“这是最好的时代,也是最坏的时代;这是智慧的时代,也是愚蠢的时代”。
——查尔斯·狄更斯
进入21世纪以来,数据成为了信息时代的石油,驱动着发展的车轮滚滚向前。2012年美国华盛顿发布了“大数据研究和发展倡议”,拉开了大数据战略争夺的序幕。我国发布的“十二五规划”也把全面提高信息化水平,特别是加快建设下一代国家信息基础设施、推动信息化和工业化深度融合、推进经济社会各领域信息化作为重要工作列入其中。
笔者所在的房地产行业同样也在响应时代的号召,不断地涌现出高素质的数据人才,推动着这个古老而又年轻的行业进行数字化转型。在深入一线、亲自操刀部分房企的数字化转型过程中时,笔者发现越来越多的数据被业务生产出来,但却未能形成有效的价值应用。因此,笔者联合业内的数据专业人士,共同推出并实践了数据价值提升工程——旨在解决房企在扩规模与提效率的过程中,遇到的数据价值提升的困境。
一、什么是数据价值提升工程?
数据工作的两个方面
一般而言,我们常常会将数据工作分为两大类型:数据的产生和治理,数据的共享和利用。前者更关注数据的口径、质量和标准有关的问题:
口径:随着应用系统的增加,新旧标准不一致,数据统计无法实现口径一致和匹配
质量:数据管理不规范,数据质量差
标准:代码标准不一致,数据标准不一致
而后者则更关注数据的共享、利用和服务体验上需要改进的地方:
共享:数据需求缺乏规划,造成数据对象多份存储,存储结构各异,严重影响数据共享
利用:数据的及时性、完备性、准确性存疑,难以有效利用
服务体验:无法得到优质的数据服务,用户体验差
某千亿房企的数据资产架构之路
笔者在与某top级房企合作数据资产咨询工作时调研发现,在集团报表体系框架下,隐藏这数据资产架构不清晰带来的重重危机——
1.核心数据资产不明确,各版块进行报表开发时出现重复取数、多维度核对、口径不一致的问题;
2.各版块开发报表时,缺乏核心的报表资产体系指引,导致各版块间数据分析语言交流不畅;
3.报表体系的散乱直接导致数据中台向报表集群输出数据服务时不够聚焦,效率降低;
4.重点关注的住开板块,被动式响应业务部门的零散需求,局部战役偏多;
图1 某top级房企报表需求框架图
因此,在本次咨询工作中,核心第一要务就是提升视角,把数据价值提升工程拉到房企数字化转型战略的高度,把局部战争的思维革新成集团军作战的视角。
所谓局部战争,就是我们通常意义上,很多企业的信息部响应业务部门的各种报表、数据需求,通过报表工具去输出结果。这种类型的数据工作很容易让人迷失于取数、核数、制表、改表等不成体系的事情之中,同时还会造成巨量的人力物力的浪费——重复造轮子。
所谓战略引导,就是要求我们把头抬起来,把视角拉高,从二维平面的角度上升到三维立体的视角。在响应需求—>取数—>制表—>确认成果,这个简单二维闭环之上找到能够统领数数据工作、提升数据价值的战略目标,并以此去指导数据资产工作、企业的数据中台、业务中台以及集团报表中心等一系列规模化战役。
图2 提升视角——从赢得每一场局部战争到战略目标引导战役成功
在实现需求统一化、资产集约化、业务智能化的战略目标框架下,某第一梯队房企基于原有的各条线数据中心,对集团业务产生的各项数据资产进行重新梳理定义,形成了以指标、口径、维度、计算规则和责任管理矩阵等多维立体式的数据价值资源池。并在此基础之上,对集团内部各业务板块、对集团外部各数据应用,输出数据价值服务,如集团报表中心以及千人千面计划等数据价值提升工程的具体落地。
图3 数据价值提升工程在某房企的具体落地
二、数据价值工程的DNA双螺旋结构
数据价值工程的底层逻辑
很多数据人经常会遇到的一个问题——数据这玩意太底层了,外界的应用者完全感知不到数据工作的价值,遑论数据本身的价值了。因此笔者的团队在业内首次提出了用DNA的双螺旋结构,并尝试用这套理论去解释数据价值提升工程的建设过程。
数据价值工程的底层逻辑是:在梳理数据资产框架的同时,向外界输出数据价值的服务或应用。
图4 DNA双螺旋结构下的数据价值提升工
DNA双螺旋结构的理论基础
数据价值资产的基础就是进行业务的拓扑解构,这是所有数据资产之所以能成为价值资产的理论基础。每一项业务架构都必须拆解到最细颗粒度,才能够发现业务的核心骨架节点,下文会有对具体实践的详细阐述。就好比健康人的整体骨架一定是206块骨头构成的,那每一项具体业务一定有其最核心的业务管理流程,在这个阶段我们要做的就是把每个具体的节点剥离出来。
最核心的业务骨架流程,产生的业务数据会被纳入数据资产体系中,那其产生的业务报表是不是也应该能够被梳理到报表资产体系中去呢?在咨询实践中,笔者发现这部分工作往往是互相紧密结合的。因此,虽然数据价值资产的最终目的是要向外界进行价值输出,但这种工作一定是要前置的。在梳理业务骨架的同时,不仅完成了数据资产的梳理,同时也完成了对报表概览的架构梳理工作。
由此向上,数据资产和报表体系形成了螺旋纠缠态势,一方面能够从业务骨架推导出核心资产体系,一方面也能够从报表框架的矛盾点中寻找到数据资产的漏缺项。直到后续的黄金三角认证体系,双方又殊途同归,真正实现了数据价值的提炼与价值产出。
三、数据价值提升工程的咨询与落地实践
笔者所在帆软地产团队有幸与多家头部房企合作,真正实践了上述数据价值提升的理论体系。实践中,我们建议企业将其分为四个具体的落地执行步骤,下文中会结合实践案例来详细阐述
1.数据资产的梳理与认证
a)业务拓扑解构,剥离出基础业务的核心支点
以地产公司的营销业务为例,营销动作的核心服务对象是客户,起点是可售房源,过程中结合营销方案和交易过程产生各种业务数据。具体来说首先会被拆分成九大业务支点:
营销团队
营销预算
营销交易
营销渠道
营销客户
资金往来
项目/楼盘
营销方案
组织
图5 营销条线的业务拓扑解构
每个节点都必须拆解到最细颗粒度,如营销方案,可以被拆解到活动方案、结佣方案、开盘方案、认筹方案、营销计划目标等5大二级节点。虽然每个二级节点都能够独立承载营销业务的子流程,但其中开盘方案还是能够进行下一步拆解,如付款方式、折扣情况、价格区间、推售进展等。核心目标是找到营销业务动作中,最基础的业务单元,并找到业务实体和数据的关联映射。
b)价值资产的黄金三角判断过程
笔者团队在价值资产的入库评审过程中,引入了价值指标的黄金三角判断工具,为来避免价值评审结果的失真。
核心业务属性关联度——建议权重50%
是否从基础业务单元中直接生成
业务关联度打分
责任管理矩阵完善度——建议权重30%
指标从哪来到哪去的过程是否清晰、可追溯
权限下放时的申请审核人员、部门
数据保密程度
价值资产的衍生计算力——建议权重20%
价值指标的引用因子
被引用次数
可支持的下一层计算方式
由此可得到价值资产的评分公式:
资产价值程度得分 = 核心业务属性关联度 × 0.5 + 责任管理矩阵完善度 × 0.3 + 价值资产的衍生计算力 × 0.2
建立评审委员会时,建议结合内外部业务专家、数据专家以及咨询顾问等人士,以形成多维立体式的视角。
评审的周期,在资产价值建立初期时,强度略高,大约在两周一次。在价值工程交付后,可视业务迭代频率自有设置,一般建议一个季度左右迭代一次即可。
2.数据资产模型构建与入库
a)数据资产的底层模型构建过程
数据资产的模型框架可以以业务域的形式,也可以用指标字典的形式进行逻辑存储。每一次的评审结果之后都应当尽快更新到管理平台中,方便未来数据资产迭代升级时的追溯过程。
图6 业务域数据资产模型框架
b)价值指标的物理承载工具选择
数据资产的逻辑表现形式多种多样,其物理承载工具也有很多选择。笔者亲身经历的数据价值提升工程落地实践中,大多选择以数据中台或企业级数仓的形式,向下承接各业务模块的价值指标生产过程,向上输出各项数据服务与应用。细节参数等内容因项目档案尚未解封,本篇暂且不表。
3.以FineBI做数据资产面向外界服务窗口的实践探索
前文提到过,数据价值提升的重点在于如何拓展数据应用,下面以某房企封装的数据API接口为例,简单说明一下。
在这个项目实践中,笔者团队与甲方团队合作,阶段性交付了核心业务骨架剥离、业务指标与实体数据的关联映射、价值资产的评审入库等工作。在选择向外界(企业的各职能管线与区域决策者)输出时,考虑到当时企业数据平台的搭建情况,选择了以FineBI的数据价值资产包作为价值指标的承载工具,并在FineBI自有分析模板的基础上用API封装了部分资产应用成果,结合BI平台的分级授权体系向职能线、区域、数据分析团队进行资产的价值输出。整体应用效果良好,未来会再进一步考虑结合数据中台模式进行数据价值工程的迭代和升级。
图7 封装API接口向外界提供数据应用服务
4.数据资产的价值再提升——集团报表中心的搭建
在业务实践中,随着价值资产应用面的不断拓宽,数据工作团队会逐渐承接企业内外部的各项数据类平台的价值输出工作。其中最典型的案例就是集团报表中心的搭建过程。
a)报表池的初步清洗工作
回顾笔者曾经参与过的报表中心建设项目时发现,最大的障碍往往是最基础的问题——报表体系不清晰带来的重复制表、多口径取数、跨部门核数等。因此我们以试点区域的报表体系为对象,迅速拉起一次报表问题主因分析过程,具体数据参数如下:
图8 报表体系梳理过程中发现的问题占比
直观感受该试点区域的报表问题很多,但唯物辩证法要求我们先解决掉主要矛盾,次要矛盾会自动晋级成为下一阶段的主要矛盾。结合项目实践,我们选择先抓住线下填报类报表与线下台账型数据源的问题。抓住存在此类问题的业务报表攻坚之后,可以再次进行问题占比分析,寻找下一个目标问题。
b)绘制核心报表体系的穿透关系图
在完成报表池的初步清洗之后,我们能够顺利得到一份杂乱无序但数据精准的报表资产。结合核心业务骨架图、价值资产的黄金三角评价体系,我们可以梳理出业务报表间的级联关系。
首先按照金字塔原则,找到业务明细表的具体落位。这里注意不要直接选择大宽表作为底层业务明细表——虽然会很省事但大宽表其实已经是业务关联后的结果表了,在穿透关系中的层次落位相对较高——这是很容易走入的一个误区。
接着我们可以按照业务骨架的走势,填充每个业务单元的输出报表。最终形成了如下图所示的报表穿透关系图:
图9 核心业务报表体系的穿透关系示例
c)某千亿房企的“789”战役实践案例简析
报表穿透关系构建完成,意味着我们初步实现了集团报表框架体系的建立。在此成果基础之上,我们再进一步即可着手集团报表中心的搭建。其过程中涵盖的工具选型、团队构建、项目落地等工作本篇暂且不表。
下面简单介绍一个笔者深度参与的房企报表中心建设案例。
本次数据价值提升工程的核心目标是顺利落地集团的“789”战役——
缩短70%报表制作时间
实现80%报表线上化
报表数据准确率达到90%以上
在项目初期,咨询团队和甲方团队首先完成了对集团“表哥表姐”的轮询调研,收集报表1500余份——不仅涵盖了集团营销、成本、财务、运营、工程等各职能管线,更是深入项目一线收集日常汇报、整理数据所用到的各式各样的报表。报表池的初步清洗工作耗时约1月有余。
同步推进了核心业务骨架的建立,细节过程一如上文所述(有简单的过程裁剪)。最终在项目一阶段中,首先实现营销条线的业务骨架梳理和数据资产认证入库等工作。为后续数据资产的价值提升打好了基础。
报表资产体系框架建立的过程相对比较轻松——以核心业务骨架为支点,结合数据实体映射动作,找到核心业务报表的附着点。最终输出一份详尽的业务报表穿透关系图。
最终以Finereport集群为服务输出窗口,以FineData为物理承载实体,构架了集团的报表中心。目前日均用户访问量在5W+。
图10 某千亿房企的“789”战役架构
END
最后,感兴趣的公众号后台回复“资料”,我们整理了6个G数据平台、数据仓库、数据仓库、数据治理、企业数据化管理案例,供大家免费领取!
数据分析 BI
原创文章,作者:Maggie-Hunter,如若转载,请注明出处:https://blog.ytso.com/tech/bigdata/173245.html