400-680-2995
  

数据中台架构下的场景化分析

数字化转型带来了企业财务管理模式和IT架构的转型和重构。财务部门作为企业内部掌握最多数据资产的部门,面临比以往更严峻的挑战。

老板说:我1号就要看到经营数据分析报告,为什么你们非要等到6号才能给出数据?

销售总监问:为什么我们没有完成上个月的销售目标?是哪里出了问题?

业务分析员说:为什么报表上这个数字跟我理解的不一样?

……

大数据时代,企业坐拥的数据资源日益庞大。然而,如何分析和利用这些数据助力企业业务发展,却成为困扰企业的重大难题。以传统财务分析为核心的数据应用重财务、轻业务,已日益流于形式。越来越多的企业希望借助互联网、云计算、内存数据库、人工智能等新技术,获得敏捷化、业务化、前瞻性的实时分析能力,提升数据的赋用性。

于是,场景化分析成为企业数据应用的新方向。

从财务分析到场景化分析

在数据分析的版图中,财务分析长期占据着主流地位。财务分析基于财务报表和其他相关数据,对过去发生的经营活动进行评价,揭示经营中存在的问题,找到数据异常的原因并推动解决业务问题。财务分析最基础的作用是对数据的异动给出合理的解释,有助于企业总结过往,改善未来。

但同时,财务分析存在三大致命弊端:

1、分析数据的滞后

财务分析立足过去,主要是透过财务数据发现企业历史经营过程中的问题。分析数据的滞后,极大影响了分析的价值。尤其是在经济环境瞬息万变的现在和未来,“冷数据”的价值日益缩减。

2、与实际业务脱节

财务分析主要是面向财务的分析,与实际业务相脱节。财务分析重财务轻业务,一个重要原因就是其主要依托财务报告中的数据开展分析,而影响企业经营的因素不仅包括表内信息,也包括表外信息。

3、难以发现企业经营深层次问题

财务分析立足于定位问题,而不是解决问题。财务分析对企业财务状况和经营成果进行整体分析,并致力于从中发现经营中存在的问题。这种大而全的分析方法,无法真正发现业务中隐藏的深层次问题,也难以对企业具体的业务经营进程提出有效的解决办法。

在数字化的滚滚浪潮下,变革与退位——成为传统财务分析的必然宿命。

2018年,华为CEO任正非提出:要用场景化而不是定制化的解决方案来消化客户需求。此后,场景化一词迅速走红,并带动了生产、营销、教育、管理、金融等领域的场景化发展浪潮。场景化分析在此时亦顺势而生,引发了一些领先企业的极大关注。

场景化分析是针对企业业务经营的具体场景开展的数据分析。由于企业经营是由一个个具体的场景串联叠加的结果,因此,场景化分析的应用十分广泛。比如零售企业对某商品在某区域销量的销售预测分析,房地产企业对所持有房产的价值分析,制造企业对重点产品做出的产销协同分析,服装企业依据某季服装销售额做出的库存/物流优化分析等等。我们认为,场景化分析符合数字分析敏捷化、业务化、前瞻化的发展趋势,将替代财务分析成为企业数据分析的主流。

其次,场景化分析着眼未来,并致力于解决问题,符合数据洞察 “向前看”的发展趋势。财务分析是基于过去的历史数据看未来,着眼于描述性分析(譬如描述企业历史情况,分产品、分区域的销售情况)和诊断性分析(譬如描述目标实际的差异、价差、量差等),主要向决策层展现企业“发生了什么“和”为什么这样发生“。而场景化分析着眼于预测性分析(即利用统计模型等对客户、产品呢、区域进行前瞻性的分析)、优化性分析(即通过对多种情景模拟场景的快速评估,给出行动和决策的最优建议)和自主性分析(即基于持续性的自主检测和分析,动态调整战略),重点不仅要展现企业”可能发生什么“,更要帮助决策层了解企业”应该怎么做“以及”如何适应改变“。

最后,场景化分析反映了精细化管理的客观要求。任何企业的管理都脱离不了实际场景的运用,理解场景是解决问题的前提。不同于财务分析的大而全,场景化分析将分析深入到企业最基础的细分业务环节中,基于不同的业务场景设置模型,开展分析,并将分析数据反馈于对特定场景业务的运营和决策,大大提升了分析的细度,有力提升了分析的科学性和数据的准确性,体现了管理的精细化要求。

数据中台与场景化分析

场景化分析并非只是简单的基于对业务场景的数据分析。它是建构于数字化时代企业IT新架构之上,以数据为基础的应用。数据中台的诞生和应用是场景化分析得以开展的前提条件,也为建构于数据中台之上的场景化分析带来了鲜明的应用特点。

与以往相比,互联网及云时代企业IT架构的核心变化就是中台体系的构建。今年以来,阿里提出的“数据中台“受到广泛关注。”数据中台“重构了企业数据系统的架构,将其分为三个层级,即第一层的数据存储与计算,第二层的业务应用和第三层的前端展现。


数据中台的基本架构

数据存储与计算层级的核心是如何将大数据技术融入到新的数据平台中。这个平台将企业ERP、SRM等各个财务和业务系统中接入的大量数据收集并存储起来,充分应用分布式计算、内存计算、数据智能解析等新技术,对数据进行实时的分类、整理、加工,使其成为清晰有序、有条理、有脉络的有用信息,并分享给第二层级开展数据应用和实现数据变现。这个层级包括计算平台、数据平台和机器学习三部分内容。

业务应用层级聚焦于对数据的各种应用,场景化分析就位于这一层级之中。场景化分析通过从数据和计算层级中实时接入的有用数据,基于丰富的业务模型开展数据的应用,使数据赋能企业业务和经营。不是所有的业务场景都需要场景化分析。企业可基于对业务场景的深刻理解和对业务痛点的清晰洞察,选择一个或多个场景开展场景化分析,并随着业务的开展随时调整或拓展场景化分析的领域。

前端展现层级聚焦于以多样化的形式展现数据分析应用的结果,这些形式包括管理驾驶舱、即席分析、自助报告、数据大屏、移动APP等,系统可以根据不同用户在不同场景下的需求调整合适的展现方式。

与传统分析相比,场景化分析呈现出五大鲜明的特点。

1、场景化分析以数据为基础但并不仅仅是单纯的数据展现。

2、场景化分析既有数据的输入又有数据的输出。

3、场景化分析有流程管理

4、场景化分析需要人员的协同。

5、场景化分析是双向的分析包括对数据的使用和反馈。

传统分析是单一的数据分析,组织单一、人员单一、流程单一、职能单一、输出结果单一。而场景化分析往往由高级管理人员领导,可以调集生产、销售、研发、财务、人力等多部门联动协作,站在全公司的整体视角解决场景中的业务问题,做出相应决策并上下协同实施。只有形成广泛的自上而下的团队,才能推动场景化分析的顺利实施。

同时,场景化分析的长期稳定推行依赖持续的PDCA循环,是一个闭环的管理流程。场景化分析将日常的执行和长周期的前瞻性规划连接在一起,可以实现按日、按月、按季、按年的上下横纵协同,通过滚动和整合的计划方法进行市场目标、财务目标、库存目标、服务目标和生产目标等的适时合理的调整,提高企业整体的运营效率。

从发展趋势上看,基于数据中台一系列新技术的应用,场景化分析在应用中呈现三大特点。

1、分析过程的自助化

以往企业在线分析系统往往由IT人员推动和建设,但随着财务转型的加速,越来越多的企业开始设置专门的数据分析岗位。固定格式的分析图表和仪表盘无法满足专业的数据分析人员对数据加工处理的需求,向IT人员提出分析需求等待开发报表也无法满足业务要求,为保证分析及时有效,自助式分析将成为企业场景化分析应用中的重要方式。

借助后台的多维数据模型,系统可以向数据分析人员提供更灵活的自助数据分析功能,让分析人员能够通过拖拽、点击等快速的操作,在数据模型中对数据进行快速、多维度的自助分析,并输出或保存分析报表。

2、分析技术的自动化、智能化

传统分析依靠人力遵循一定的路径对数据进行浏览和探索,通过数据间的对比来寻找数据异常以发现经营和管理中的问题并形成分析结论。这些重复性的工作(例行的分析报告)可以由系统利用自动化技术实现,释放分析人员查询数据的时间,让他们能够更专注地把精力花在分析数据背后的原因上面。同时,语音、文字交互,搜索引擎等智能化技术将助力系统理解问题并在后台数据库中探索数据,并以适当的形式呈现给用户,智能化在场景化分析领域有着广阔的应用空间。

3、结果展现的实时可视化

场景化分析的价值与结果的展现方式密切相关。过去,我们习惯用一张张数据表单呈现分析结果。这些布满数据的图表看似具体细致,却大大提高了管理人员的解读难度,从而降低了决策效率。管理人员可能需要花费大量时间在一张张分析报表中,无法快速识别风险和应对风险,并及时做出正确的决策。

而未来,管理层可以基于场景化的战时大屏,实时监控业务场景的运用情况,实时获取相关业务场景的重要分析信息,并据此做出战略决策和经营管理决策,以便达成企业绩效。在业务发生偏离时,及时提出预警并开展调整。设想一下,当决策人员与销售和生产团队一起,需要就制造方面的某个事项做决策时,所有相关数据都可以以战时大屏闭环展现的方式呈现在相关人员面前,决策人员则可以透过这些可视化的信息,基于特定场景快速完成决策。

场景化分析实践

业务场景:

在对刚刚过去的一季度进行数据分析时,某大型运动品牌服装公司的王总发现,生产与销售间的协同问题已经日益突出,而各门店的销售与备货不匹配的情况也再三出现。

某款运动套装在这个季度销售火爆。然而,生产部门并未及时依据销售情况追加产量,导致多个地区断货达2周以上。同时,销售端的问题也不小。某款牛仔裤在A区市场断货1周未获补货,B区库存却显示还有2000条。

案例分析:

服装销售具有很强的季节性、地域性和配套性,对供应链前瞻性管理的时效性和协调性有很高的要求。但传统的供应链预测决策较多聚焦于单一职能,是基于客户订单的详细的操作型计划而较少关注与企业整体的计划协同(如销售、研发、财务等),极大影响了分析判断的准确性和决策的及时性。同时,传统供应链预测决策机制更趋向分散而非在集团整体资源集约基础上进行统一协调,故较难实现资源的最优配置。基于传统的供应链预测决策系统,A公司很难及时预测市场需求和产品生命周期的变化,难以解决不确定的销售和有限供应之间的矛盾并准确把握补货结构、数量和时间,这将导致滞销与缺货并存的窘况不断出现。持续缺货会拖累产品销量,而滞销库存又将加大产品成本。

我们认为,基于供应链预测决策这一特定场景,构建数据分析和应用模型,借助大数据、优化算法和人工智能等新技术开展场景化分析,可以帮助A公司构建起全局供应链计划体系,快速制定可行的分销计划,并主动管控供应链风险,实现自动补货、自动配货、自动调拨。

一方面,智能供应链预测决策平台提供完整的价值链解决方案,强调系统优化与全供应链的绩效,可以全面地满足企业战略、战术层次的计划需求。

智能供应链预测决策系统是一个由高层管理人员领导的流程,包含决策层以要货预测、产能限制、库存安排等为依据定期协同销售、生产、采购、计划等部门的一系列管理活动。它将所有地区、各业务职能的战术计划进行调整,支持公司的业务目标和指标。在智能供应链上,不再是企业的某人或者某个部门在思考,而是整条供应链在思考。


智能供应链预测决策平台

另一方面,智能供应链预测决策平台通过建立上下横纵协同机制保障战略计划落地。

智能供应链预测决策平台在战略计划上进行滚动分解,将日常的执行与长周期的计划连在一起,作为检查月度计划和每日执行的桥梁。在业务流程方面创造一种协同经营模式实现上下横纵协同,通过滚动和整合的计划方法进行市场目标、财务目标、库存目标、服务目标和生产目标等适时合理的调整,从而提高企业整体的运营效率。

不仅仅只有A公司这类服装企业正面临供应链的挑战。事实上,供应链预测决策已经成为所有企业的业务痛点。面对更快的产品迭代、更个性化的产品诉求及更高的产品品质要求,企业屡屡陷入“救火式”调整生产、采购等供应链决策的窘境。智能供应链预测决策平台的构建和应用,恰为解决这一痛点而生。

总结

通过将实时获取的热数据深入到单项业务中开展分析,数据的价值将获得更深入的挖掘和更有力的变现,而管理者的决策难度也将大大降低。最终,我们都将从场景化的数据应用中获益。

在这里您可以索取:白皮书解决方案研究报告