以下是现场速记。
中新赛克 副总经理 大数据产品线总经理 卢云川
卢云川：各位CIO朋友，各位来宾，大家下午好!我是来自中新赛克的卢云川，今天我跟大家分享的题目是“企业数据工程”。
今天我分享的有三部分：
第一.数据工程和企业数字化转型的关系。
第二.企业数据工程如何建设。
第三.OceanMind助力企业数据工程落地。
关于企业数字化转型形势我不多说了，大家都比较清楚，除政策以外还有关于市场环境和企业环境、内外部环境都要求我们来做企业数字化的转型，前面有专家讲过，企业数字化转型现在不是来讨论要不要做的事儿，而是应该讨论怎么做，什么时候做，在这里不浪费大家的时间。
整个企业数字化转型，实际有一个铁三角的模型，但不管这三个角上面是什么，最终中间的还是数据，所以数据永远是企业数字化转型的关键驱动的要素。
从某种角度上来讲，没有数据就没有应用，没有数据也没有智能。因为我们所有的应用，如果没有数据支撑，你的应用来表现什么?如果没有大量的已经训练好的标准化数据，你的AR怎么做?我们所有AR包括人工智能、机器学习，已经转到就是要为数据，没有数据就没有智能。
我们现在企业数据现状是什么?我们归纳总结了五点：
第一.规划弱。大部分企业数据是没有规划的，这是历史原因导致的。因为我们当时在做信息化建设的时候，并不是以数据为切入点的，我们是以应用为切入点的。今天我要上这个系统解决这个问题，明天要上另外一个系统，解决另外一个问题。最后导致我们的应用做了很多，但底下的数据我们根本没有规划过，因为在那个时代我们大家盯着的还是业务。
第二.标准弱。既然没有规划，那肯定没有标准。举一个简单的例子，员工的ID号，这个系统里这个厂家是按照这个方式做的，后来又上了另外一个系统，可能通过另外的方式表达的。
第三.资产弱。既然没有规划，没有标准，数据资产概念无从谈起，甚至我们可以说我们企业的数据并不在我们企业的手里，在每一个厂家的系统里，我们根本谈不上对数据资产的拥有，随之带来的就是应用。我们有很多的应用，但是都是单维数据处理的结果，很少有多维的数据应用。
第四.管理弱。有一个系统先上了以后，大家第一眼用的还挺好，用着用着就不行了，因为我们有一些很多线下动作，最后导致线上数据不如线下数据准，导致数据价值越来越低。
基于以上几点，我们认为企业数字化转型首先要解决数据的问题。企业数据问题不简单是做数据清洗、弄数仓搞接口就能解决的问题，我们认为它是系统工程，我们称之为数据工程。
在业务数字化和管理数字化之上要解决数据规划、数据建设，我们称之为数据工程。
整个数据工程思路是什么?目前我们的企业数据的现状是分层的，我们底层的叫主数据，上面的数据是指标数据和交易数据，基本上企业数据都是按照这样的架构来构建的。
所以说针对前面说的五个弱点，我们也相应的提出了五个步骤。第一个步骤是你规划弱，咱们就要定规划，定规划怎么定?就是要用一个轻咨询的方案，所谓轻咨询指的是更多侧重于项目的落地，而不是仅仅提供一个方法论。
对于标准论和资产论分别提出要立标准，要有主数据的建设，没有数据资产我们就需要通过数据中台来构建数据资产。在这个基础之上，我们来构建我们真正的多维的综合数据的应用，最后我们要构建一套完整的数据管理的运营体制，使得我们的数据一直用下去，一直准、一直新。
下面就针对这几个步骤给大家简单介绍一下。
为什么要做咨询?这个问题不需要我来回答，大家搞数据化的规划，没有咨询是无法做好的。所以咨询肯定要做，但为什么要做轻咨询?轻咨询更侧重于前面的目标、方法如何和后续的落地相结合?它更多的是除了做战略以外，它更强调的是战略和落地的桥梁，同时它的咨询更多的是从系统和数据出发，我们知道传统的咨询往往从战略和方法论出发，方法论很好、战略目标也非常明确，但是怎么去落地?没有人来回答这个问题，或者说还得后面一拨人来回答这个问题。我们提出轻咨询从企业本身系统和现状，而非拿出通用的方法论来解决这个问题。这个是里面具体的几个步骤，不详细介绍了。
对于我们来讲，我们的特点是在我们专家团队里不仅有行业专家，我们还有数据专家、系统专家和交付专家。在这个咨询过程当中，其实已经把后面怎么样去实施、落地，怎么样去交付，都把这个事儿说清楚了。说得再具体点，基本上招标书、项目规划书已经写好了，不再是战略目标加上方法论的输出。
有了这样的轻咨询以后，我们可以进入我们的数据标准的建设，比如说首先有没有主数据的数据标准?这个是最基础的东西，说起来好像很容易、简单的事情，比如同样一个事情在你的企业很多IT系统里，但是它的编码、它输出的标准都不一样，在这种情况下，你怎么可能对这个企业的数据资产有一个充分把握，同一个实体的命名和编码都不一样。我们通过主数据的方式来解决标准落地、唯一源头，一物一码和共享交换的问题。
进而构建数据资产，为什么构建数据资产?我们有的客户会问数据都在我这儿，你那样折腾一下就能变成资产?我在这儿就不是资产?我们来看一下这里的四个问题，大家看看咱们的企业里是不是有类似的现象?
第一.数据孤岛。我们一般企业、稍微标准企业有五个以上的IT系统，甚至20几个我们都经常碰到，这些系统有的数据完全割裂。比如就说员工的问题，同样一个员工在不同系统里，其实都有他的相应记录，ERP里有、人事、财务、税控都有，但是无法描述这个人的信息，我们往往以为HR就代表人事，其实是不对的。
第二.线上、线下数据融合。在我们接触企业里，有表格、现场记录的东西等这些数据是最新、最准的，但是往往和线上数据无法融合，最后的结果就是很多企业员工最后不愿意用这个系统，因为这个系统不准。
第三.缺乏内外不数据融合利用。很多企业存在这个现象，比如我们最近做的一个创投企业，他投资的这些企业市值每天都在变化，就意味着创投企业身价也在变化。我们创投企业的老总每天早晨起来之后不知道企业值多少钱了，还有的企业，它被投的企业可能出现重大的风险，可能遇到黑天鹅了，他也不知道或者知道的时间很晚。所以内外部融合时间非常重要。还有大宗企业很希望知道大宗商品实时的价格，跟它的仓储是有关系的，但是现在数据是割裂的。虽然有员工做这个事情，在外网不停的查和看，但无法保证实时和准确。
第四.缺乏智能化数据分析手段。只是在这个系统里看一看，如何的去做更深层的分析，这些能力都没有。
基于这些，我们整个数据资产的构建，有五步：数据标准、数据资产平台、数据治理、数据服务、数据运营。
数据服务是指这次帮客户数据汇集在一起，通过数据标准理论构建数据资产，这个数据资产不是给哪一个厂家用的，是属于我们客户的，但是我们可以通过我们数据的服务来给未来所有的这个企业里面APP来用、业务厂家来用，这时候大家是不是有一种感觉，这个数据归我所有了?我想给哪个厂家用就给哪个厂家用，以前在不同系统里，我要做事情还要协调很多企业。
这个是企业数据资产建设成果，通过资产建设成果构建理论，最上面是针对企业不同运营维度提供主题，销售主题不简单来自销售系统，还来自其他很多系统。
第一.怎么解决内部系统的融合?不同系统它的数据是割裂的，最终形成一套数据资产。
第二.内外部数据融合。右边列了很多数据源，我们如何把这些数据源能够有效实时的拉到企业内部，和企业内部业务系统进行结合。
这边也是我们提供的一款叫睿企的服务，它可以把企业外部动态的数据、事件、行业这些数据都拉到企业内部，和我们企业内部的ERP数据，包括其他的一些市场和销售数据相结合。
这一块是我们提供的线上线下的融合，刚才我提到了怎么样把线下的实际工作中的零散数据，通过我们的工具融合到线上系统，来提供统一的分析和查询?特别是我们在线下的时候，数据有个共享性差的问题，对这个企业的工作影响是很大的。如果大家都知道，会提高很大的工作效率。
这个就是我们提供的智能分析的能力，刚才我们说的数据智能。比如我们能不能去构建企业内部的一些知识图谱，深度的搜索和挖掘，而非简单把数据放在那里进行简单的统计。
再来看大家对数据资产的理解，到底这个数据资产和我们之前，在各个业务系统里的数据是什么区别?左侧是什么?我们现在也有销售指标，但是我们可以看到这个销售指标都是原始ERP单个模块的销售指标，但是系统性实施数据工程后构建的销售指标，除ERP以外把合同、人事、办公、费控系统跟销售相关的数据全部整合在我们的资源库，最终形成上面那一层销售概况、销售人效、项目损益分析、战略型销售项目分析，因为这些数据不光是在ERP里面它还必须综合刚才我说的合同管理、人事管理、办公、费控这些，大家通过这张图可以清晰的看到。
我们现在说的数据资产到底和我们原来的简单的BI系统里数据销售指标他们到底有什么样的本质的区别，它带给我们的不仅仅是名词上的转化，更多的是它本质上把我们企业里所有相关联数据都有机结合起来，给我们提供全局视角、更加全面、科学的视图。
我们提供三种运营问题：
企业运营健康洞察。每个系统都表征企业运营维度的信息，但这些信息对管理层不够，我们管理层更关心的是整个企业运营的状态。比如整体的战略决策、整体的竞争力等等，这些数据实际在单个系统里都有，但是单个系统是看不到任何的，其实是管中窥豹。
有了这样的数据资产以后，我们就可以在健康模型之上，比如这是正常企业健康模型转换成数据层面，最终得到企业运营能力、发展能力、盈利能力、偿债能力。企业运营能力我们得不到，但是我们CEO最关心是上面这些指标，这些指标都需要通过我说的数据工程去构建。
比如我们有了洞察系统以后，解决商务部门全面掌握所有区域的合同，加强合同的履行。研发设计单位也是一样，往往研发设计单位干的热火朝天，但是能不能卖得掉?对于盈利、亏损完全没有概念，也可能卖的爆款是小组四五个人开发的，结果我们花了一百个人的团队最终卖的成果很差，大家都不知道，因为大家的信息是隔离的。
ERP里刚刚签了一个合同，可能物流的同事还不知道呢，可能需要100万套零件，市场的兄弟们正在庆功呢，随之而来的是客户马上指责，总是货到不了，因为这个中间会一个月以后通过会议流转才清楚。我们有了整体多维系统就可以解决，像售后部门也一样。
第一步我们说的是洞察，先搞清自己的家底、运营状态、现金流、整个项目运营周期怎么样。
第二步是企业运营健康管控。这其中包括流程规划、流程E化、流程D化。
领导是否该批，领导是不知道的。这个东西的本质是什么?因为我们没有给这个节点的决策者提供足够的数据支撑，因为我们没有提供信息，比如说我现在采购一台设备，我申报100万，这个老板到底批还是不批?如果我们能告诉他过去三年我们采购这个设备都是80万左右，至少这个100万我现在不能批，我去了解一下原因，大多数情况下可能是不合理的。领导看，比之前的型号新，我就可以批了。所以我们要做流程的D化，D化是在每一个节点把决策者需要的数据推送给他。
我们上面是传统的管理流程，下面是我们增加了数据资产以后，我们就能给企业的决策者在每一个决策的节点提供这样的数据支撑，让它来清楚到底是审批过还是要拒绝。为什么我们没有数据资产不能做呢?当然不能做，因为他要决策的事情往往是跨系统的，不能在一个节点里提供决策系统。只有跨系统数据整合成数据资产以后，他才能得到足够、充分的数据支撑，来作出科学的决策和判断。
我们举一个例子是基于数据资产的费用管控，我们把底层数据通过很好的治理以后形成了项目主题、合同主题、供应链主题，这时看一下会发生什么?比如这是正常的过程，从采购申请到需求的判断、库存、财务经理、财务主管四个部门。
第一个部门，比如部门主管看到这个申请以后，他想知道你这一款设备我的库存里面有没有?之前还有没有用掉?包括你用的项目的额度还有多少?这些来判断他的必要性，这些数据来自项目管理系统和资产管理系统，比如它是一个多系统。
有了这个数据以后，他做了一个决策送到采购经理，采购经理可能看的东西不一样，采购经理会到仓储系统里面去看一下，包括供应商的信息，他是不是选了新的供应商等等，这些数据他来自ERP、运维、资产管理和项目管理，他得到了这样的表。我们采购经理看到这张表以后，会作出相对科学的判断。
再往下走是财务经理，财务经理跟前面采购经理关心不一样，他关心更多是钱、预算，他也从相应的系统里获得他要的这张图，这张图也来自于多个系统的分析和判断。
最后到了财务主管，财务主管更多看的是项目的进展。比如这个项目从一开始立项，销售花了多少钱，合同费用是多少，中间发货发了多少，预付款收了多少，到最后是亏损状态。现场又要增加设备，再增加50台服务器，这个事儿还能不能干?那就不能干了。公司那么多项目，他怎么知道现场已经滥成这样了?他也没办法，但现在我们有了相应的数据，这个财务经理至少可以预警开会讨论，所以这些数据有没有很好的起到支撑作用?是非常重要的。
第三部分是企业运营健康审计。我们知道审计最终的依据还是数据，但以前我们数据相对单维，现在有了数据资产以后我们的审计就会变的更加的科学、容易，现在我们知道往往单维财务审计基本上不会有人出问题的，再出问题的话，这个人的能力就比较差了。但是通过多维的数据，你是很难隐藏你的一些企图，所以基于这样的数据资产，我们也提供企业的内部审计的系统。
数据管理是我们给客户提供的服务，系统交付完以后，我们会帮他构建运营规划的制度，怎么样去运维管理，包括怎么样去构建数据运维的组织，包括怎么样的规章制度等等。
后面我就过的稍微快一点，所有讲的方案都是基于数据中台的产品，在数据中台之上有主数据平台和数据资产平台，上面是我们的数据应用，左侧和右侧是轻咨询服务和数据运维管理服务，就是两个服务加上三大类产品构成我们整个体系。
这个是除了中台的基础能力外，我们还提供一些人工智能的引擎，可以给大家使用。这个是我们中台的，我们认为我们具备了一些能力和特点，比如开放、智能，开放就是指我们可以接入很多人工智能能力，轻量可以根据客户要求进行弹性化扩展，智能使我们使用起来方便、简洁。
最后简单做一个总结，我们认为企业数字化转型的核心是数据，但数据由于历史原因留下了很多的问题。我们认为这些问题不是简单的购买一个工具去做数据质量的评估，去做数据总线或者搞一个数仓就能解决问题，我们认为它是系统化工程，所以我们称之为数据工程。
这个数据工程解决的是做什么，由轻咨询、定规划。怎么做，我们通过建设主数据和数据资产。然后怎么用?给企业的健康状态提供洞察、管控和审计，最终整个系统做完以后还要管理它。数据的系统和业务的系统最大的区别，系统建完以后，数据每天变化，如果不好好管理，里面的数据就会慢慢老化，除老化以外还会变得更加混乱，最后这个系统就失去了它应有的价值，最后是怎么管。
整体上来讲，我们帮助大家来解决做什么、怎么做、怎么用和怎么管的的问题，我也希望以后我们有机会能够跟大家一起合作，为大家提供整体的数据工程的解决方案。
我今天的分享就到这儿，谢谢大家!
京公网安备 11010502049343号