行为和运营效率。精细化管理使企业能够对产品定位、营销策略、客户服务和供应链等方面进行优化。 然而，实现精细化运营并非易事，它要求企业建立以数据为核心的运营体系，采用智能化工具和方法，提高运营的精准度和流程的自动化水平，以推动业务的持续增长。 而电商参谋系统，就是实现这一目标的理想选择。借助这一系统，企业可以实现数据全链路的无缝整合，明确企业数据指标，快速构建统一的电商数据分析场景，实现精细化运营，赋能电商企业发展。 电商参谋系统有什么价值？ 电商参谋系统的价值在于其能够提供深入的市场洞察和实时的数据分析，帮助企业在竞争激烈的电商领域中获得优势。具体来说，它通过以下几个方面发挥作用： 1、捕捉市场机会 首先是市场机会，其核心在于将来自生意参谋、京东商智、情报通、奥维等平台的外部数据导入本地系统，通过分析市场行业变化来识别类目机会，同时从市场竞争中挖掘具体商品品类的机会。 2、电商日常运营 在日常运营中，电商参谋系统支持综合和专题两种分析模式，专注于电商日常运营的各个环节，旨在发现并提升潜在的增长点。 在综合分析上，从公司全局、品牌、品类、平台及店铺等多个维度进行综合分析，以准确评估GMV的成效。同时精确诊断问题所在，比如哪个平台的销售额未达标，哪个店铺或品类的目标完成率有差距，以及哪些商品未能实现销售目标。 此外，企业可以深入运营的各个环节，如流量、转化率、客单价、连带率、折扣及复购等，寻找优化空间。例如，针对流量和转化率，可以开展推广投放的专题分析，以优化产品投放策略和渠道选择。 3、业财一体化 对企业来说，业财一体化至关重要，它能帮助企业清晰了解电商运营活动、推广活动及资金投入的最终财务成果——利润。同时，这一环节将利润数据及时反馈给运营团队，为价值导向的深度融合提供支持。比如，在大促活动后，企业不仅要关注销售额的增长，更要评估利润率是否同步提升。同样，对于直播投入也需要明确其是否带来了实质性的利润增长。业财一体化能够细化到每天、每个店铺、每个商品、每个订单的利润核算，为运营决策提供有力支持。 4、后端支撑 电商参谋系统可以为企业提供如目标管理、主播排班表等电商小工具；以及采购分析、出入库时效分析等供应链支持；在客服服务上，电商参谋系统也可以进行客服、服务满意度等分析，提升客户体验；同时，在人力资源、仓储物流等方面电商参谋系统也可以发挥作用，帮助企业实现高效协同，快速应对各种情况，提升企业运营效率。 总体而言，市场机会分析让我们明确自身在行业中的定位及潜力空间。而电商运营环节则是确保我们能在既定的市场空间内，通过有效的运营策略，最大化地占据市场份额。业财一体和后端支撑则确保我们能够在财务和运营上实现无缝对接，以及提供稳定而强大的后端支持，从而保障整个电商业务的流畅运行和持续增长。 值得一提的是，帆软作为国内领先的数据软件服务商，凭借十八年的数字行业经验，能够为各行业提供数字化转型的解决方案。针对企业面对的问题，帆软结合成熟的数据工具和丰富的消费行业经验，提出可以从三个方面构建解决方案：首先，关于电商数据的高效获取，可以利用RPA和API进行获取；其次，统一数据指标体系，并构建各个场景下的业务数据分析包，确保数据的准确性、一致性、可用性；最后，将数据和指标与业务目标进行对接，实现数据驱动的业务增长。基于这样的解决路径，帆软推出了一站式电商参谋系统。下面就一起来看帆软一站式电商参谋系统的典型应用场景。 帆软电商参谋系统典型应用场景 帆软一站式电商参谋系统的分析内容涵盖财务利润、全平台销售追踪等多种分析，且都能深入到商品或其他具体模块。接下来让我们一起深入到具体的分析中，基于电商参谋系统进行相关数据分析，体会分析逻辑。 1、全局总览分析 从商品全局总览的驾驶仓角度来看，我们已经覆盖了所有平台，但年度时间进度仅为82%，而年度目标完成率却低至71%，这显示出我们的目标完成情况有所滞后。接下来，我们需要深入分析具体是哪个月份导致了这种滞后，完成率较低的月份则是我们需要重点关注的对象。 2、店铺分析 在电商参谋系统中，我们可以聚焦于店铺层面。哪些店铺的完成情况较差？推广投放是否存在问题？ROI效果如何？对于各个重点商品品类，其目标达成情况如何？哪些重点商品未能达成目标？这些问题都可以通过ERP系统获取的订单数据来进行分析和定位。在推广投放时，我们可以根据购买量较多的地域，针对性地增加该地域的关键词投放。 3、商品表现分析 若对商品分析仍有进一步需求，可以跳转到商品板块的详细内容页面，查看商品表现、各品类目标达成趋势、品类贡献以及新品运营情况等。此外，如果对推广情况的理解还不够清晰，我们可以跳转到推广总览分析页面，进一步探讨推广投放中存在的具体问题，如哪个渠道的推广效果不佳等。 总的来说，帆软当前的电商参谋系统核心聚焦于电商领域，实现了从数据全链路自动获取，到数据清洗，再到前端分析的全面打通。这意味着电商企业无需再费时费力地自行下载和整理数据，因为帆软已经构建了一套完整的分析体系。企业只需专注于业务本身，数据将随着业务的需要而流动，赋能电商企业的运营和发展。 总结 电商参谋系统是电商企业提升运营效率、实现精细化管理的重要工具。它通过深度数据分析、实时监控和智能决策支持，帮助企业在激烈的市场竞争中保持领先。帆软一站式电商参谋系统以其强大的数据处理能力、直观的用户界面和灵活的定制选项，成为电商企业数字化转型的得力助手。随着技术的不断进步和市场的不断变化，电商参谋系统将继续为企业带来更多的可能性，推动电商行业的持续创新和发展。 帆软软件深耕数字行业，能够基于强大的底层数据仓库与数据集成技术，为企业梳理指标体系，建立全面、便捷、直观的经营、财务、绩效、风险和监管一体化的报表系统与数据分析平台，并为各业务部门人员及领导提供PC端、移动端等可视化大屏查看方式，有效提高工作效率与需求响应速度。 篇幅有限，仅能阐述部分解决方案。若想了解完整的《电商精细化运营方案》，可点击下方下载，我们将会及时与您取得联系，解答您在数字化建设路上的一系列问题。 扫描二维码咨询电商精细化运营方案

“数字化转型”这个口号企业已经喊了许多年了，然而真正能做到数字化转型成功的企业，屈指可数。现在各行各业都在讲“数字化转型”，到底什么是真正的数字化转型？数字化转型该如何成功落地？ 给大家分享一份《企业数字化建设知识地图》，关于数字化转型的问题，这里都有详细解答： 数字化转型的背景 数字化转型可以说是大势所趋。党的十九大报告就已经明确提出要建设数字中国，这是“数字中国”首次被写入党和国家纲领性文件。与此同时，商务部2024年4月26日发布了《数字商务三年行动计划（2024-2026年）》，对数字商务领域的发展也进行了规划和部署。所以，从国家战略层面来看，数字化已成为国家发展的重要方向。 除此之外，随着互联网的普及、大数据技术的出现、云计算技术的成熟，传统企业的管理方式，经营模式，技术应用都在逐渐暴露弊端，如果企业不能及时进行数字化转型，则在市场中的竞争中将会处于非常不利的地位。 因此，无论是国家层面还是技术层面，数字化转型都是企业提升竞争力，降本增效的重要有效途径。 什么是真正的数字化转型？ 当前谈起企业数字化转型建设，听到最多的词就是踩坑、烧钱、价值体现难，导致数字化成为企业发展过程中鸡肋般的存在，离不开但用不好，不知道问题出在哪里，或者是知道但却无能为力。其实出现上述情况，归根到底，还是没有真正理解数字化转型的本质。那么究竟什么是真正的数字化转型？ 1、数字化转型是以成本为中心 数字化转型不是企业投的资金越多，转型越成功。 当前大部分传统企业数字化建设投入资金都不少，但效果却都一般，很多数字化项目甚至在实施期就烂尾了。真正的数字化转型不是投入大量资金，进行重复项目建设，而是要建立问责机制，以成本为中心的进行数字化建设、数字化转型。要让每一次的数字化投入产生预期的、应有的价值。这是解决企业数字化为什么要做的问题。 想清楚3个问题： 为什么要引进； 引进系统解决痛点还是痒点； 该项目预期投入多少，会预计产生多少效益或益处。 2、实施数字化过程要以结果为中心 数字化转型实施过程扯皮不断。这是因为没有明确分工合作的问题。企业要明确的一点是：真正的数字化实施过程中，需要的是信息部门 + 业务部门 + 软件公司三方共同发力，能力融合，而非某一方的单打独斗。只有通过有效的合作和协调，才能确保数字化项目的顺利实施和达到预期效果。 3、运营管理要以应用为中心进行 如果想要做到真正的数字化转型，企业需要建立完善的运营管理机制，加强对数字化系统应用的考核和监督，提高员工的使用积极性和系统的应用效果，从而充分发挥数字化转型的价值。 如何做好数字化转型？ 想实现数字化转型落地，得结合行业实际情况来做。这里我们以制造业的数字化转型为例，聊聊传统制造业怎么实现数字化转型。 1、理解“四个融合” 归根到底，数字化转型的目的就是提升企业的生产效率，效率提不上去，转型就是失败的。四个融合就是解决效率问题的，而以下四个融合正是解决效率问题的关键。 （1）能源管理与自动化融合。在过去，能源采用集中生产模式，即集中发电后通过电网输送至各地。如今，随着新能源的出现，能源管理要求从集中式向分散式转变。 以数据中心为例，过去其做法也非常集中化，而现在越来越多地采用边缘计算。无论是能源还是自动化，都处于从分散到集中再到分布的变化过程中，因此两者的结合至关重要。 （2）纵向的终端到云端融合。第一层实现物理层面的互联互通；第二层确保数据采集的自动化、可视化以及可拓展性；第三层则是对数据进行分析判断并加以应用。 （3）横向的全生命周期融合。 任何工艺都具有其特定的生命周期，设备同样如此，从设计制造阶段开始，历经投入使用，再到后期的维护以及最终的弃用，整个过程构成了一个完整的生命周期。 在以往，相关的数据大多以纸面形式呈现，这种方式存在诸多弊端，比如数据存储不便、查询困难、难以实现信息共享等。 而现在，我们的目标是让数据形成闭环。通过数字化手段，将设备全生命周期各个阶段的数据进行整合与关联，从设计环节的参数设定，到制造过程中的质量检测数据，再到使用阶段的运行状态监测数据以及维护过程中的维修记录等，实现数据的无缝衔接与流转。 这样一来，不仅可以提高数据的利用效率，还能在设备的全生命周期中实现精细化管理，提升设备的可靠性与稳定性，降低运营成本。 （4）从分散式管理到集成化的企业管理 以前企业规模小，当一个企业规模越来越大的时候，就注定企业的管理方式发生了翻天覆地的变化，所以当一个企业的规模足够大的时候，管理方式要从分散式到集成化进行转变。 2、实现线上协作   在信息化起步阶段，制造业企业可先从以下步骤推进数字化转型：一线生产人员摒弃纸质单据报填，实现各种流程的无纸化线上流转，促使生产、销售、采购、财务等各个环节的数据能够快速集成，最终达成的是可留存、可控、可查以及可分析统计的良好效果。 3、确保数据的流程化、规范化   企业在配置方面，通常会采用一套 ERP 系统（侧重于财务方面）以及一套即时通讯软件（如钉钉、企业微信等）。对于企业而言，若要实现数据的全面采集，要么投入大量资金建设数据采集体系，要么充分调动一线人员进行数据上报。然而，在预算不足的情况下，更为建议企业建设条码工厂。 条码工厂的建设能够在一定程度上以较低的成本实现数据的高效采集与管理。通过条码的运用，企业可以对生产、销售、采购等各个环节进行精准追踪，确保数据的准确性和及时性。同时，条码工厂的建设也有助于提高企业的运营效率，降低管理成本，为企业的数字化转型提供有力支撑。 4、建设数字空间   成功实现数据的流程化、规范化之后，可以把数字化过程拆解为业务模块、技术基座、数字化能力三个板块。在具体场景上面，我们可以把企业的所有系统当作一个完整的数字空间进行讨论。 在制造业企业中，整个现实空间可划分为办公室空间与车间空间，分别对应着办公数字空间和生产数字空间。 办公数字空间主要体现为企业办公数字化能力的全面提升，以 OA 板块为代表。这里的 OA 并非仅仅局限于传统概念，而是涵盖了整个企业办公数字化的各个方面。 生产数字空间的上层围绕着 ERP 系统。企业需要将 ERP 的数据对接出来，在生产执行系统中运转，完成后再导回 ERP，以满足管理层和计划层的应用需求。 在执行层面，需部署 MES（制造执行系统）、WMS（仓储管理系统）、TPM（设备管理系统）、QMS（质量管理系统）这四个板块，从而提升数字工厂的建设水平。 最后，在工控层，企业还应建设设备互联平台、移动条码打印平台、人脸考勤平台等自动化控制系统，并与上方的生产数据打通。 5、进行数仓建设/BI阶段。   通过上述步骤，此时的企业的数字化转型已经完成了一大半，换句话说就是，现在的企业数字化程度达到了一定的水平，但大部分企业就会面临着数据孤岛的难题，所以此时，企业需要具备将所有系统的数据抽取出来进行清洗，并最终汇总到一起进行集中提取分析的能力。 当前，企业数字化建设的重点在于底层数据建设与数据价值应用，这需要通过建设数仓和 BI 来实现。 总的来说，数字化转型是每个企业提升竞争力的必经之路。企业如果不能及时进行有效的数字化转型，则很可能会被市场淘汰。因此，积极拥抱新技术，用数据驱动业务增长，是如今企业生存发展的关键。 更多行业相关的数字化转型方案，可以扫描下方卡片具体咨询：

前言： 01 《毕马威数据资产运营白皮书》探讨了数据作为新型生产要素在企业数智化转型中的重要性，提出了数据资产运营的“三要素”（组织与意识、流程与规范、平台与工具）和“四重奏”（数据资产盘点、评估、治理、共享）框架，并通过多个行业案例展示了数据资产运营在促进企业数字化转型、提升业务效率和创新商业模式中的实践应用和价值。报告强调了数据资产运营对于企业长远发展的战略意义，并提出了构建和优化数据资产运营体系的建议。 目录： 02 报告亮点一览：   03

而今，越来越多的人习惯选择乘坐飞机出行。但随着航空旅客数量的激增，传统机场的运营模式难以负荷高强度的航班调度、安全监管、高质量的旅客服务等等。这就需要一个全新的解决方案，于是，“智慧机场”应运而生。 但是，建设智慧机场并不是一件容易的事，作为一个复杂的运营系统，机场每天要处理大量的数据，如何有效地整合和分析这些数据，是一个大问题。如何建设智慧机场？智慧机场的未来趋势如何？下面，大师兄就带大家深入探讨这些问题： 什么是智慧机场 智慧机场，简单来说，就是利用各种高科技手段，比如人工智能、大数据、物联网等，来提升机场的运营效率，保障安全，同时给旅客带来更舒适便捷的出行体验。智慧机场的核心，就是“智慧”二字。这不仅仅是一些智能设备的简单堆砌，而是一个全方位、立体化、智能化的系统工程。它涉及到机场运营的方方面面，从航班调度、安全监控、旅客服务，到后勤保障、环境管理等等。 举个例子，你有没有在机场等行李等得不耐烦的经历？而智慧机场通过智能行李管理系统，可以大大缩短你的等待时间。行李从托运到上飞机，再到到达目的地传送带，整个过程都可以通过智能系统追踪，实时更新状态。 智慧机场的未来趋势 1、高度集成的信息技术应用 智慧机场的未来将建立在高度集成的信息技术之上。这意味着机场的各个系统，如航班信息、旅客服务、安全监控等，都将通过一个统一的平台进行管理。这样的集成不仅能够实现数据的无缝共享，还能提高决策的科学性和响应速度。简单来说，就是让信息流动更加顺畅，让决策更加迅速和精确。 2、旅客体验的持续优化 旅客始终是机场服务的核心。未来的智慧机场将更加注重旅客体验的优化。这包括提供个性化服务，比如根据旅客的偏好推荐服务；部署更多的自助服务设备，如自助值机、自助行李托运等，减少排队时间；以及利用智能导航系统帮助旅客快速找到登机口和机场设施。这些措施将大幅提升旅客的满意度和忠诚度。 3、安全与效率的双重提升 安全是机场运营的基石。智慧机场将采用先进的监控系统和风险评估工具，以实现更高层次的安全保障。同时，通过优化航班调度、行李处理等关键流程，智慧机场将极大提高运营效率。这就好比给机场装上了一个聪明的大脑，让它能够预见并解决潜在的安全和效率问题。 4、大数据分析的深化 大数据将继续在智慧机场的运营中发挥核心作用。通过对旅客行为、航班动态、天气模式等大量数据的分析，机场管理者可以更准确地预测和应对各种情况，从而提高运营效率和旅客满意度。 5、人工智能的深度融合 人工智能（AI）将在智慧机场中扮演越来越重要的角色。从智能客服机器人提供多语言咨询，到利用机器学习算法优化航班调度和减少延误，AI的应用将无处不在。 智慧机场建设方案 1、数据整合与分析平台搭建 智慧机场的建设，首先得从数据入手。我们需要一个强大的决策支持系统，它能够处理和分析海量的数据，为机场的运营提供科学的决策依据。说白了，就是得有个“大脑”，能告诉我们哪些地方做得好，哪些地方需要改进。 为了支撑决策，我们需要收集机场运营中的各种数据，包括航班动态、旅客流量、安全监控等信息，为后续的分析和决策提供支持。举个例子来说，青岛航空通过FineReport搭建数据分析决策平台，实现了内部自下而上、自上而下的管理结合。他们将销售数据、财务数据、客户数据等进行收集整理，并按照一定的主题展示。例如：建立销售趋势实时报表来预测公司的销售情况，为公司其他部门提供依据。 2、智能化旅客服务系统 智能化旅客服务系统是智慧机场建设中的重要组成部分，它通过利用先进的信息技术，提供个性化、高效率的服务，从而提升旅客的出行体验。首先，需要收集和分析旅客数据，包括旅客的出行习惯、偏好、历史飞行记录等。利用收集到的数据，创建旅客分布图，这有助于机场管理者和航空公司了解旅客的流量和流向，从而更科学地规划航线和优化航班安排。此外，可以根据旅客的个人信息和行为数据，提供个性化的服务推荐，如餐饮、购物、休息室使用等，增加旅客满意度。 3、安全监控与应急响应系统 智慧机场必须具备强大的安全监控能力，和应急响应系统，能够在紧急情况下迅速采取措施。青岛航空利用Finereport动态报表与FineBI的调度邮件功能实时监控和分析关键业务指标。通过对数据进行实时分析，预测并防范潜在的安全威胁。 结语 随着技术的不断进步和创新思维的不断涌现，智慧机场正逐渐从概念走向现实。它不仅将重塑旅客的出行体验，还将极大提升机场的运营效率和安全水平。大师兄相信，智慧机场将继续作为航空业的重要发展方向，引领我们进入一个更智能、更便捷、更安全的航空新时代。期待智慧机场的建设，能够为机场管理者提供更加科学和高效的决策支持，并为旅客提供更加个性化和舒适的服务。 作为在市场中排名前列的的数据可视化软件，FineVis已经整合了数据源、超强模板编辑器、丰富的模板素材资源。其次，它支持低代码快速搭建3D场景，提升了数据可视化的效率和价值。感兴趣的朋友可以扫描下方二维码去试一试。                                                   扫描二维码 即可获取更多智慧系列模板

随着数字技术的不断发展，使用商业智能BI工具进行费用专项分析成为了提高企业财务管理效率的有效手段。BI工具能够快速处理和分析大量数据，提供实时的洞察和可视化的报告，帮助企业快速识别成本节约的机会，优化预算分配，提高运营效率，灵活应对市场变化，从而在激烈的市场竞争中保持领先。 本文将深入探讨财务分析的三个阶段，并分析如何运用商业智能BI工具进行费用专项分析，以实现企业的成本节约和效率提升。在本文中，我们将实操如何运用BI工具，进行费用专项分析，体会BI工具如何帮助企业实现成本的精准控制。 文章开始前先送大家一份BI项目的搭建指南。扫描下方二维码即可免费领取。 企业财务分析的三个阶段 财务分析有三个阶段：从Excel基础操作，到电子报表的自动化，再到BI的智能化分析。每个阶段都有不同的特点和表现。 1、财务分析1.0——EXCEL 这个阶段的分析流程往往是管理层提出分析需求，财务人员响应需求去多个财务业务系统里人工导入、导出 Excel，再通过Excel计算得出结论，做成精美的PPT呈现给管理层。 这一阶段的问题显而易见：效率低下、容易出错，且难以与业务数据融合。财务人员需要花费大量时间精力去核对数据和公式，甚至需要与业务部门重新对齐数据口径。 2、财务分析2.0——电子报表： 随着数字化程度的提高，财务分析也进入了电子报表阶段。随着IT人员的介入，数据可以通过接口自动获取，生成固定格式的报表和看板，极大地提升了财务人员的工作效率。 在这一阶段，经常对话的两个角色变成了IT人员和财务人员。然而财务和IT在企业内存在天然的沟通壁垒，时常会出现效果与预期不符、无效分析的情况。分析过程反复、繁琐，且低效，可以说，电子报表解决了财务分析的效率问题，但是遗留了分析及时性的问题。 3、财务分析3.0——自助式BI分析工具： 在这一阶段，IT人员帮助进行数据治理，将数据抽取、保存到BI平台里，而财务人员则可以自主地在BI中进行数据处理、分析和看板搭建。 这个阶段既解决了Excel阶段效率低下的问题，又解决了电子报表阶段反复沟通、开发导致的及时性问题。除此以外，通过BI工具实时更新的经营分析报告、风险预警指标等，财务能够及时识别到异常数据，告知业务及时关注。 总结而言，BI给财务分析带来的变化可以概括为：提效、保质、赋能三个词。值得额外强调的一点是，BI工具保证了分析步骤的可追溯和可协作，这是Excel和电子报表很难做到的一点。在BI中，数据分析过程清晰可见，多人协作分析的时候不仅可以共享分析逻辑，还便于分析人员检查准确性。 值得一提的是，FineBI是一款功能强大的国产商业智能工具，它可以完美适配多样化的复杂数据可视化场景，从揭示数据分布的细节，到追踪时间序列的波动，再到呈现地理信息的可视化，FineBI均能呈献专业而高效的处理方式。同时，Fine BI门槛较低，无需深厚的编程基础即可上手。 现在，让我们将焦点对准一个具体的实例，探究BI如何在财务分析中发挥作用。今天的实操案例是基于FineBI进行费用专项分析，识别成本节约的机会，优化企业资源配置。 财务分析实操：基于FineBI的费用专项分析 1、分析背景与问题识别 在年初编制预算时，我们注意到房租费用异常高昂，且在过去三年里持续增长这一问题，因此需要对房租费用进行多维度的深入分析。如果只关注财务数据，那么我们可以识别出哪些团队、哪些人员存在房租金额过高的问题，但是我们无法挖掘出这背后的原因：有哪些因素导致了这些团队和成员的房租过高。 通过对同期数据进行对比，我们发现去年的租房费率相较21年有显著降低。但是若与同业数据进行对比，则仍然存在着降本优化的空间。 2、数据整合与多维度分析 正如前文所述，只有融入业务的财务数据才能提供更多价值。因此我们获取了和房租费用相关的一些业务数据，比如项目金额、项目签到率、押金支付/回收额、租房城市等多个维度进行分析。 值得一提的是，差旅费用作为主要支出之一，其优化对企业成本节约至关重要，我们同样可以对机票、酒店、火车和打车等模块进行细致的分析来寻找降低差旅费的方法。 （1）通过分析员工入住的酒店类型，可以与主要集团酒店协商以获取更优惠的协议价，确保公司能够在保持服务质量的同时降低酒店成本。 （2）识别出某平台的单里程均价远低于市场平均价，则可以引入该平台的企业版，既降低了费用也方便了员工。 （3）根据分析显示，提前一天预订机票可享受更高的折扣。基于这一发现，我们可以鼓励员工提前规划行程。当发现存在超标预订的情况时，我们可以通过系统限制超标座位等级的预订以符合公司政策。 FineBI通过快速抽取数据，快速进行数据处理，能以最高效的方式搭建一个实时更新的分析看板，形成分析专项。借助FineBI组件中联动下钻的功能，我们可以进一步挖掘有异常的数据，深度分析其背后的原因。我们可以发现导致了大额浪费的两个因素：其一是租房空置率过高，即所租的房子每个月都在支付房租，但实际却无人入住或对应的租房项目无签到记录；其二是押金未退情况严重，即业务人员在租房后没有追回押金。 3、问题解决与制度更新 洞察到这两个因素后我们采用专项的方式解决问题，全流程追踪闭环该问题。通过搭建对应空置率和押金退还情况的看板，针对历史问题定期开专项会复盘空置率降低的比例和追回押金的比例。 此外，还可以通过FineBI搭建实时数据监控系统，在分析仪表盘清楚地关注到费用的目标值、当前值以及指标完成度情况。当费用高于目标值时，业务部门数据可以直接推送财务人员，财务人员进入分析仪表盘后可以通过联动功能定位到存在问题的部门、地区或者个人，从而进一步追踪并解决问题。 总结 在本文中我们深入探讨了费用专项分析的全过程。从数据的初步收集到深入的分析洞察，再到最终的策略制定和执行，每一步都是企业节约成本、提升效率的关键。通过FineBI工具的强大功能，我们不仅能够揭示隐藏在数字背后的问题，还能够预测未来的财务趋势，为企业的决策提供坚实的数据支持。 帆软软件深耕数字行业，能够凭借强大的产品，为企业快速搭建报表系统与数据分析平台。旗下产品FineBI——市场占有率第一的BI数据分析软件，旨在帮助企业的业务人员充分了解和利用他们的数据，加速企业数字化转型，提升市场竞争力。得益于FineBI强劲的大数据分析功能，用户只需简单拖拽便能制作出丰富多样的数据可视化信息，自由地对数据进行分析和探索。 若想了解更多数据分析相关方法和知识，您可以点击下方阅读全文链接，免费使用数据分析工具FineBI，让数据释放出更多未知潜能！

在当今数据驱动的世界中，许多企业使用实时数据仓库来满足其分析和商业智能 (BI) 需求。这使他们能够做出更好的决策、推动增长并为客户提供价值。 数据仓库是一种数据存储和管理系统，其设计目标只有一个：管理和分析数据，以实现商业智能。实时数据仓库在此基础上更进了一步，它能够存储实时数据，并允许您几乎即时地分析这些数据。 在本文中，我们将深入探讨实时数据仓库是什么、其架构以及它们与常规数据仓库的区别。我们还将讨论实时数据仓库的最佳用例，并讨论您的企业可能需要实时数据仓库的原因。 开始之前给大家分享一份《数据仓库建设方案》，包含了数仓的技术架构、数仓建设关键动作、数仓载体/工具、配置参考、大数据场景支撑案例等内容。限时免费下载！ 什么是数据仓库？   让我们从基础开始，谈谈数据仓库。你可以把它想象成一个巨大的阁楼，你可以把所有有价值的数据都存放在那里。但数据仓库不仅仅是存储东西，它还旨在帮助你理解所有这些数据。 从技术角度来说，数据仓库是一种信息系统，用于存储和组织来自多个来源的数据以获得有用的业务洞察。它是任何大规模分析或 BI 项目的核心。 MySQL 和 MongoDB 等传统数据库非常适合日常运营。但在分析大量数据时，这些系统可能会变得非常缓慢且效率低下。这就是数据仓库的作用所在。 数据仓库专为分析而设计，而非交易。它们通过将数据转换为用户可随时获取的有用信息来高效地完成分析。它独立于公司的运营数据库，允许访问可用于决策的当前和历史数据。 在数据分析方面，数据仓库可以节省大量时间并提高性能，减少响应时间并提高查询性能。 数据仓库可以有各种架构，但最常见的是三层架构，由底层（数据存储）、中间层（联机分析处理或 OLAP 服务器）和顶层（前端客户端层）组成。 在这个架构中，底层存储已清理和转换的数据，而中间层向最终用户呈现数据库的抽象视图。顶层通过查询工具、报告工具和分析工具等工具提供对数据的访问。 数据仓库通常以主题为导向，可以分析有关特定主题的数据。它们为来自不同来源的不同数据类型带来一致性，并且数据稳定且不变。它们也是时变的，可以检查随时间而发生的变化。 简而言之，高效的数据仓库提供快速的查询时间、大量的数据吞吐量以及转换数据以获得不同见解的选项。 什么是实时数据仓库？ 实时数据仓库允许您实时处理数据，让您快速了解业务运营情况。您可以轻松访问最新信息。无需再等待批处理或处理过时的信息。 借助实时数据仓库，您可以掌控业务并快速做出明智的决策。这种快速处理的秘诀是使用实时数据管道。有许多开源和托管解决方案可用于设置实时数据管道。如果您正在寻找可扩展的解决方案，FineDataLink提供实时数据管道功能。 这些管道快速高效地将来自不同来源的数据传送到您的数据仓库，让您可以在一个集中位置访问所有数据。然后，实时数仓会快速处理这些数据，让您根据准确且最新的信息做出明智的决策。 虽然实时数仓与传统数据仓库有很多共同之处，但数据采集和处理的规模不同。数据到达仓库的速度更快，到达后立即进行转换，使查询更加高效 查询速度也更快。如果数据有错误需要纠正，则需要在保存数据之前立即进行纠正。 简而言之，实时数据仓库高效、快速，让您保持领先地位。虽然这种类型的数据仓库可能难以维护，但只要具备适当的功能，就可以高效地完成。 实时数据仓库与传统数据仓库 传统数据仓库和实时数据仓库听起来可能相似，但它们有一些关键的区别。 传统数据仓库存储并整合组织的所有历史数据。这些数据随后用于制定业务决策。 尽管传统数据仓库提供了从多个来源收集的组织数据的综合视图，但基于数据的任何分析都呈现了过去的状况，可能是数据加载时几天、几周甚至几个月的情况。 实时数据仓库更进一步。除了提供所有历史数据外，RTDW 还能满足日益增长的及时数据需求。 实时数据仓库中的数据会不断刷新，从而在分析数据时提供组织当前状态的更准确的图像。 因此，企业可以对新出现的信息做出快速反应，并根据最新数据做出更好的战略和战术决策。 比较传统数据仓库和实时数据仓库时，一些主要区别包括： 传统数据仓库仅定期存储数据，而实时数据仓库则实时存储数据。 传统数据仓库可以接受每日、每月或每周的数据并发，而实时数据仓库仅接受几分钟内可用的最新数据，而无需对加载过程或数据模型进行大量更改。 传统数据仓库只能用于长期决策，而实时数据仓库既可以用于长期决策，也可以用于短期决策。 由于实时数据仓库中的数据比传统数据仓库中的数据更新鲜，因此更容易将数据与业务决策结果关联起来。 实时数据仓库要求在不关闭数据仓库的情况下持续更新数据。传统数据仓库通常不需要这样做。 综上所述，数仓建设是企业数据管理和决策支持的关键环节，在实践中，企业需要根据自身业务需求和数据规模，选择合适的数仓建设方案和技术方案，以提高企业数据资产的价值和利用效率。 FineDataLink——小到数据库对接、API对接、行列转换、参数设置，大到任务调度、运维监控、实时数据同步、数据服务API分享，另外它可以满足数据实时同步的场景，应有尽有，功能很强大。如果您需要进行实时数仓建设，帆软FDL会是您的最优解。

先说结论，有。 作为一个数据分析师，我经常利用数字孪生技术生成的数据来辅助分析工作，并帮助企业更好地理解和洞察数据。数字孪生的实用价值在于能够提供一个虚拟环境来模拟、测试和优化物理实体的性能，降低成本风险，提高决策效率。在智能工厂、智慧城市、医疗健康等领域，数字孪生技术都发挥着重要作用。 什么是数字孪生 数字孪生（Digital Twin）是一种通过数字化技术创建物理实体的虚拟模型，用于模拟、分析、预测和优化其物理对应物的性能和行为。简单来说，数字孪生就像是真实物体的“数字影子”，它可以帮助我们更好地理解、控制和管理真实物体。而且，因为数字孪生是虚拟的，我们可以用它来做各种实验，而不用担心损坏真实的物体。 数字孪生的应用场景 企业在寻求数字化转型的过程中，往往需要一种直观且易于操作的工具来模拟、测试和优化其业务流程。我平时工作中就经常会用到数字孪生搭建工具FineVis，帮助企业更深入地理解业务流程和发现潜在问题。FineVis采用零代码配置，通过拖拽组件和配置参数就能快速构建数据可视化大屏。里面提供了大量免费模板，可以满足不同场景下的数据展示和分析需求。例如，在智能工厂、智慧城市、医疗健康等多个领域，数字孪生技术都可以辅助实现对业务流程的实时监控和管理。 1.智能工厂的数字孪生应用 实时监控：FineVis连接工厂内多个传感器和数据源，实时反映机器的运行状态和生产效率，使管理者能够从远程监控整个生产流程。 故障预测与维护：利用机器学习算法，分析历史和实时数据，预测潜在的设备故障，从而在问题发生前进行维护，减少停机时间。 生产优化：通过模拟不同的生产场景，帮助工程师评估变更对生产的影响，优化生产调度，提高资源利用率。 2.智慧城市的交通管理 交通流量监控：集成城市交通摄像头和传感器数据，创建交通流量的数字孪生模型，实时监控交通状况。 事故预防与响应：通过分析交通模式和预测潜在的拥堵点，帮助城市管理者制定预防措施，快速响应交通事故。 智能交通规划：结合城市发展数据，模拟交通规划方案，为城市规划者提供决策支持，优化交通基础设施建设。 医疗健康领域的数据监控 医院监控指挥中心：实时监控医院内各个部门的运作情况，包括急诊室、手术室和ICU等关键区域。 患者健康数据展示：通过数据可视化技术，将患者的健康数据以图表形式展示，帮助医生快速把握患者状况。 医疗设备管理：实时监控医疗设备状态，预测维护需求，减少设备故障和停机时间。 以上案例就是出于FineVis，感兴趣的朋友可以扫描下方二维码，体验工具，获取更多具体案例和模板！ 扫描二维码即可体验FineVis 获取模板 数字孪生的价值 1. 创新与效率提升   数字孪生技术通过集成IoT（物联网）、VR（虚拟现实）等前沿工具，使得企业能够在虚拟环境中测试和验证新方案。这种方法极大地加速了产品从概念到市场的开发过程，同时降低了与实体原型制作相关的成本和时间。数字孪生提供了一个实验场，让创新的想法可以在没有物理限制的情况下快速迭代，从而提高了整体的工作效率。 2. 数据驱动决策   在数字孪生模型中，数据采集和分析是核心组成部分。通过对实体产品或系统的性能数据进行深入分析，企业能够更加精确地理解产品的实际表现，并据此做出更加明智的决策。此外，数字孪生还能够模拟不同的操作环境和条件，预测产品在未来可能的表现和市场趋势，帮助企业在资源配置和战略规划上做出更加科学的决策。 3. 成本节约与持续改进   数字孪生技术通过模拟和分析，帮助企业在产品设计和生产流程中发现潜在的问题和改进点。这使得企业能够在产品投入市场之前，优化设计，减少浪费，从而节约成本。同时，数字孪生支持持续的流程改进，企业可以根据模拟结果不断调整和优化生产过程，提高效率和产品质量，增强市场竞争力和客户满意度。 尽管存在数据采集和整合的挑战，但随着区块链等技术的发展，数字孪生有望打破信息孤岛，进一步释放数据价值。未来，数字孪生将更注重生态系统整合，为企业提供宏观运营洞察，如在智能工厂和智慧城市建设中实现生产流程优化和交通管理效率提升。 总体而言，数字孪生技术正向更深层次、更广领域发展，为各行业带来革命性变化，成为推动社会进步和创新的重要力量。随着技术的不断成熟和应用场景的拓展，数字孪生的未来发展充满无限可能。 说了这么多，数字孪生的具体效果如何，想了解的可以亲自去体验以下，通过数字孪生搭建工具，零基础也能快速搭建数据大屏。这边Demo库里提供了大量免费使用的模板，可以自行尝试： 扫描二维码 即可获取可视化大屏模板

智慧水务是利用物联网、大数据、人工智能等信息技术手段，对水资源进行全生命周期的管理和优化，实现水资源的可持续利用和节约，提高水资源利用效率和水环境保护水平的一种水务管理方式。 智慧水务的基本架构 这张图说明了智慧水务的基本架构，包括感知层，传输层，数据层，应用层。 水务数据经由感知层设备采集，通过传输层网络汇总至数据层，物联网数据采集中心对其进行采集整编，交由大数据分析模块进行分析，最终于应用层将分析结果进行可视化展示，辅助进行水务相关的管理与决策行为。 智慧排水方案 1、排水管网“一张图” 以前需要大量人力，不同的数据表格来表现的水务数据，现在采用GIS技术可以直接远程控制，并大屏上直接精准而高效地对整个排水设施进行智慧化的管理。 这是通过工具FineVis做的3D数字孪生水厂管理大屏，这样的可视化的方式来有机整合水务管理部门设施，形成“水务物联网”。 此场景，对两个主要业务模块：制水、供水场景进行分析管控， 同时展示了电量消耗数据。既展示领导关注的核心指标，辅助决策，也列出业务人员的关键过程指标。 不同的区域的水厂和水库数量可以一清二楚，管理者可以一屏统筹全局。 2、指挥调度 根据污水处理厂日常进水量与机埠水量数据，合理调配机埠污水输送至污水处理厂；汛期或发生突发性降雨时，可接通市应急指挥中心，及时处理处置城市内涝事件。 3、管网三维展示 接入地表三维模型，建设地下管线三维模型和管线管理分析系统。 基于管网GIS系统可视化展示了管线总长，压力仪数，水质点数等。实时更新出管网监测点数据， 同时实时更新划分区域的漏损率排行，夜间最小流量等指标。并且可以自动预警对于不合理的管网配置。 通过数字技术，直接映射现实世界中的管线分布状态，按照不同功能的管线用颜色可视化反应管线，直观又清晰。通过FineVis的插件简单生成的3D管线，管理者对于管线的分布和运行状态一目了然。这样的大屏风格也可以切换，比如说可以切换为上图的写实风格，业务人员可以根据不同的方案需求来选择合适的风格。   4、排污监管 对机埠排放口排放污水的情况进行实时记录，对其它污染水质行为进行跟踪溯源，对河段负责人处理处置所负责河段的相关情况进行告知、通报、督导。 FineVis大屏展示了巡检养护的三大关键数据：累计巡检公里、累计保养次数、累计处理工单。可以及时督察工单完成情况，为用户 满意度提高指明方向。 感兴趣的朋友可以扫描下方二维码，体验FineVis工具，获取更多具体案例和模板！                                                 扫描二维码 即可体验FineVis获取模板！ 5、辅助决策 机埠以及调蓄池、生态滤池的联动；治理工程的规模及控制参数；重点城市水体的污染治理要求等。   6、绩效考核评估分析 对多项关键数据信息进行多位展示分析，逐项分解细化考核指标，最终实现四个水安全的考评目标。 此外，在经营数据分析层面，智慧水务也大有用处！ 此大屏由FineVis制作，展示了营收四大关键数据：售水总量、应收水费、实收水费及水费回收率。同时根据用水数据，分析出各渠道用水量排行，统计出各月欠费逾期时长及水费支付方式占比。通过更好的得出提高实收与应收的差值， 分析出用户的诚信等级，更好的提升水费回收率。   7、协同治理 建立以监管中心为核心，市政、排水、污水处理厂、河湖长等相关部门实时沟通和协作，且权责分明的监管流程。   总结 既然对智慧水务的架构有了基础的认知，还要配合合适的工具，大屏工具软件FineVis可以非常高效的打造数字孪生，零代码使用友好，感兴趣的可以去了解一下。总而言之，智慧水务相当于在水治理的各个方面加上了智能传感器，实现对水务管理的全面感知，并利用各种数据对水环境，水安全等作出智能化决策，让水务管理更加智能化。                                                    扫描二维码获取更多智慧系列模板！

企业数据仓库架构 关于数据仓库，有一种简单粗暴的说法，就是“任何数据仓库都是通过数据集成工具连接一端的原始数据和另一端的分析界面的数据库”。 数据仓库用来管理企业庞大的数据集，提供转换数据、移动数据并将其呈现给终端用户的存储机制。许多架构方法以这样或那样的方式扩展数据仓库的能力，我们讲集中讨论最本质的问题，在不考虑过多技术细节的情况下，整个层次架构可以被划分为4层： 原始数据层（数据源） 数据仓库架构形态 数据的采集、收集、清洗和转换 应用分析层 开始之前给大家分享一份《数据仓库建设方案》，包含了数仓的技术架构、数仓建设关键动作、数仓载体/工具、配置参考、大数据场景支撑案例等内容。限时免费下载！ 单层架构（直连） 大多数情况下，数据仓库是一个关系型数据库，包含了允许多维数据的模块，或者分为多个易于访问的多主题信息域，最简单的数据仓库只有一层架构。 单层架构就以为着数据仓库与分析接口直接连接（直连），终端用户可以直接查询。但简单有其弊端和适用性： 传统上数据仓库的存储从 100GB 起，直连可能会导致数据查询处理速度慢，因为要直接从数据仓库查询准确的数据，或者是准确的输入，过程中要过滤掉很多非必要数据，这对数据库以及前端BI工具的性能要求相当高，基本性能不会太高。 另外，在处理复杂维度分析时性能也受限，由于其缓慢性和不可预测性，很少应用在大型数据平台。要执行高级数据查询，数据仓库应该在低级实例下被扩展从而简化数据查询。 两层数据架构（数据集市层） 两层架构就是在前端应用层和 EDW 层增加了数据集市层。数据集市是包含特定主题域信息的低级别存储库。简而言之，它是一个在特定主题（例如销售、运营、市场等）下延伸了 EDW 的较小数据库。 这种方式解决了部门级数据查询和分析的问题，每个部门都更容易访问到所需数据，因为每个集市仅包含给定域信息，另外，数据集市限制了终端用户对数据的访问范围，设置了一道数据权限。但是创建数据集市层需要额外的硬件资源，并集成它与数据平台其他的数据库。 三层架构（OLAP） 在数据集市层之上，我们通常会使用联机分析（OLAP）处理多维数据集（cube）。OLAP 数据集是一类从多维度描述数据的特定数据库。关系型数据库只能表示二维数据，而 OLAP 允许在多维度下编译数据并且在维度之间移动。 OLAP专用于维度建模数据的分析，然后通过BI将OLAP的结果以图表的方式展现出来。 OLAP 的业务价值在于允许对数据进行切片、切片以多维度分析，以提供对所有企业数据或特定数据集市的访问，现在基本已成为主流的架构应用。 以下这张架构图使用最广泛的体系结构，它由顶层、中层和底层组成。 底层：数据仓库服务器的数据库作为底层，通常是一个关系数据库系统，使用后端工具将数据清理、转换并加载到该层。 中间层：数据仓库中的中间层是使用ROLAP或MOLAP模型实现的OLAP服务器。对于用户，此应用程序层显示数据库的抽象视图，这一层还充当最终用户和数据库之间的中介。 顶层：顶层是前端应用层，连接数据仓库并从数据仓库获取数据或者API，通常的应用包括数据查询、报表制作、BI数据分析、数据挖掘还有一些其他的应用开发。 从功能应用和技术架构来展开，以下是一张中大型企业的很详细的数据仓库架构图了。 数据仓库的4层核心组件：底层源数据库（数据存储方案）、ETL、前端应用、还有OLAP服务。 数据仓库数据库 底层的数据仓库服务器通常是一个关系数据库系统(各种表关联的sql统计会更方便一些，非关系型数据库目前在这方面还是有所区别)。常用的方案有Oracle、db2、sqlserve 还有essbase、greenplum、teredata等数据仓库专业解决方案。 1、采用传统关系型数据库，或经过功能扩展的MPP数据库 ① 传统的关系型数据库有：oracle、mysql、DB2 ② 大规模并行处理数据库：Vertica、Teradata(商业)、Greenplum (开源) Teradata老江湖了，银行业使用较多，但成本也是真的贵，目前我们做项目较多的是用Greenplum，算是业界最快和最高性价比的高端数据仓库解决方案，Greenplum是基于PostgreSQL的，于2015年开源。我知道的国内四大行有3家在用，5大物流公司有4家在用，不少公司在从Teradata 迁移到 GP。 2、大数据平台架构：Hadoop+Hive 这套方案有多通用不用多说了，通常是这样的组合：TB级数据用PG，百TB级数据用GP，PB级i上数据用Hadoop。 下面整理了一张传统数据仓库架构、GP还有Hadoop大数据平台的对比图。   采集、收集、清洗和转换工具(ETL) 数据来源、转换和迁移工具用于执行将数据转换为数据仓库中的统一格式所需的所有转换、摘要和所有更改，它们也称为提取、转换和加载工具。其功能包括: 1、抽取 全量抽取：适用于数据量小且不容易判断其数据发生改变的诸如关系表，维度表，配置表等 增量抽取：适用于数据量大，为了节省抽取时间而采用的抽取策略 2、清洗 空值处理：将空值替换为特定值或直接过滤掉 验证数据正确性：把不符合业务含义的数据做统一处理 规范数据格式：比如把所有日期都规范成YYYY-MM-DD的格式 数据转码：把一个源数据中用编码表示的字段通过关联编码表转换成代表其真实意义的值 数据标准统一：比如在源数据中表示男女的方式有很多种，在抽取的时候直接根据模型中定义的值做转化。 3、转化和加载 转换：用ODS中的增量或者全量数据来刷新DW中的表 加载：每insert数据到一张表都可以称为数据加载 关于ETL工具的选型，这里罗列了一张对比表，基本囊括常用的ETL工具。 前端应用工具 数据仓库平台的搭建，最终是为了梳理出有用数据、提供有价值信息，帮助业务做出正确决策。 前端应用工具主要就是和数据仓库不同环节的数据交互，这些应用一般可以分为4类： 数据查询和报表工具 BI即席分析工具 数据挖掘工具 各种基于数据仓库或数据集市的应用开发工具 其中数据分析工具主要针对OLAP服务器，报表工具、数据挖掘工具主要针对数据仓库。 1、数据查询和报表工具 通常用来生成一些固定类报表，自动化报表，支持打印和计算等大批量批处理作业。 流行的报表工具，在旧数据仓库时代主要是IBM的BO、Oracle的BIEE、还有微软和cognos，整体打包在数据仓库解决方案里，报表作为一个组件存在。但是随着传统型数仓，架构重成本贵，很多公司在项目上会自己考虑设计架构，而不是直接强套昂贵的解决方案，包括很多开源组件/平台的使用。 有关报表工具，现在项目上用的比较多的是帆软FineReport，针对不同企业数仓架构以及报表需求的适用性较广。比如对接各种数据库直接生成报表；对采集整理后的数据进行多维报表展现，支撑业务分析报表；对接集团性数据仓库，构建数据中心平台，形成决策分析平台。 2、BI即席分析工具 BI一般都集成了OLAP服务器和报表展示功能。分析型BI基于多维数据库的概念，能多维视角分析数据，通常是从数据仓库中抽取详细数据的一个子集并经过必要的聚集存储到OLAP存储器中供前端BI分析工具读取。 BI在前端通过拖拽数据字段，多维度实施展现数据，最终生成各种分析报告。常用的BI工具有PowerBI、Tableau、FineBI，还有开源的superset。个人使用多用前两者，企业项目上选型多用FineBI，因为要考虑性能、服务方案等。剩余就是自研或者开源，superset算是比较公认的开源BI。 BI工具做什么的不多说了，在项目选型的时候主要考虑上手难度（考虑没技术基础的业务用），数据处理性能，其他就是技术选型的事，还有成本。 3、数据挖掘工具 OLAP是将数据多维视角呈现分析，数据挖掘则是应用的算法来揭示数据的规律性，比如相关性、模式和趋势等。数据挖掘工具就是做这个的，它能让一些算法和过程自动化。 举个例子，比如银行里数据仓库以面向“客户”为主题进行数据的存储，OLAP可以实现数据按照客户的基本信息、储蓄账户信息、历史余额信息、银行交易日志等，以报表或者可视化的方式呈现分析，多方面掌握客户动态，发现数据的问题，更好的针对不同类型用户进行特定性营销。而数据挖掘则是通过历史数据建立模型，在拟合历史的基础上，分析未来趋势，判断哪些因素的改变将很可能意味着客户的最终流失，进而避免其发生。 常用的数据挖掘工具，R、Python还有SPSS，基本都是开源个人可用的。和BI和报表不同，市面上少有为客户提供定制化数据分析和挖掘的商业工具或者项目服务，因为行业性太强，需要非常熟悉业务、数据、平台，所以我见过基本都是自己养数据分析团队或者挖这类的人才。 4、应用开发 以上报表型、分析型的数据产品，但也会有延申出来的各种特定业务的数据决策系统，比如银行业基于管理层监控的的行长驾驶舱、零售业基于门店数据经营的决策系统，以及电商平台的营销参谋（输入营销目标及参数，比如要开展双十一母婴市场的促销活动，系统可以基于以往海量数据计算出应该选择什么品类的商品，在什么用户群中，以什么形式开展活动效果会更佳），都是基于这样的逻辑——基于业务深度应用。此时数仓就是提供一个服务平台的角色，比如现在很火的数据中台也大体是这个逻辑，将数据服务化，具体不懂就不班门弄斧了。 这样的服务，当然需要自己开发。 在这三层之间其实还有中间层OLAP服务器，典型实现为ROLAP模型或MOLAP模型。现在很多成熟的BI工具都是集成了OLAP服务器的，所以通常我们只需要选择ETL工具以及存储方案和可视化BI方案即可，所以OLAP本文也就不多讲了。

导言 帆软专家智库由帆软旗下机构「帆软数据应用研究院」创立，邀请来自不同领域的技术、业务和管理专家，旨在将各行各业优秀的数字实战经验，借助帆软平台分享给更多的中国企业。 今年，我们将持续邀请企业及咨询机构的知名行业专家、高校学者等共话数字化转型。 本期我们邀请到资深数字化专家  李向峰，从企业和技术视角，共同探讨 BI 未来新发展、新质生产力新概念，以及深入分析企业数字人才的特质和要求。 以下为专家智库与李向峰专家对话的精华内容： 未来BI新发展 Q：从您所在企业的角度，如何看待BI未来的发展趋势？ A：在BI领域， 存在两个很重要的部分：用数和取数。 首先在用数方面，第一个比较鲜明的特点就是可控性。从我所接触的客户的角度来看，BI 在发展的过程中，特别是在管理驾驶舱或者在可视化看板等应用层面，已经取得了显著的进步。从用户的角度来讲，他们对于可控性的关注日益增强。例如，目前在我为某央企实施的数字化企业大脑项目中，就提出除了能够洞察现在的问题并且把它展现出来以外，需要在发现了这个风险点的时候，能够踩住刹车按下暂停键。这就对 BI 提出了一个新的要求：有风险预警的阈值设定以后，如何去跟业务系统去对接？如何在业务系统里形成一个暂停的动作？此外，业务系统在执行过程中，是否进行了整改以及整改的情况如何，这都是各级领导希望了解的过程。所以这是用数方面的第一个趋势。 第二个趋势叫做智能化。随着业务场景的不断丰富和关联要素维度的增加，单靠人工去发现和洞察底层的风险点可能不够准确，因此需要数字化的支持。智能化能够通过数据挖掘，揭示数据背后的潜在逻辑或规律。 实际上在端面智能化方面，现在更多的肯定是AI和BI结合，目前业界针对AI和BI的结合，一种观点认为AI For BI，另一种观点则认为BI和AI是各自独立的。我个人认为还是AI FOR BI 更可取， 因为BI 总体来讲是实现了找数、取数、分析和呈现的一系列主要的功能，但是这些功能之中有很多需要去应用 AI 这样的工具和模型，来提高我们的易用性和效率。比如要去查某些指标，那么有没有一种可能是录进去以后就有指标的语义模型，让它帮我解构。 AI的应用空间很广，但实际和BI的交集是有限的，随意的加和反而达不到1+1>2的效果。就拿我现在服务的客户的角度来讲，他们实际上已经应用了很多的专业模型。比如像在大型工程当中的深基坑、高支模，它需要有很丰富的环境要素采集以后，用专业的判断来预见可能的一些场景风险。虽然会涉及到一些数据与风控模型，但是和BI的组合成本大，效果也无法保证。 在取数方面，未来的趋势是更精准和简洁。在之前的客户现场，我们遇到了许多特殊环境下的场景，业务人员面临新问题时，希望能够通过场景分析来定义问题，并选择合适的分析工具以得出结论。这个过程需要两个支撑：一是分析工具的智能化，即无代码化，能够实现拖拉拽等功能；二是需要精简数据处理流程。当前的数据处理流程较长，并且需要专业数据工程师的参与。一些服务商也在做这方面的尝试，利用数据编织技术简化这一过程，通过数据逻辑平台直接从数据源获取分析所需数据，用户可以更精简地找到所需数据，无需专业数据工程师也无需进入数仓。 新质生产力新概念 Q：如何理解新质生产力以及它和数据生产力之间的关系？ A：新质生产力有一个基本概念——劳动者、劳动资料和劳动对象通过优化和组合实现质的飞跃，从而显著提升生产效率。 以滴滴出行模式为例，劳动者是驾驶员，劳动资料包括出租车、私家车及网络平台，而劳动对象则是乘客。这三个关键要素通过数字化实现了优化组合，产生了质的变化和飞跃。首先，这些要素被颗粒化并数字化，使得它们能够连接起来适应不同场景，实现共享、组合和编排。不同的人在不同的环境下使用车辆，这就要求系统能够进行有效的编排和组合。其次，通过计算机大脑或者数字化大脑进行算法运算，实现对服务的优化。因此，数字化是实现质变和飞跃的关键，在算法的支持下它使得要素能够连接、共享。 总的来说，无论新质生产力的定义如何，数字化都是其最重要的内容，它是底层赋能的基础。无论是新能源、双碳或低碳要求，还是新兴行业的出现，数字化的底座和基础是不可或缺的。通过数字化，我们才能够真正为新的要素赋能。 数字人才新趋势   Q：您认为企业中数字人才应该有什么特质？ A: 当前我们正身处数字经济时代，AI、大数据等新技术层出不穷，几乎每天都涌现出新的概念。智能手机也已经深入到我们生活的各个角落。不久的将来，AI、大数据、数据分析和数字化将如同智能手机一样，渗透到生产和业务领域的各个环节。面对这样的变化，一个现实问题是我们需要什么样的人才和能力来利用这些工具和数字环境带来的优势。 尽管有许多观点认为，未来企业将需要大量数字化人才，但我个人的看法是企业实际上并不需要如此多的数字化人才。随着数字化工具变得越来越易用和民主化，所有人都将能够像使用手机一样使用这些工具。未来业务场景中真正需要的是具备数字化思维和使用数字化手段的业务人才，而不是传统意义上的数字化人才。 此外，数字化人才的一个鲜明特点将是具备数字化思维能力和视角，以及使用数字化工具的能力。更重要的是，他们应该发挥自己的业务专长，充分利用数字化时代赋予的工具。目前，企业在数字化人才方面的判断普遍存在焦虑，因为他们看到许多成功的企业在数字化转型后取得了质的飞跃。然而当他们自己准备迈出这一步时，却发现缺乏相应的人才，因为他们往往还在局限于是否有软件开发人员、系统导入人员或者算法人员等传统观念之中。 Q：您认为帆软如何适应数字人才的新趋势以及向客户提供更好的内容和服务？ A：帆软本身拥有一款优秀的产品，围绕这款产品聚集了许多寻求数字化应用的客户。这个过程当中对他们有赋能、有培训，我觉得这是很好的一个切入点，有助于引导他们的业务团队形成使用数字化工具的氛围和能力。同时，这种数字化意识促使他们在工作场景中思考如何优化内容，拥有数字化意识和工具能力与没有这些素质所产生的改善方案和业务创新是完全不同的。他们需要能够站在数字化视角上，重新组合要素以实现创新性思维，并产出颠覆性的成果和价值。 第二点，由于有这样的客户群，在陪伴他们成长的过程中就会积累大量的案例和模型。帆软另一个重要的价值在于展示或贡献行业的通用模型。这些行业通用模型聚焦于特定行业，虽然不是普适的，但在行业内却是通用的。这使得客户能够第一时间站在巨人的肩膀上，进行个性化的创新。 第三点，我认为未来的数字化创新一定是业务驱动的。在业务场景中，驱动因素是业务人员，他们在场景中发现问题、定义问题。要寻找工具时，可能发现很重要的一个功能，那除了帆软的工具之外，其他生态伙伴还能提供哪些工具，让我们的客户能够有一个全图谱的工具箱来对他的业务进行改善和优化？我们的生态伙伴在会见客户时，也会将帆软的优秀产品带入他们的场景。因此如果我们要为客户创造一个环境，首先需要改变他们的意识，培养使用数字化工具改变现实的能力。其次，提供丰富的工具包，让他们知道如何使用这些工具进行改善。最后，提供好的起步模型，即行业的通用模型。 近期帆软研究院官方运营轻咨询模式，已吸纳不同行业不同领域（技术、业务和管理）百余位，为三百多家企业完善业务通路，提升数字化经营实力提供专属方案。若您有与专家面对面咨询交流的真实需求，欢迎扫描上方二维码提交，填写完成后，我们会进行信息初步审核，审核通过的首位客户，帆软将免费提供专家资源进行支持。

近年来，随着云计算、物联网（internet of things，IOT）、移动互联网、大数据、人工智能（artificial intelligence，AI）、5G网络、区块链等新一代信息技术的逐步成熟和广泛应用，信息化已成为推动现代化卫生健康服务体系建设、医疗服务模式转型与创新的关键动力，在此时代背景下，各种新模式、新业态、新技术、新服务不断涌现，不断提升着医疗服务和健康管理的能力和质量。 智慧医疗作为"健康中国"战略实施的重要支柱和保障，已成为我国卫生健康领域发展的主要趋势，旨在提升医疗服务的便捷性和健康管理的精准性，更好地实现患者与医务人员、医疗机构、医疗设备等之间的治疗或健康管理互动。 本文将集中讨论智慧医疗包含的内容，探索我国智慧医疗行业发展现状及前景，并推荐三位一体智慧医院建设、智慧医疗发展的数字化产品与解决方案。                                                     扫描二维码 即可获取更多智慧医疗模板 智慧医疗是什么？包括哪些方面？ 智慧医疗（WITMED）是生命科学和信息技术融合的产物，是现代医学和通信技术的重要组成部分。 智慧医疗的概念有广义和狭义之分：狭义的智慧医疗专指服务、医疗、管理"三位一体"的智慧医院建设；广义的智慧医疗囊括了整个卫生健康的行业服务范畴，既包括智慧医院，也包括智慧公共卫生、智慧健康管理、互联网医疗和远程医疗等。 目前国内外的智慧医疗研究和应用主要集中于大数据技术、人工智能技术、医用机器人与可穿戴设备四大方面。 大数据技术 将大数据的优势与大规模分析完美结合，应用于治疗的所有细节中，为医疗机构、医生、患者、制药科研人员或生命科学研究者提供了强大的平台。深度神经网络在图像识别领域的表现超过传统算法和人在图像识别领域的辨识能力。 人工智能技术 当前，人工智能在医学应用主要有以下7个场景——医学助理，包括电子病历语音输入、智能导诊等；医学影像，即病灶识别、二维重建等；疾病风险预测，包括风险筛查、预防干预等；患者管理，包括医患问答、随访管理等；辅助诊疗，包括疾病分类、用药推荐等；医学研究平台，即科研数据整合分析、大数据运算；药物研发，即化合物选、靶点预测等。 医用机器人 医用机器人是一种集成先进技术的智能设备，具备多种功能，包括手术辅助、远程手术、康复辅助、诊断辅助、药物输送、患者护理、教育训练以及手术过程记录等。通过这些功能，医用机器人能够提高医疗服务的效率、精度和安全性，为医护人员提供有力支持，同时改善患者的治疗体验和康复效果。 可穿戴设备 医疗可穿戴设备近年来逐渐用于医疗监护、家庭保健、睡眠分析、应急救护、航空航天、特殊人群监护、心理治疗等方面，提高了医疗资源共享效率，增强了紧急情况处理的及时性。 中国智慧医疗发展前景 中国智慧医疗政策导向 从2016年起，国家相关部门密集出台了有关智慧医疗方面的纲要性、规范性文件。例如： ►2018年4月，国务院办公厅印发《关于促进"互联网+医疗健康"发展的意见》，就促进互联网与医疗健康深度融合发展作出部署。 ►2018年7月，国家卫生健康委、国家中医药管理局联合印发《互联网诊疗管理办法（试行）》《互联网医院管理办法（试行）》《远程医疗服务管理规范（试行）》，进一步规范互联网诊疗行为，发挥远程医疗服务积极作用。 ►2018年9月，国家卫生健康委印发《国家健康医疗大数据标准、安全和服务管理办法（试行）》，以加强健康医疗大数据服务管理，促进"互联网+医疗健康"发展。 ►为持续巩固新冠肺炎疫情防控成果和改善医疗服务，加快推进线上线下一体化的医疗服务新模式，2020年5月，国家卫生健康委印发《关于进一步完善预约诊疗制度加强智慧医院建设的通知》，明确提出建设智慧服务、智慧医疗、智慧管理"三位一体"的智慧医院。 ►2021年6月，国务院办公厅印发《关于推动公立医院高质量发展的意见》，提出"强化信息化支撑作用"，推动云计算、大数据、IOT、区块链、5G等新技术与医疗服务深度融合。 ►2021年9月，国家卫生健康委、国家中医药管理局联合印发配套文件《公立医院高质量发展促进行动（2021—2025年）》，明确提出"到2022年，全国二级和三级公立医院电子病历应用水平平均级别分别达到3级和4级，智慧服务平均级别力争达到2级和3级，智慧管理平均级别力争达到1级和2级"，并能够支撑线上线下一体化的医疗服务新模式。 中国智慧医疗市场规模 2020年，新冠疫情推动智慧医疗的发展至少加快了3-5年，政府出台多项政策支持智慧医疗行业发展，预计未来五年，行业将高速发展。 数据显示，2021年，中国智慧医疗行业市场规模为436亿元人民币，年复合增长率达29.65%。未来，受益于政策利好及持续的需求，中国智慧医疗行业的市场规模仍将稳步增长，预计年复合增长率为37.29%，到2030年，中国智慧医疗行业市场规模将达到7193亿元。 帆软医疗大数据中心建设解决方案 帆软深入医疗产业链各环节应用场景，能够基于强大的底层数据仓库与数据集成技术，为医院提供智慧医院解决方案，集成各类数据、梳理指标体系，建立全面、便捷、直观的医院分析管理一体化的报表中心与数据分析平台，并为各单位负责人提供PC端、移动端等可视化大屏查看方式，提供医疗卫生服务+数据交叉领域的最佳实践。 医疗大数据中心应用场景 1. 院长驾驶室 院长驾驶舱可以帮助医院高层直观地查看各区域各机构的业绩和总运营状况，支持核心指标预期分析。 2. 医院专题分析 按门诊、住院部和各科室进行专题分析，通过数据发现医院运营问题。该驾驶舱支持依据某一异常指标进行下钻，直达科室、医疗组，清晰追溯医院运营问题。 3. 药品使用监控 协助医院建立药品采购和分配使用的标准化流程体系，从流程培训到执行督导，持续开展流程优化，提高医院药品相关工作的运行和监管效能。 4. 医院绩效考核 从医疗质量、运营效率、医患满意度等各方面对医院或各科室进行绩效评定考核，保证考核标准化和流程化，实现数据公开公正。 5. 医院3D模型 利用三维可视化和数据分析技术，开发基于地理位置的医疗大数据多维分析平台，为医院管理者提供辅助决策，优化资源配置，提高管理效率。 智慧医疗的建设如果有合适的工具就可以事半功倍，FineVis就是一个好用的智慧大屏工具，以上案例就是出于FineVis，感兴趣的朋友可以扫描下方二维码，体验工具，获取更多具体案例和模板！                                                    扫描二维码 即可体验FineVis获取模板 平台落地后为智慧医疗及智慧医院建设带来的好处： 1. 梳理数据资产，完善指标体系 建立运营数据中心，治理底层数据，确保数据源头的整洁性和高可用性，为数据资产的梳理提供了坚实基础； 建立了运营指标库，确保了全院统计口径的合理性和合规性，为未来的数据分析和决策提供了可靠的数据支撑； 为智慧可视化报表的生成与展示提供了夯实的数据基础。 2. 建立可执行的个性化的数据仪表板（Dashboard） 提供了针对不同管理层级的个性化数据仪表板，满足了不同管理者的需求，更加高效地监控和管理医院运营； 便于衡量只要有资源、努力和创造力投入就可以有所改变和解决的问题； 建立了数据驱动型决策与执行响应的联系，使医院能够更加迅速地根据数据变化做出相应调整，提高了运营的灵活性和效率。 3. 建立自动化决策模型 通过医院数据的全面追溯，建立了运营数据模型和预警体系，为医院的风险控制和运营决策提供了更强的支持； 利用机器学习技术自动调整影响因子，实现了运营决策的自动化和智能化，提高了决策的准确性和效率。 这些措施不仅提升了医院的管理水平和运营效率，也为医院未来的发展奠定了坚实基础，为提供更优质的医疗服务和改善患者体验打下了良好基础。 结语 随着信息技术的不断发展和智慧医疗理念的深入人心，智慧医疗将成为我国医疗卫生事业发展的重要引擎。我们期待着在不久的将来，智慧医疗能够更加广泛地渗透到医疗服务的各个环节中，为广大患者提供更加高效便捷、贴心舒适的医疗体验，为建设健康中国贡献更大的力量。让我们共同期待智慧医疗行业的蓬勃发展，为构建更美好的医疗未来而努力奋斗！

在开始详细介绍BI的功能架构和技术架构前先送大家一份BI项目的搭建指南。 本指南介绍了一套相对完善的企业BI项目搭建流程，系统回答了企业BI项目该做什么、该谁来做、该怎么做，以及如何在企业内把BI项目成功运营起来从而产出实际业务价值等问题。 企业BI项目建设不易，希望我们在本指南的经验总结对您有积极的意义。 BI 的功能架构 按照从数据到知识的处理过程，BI 的功能架构分为数据底层、数据分析和数据展示三个层级。其中数据底层负责管理数据，包括数据采集、数据 ETL、数据仓库构建等环节，为前端报表查询和决策分析提供数据基础；数据分析主要是利用查询、OLAP 分析、数据挖掘以及可视化等方法抽取数据仓库中的数据，并进行分析，形成数据结论，将数据转化为信息和知识；最终通过数据展示层呈现报表和可视化图表等数据见解，辅助用户决策。 具体地，对应到企业的决策与经营环节，BI 的运作流程如下图所示。首先从来自 ERP、OA、财务等不同业务系统以及外部的数据中提取出有价值的部分。接着进行数据的处理与存储，经过 ETL、数据清洗等过程，合并到企业级的数据仓库里，从而得到企业数据的全局视图。最后在此基础上利用合适的查询和分析工具、OLAP 工具等对其进行分析和处理，将数据信息转变为管理驾驶舱、中国式复杂报表、自助分析、多维分析等数据应用，从而为企业管理者和运营人员的决策过程提供支持。 BI 的主要技术 对照 BI 的功能架构，BI 的主要技术可以分为展示类、分析类和支撑类三个层级。 1、展示类技术 最核心的是展示类的数据可视化技术，抛开企业数据量级的不同和深度分析的需求，数据可视化技术能够满足最基本的 BI 目标，即将数据转化为信息并辅助决策；数据可视化的具体形式又分为报表和可视化图表两大类，其中报表是我国大多数企业目前的主要数据展示形式。 数据可视化旨在借助于图形化手段，清晰有效地传达与沟通信息。其基本思想是将数据库中每一个数据项作为单个图元素表示，大量的数据集构成数据图像，同时将数据的各个属性值以多维数据的形式表示，可以从不同的维度观察数据，从而对数据进行更深入的观察和分析。例如柱形图、折线图和饼图等一些基础的图表就可以直观地展示出数据。当数据较为复杂时，可以通过复杂图表搭配多样的交互效果来将数据直观化。 2、分析类技术 其次是 OLAP、数据挖掘等分析类技术，能够基于现有数据提供更深入的洞察。数据挖掘技术需要一定数据量的支撑，而企业不一定要等到数据量足够大时才能应用 BI，结合我国企业的信息化现状，数据挖掘目前并不是 BI 系统的关键技术需求。 联机分析处理（OLAP，Online Analytical Processing）主要关注多维数据库和多维分析。OLAP 委员会对联机分析处理的定义为：使分析人员、管理人员或执行人员能够从多种角度对从原始数据中转化出来的、能够真正为用户所理解的、并真实反映企业维特性的信息进行快速、一致、交互的存取，从而获得对数据更深入了解的一类软件技术。 3、支撑类技术 最后是支撑类技术，包括 ETL、数据仓库、元数据管理和大数据技术等，用于管理繁杂的、不断增长的企业数据，为整个 BI 系统体系提供持续的、强力的、稳定的支撑。数据仓库（Data Warehouse）是一个面向主题的（Subject Oriented）、集成的（Integrated）、相对稳定的（Non-Volatile）、反映历史变化（Time Variant）的数据集合，用于支持管理决策（Decision Making Support）。数据仓库的出现，并不是要取代数据库。大部分数据仓库还是用关系数据库管理系统来管理的，数据库、数据仓库相辅相成、各有千秋。 ETL 是 Extract-Transform-Load 的缩写，用来描述将数据从来源端 经 过抽取（Extract）、交互转换（Transform）、加载（Load）至目的端的过程。它是构建数据仓库的关键环节，数据仓库主要是为决策分析提供数据，所涉及的操作主要是数据的查询，所以 ETL 过程在很大程度上受企业对源数据的理解程度的影响，也就是说从业务的角度看数据集成非常重要。 大数据（Big Data）是指无法在一定时间范围内用常规软件工具进行捕捉、管理和处理的数据集合，是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。顾名思义，大数据技术就是收集、存储、处理、分析大数据的相关技术。当前大部分企业已满足大数据的 5V特征，因此，BI 引入大数据技术，旨在从大数据中快速获取价值。 元数据（Metadata）又称中介数据、中继数据，用于描述数据属性的信息，是描述数据的数据（Data about data）。其使用价值主要在于在识别资源、评价资源、追踪资源在使用过程中的变化、实现简单高效地管理大量网络化数据、实现信息资源的有效发现、查找、一体化组织和对使用资源的有效管理。由于元数据也是数据，因此可以用类似数据的方法在数据库中进行存储和获取。 本文节选自《商业智能（BI）白皮书 4.0》，本白皮书详细阐述了BI的概念（包括价值、功能、技术、类型）、应用（包括蓝图、工具选型、应用场景）和趋势（包括行业市场、产品方向、功能技术），感兴趣的可以下载~