百丽季燕利：从无数到有数，如何深入数据应用与治理 | 数字思考者50人

钛媒体特别专题策划《数字思考者50人》：探访中国50位独具代表的数字化思考者。我们理解的 TechThinker ，涵盖了中国数字化浪潮中的技术践行者、政策制定者与投资决策者。在这场长达10年的乘风破浪中，我们每个人都在分享技术进步的果实，却鲜有人知道结果背后的故事。我们期待通过《50人》，还原中国数字化推进过程中的关键决策，同时也为你呈现数字思考者们的管理与经营之道。

本文为百丽时尚科技中心总经理季燕利先生数字化思考三部曲的收官之作，前两篇分别为《百丽的核心竞争力与数字化》《从补货场景，看企业协同在线》。

图片来源：视觉中国

随着信息化、数字化的深入推进，企业积累着越来越多的数据，数据是企业业务本身，同时，数据可以支撑业务的迭代创新，重塑对企业核心竞争力的认知。全文用四个部分展开对企业数字化探索与实践的思考。数字化转型源于战略，始于业务，呈于数据，汇于平台，管于资源，兴于协同，成于敏捷。

第一部分  数仓推演战略落地——业务、系统、数据的关系

数字化转型的核心是通过数据连通业务，并最终实现业务、系统、数据整体化建设。

（一）概述

1、什么是业务整体框架

业务框架是基于企业各类业务的运作模式、业务特点和业务之间的关系结构构建出的结构化的体系，业务框架之间有清晰的边界和相互的连接。首先基于业务全价值链进行整体梳理，识别出有清晰边界的业务框架，再将各业务框架分解为不同业务模块，以及模块下对应的业务环节。以我们作为全价值链品牌零售公司为例，经营的核心是“商品”，所有业务均是围绕商品的全生命周期开展。因此，按照商品的全生命周期对应的零售业务价值链进行梳理，识别出“预算与经营计划、商品企划与设计研发、商品采购、生产制造、仓储物流、零售管理”六大业务框架。然后，再将每个框架分解其业务模块，界定对应模块主责的业务部门和调研对象后，分模块展开调研，梳理出业务模块下所有业务环节。

2、什么是业务系统

业务系统是业务环节中标准化流程的信息化实现，是业务流程中产生的数据的线上化承载。通过系统与业务框架的一一对照可以分析出各业务框架、业务模块、业务环节是否有系统支撑；业务人员通过操作系统可以产生各业务框架、模块及业务环节的真实业务数据。例如我们对“商品采购”业务框架下的业务模块、业务节点与系统进行对照分析，评估出各业务环节对应的系统覆盖程度（主要业务环节基本都有系统支撑），并分析出各个系统是否产生数据及产生什么数据。

3、什么是数据仓库

数据仓库是把现有各个系统产生的数据统一收集、储存在一个平台进行标准化的管理，同时将数据按照业务运营模式进行数据维度建模。先形成与具体业务框架对应的数据域，再根据业务模块在数据域下建立数据主题，最后按照业务环节将相应的系统所产生的数据一一对应到数据主题，实现数据结构化储存。我们基于梳理出来的六大业务框架映射出数据域；再根据框架内的业务模块映射出数据主题；将各业务环节相应的系统所产生的数据统一入仓到相应的数据主题下，按业务运营模式进行维度建模，数据以结构化的方式储存，并使用统一的数据的“仓库”来统一管理和提供服务。

（二）业务—系统—数据—系统—业务的流转关系

1、业务流程的整体梳理

将公司各领域的业务流程进行统一化梳理，归集为有清晰边界的业务框架；再将归集好的业务框架统一化呈现，梳理每个业务框架的核心价值，理清各业务框架的运作方式与相互之间的连接。然后针对每一个业务框架进行分析，有多少业务环节构成，各业务环节之间是否有流程，流程在该业务框架内是否已通畅。

2、整体业务系统梳理

将梳理完成的各业务框架中的业务环节与流程，一一对标现有系统进行分析，评估哪些环节有系统，哪些环节缺失系统；有系统支撑的业务环节，系统的覆盖情况，产生了什么数据，数据是否完整有效；最终呈现出各个业务框架、环节和流程与各个系统的映射关系及数据产生的情况。

3、数据仓库建设

完成业务系统梳理之后，将现有各个系统中产生的数据，进行统一采集、清洗，按照标准化的业务框架、模块进行分类汇总储存到数据仓库中，并按公共维度进行结构化汇总，生成业务所需要的数据。

4、数据仓库规划与设计

完成了以上三个步骤，就完成了现状的梳理与建设，接下来进行数据仓库的规划与设计。先查找汇总行业数据目录（数据域、数据主题、数据指标等），将现有已存的数据目录与行业数据目录进行对比，寻找差异。再评估差异中的行业数据目录，哪些目录下的数据符合本公司业务战略需要，而公司目前却没有此类数据。基于此，在各个数据域内进行整体设计数据主题及相关所有指标，完成对数据仓库的战略规划与设计。

5、数据仓库与系统、业务框架完整性的评估

针对数据仓库规划设计中，没有数据的部分，首先寻找现有的系统是否能支撑数据的采集，以及采集的数据需要评估是否真实、是否符合业务的需要；如果现有系统不能支撑，则需要规划新的采集方式，就是要建立新的系统，这需要站在统一的系统架构中进行规划，在现有系统整体梳理的基础上，统筹考虑，来完善系统的建设。

6、业务流程的再造推动业务发展

将数据仓库规划设计，对标现有的业务环节，确定加强哪些业务环节的建设；同时，针对数据仓库规划设计中哪些现有业务环节不涉及、又符合战略需要的数据域、主题、指标，则先从业务框架的完整性进行评估，规划出需要完善的业务环节及业务流程，再进行业务流程的标准化，只有标准化的业务流程才能系统化建设，才能推动业务环节数字化发展。这都是业务流程再造的过程，需要企业根据战略发展要求，评估优先次序，然后评估投资的资源。

流程再造是个循环过程，是业务、系统、数据之间不断迭代的过程。数据仓库规划评估系统的完整性，并从对标行业及结合企业战略落地的角度推动业务流程再造，最终推动了业务的持续发展。

业务-系统-数据之间的关系

（三）数据仓库如何推演战略落地

业务参加品牌订货会，第一件事情就是把品牌公司的产品目录拿过来，进行结构分解，如鞋服配比，男女等，这种结构分解反映了品牌公司此次订货的产品策略。业务在完成订货任务后，将所下的订单也进行结构分解，然后对比两个结构，找到差异，这个差异如果能够接受，那这次订单就可以接受。如业务觉得某个品类符合市场需要，而订货单没有订，可以再次调整订单，来达到想要的结构。同理，在数仓建设过程中，先把行业的目录找到，当然有些行业目录很难覆盖完整，尽量找全。再将企业现有数仓中的目录与行业目录进行对比，这个差异就能体现出公司现有业务结构与行业结构之间的差异。从战略上，公司是否接受这个差异，以及下一步公司规划从哪些方面去提升或者减少差异，这就形成了数仓的规划目录。这既代表战略推进的方向，也明确了落地方案，在哪些没有数据的业务环节上建设系统来采集数据。这是业务与技术沟通的桥梁与方法，同时也很容易建立共同的目标和统一语言。

1、现状是如何梳理和呈现的

呈现现状是未来发展的基础，是规划的起点。现状梳理从三个维度进行，包括：业务流程的整体梳理、业务系统的整体梳理、数据仓库的梳理。在每个维度的所有要素上力求进行全面、客观的梳理与呈现。

（1）首先，进行整体业务流程的梳理。

业务流程梳理从宏观到细节，按照4级流程框架逐层展开：

第一步：基于业务全价值链，梳理整体业务流程框架，形成完整的业务全景图。包括业务框架（1级）：框架的定义、业务模式、框架与框架的边界；业务模块（2级）：每个业务框架的管理大类，例如商品采购业务框架，分为供应商管理、采购计划管理、采购执行管理、成本管理等业务模块；关键业务环节（3级）：各关键业务环节的发生顺序、流转关系、并串行关系等；4级及4级以下流程：是对部分需要分解的3级流程再展开描述。

第二步，基于完整的业务全景图，细化梳理各业务板块的微场景和细微场景，形成业务流程清单。

第三步，细化输出每个子流程的业务流程图：从业务实例的“全生命周期”角度入手，先明确业务的起点和终点，在每个流程的业务环节明确岗位角色、输入和输出表单/数据、以及识别关键控制环节。

（2）将梳理完成的整体业务流程，对标现有系统进行分析

评估流程中的每个业务环节、以及业务环节与业务环节之间的流转连接，其对应的系统化、数据化程度。包括：

1）系统与业务流程的关系：

—系统对流程的支持程度：盘点出每个业务框架是否有系统支撑，有多少系统；每个业务环节和流程对应是哪个系统，哪个功能点，使用场景和频率、使用存在的痛点等；

—评估系统拓展方向与业务未来方向是否一致：还有哪些业务环节和流程还没有系统支撑，需要什么系统支撑。

2）系统与数据的关系：

—系统间数据的流向、调控逻辑、联动关系；

—流程涉及的每个系统是否产生数据，产生了哪些数据？数据产生的完整性、实时性？

（3）最后，是数据仓库梳理，通过三个步骤实现数据仓库的建设，真实呈现当前数据仓库建设情况：

第一步：基于业务梳理成果，设计数据域、数据主题、数据指标等；

第二步：根据数据域需要，梳理数据指标的数据来源，将对应系统的数据统一采集到数据仓库；

第三步：各系统数据统一聚合到数据仓库，将业务过程的数据进行抽象汇总到对应的数据域和数据主题，并在具体的数据域下进行维度建模，生成结构化的数据进行储存，这些数据由数据仓库统一管理和提供数据服务。

2、战略规划与评估

战略是基于现状，规划未来。基于实际业务和规划业务之间的差异，评估需要做哪些调整和优化去提升，以减少差异。

数据仓库的规划是匹配业务战略的规划，是打通业务和技术沟通的桥梁，通过对数字描述的统一语言来统一认知，建立业务与技术的共同语境及共同目标。数据仓库规划的最核心内容就是对数据目录的规划。

（1）数据目录规划

数据目录规划的整体逻辑是先尽可能详尽找到行业的数据目录，再看差异部分是否是公司战略需要的数据，进行取舍，最终形成规划的数据目录。有以下两个步骤：

第一步：整理行业数据目录

基于行业顶层业务框架，整理汇总行业数据目录下的数据域，数据主题，然后尽全尽细地找到数据主题域下的指标，并明确数据的业务属性、管理属性、技术属性等。

第二步：对比差异，设计规划数据目录

将现有的数据目录和行业数据目录进行对比，寻找之间的差异，哪些数据域、主题现有业务没有或不完整。如果业务战略上需要纳入这些业务，就补充调整数据目录的结构，形成规划的数据目录。

（2）对比差异，评估落地方案

将实际数据目录和规划数据目录进行对比分析，通过差异评估落地方案：

—明确业务改进和提升方向：对比可以看出业务结构的完整性，对于战略上需要纳入的业务框架，评估出需要完善的业务环节和业务流程，以及对应流程的标准化设计，只有标准的业务流程才能系统化。

—明确系统改进和提升方向：基于目录差异找到对应部分的数据源头，对于业务战略需要的数据，评估在什么业务环节生成？需要新建什么系统？哪些功能需要升级细化？根据所需要的数据，规划和完善系统的建设。

（3）企业根据战略发展要求，评估优先次序，评估投资的资源

企业根据战略发展要求，对需要建设的业务环节和业务流程，进行优先级排序。按高到低的顺序，技术团队评估对应系统的资源投入情况，评估系统建设与交付的时间线，最终和业务达成共识，推进系统的建设。

数据仓库如何推演战略落地，驱动业务流程再造，推动业务发展

举一个我们供应链系统建设的例子，首先是完成现有业务流程和业务系统的整体梳理，对外部头部厂商的供应链系统进行了评估，发现难以满足业务需求且投资大、周期长。为了支持业务需求，我们找到了较全面的供应链行业数据目录 ，将行业数据目录中的指标与现有数据目录中的指标进行对比，发现目前我们的供应链成本类和货期类两大类的细化指标是不完整的，而缺失的指标是业务所需要的，于是在规划的数据目录加上这两类数据中相应缺失的指标。对于现有系统不能完全支撑的，例如成本类缺失的指标，就需要规划新的采集方式。技术团队先拉通业务进行了成本相关业务流程的标准化梳理，在此基础上进行系统方面的规划和资源的评估，流程标准化之后，部分新的数据采集的需求就通过现有系统优化来完成，而部分数据的采集需要新建系统来实现。对于有系统支撑的，例如货期类缺失的指标，通过指标数据来源找到所需数据，将数据统一采集入仓，基于业务运营模式进行建模，实现相应的指标的数据整理。目前成本类和货期类的指标数据已经实施落地，从过去数据口径不统一，导致不同部门的供应链负责人之间没有共同的语言体系，组织效率低下；到现在已实现标准统一的数据口径，真实呈现了业务管理的全过程，并推动相关流程节点的线上化和标准化，从而提升了业务协同效率。

数字是人类认识复杂、未知世界的能力的质的飞跃，使人类从具象表达迈向抽象表达成为可能，数字可以让人类的智慧超越时空、超越地域、超越语种，得以传播与交流。结合企业数字化的建设来说，数字作为桥梁可以让业务环节与系统功能之间连接起来，数字作为统一的语言，让“业务依托技术，技术为业务赋能”成为可能，业务与技术的融合是数字化的开始。

第二部分  数据平台的建设

数据平台的建设是数字化转型的基础，本部分从“进”、“存”、“出”、“管”来阐明数据平台整体如何建设。

数据平台概念图

数据平台的建设是数据体系化、标准化的建设过程，是依据规划数据目录，围绕“进”、“存”、“出”、“管”进行整体建设。数据目录的设计方法，是承接业务战略和行业顶层业务框架，进行完整数据域、数据主题、指标的设计。基于行业的数据目录设计数据主题域，整体框架分为三级：

第一层（L1）为数据域，是公司最顶层的业务视角的数据分类，是对业务进行抽象、提炼、组合的集合，是联系较为紧密的数据主题的集合，目的是便于数据管理与应用。和业务框架（1级流程）进行映射，匹配出数据域分类，例如货品的采购、流转，按照业务视角划分至货品数据域。

第二层（L2）为主题域，是对数据域的细分，是互不重叠的数据分类。是联系较为紧密的数据的集合，根据业务的需求特点，将数据域拆解为不同的主题域，承接业务模块。例如货品数据域，按业务的需求划分为订货、铺货、补货、调货、库存等多个主题。

第三层（L3）为数据层，包括参考数据、主数据、事务数据、分析数据、观测数据、非结构化数据、元数据。其中分析数据包括指标数据，业务环节及业务流程产生指标数据，如销售额、曝光量、转化率等。在数据分类的框架下，识别企业最需解决的数据问题，指标是比较好的切入点。一是因为指标是最清晰的，是衡量业务结果的直接度量；二是因为指标是最完整的，所有的业务板块都需要通过业务指标来衡量。所以第一步先梳理指标，把整个业务环节所有的指标都梳理出来，指标的梳理内容是围绕指标业务属性、管理属性、技术属性等进行展开。第二步，基于指标的业务定义，厘定指标的来龙去脉。围绕指标的定义、计算公式及维度等属性，识别指标所依赖的事务数据、主数据和参考数据等。梳理的指标是完整的，所以指标依赖的事务数据、主数据和参考数据的合集也是完整的，这样就完成了所有事务数据、主数据和参考数据的梳理。

以上三层框架设计出来的数据目录，相当于把业务、系统、数据进行整体串联，呈现了整体业务环节的数字化蓝图。

（一）数据平台从数据源头开始（进）

1、概述

数据采集是将企业内部数据和外部数据进行统一采集和清洗入湖。包括：业务数据、行为数据、图片、音视频、文件等。统一全域数据采集，打破数据孤岛，实现数据互联互通。

2、建设路径

数据采集的建设分3个阶段，分别为采集的梳理及分析、采集入湖、质量评估与监控。

（1）采集的梳理及分析

统一数据采集建设要依据规划数据目录中梳理的数据指标（L3）产出的业务数据字典进行分析，评估对应业务全价值链中业务环节和业务流程是否涵盖，系统功能建设是否覆盖到。若业务环节和业务流程未建设，则先从业务框架的完整性进行评估，规划出需要完善的业务环节及业务流程，按照业务领域来做标准化的业务流程的建设和管理。若系统未建设，则通过标准化的业务流程推动系统进行功能建设。

（2）采集入湖

系统有数据后，再依靠数据平台的采集能力，将产生的所有数据尽全尽细的从系统进行采集入湖存放与管理，实现口径统一、源头统一的数据采集标准。

（3）质量评估与监控

数据入湖后，需要依据数据标准针对采集的数据是否与业务实际发生一致、采集的数据是否符合业务的需求进行管理，基于业务规则，制定采集数据相关监控，保障数据真实有效。

3、建设要求

数据平台支撑统一采集，核心要求是“全域”和“时效”。

全域则体现在完整，是解决数据全的问题。在企业内部所有种类数据都能采集，包括业务数据、行为数据、图片、音视频、文件等。过去，我们仅仅只是针对业务数据及少部分行为数据进行采集，即数据库落表的数据进行采集，但是图片、音视频等数据无法采集，导致做一些基于图片进行分析的场景无法满足，如以图搜图。因此我们与滴普科技合作共创，开展了数据湖技术的实施，实现了图片等各类数据的统一采集入湖。

时效体现在即时，是解决数据实时性问题，对于数据时效要求较高的应用场景，实现对于用户录入系统产生的数据，数据平台可以及时采集并支撑应用及时查询与呈现。以门店数据为例，它是一款基于店长店员的工作场景搭建的，满足用户经营管理需要的一站式移动数据分析产品。过去，门店销售、库存的数据不能及时呈现，导致基于数据不能及时发现问题，门店决策无数据支撑。因此我们与滴普科技合作共创，构建了实时数据采集管道，实现了各级管理者和一线员工对门店数据实时在线看数和用数的诉求。

（二）数据平台支撑数据标准化建设（存）

1、概述

数据仓库建设的目的就是数据标准化建设，数据产生过程中是点状数据，经过数仓的加工，将数据进行连接，将系统采集的数据进行建模归类，以业务领域进行数据域和数据主题的规划和设计，标准化后进行存储，形成统一数据仓库。

2、建设路径

数据仓库的建设分3个阶段，分别为数据目录规划及梳理、数仓建模、质量评估与监控。

（1）数据目录规划及梳理

数据仓库的建设依据数据目录规划，将目录中数据指标（L3）按照数据域（L1）与数据主题（L2）进行建模形成数仓。业务框架对应数据域，业务模块对应数据主题，业务环节及业务流程对应数据指标。

（2）数仓建模

数仓建模是对数据进行再细化分层的设计，将数据逐层次的清洗汇聚，将相同数据域相同分析维度下的指标进行整合，过程中进行指标的统一口径。

数据平台数据分层框架主要划分七层：

第一层为源数据层，将系统数据全部拿到同一个地方，不对数据做任何处理，即数据采集最终数据存放层。

第二层为公共明细数据层，将采集的单据整理成一张明细表，数据的视角还是单据级别。

第三层为公共汇总数据层，将单据数据按照“日、周、月、年”、“店铺”、“商品”等维度进行汇总，不到单据级别，例如商品在某一天的销售量、销售额。

第四层为高度汇总数据层，将数据按照“昨日、近7天、近30天”、“大区、管理城市”、“品类”等业务常用的维度进行汇总，如近7天的销售量、销售额。

第五层为公共维度数据层，将主数据（店铺、商品等）进行整合，主数据及对应属性全部放一起，是业务分析视角的维度。与指标数据关联形成任意分析视角的指标数据。

第六层为标签数据层，给数据打标签，主要围绕货、场、人构建标签体系而存放数据的地方，帮助更好的了解特征，以达到精细化经营的目的。标签是数据创造、知识创新。如商品“畅平慢”、“新旧货”。

第七层为应用数据层，面向单独业务场景的数据处理，不公用，是数据应用的数据准备存放数据的地方，丽影数据就存放在这层。

数据平台数据分层框架

以上七层框架设计其中第一层是数据采集数据存放层，第二、三、四、五层是数仓数据存放层，第六、七层是数据应用数据存放层。

数据仓库中，数据分层是以指标为主线按照业务不同视角进行逐层汇聚。有了分层逻辑，数仓的各分层的数据表的模型设计也是承接数据域、主题域、数据指标规划。相同主题域下的指标数据整合在一个数据表，有多少主题域就有多少个数据表，这些数据表支撑这个数据域的数据分析，多个域的数据表建设最终形成整个数仓。表的数据存放就是把业务系统中点状数据经过加工后进行连接的成果。整个数据仓库建模方法，依据规划的数据目录，围绕统一分类管理原则，更加方便使用为目的，快速响应数据应用需求。

（3）质量评估与监控

数据仓库产生数据后，需要依据数据标准针对加工的数据是否与系统一致、数据域内数据逻辑是否合理进行管理，通过数据标准形成数据质量规则，制定数据相关监控，保障数据真实有效。

3、建设要求

数据平台支撑数据标准化建设，核心要求是“复用”。

数据仓库的分层框架设计核心逻辑就是围绕数据被复用开展。将数据主题的数据进行标准化并集中存储，多个数据应用共享处理后的数据，实现数据被复用，避免数据应用多次提取、多次汇聚整理，同时也降低在独立处理过程中口径不一致问题。

前些年，我们在数字化建设过程中也走了弯路，由于业务快速发展和缺乏对整个数据产品体系进行整体规划，出现多个业务线烟囱式建设，各自的从数据采集、数据建仓、数据应用等步骤，出现大量的重复建设，形成6套数仓，数据域、数据主题、指标数据分散在各个数仓，相同指标各个数仓独立清洗，数据冗余且有变更各个数仓都要进行修改，各数仓中数据一致性很难保障。因此我们用近两年时间做了数据治理-数据字典项目，6套汇1套，统一了数仓建设。

（三）数据平台加速数据应用与业务场景连接（出）

1、概述

数据仓库沉淀的数据最终支撑数据应用建设，数据应用设计覆盖面越大，连接就越广，数据仓库的价值就更能发挥。数据应用是对数据平台的建设成果体现。

数据分析需要从实际业务场景出发，用数据呈现真实的业务，能有效地支撑业务的决策。故而数据产品的建设离不开业务场景。从指标和维度的设计，到数据的呈现形式，都要以业务场景作为基础。

2、建设路径

数据应用的建设分3个阶段，分别为数据的准备、数据的发布与共享、质量评估与监控。

（1）数据的准备

基于业务应用的场景，分析并形成数据产品。由数据产品规划，进行应用数据层（数据分层架构中第七层）设计，将跨多个业务模块（主题域）多个业务环节（指标）的数据再进一步的连接，同时按照数据产品进行业务场景的维度进行汇聚数据，完成数据准备。在建设过程中，若规划数据目录中暂未涉及，则会驱动业务流程再造，推动业务系统的迭代、数据的采集和数仓的全链路建设。

（2）数据的发布与共享

数据准备好之后，需要将数据进行发布与分享，分享之后才能被数据应用使用。如果有相似的场景，可以直接引用，降低重复建设，也加速数据产品的建设。

数据的分布与共享更多的是记录数据被数据产品使用情况，也会驱动数仓模型不断完善。

（3）质量评估与监控

数据准备好之后，需要对准备好的数据完整性、一致性进行监控，跨数据应用之间相同指标进行横向比对，制定相关监控，及时发现问题，保障数据有效可用。

3、建设要求

数据平台加速数据应用与业务场景的连接，核心要求是“好用”和“快”。

好用体现在数据使用简单。满足业务具体运营过程场景中对数据的要求，从系统建设的角度就是前端应用和协同应用。数仓经过加工后的数据再根据业务场景进行按需转换和流动，供各数据应用使用。重点围绕标签及数据服务进行建设，目标是全面降低用数门槛、提升用数效率。

快则体现在数据使用效率高。数据应用一些场景基于大数据量需要实时进行计算呈现，对数据平台的实时能力有很高的要求，数据要“快”，采集的数字是否实时或近实时加工汇总给相关的应用。数据平台借助大数据集群计算能力，将加工准备好的数据实时在线查询并呈现，满足数据应用效率要求。

（四）数据平台支撑数据的有效管理（管）

1、概述

数据最终要被应用，数据应用能不能高质量的用好，核心能力在于管好数据。

依托规划数据目录，制定数据标准（包括数据主题域规范、术语字典、业务数据字典 等），统一数据口径，让所有数据使用都用同一套标准说同一种语言；依据数据标准，相同主题域下的指标数据整合在一个数据表，多个域的数据表建设形成整个数仓模型；依据数据标准中对指标维度的描述，形成数据质量稽核规则对数据质量进行监督；基于数据标准中业务敏感信息，形成对数据安全相关规则定义，以便通过数据安全对数据进行脱敏加密，并通过数据权限管控数据访问，保障数据安全。

2、建设路径

数据的有效管理就是数据治理的落地点，基于数据管理实践成果，以数据平台建设为载体，有序推进数据的“盘、规、治、评”，达到以数据平台建设校验并促进数据治理能力落地，以数据治理能力提升保障数据平台建设效果的目的。数据管理的建设分4个阶段，分别为数据的“盘、规、治、评”。

（1）盘

盘是对数据的全盘梳理与盘点。对于有使用系统的，需要盘点产生的数据是否健全，产生了哪些数据，规划数据目录是否包含，数据的定义是什么，数据来源于哪；数据平台中是否有建设，数据应用于哪。呈现整个业务、系统、数据的现状，从战略上，公司是否需要建设，建设从哪些方面优先建设，这就形成了系统与数据平台下一步建设的规划。当然也包括对元数据的盘点。

（2）规

规是针对整体业务数据的规划。系统未建设的，按照业务领域来做标准化规范化的业务流程的梳理及数据的规划，并最终建设成业务系统。系统已建设但规划数据目录还未涵盖的，进行规范性定义和管理，包括系统基础数据标准、指标数据标准。标准中涵盖数据主题域划分的标准、采集的标准、维度指标定义的标准、数据安全的标准，形成数据与业务、系统的流转关系。重点针对跨业务、跨系统、被多个数据应用使用的数据制定标准，建立数据与标准的映射关系，承载数据标准在企业系统及数仓层面的落地。

（3）治

治是针对定义的标准是否都有按照要求落地及安全管控。对系统采集、数仓加工、数据应用的数据质量进行检查，完成数据标准化落地验证及数据质量提升，同时保证数据安全。治是一个持续的过程，通过建立发现问题-分析问题-解决问题-持续优化的闭环机制，对业务、系统、数据整体框架持续完善，持续提升数据平台数据的质量，支撑数据应用高质量的用数。

（4）评

评是指基于已经管理的数据进行评估，对于管的效果进行呈现。评估可以从采集的数据是否与业务实际发生一致、数仓加工的数据是否与系统一致、数据域内数据逻辑是否合理、数据应用准备好的数据是否完整一致等方面开展工作。基于数据平台针对评估点制定相关监控，不断优化完善企业数据管理，实现企业数据资产摸底、数据横向贯通、数据质量优良和数据全域管理的目的。评，同时也包含对数据安全、数据使用情况、数据资产价值等方面的评估。

数据平台“进、存、出、管”逻辑

3、建设要求

数据平台的建设是一个不断进行数据治理的过程，以“进”为治理起点，引申到对“存”、“出”的治理，在“存”、“出”治理中发现的一些问题，驱动不断校正“进”的起点源头，达到整个治理的闭环，推动数据平台的完善。

为了监督、管理好数据，让业务真正用好数据，还需建立数据“管”的长效组织，也即数据治理的专业组织，需要业务方与IT方的共同参与，包括决策层、管理层和执行层三层的组织架构，保障数据治理相关制度的落实、监督和考核，最终实现数据平台的有效建设。

（五）数据平台的作用

我们经过近几年的数字化探索，总结出IT建设的逻辑框架，其中数据平台是连接系统与前端应用、协同应用的桥梁，承上启下，连接整体。

首先底层是技术作为底座；在技术底座上，要建设扎实的系统体系作为支柱；接着就要构筑中台，包括业务服务和数据服务；这些基础打扎实后，通过数据平台的数据服务能力，对操作类系统轻应用化，与人的交互入口前置到业务场景中，实现前端应用的开发；紧接着是协同应用的层面，在钉钉即时通讯技术的原子能力基础上，用信息将操作、审批、数据连接到业务场景中相关人员组成到群内，同时对协同的数据进行分析，实现业务协同和组织协同；系统产生数据，前端应用产品应用数据，数据平台整合系统的数据支撑前端应用建设，前端应用的建设过程中也会校验系统采集数据是否准确、够用，从而反哺驱动系统及数据平台的建设，实现数据的生产、应用、再生的闭环，通过这样持续使用数据、产生智能、反哺业务从而实现数据支撑企业战略规划的可持续机制，支撑更多的业务操作、运营和决策，最后通向AI智能应用。

数据平台的最终价值呈现是通过前端应用和协同应用来体现。前端应用和协同应用都是面向业务的场景，数据平台加速前端应用产品与业务场景的连接。数据平台的能力不断完善，能够支撑更多的“数智”前端应用产品。以我们与滴普科技联合共创“丽影”产品为例，通过对多维度、多指标数据的实时分析及全价值链数据模型构建，探索出单一货品的全生命周期的动态呈现产品。它打破了原有BI的界限，将包含时间、空间、库存、销量、补货等多重维度，数百个指标数据在同一个界面直接动态呈现，形成可以灵活地交互控制其播放的“数据分析电影”，全面提升了业务数据的分析与应用效率，实现了让数据在动态中驱动业务价值。丽影除了产品本身的创新，在技术方面也是有非常大的突破，在行业内的大数据的应用侧基本上是BI报表、大屏等，一个大屏信息量是几百个字节，都是基于传统数据库，还只是小数据量的应用，而丽影是TB级的，是普通大屏的一万倍以上，是直接对接大数据处理系统，才使得丽影能秒级呈现TB级的数据，是大数据直接应用到数据呈现的产品，这是在技术上非常大的创新与突破，是我们的业务与滴普科技的技术完美的结合，是技术走到业务，实现了真正的业务价值。

未来新的技术会不断涌现，产品的活力来自于场景，新技术到应用到场景的速度也会越来越快，基础建设是底层能力，如果底层能力不够，再前沿的技术用起来也达不到效果。评估基础建设最简单的就是实时，采集的数字是否实时汇总给相应的人看，这是业务上智能的基础，智能在具体业务里就是快，就是效率，全方位数据不能实时，上智能又有何用。

第三部分  如何理解数据在业务场景中的应用

第一部分写的是业务环节到系统采集到数仓之间的关系，第二部分阐述了数据平台的逻辑，这些写的都是系统建设，本部分写一下系统建设与协同应用的关系。

（一）数据生态的逻辑

数据是后台系统协同前台应用的桥梁，所以我们先简单地讲一下数据生态的逻辑：第一步先确定一个实体（业务域），第二步是确定用什么方式去进行数字化采集，第三步是把采集的数据放在一起，第四步是将数据进行分析，第五步是数据服务。

举一个生活中的例子，家里的电器，不管灯还是空调，就是第一步的实体；何时开、何时关、用电量，这就是第二步采集，将家里所有相关的电器都做到数据采集；以上数据都是分开采集的，所以需要第三步，将所有的数据放在一起，这就是数仓；有了数据，再进行分析，也就是经常何时开空调，家里的用电量等等，这是第四步；第五步，根据分析数据，给出合理化的建议，这就是数据服务。

换成技术的方式表达，第一步实体，就是具体业务。第二步采集，就是进系统。第三步数据归集处理，就是数仓。第四步分析，就是前端数据应用。第五步数据服务，讲的是回路，讲的是协同在线，同时也是完整的闭环建设。

协同在线，就是用消息实时串连操作、审批、数据为一体，也就是第五步的数据服务中用消息把前面的四步串联起来，形成闭环。它的作用是：从系统走向应用，从后端走向前端，从局部走向整体，从业务走向管理。下面用数字化建设的逻辑来表述一下。

（二）从无数到有数到再增数据

首先要解决有数、无数的问题，再解决数据的完整性、有效性问题，就是回路建设，这个从无数到有数到再增数据，具体如下：

1、无数到有数

一个实体（也就是业务），一种现象（对应的业务场景），是否能用数据表达出来，或者是否能采集到相应的数据，这就是无数与有数，就是数据的从0到1的过程，无数则解决采集问题，有数要进入下一层。

2、有数连逻辑   

有了一个数据，不可能完全表达出实体与现象，实体和现象都是由多个数据组成，也就是业务场景都是由多个数据组成，当有一个数据的时候，就需要找与之相关联的数据，这种关联，是多维度的，也就是数据的连接的逻辑。关联的维度越多，说明这个数的重要性越大。

3、定标准

数据在多维度验证连接后，就要有标准，这个标准首先要表达与业务场景的真实关系，也就是在多维度上可以复用。真实性是数据有效性的前提。

4、成系统

即便数据已产生多维度连接，但也只表现出某一个业务场景特征，同一个业务实体的多个业务特征之间编排组合完整的流程，系统是整体流程各个环节的完整数据的最终集成，整体性代表了系统支持业务的能力水平。

5、实时性

实时的数据，能真实呈现当前业务场景的状态，系统的能力体现在数据是否能及时收集与整理，并实时提供给业务应用。与业务场景的现实之间的延时越长，数据的失真性就越大，有效性就越弱。实时性，在业务方面代表的是效率，在技术方面则代表系统的构建水平、反应速度与应用能力。

6、共享（分享）

数据的真实性、完整性、实时性是数据平台的核心价值，也是数据分享的基础。实时化的数据通过前端应用产品不断的分享给相关的岗位及人员，才能让这些人对实时的现象状态有了及时的了解，才能保证他们工作过程中行动与结果方向一致。

7、互动

实时化的数据在前端应用产品中呈现，在相关联的岗位之间共享，各个岗位之间根据共享的数据进行交流互动，同时连接到具体的业务流程进行推进，这就是协同平台的作用，也是工作群的作用，实时化的数据共享，让岗位之间的互动更为有效，让业务流程推进更为顺畅。让岗位在系统的支撑下，创造出远远大于原有的、仅仅基于岗位的价值，激发岗位的潜能。

8、流动

基于统一的协同平台，系统间数据的流转，岗位与岗位通过数据进行协同，数据被反复使用，数据被复用的越多、频次越高，也就体现出这样的数据其价值越高。需高度关注这类数据的资产化价值。数据的流动，将聚焦在开发连接的价值，系统的价值就是组织优化的综合体现。

9、认知

在实时的数据之中，产生认识，再将认识的数据，分享给别人，与分享的人互动，产生共识，再分享更多的人，就产生流动，在流动过程中也产生更多的互动，这个不断的循环就会产生许多共识，共同的认知会提升个人认知与集体认知，从而也会产生新的数据需求，新的数据需求就是无数到有数，又产生新的循环。系统和组织的潜力被充分地激发出来。

系统建设过程是从无数到有数再到实时化，是数据如何生产与采集出来的过程，是从业务到系统到数据的建设过程（也即1-5）；从共享到认知，是数据被用的过程，是协同的逻辑，也是回路的建设（也即6-9）；从认知再到对新的数据的需求，是循环往复的过程，是数据新的价值的产生过程，也是协同的作用和意义，互动，流动，认知，新的数据需求就是认知的提高，是增强回路的建设。数据的增强回路映射业务、组织、系统的迭代闭环，通过对这些数据进行汇总整合分析应用，辅助管理决策，调整组织人员配置和协调，提升内部业务节点运转效率，驱动业务流程与组织能力的不断优化。1-5，是现象到数据的过程；6-9，是数据价值的体现。

数据建设逻辑：从无数到有数，从有数到数据闭环，再到增强回路形成数据循环

分享、互动、流动、认知，这八个字来自于凯文凯利关于未来的趋势，未来的世界一定是互动影响认知，系统的涌现就此发生。

（三）场景-微场景-细微场景

例如，零售门店在运营过程中，需要关注店铺是哪些顾客进入、顾客购买了什么商品、顾客购买的时间、顾客购买时的促销活动等等信息，通过营促销管理、POS等系统，对相应的数据进行采集。这里的各方面因素都是相互关联，相互产生影响的，能力强的店长能通过分析这些因素的变化情况，找到销售波动背后产生的原因，来调整销售策略与安排。这个分析过程就需要通过对相应数据进行及时的真实性确认以及数据的整理，因此实时数据呈现及相关数据分析非常重要。以上的相关数据以前是散落在不同的系统之中，店长需要通过不同的系统来进行查询数据，然后再整理数据，耗时耗力，再因店长的水平不一，容易出现数据不准的问题。因此，需要一个门店日常运营场景相对应的前端系统来满足业务及时、全面看数的需求。我们的门店数据产品应用而生。门店数据产品是以单店为核心，以业务数据为基础，根据实际业务场景搭建出来的。

1、“门店数据”根据业务场景编排–前端应用产品

首先，系统将每一笔销售单据进行数据采集，数据收集到数据平台。数据平台以单店为最小单位进行数据整理，形成人货场的单店数据分析体系构建。再围绕最小单位往上汇总数据，建立不同岗位角色的前台应用，保证统一的口径和业务逻辑，实现数据的标准化。“门店数据”以单店为核心，基于数据平台的相应汇总数据，同时各角色根据相应管理层级逐级对数据进行验证，保障数据真实，在数据标准化的基础上，实现数据的实时化呈现。

其次，“门店数据”前端应用产品的设计思路源于终端门店的各业务场景，“门店数据”会根据不同的时间点推送不同的数据，由用户在门店场景中验证数据的准确性，确保系统数据一致。

最后，“门店数据”的功能共分为三大类，分别是【实时销售看板】、【数据分析看板】和【门店管理工具】，每个功能都映射门店经营对应的微场景。

【实时销售看板】是及时地反应店铺销售整体情况，从商场动态、完成率、店员销售等方面实时更新店铺经营数据，方便店长随时掌握店铺销售状况及目标达成情况；

【数据分析看板】又涵盖销售概览、单品分析、员工分析、店铺排名、特殊时段、店长报告6个应用模块，每个模块里面的维度都不同，销售概览是以日、周、月、年时间维度，单品分析是以畅、平、滞维度，店长报告自动生成标准化的日、周、月报告，数据分析看板让店长全面了解店铺状况。

【门店管理工具】则是围绕店铺日常管理工作为目的进行设计的，主要包含【店铺目标】、【数据收集】、【岗位管理】和【通知订阅】四个管理应用；【店铺目标】用于制定店铺和店员的销售计划。店长设置目标后，在实时数据、店员分析等应用均会展示完成进度，便于更好地推进团队达成目标。

2、“门店数据”在微场景的应用–协同应用

“门店数据”通过协同在线将相应的数据内容在店铺群内进行共享（分享），并实现审批在群、操作在群、数据在群，让店长与店员，各门店的店长与主管之间产生互动，不断产生共识。例如：

1）早工作部署：在早上8:30上班路上，店长在“门店数据”应用内结合本周目标完成率、排班情况及店员能力，调整店铺日目标、将任务分配到店员，在“门店数据”的【店铺目标】模块完成目标的设置。然后通过“门店数据”的群应用将今日店铺目标、店员目标一键发送至店铺群，将今日销售任务及销售策略同步至当班店员，如店员有疑义可群内及时沟通，达成共识后即可完成早工作部署；同时，机器人会定时将店铺目标逐层向上汇总并在各级管理层的群内播报，让目标管理更高效透明，店铺间也可互相关注、参考和对比达成情况，进一步促进互动与信息流动。

2）开单激励：机器人实时将首单信息在相关群内进行播报，提醒开单店员群内晒单，多种便捷工具方便店员分享开单心情及经验，同时，会通过消息推送的形式提醒店长，帮助店长做到及时鼓励、互动，以鼓舞士气；“门店数据”还会定时进行孖单播报，置顶开大单员工头像，创造集体荣誉感，快捷的分享、激励形成标杆效应，以提升销售动力。

3）时段报数及跟进：“门店数据”会在固定时段主动报数给店长，店长也可以通过“门店数据”的【实时数据】模块获悉店铺实时的销售情况，根据数据来分析总结当前问题。同时可以一键将包含店铺销售数据及经营总结的卡片发送至有其主管在的群里；主管看到店长发出的卡片，基于销售数据帮助店长分析定位问题，在群内及时地进行了解与互动，最终双方形成共识，从而店铺及时调整策略并运用到当天接下来的销售环节中。通过不断地报数呈现、数据验证，也更加能保障实时数据的准确性。保障准确性后，可以进一步分析店铺开单时段分布，为优化店铺人员资源配置提供数据基础。在晚上十点，门店数据还将主动推送【店长日报】给店长，店长日报从销售、单品、品类、店员四个方面，自动生成店铺经营数据，辅助店长完成当日的销售复盘，同时方便店长做第二天的工作部署，结合当月、当周的店铺经营表现和下一步目标，灵活、精准形成调整策略，运用至次日的经营活动中。

通过“门店数据”在以上微场景中的运用，将数据结合互动，充分沟通、互动更能发挥数据的价值，也让互动更有数据可依。店长、店员及主管等不同岗位之间不断分享数据和交互意见，不断产生共识，并且不断调整和改进经营策略。分享、互动过程中又产生了大量的行为数据，行为数据结合调整策略后产生的经营数据，反哺到业务细微场景中实现业务迭代和分析闭环，去持续拓展、增强整个“从无数到有数”的闭环建设。

3、“门店数据”未来在细微场景的应用–AI智能

通过有数据、连逻辑、定标准、成系统、实时化、分享、互动、流动、认知再推动从无数到有数，不断产生新的循环，在持续完善的全场景数据基础上，依托AI智能技术的应用，结合机器学习的算法沉淀，逐步实现从人和人的互动转变为人机智能交互，实现智能化构建，智能化又推动运营过程中细微场景的创新。 依然以门店数据为例，从过去人找数据，到现在数据找人，未来以AI智能推荐、语音/语义查询及大数据分析等五项数智能力为支撑，将实现更“懂你”的数智化应用，让店铺管理更高效、服务更精准，借助数智能力，未来店长的一天将在与数据的动态互动中实现店铺高效管理。以其中几个细微场景为例：

1）首先，在上班路上，机器人自动根据本月目标完成情况调整当日任务分配，并推送至店铺群；基于AI语音对话能力，并实时提醒店员目标达成情况；

2）借助大数据分析能力，进行销售预测和利润预测的动态分析，同时结合库存监控预警，辅助店长进行精准调货申请。

3）每天，基于AI的智能推荐，自动匹配销量、利润、库存等指标，计算出有销售潜力的主推款，并推送给店长，辅助店长精准决策；并自动配合店长，自动形成主推款详情和主推话术，触达到每个店员，助力更好地服务营销。

4）店长查询任何数据，不用打开前端应用产品界面，直接与机器人互动就可以完成，机器人自动将互动的内容形成店长日报，以便店长复盘每日工作。

以上是以“门店数据”为例，按照1-9的逻辑，以业务场景-微场景-细微场景中应用的建设过程，数据在业务场景中进行汇集、整理、应用，通过协同在线，在细微场景中进行校正，同时增加更多的数据维度以及行为数据，基于在微场景中补充的更全面的数据的综合分析，才能支撑在细微场景中的AI智能应用。

门店数据：源于终端，服务终端； 协同在线，组织迭代

下面再简单以“补货群”为例，阐述一个先建设6-9，再连通1-5的过程。

关于“补货群”，我曾发文《从补货场景，看企业协同在线》，在文中详细介绍了关于“补货群”的探索以及提出协同在线的构思、建设路径和产品。在2020年7月我们开始进行“补货群”的尝试，最初是将地区相关货品人员以主群和子群放在一起，用消息来解决沟通难问题，当时补货工作，涉及到跨地域、跨岗位、人数众多的各层级人员，沟通主要依赖邮件、微信、电话等，没有记录，相应的过程中数据也人工记录在表格中，不能回溯。用补货群，相应的信息在群里分发到相关人员并直接在群里沟通、跟进，每个人是否看到消息都能呈现，都可记录，同时，大家之间的互动也在群内。当大家习惯了使用群的沟通方式之后，根据具体的业务微场景的需要，将系统功能或前端应用解构，通过群结构设计、群能力设计和消息推送设计的编排，进一步将系统的操作、审批、数据逐步前置到群里，实现了1-5与6-9的完美结合，这就是协同在线的从无到有的探索。传统的零售系统是以流程为主，未来零售系统会以应用业务场景中，以数据平台和组织平台为依托，数据平台将各个系统采集的数据收集汇总起来，再根据组织平台的信息按照各个业务岗位分发数据，协同在线再把谁操作、谁审批、谁看数都串联起来，形成过程数据化，这就是未来的零售系统，原有的ERP都变成后台系统，一切应用都对应具体业务场景。

以上是我们对数字化建设的思考及数据应用落地的探索，现在行业内涌现出许多概念和逻辑，这些概念和逻辑，大部分都源于线上的思路，线上是个虚拟空间，本身就是用数字来表达的，没有数字不能实现线上；而线下是实体，针对实体，是否能采集到全面的数据，或者法律法规的原因不能采集，是实现这些概念和逻辑的前提条件。概念落地首先要解决从无数到有数的过程。

整个从无数到有数的逻辑中，互动、流动、认知是非常重要的，也代表回路和增强回路。因数据所产生的互动，代表数据是活的，也就是这个数据是有价值的。所以这个单一互动也会产生新的动作，这个动作如果回到操作层面，就是一个完整的回路。如果因为这个分享而产生更多互动，再产生再分享的流动，这就有可能会产生增强回路，当然还需要对接到操作层面，推动相对应的操作甚至到整体操作。所以互动非常重要。互动一定要基于共同的探究，本质应该是非竞争性的，从理解出发，分享每个人的观点和想法，暂停基于个人的假设和信念，暂停证明“我是正确的”的本能反应，秉持“我们都是对的”的开放与信任，打破非此即彼的局面，实现突破，这需要通过倾听和真正的对话进行共同的探究，以达成共同的意义，这也将意味着形成有意义的流动。放在公司的环境里，对话是思考或学习型组织的至关重要的基础。通过对话，公司的大脑可以不断地重新建立联系与互动。不断的互动中才能生产流动和认知，最终产生认知的提升。

数据的流动，能把系统的潜力挖掘出来，能让岗位更多地撬动出系统的潜力。

第四部分  数据平台是企业资源的管理平台

随着国家政策对数字化的重视，数字化已经成为企业必然的课题，理解信息化与数字化的差异，及数据平台的作用，企业才能更好地建设数字化。

（一）科技部门定位的转变——平台的平台

1、数字化是在信息化的基础上进行建设

首先理解一下“信息化”与“数字化”的区别，信息化是让企业的经营管理活动能被数据记录下来，对企业的生产、采购、销售过程及客户服务、资金活动等业务活动和过程进行数据化的记录；运用计算机、网络、数据库等信息技术，实现企业的业务流程管理和业务数据记录，其重点关注的是业务流程的优化和业务系统的搭建，典型工具如：ERP/WMS/OA等。信息化其实是一种“业务数据化”。从管理的特征而言，它是以企业部门为单位来服务于部门流程自动化，因此它是以服务为主，以业务单位为主体服务业务单位的。信息化建设中，数据并不是为数据消费者创建的，相反地，数据是业务活动产生的副产品，数据并没有得到全面有效的使用。

数字化是通过各种技术和管理手段，将企业分散在各个业务部门的、信息化阶段长期积累下来的数据，以及通过网络等手段获得的企业运营的过程数据或外部数据，统一通过大数据/云计算/AI等手段综合利用，通过数据挖掘，发现问题、寻找规律、拓展商机，用数据优化业务组合，提升业务流程效能，实现企业的持续运营、持续创新和持续发展。典型工具如：数据仓库（湖）、数据平台、AI算法平台等。数字化是“数据业务化”。在数字化时代，如何发现、获得、处理并有效使用企业各种活动的数据及外部数据是建设的核心。这一过程没有什么标准化工具可循，都是在长期信息化建设基础上累积而成。

信息化是让系统适应当前的业务现状，业务之间存在部门的管理边界，导致系统的建设也彼此独立，这就是所谓的烟囱式的系统建设。而业务环节的管理断点，则系统、数据必然不连通。数字化建设中，业务环节的梳理及重构需要打破组织边界，从企业价值链视角出发，基于企业全局业务来审视信息化建设时期的问题，数据，作为业务信息传递的载体，在这个过程中得以打通、校正、完善，发挥价值。

与此同时，新的IT技术不断涌现，技术突破到实际应用的速度也会越来越快，IT产品的应用活力来源于业务场景，新技术到应用到场景的速度也会越来越快，基础建设是底层能力，如果底层能力不够，再前沿的技术用起来也达不到效果。评估基础建设最简单的就是数据实时、精准、快速，从数据产生的源端实时推送（加工汇总）到最终数据的应用端，这是数据在业务场景中应用并发挥作用的基础，提供给业务有效使用从而实现最后一公里的打通。最后一公里是令人兴奋的，某种程度上是业务方对IT建设的价值形成强烈真实感受的地方，但这种感受需要长期持续的建设才能实现，如“丽影”，从把所有业务的数据进行采集，通过数仓技术统一处理和加工，最终经过数百个模型的开发表现各种维度的业务状态，这个成果从系统数据梳理到数仓建设到前端数据准备前后至少用了三年的时间，对技术而言，基础建设不够是支撑不了业务应用需要的。

2、数字化建设的特征

数字化建设的特征：1、技术门槛高，要连接和打通所有的系统，实时整理所有收集的数据，再统一应用给业务用户，因此链路长，又要求有时效性。2、建设难度高、周期长，首先要求传统烟囱式、封闭式建设的各个系统打开，变成组合式的、（能调用的）；其次要从业务整体设计，去评估现有系统是否足以满足发展需要，正如第一章所述，从整体思考规划；最后数字化建设道路是没有现成可学的方法，只有在不断的摸索中迭代前行。3、对管理者要求高，管理者一方面要理解技术建设周期与业务需求之间的不同步和延迟，技术建设是以构建为基础、长周期、不断迭代而成，因此技术实现周期远远超过业务运营周期，另一方面业务系统要时刻保持正常运行，而技术建设在迭代过程中又需要业务运营系统及时做出相应反应，这对把技术建设周期和业务运营周期进行安全、有效地协调提出了极高的要求。这对我们当下的整体系统运行能力是一个极大的考验，也是我们这个系统走向完整强大的开始。这就是我们的系统核心竞争力的打造过程。

3、数字化改变了技术部门的定位

数字化和信息化的定位是不同的。信息化是以企业内部各部门为主体，只要符合部门内部流程，围绕对单个业务的理解，建设独立的系统来满足业务的需求，因此业务过程的记录和响应业务需求是传统IT系统建设的核心，也是科技部门在企业中的定位——服务于业务。而数字化是拉通企业整体的，是将各个部门系统的数据汇集起来，同时需要数据获得技术/数据处理技术/数据分析技术/协同流转技术等更强大的基础技术建设才能实现。整体性、多样性带来的建设难度极度增大，因此数字化的建设周期远远超过信息化。数字化是实现企业从一个点的、端的、或者是局部的竞争优势走向企业整体竞争优势的质的飞跃的基础保障。科技部门在企业中是跨部门连接最多的部门，是企业所有问题集中呈现出来的部门，也是所有数据汇集形成资产的部门，连接越大，影响面也越大，因此科技部门的定位也随之发生巨大的变化。

信息化时代，流程以各个部门为单元进行建设，“相互比较”成为成功的艺术，比较内部所有部门之间的差异，最终找到成功部门及其成功的原因，这是传统企业找到内生发展的路径。数字化与信息化建设最大的差异是：数字化是将所有部门的业务流程产生的数据放在一起，从整体建设的角度去思考最大的可能性，据此去优化业务布局与流程，相应地基于整体规划IT系统建设，提高整体效率。由传统的各部门自主流程建设转变成以企业整体规划自上而下流程设计为主线来建设各部门流程，在此基础上，整合统筹所有的资源。数据平台的作用就是把所有的数据进行汇集整合，也就是对资源的信息进行汇集整合。

随着线上业务发展，随着互联网的普及，企业与企业之间联系越来越多，越发需要企业具备整体视角。业务体系不仅要关心自己的业务运行，还需从公司整体的角度认识IT系统及数字化建设的价值和意义，了解和挖掘IT系统能够给自身能力建设带来的巨大支持和帮助；而科技体系不仅要从技术的角度保证整体运行安全、有效，更要认识到IT系统更大的价值来自于为公司实现整体建设所发挥的独特而核心的作用——对业务各个环节进行打通和连接进而让公司整体出发优化前端业务体系提供全方位的响应和支持。所以业务体系和科技体系都有必要通过升维思考重新认识到自身体系不断进化的可能性和必要性，站在更高层次上看到对方存在的巨大价值，超越原有的本位意识，从协同的角度看到两者深度融合的巨大潜能，从而对公司的经营和发展能够做出远远超过昨日的贡献。

科技部门定位的转变——平台的平台

科技部门的定位转变成为公司管理平台的平台，从对管理提供支持转变成支撑管理平台高效运行的基础平台。

（二）打通最后一公里——协同在线

1、业务对系统建设提出需求的核心——数据

随着数字化的建设，业务部门都希望通过系统这一技术手段来提升业务运作，于是对系统建设提出了很多需求，让技术部门去实现。但很多时候业务部门没有理清思路，具体体现在数据上，表现为以下三个问题：

第一，本身没有数据或数据失真。在业务环节中，一方面是没有系统或者是业务环节中的某个点没有设计到系统功能中，数据没有采集；另外一方面是有系统，但是初始数据是在日志中，没有被使用；还有就是系统初始数据采集是手工录入，耗时耗力，容易失真，对标准管理的要求高，极大地增加了管理成本。

第二，数据在企业内部的其他部门，提出需求者会用各种理由突破管理边界。技术部门是做系统功能建设的，他们只是按照业务流程和需求进行系统功能开发，对部门内的流程及部门流程边界是有清晰认知的，而对业务的整体性及边界的了解和把控很难，从数据应用上，业务需求提出方会有很多的理由证明自己提出的需求是需要跨边界的来完成，跨边界的需求是否被允许，技术部门判断不了，需要业务主导方从整体来断定，这就是权限问题，权限的背后就是组织内部边界问题。

第三，数据在企业之外，数据不完整。外部数据，由于国家相关法律法规的要求，很难获取完整的数据，有时甚至很难实现采集，因此常常获取的是点状的、不全面、不完整的数据，真实性难以评估。

2、系统与系统之间的连接问题

单一系统的本身就是流程，单一流程是简单的，容易顺畅，也容易使用，以满足某部门内部日常工作需要。然而即便单个业务系统建设顺畅了，系统与系统之间也缺少连接，存在断点。而断点与断点的连接，靠的是技术人员手工调整配置，就是权限。烟囱式架构建设的系统的背后是权限配置的割裂；同时，系统与系统之间的断点，也很容易造成数据的割裂与不一致。

过去靠行政和组织管理进行的系统之间的连接是没有系统支撑的，标准是因时而宜且因时而异的，这些问题经过日积月累的叠加，就会纠缠在一起，许多问题也就越来越复杂。缺少整体设计，就绝对无法解决上述问题。这就是业务管理的难点，对于技术部门来说，也是信息化系统建设难跃过的鸿沟。

因此，数字化的重点就是要解决从整体进行设计、从整体进行连接的问题。从整体上看，跨部门之间的连接都发生在业务场景中，过去系统建设基于流程，未来要基于业务应用场景。业务流程与业务场景是环环相扣、层层连接的，业务流程通过信息化建设基本都是有系统支撑的，没有系统支撑的是系统与系统之间的连接关系，把人与系统的连接以及系统之间的连接在业务场景中串联起来，就是协同在线所实现的，在我曾发表的文章《从补货场景，看企业协同在线》中有详细阐述，协同在线让业务流程运行顺畅和业务场景功能到位这二者实现了完美的融合，让系统对业务的整体运行提供了足够有力、及时的支撑。于是协同在线解决了从整体进行连接的问题，打通了数字化建设的最后一公里，让散乱到简单。数字化让协同成为了可能，而协同又更好地支撑了数字化的发展。

整体系统的顺畅是企业跨部门及对外高效协作的前提，所以数字化就是建设标准化的连通。而这个标准化不是一开始就能设计出来的，是在系统应用过程中不断迭代出来的，是业务与技术互动出来的，协同在线是数字化关键，是需要从整体思考和布局，针对业务系统的需求找到产生这些问题的根源进行相对应的组织及跨组织连接，一方面通过技术手段，让跨部门的连接形成数据并完成采集，在分享和互动中让连接更顺畅、更高效，解决跨部门连接中非标准化的问题；另一方面，基于不断的分享、互动、流动，形成共识，进行共识的标准化建设，这不仅能够解决消息化时代系统烟囱式架构存在的问题，更重要的是还能产生在原有层次上的系统所无法创造的价值和效益。

打通最后一公里 —— 协同在线

（三）业务管理的核心抓手——数据平台

1、数据是沟通的桥梁

数据作为沟通的桥梁、统一的语言，让业务环节与系统功能之间连接起来，让“业务依托技术，技术为业务赋能”成为可能。正如前文所提及的“门店数据”，它从门店经营场景中海量应用数据的过程中抽象开发而成，它成为了各级管理者与一线员工的沟通桥梁。对于大型零售企业，拥有分布在众多城市的众多的门店和数量庞大的员工，业务和组织复杂度对管理者提出了非常高的要求。（1）“门店数据”帮助管理者运筹帷幄。完整的门店数据体系实时呈现了门店的经营动态，对于各级管理者，整个集团/区域/城市的业务体态通过数据孪生的方式实时映入眼帘，为业务决策提供充分的数据指引。（2）“门店数据”帮助管理者走进一线。“门店数据”就是各级管理者与业务一线的沟通桥梁，它彻底打破了在传统“巡店”过程中天然存在的管理层和一线员工的对话障碍，包括语言不一致，数据不完整，表达不直观等，各级管理者利用“门店数据”到任何店铺去都可以直接与员工就具体业务进行有效沟通，快速发现问题，进而解决问题。

“门店数据”建设了企业内部语言体系，数据构成了管理者之间、管理者与一线之间的沟通桥梁，也是管理提效的工具。

为了保障这种沟通，就需要在数据产生的源头上进行标准化及验证，保障数据的真实性和完整性。其实每个数据的产生，都是系统的录入采集过程，而且会被系统完整记录下来，这个过程同时也会涉及到多个系统中的数据的调用，数据之间的调用关系也是真实性的反应。比如零售店铺整个POS开单过程，所需的数据涉及十多个系统，POS需要将十几个系统里面的会员、商品、店铺、营业员、促销活动等十多个维度的数据源、数据规则在一个功能菜单进行汇聚和整合，生成销售订单。在这个过程中，数据的录入采集都是发生在店铺中，店铺人员可以通过“门店数据”实时核对录入采集的准确性，管理者也可以通过“门店数据”与一线员工确认数据的真实性，来确保系统中的数据的真实性。

2、数据治理是管理工作的一部分

统一的数据门店产品，解决了门店产生的数据曾经存在的数据不全、数据不准、数据不一致等问题，这些问题以前严重地制约了数据价值的实现。数据价值的实现就体现在业务更有效与更高效地使用数据，在数字化建设中的路径就是将所有系统的数据汇集到数据平台，数据平台再根据业务应用场景进行编排建模，以提供给业务使用，实现有效应用和高效应用，例如门店数据和丽影。当数据汇集到数据平台按照业务应用场景进行编排建模时，就很容易识别出某些业务环节的数据存在的不全、不准、不一致等问题，这就需要数据治理，从应用端到数据源进行拉通，回溯数据采集的源头及路径，进行数据标准及数据关系的梳理，管理源头的业务运营的规范性。可见，数据质量是业务运营规范性的体现，数据治理需要管理者主抓。对数据的重视其实由来已久。我国从很早（商朝或者秦朝）就开始了记账，相应地也会有对账工作，这就是最原始的数据治理，以保证账账相符、账实相符，账账相符就是流程拉通，就是流程与流程之间的关系，在流程内部就是节点与节点之间的关系。账实相符，就是呈现资源的数据与资源本身的一致性，例如人口和土地等，历朝历代，人口、土地的数据都是统治者所重点关注的。所以，数据治理自古有之，并不是现代化企业才有的一项新的工作内容。数据治理是一个漫长的、真真切切的管理的基础工作，长期而又持续性的工作，反应出业务运营的规范性和效率，是管理者日常管理工作的一部分。而数字化建设的革命性贡献还在于它反哺管理系统，为管理者通过开发公司整体运作优势提供了前所未有的可能性，当然，要想发挥这一优势也对管理者，尤其是公司层面的管理者在认知和能力上提出了前所未有的挑战。

3、数据平台是企业资源的管理平台

随着技术的发展、数据平台的建设，数据作为最核心的资产，数据治理能力作为最核心的竞争能力，开始登上历史的舞台。数字化转型的核心是厘清业务与系统的关系、业务与数据的关系、系统与数据的关系，协同推进业务变革、系统建设及数据能力建设。

未来企业数字化发展是在技术基础上，首先发展两大平台：业务平台和组织平台，业务平台是记录所有业务流程中的业务数据（包括销售数据、货品数据、渠道数据等等），组织平台是记录组织管理过程中人员数据（包括岗位数据、权限数据、行为数据等等）；然后发展数据平台，数据平台是业务平台和组织平台的数据进行汇集，加以综合治理，让数据真实可用，为数据应用做准备；最后是前端应用和协同应用的建设，前端应用产品化是将对应业务场景进行标准化的数据应用建设，协同在线是在标准化的数据应用基础上，满足业务微场景中更多个性化需求，提高整体协同效率。所以数据平台在整个建设过程中起到承上启下的作用，因此说它是IT建设的核心。在商业企业中，技术应用发展的目的就是为了调动资源并合理利用，精准、系统化支撑企业以更好的商品、用更快的速度满足顾客的需要。敏捷来自于协同，协同的前提是统一‘语言’体系，而这个‘语言’就是数据。数据平台就是资源合理调动和利用的保障，是企业所有资源的管理平台。

数据平台——企业资源的管理平台

不管技术如何发展，都超越不了这五个字：理、象、数、时、位，这五个字来自《易经》的核心思想。业务运营从整体和动态的角度来总结也是这五个字，业务分析就是用数据把不同的时间、不同的岗位和范围、变化的业务现象及背后的原因串联起来，而且还在过程中用数据不断呈现理、象、时、位的真实性。这个循环就是将观察、分析和思考不断逼近真实的过程。技术是这一理想变成现实的前提、工具和保障。

本人30年零售业务经验，从业务到管理，再到科技部门管理三年，本文是对从业务转型科技部门的感悟，和对企业数字化建设的思考。文章的内容有许多来自于我所带领的团队及合作伙伴的探索与实践，分享出来供大家参考。

更多精彩内容，关注钛媒体微信号（ID：taimeiti），或者下载钛媒体App

​Read More