《德勤&瓴羊:DAAS:数字化新世代的最优解研究报告(2022)(35页).pdf》由会员分享,可在线阅读,更多相关《德勤&瓴羊:DAAS:数字化新世代的最优解研究报告(2022)(35页).pdf(35页珍藏版)》请在三个皮匠报告上搜索。
1、 DAAS 数字化新世代的最优解 目录 引言引言 1 一一.数字化的新征途数字化的新征途 2 1.进入“数据智能”时代 2 2.隐形天花板 7 3.数据智能:从“选择题”到“必答题”10 二二DAASDAAS面向数据智能时代的转型体系面向数据智能时代的转型体系 12 1.Data:自生长数据平台 12 2.Analytics:普惠化深度洞察 14 3.Applications:规模化场景应用 16 4.Success:数据智能驱动的成功 19 三三.DAAS.DAAS 建设之路建设之路 24 1.DAAS 建设三大难点 24 2.通过矩阵精准定位自身 DAAS 建设路径 25 3.DAAS 实
2、践案例分享 27 引言 1 引言引言 在过去十年间,几乎每一家成功的企业都在工作方式上变得更加数字化,并由此获得巨大的红利。依托信息系统,企业解决流程效率与管理标准化的问题;依托互联网,企业突破了交互的物理区隔。工具、渠道层面的数字化赋能显著地改善了企业作业流程,提升了连接客户的效率与效果。然而近年来,我们经历了前所未有的震荡来自新冠疫情、经济换挡、国际竞争这些因素叠加带来的冲击,也许超过了过去十余年的累计。在如何应对变化上,或许企业各有思考,但唯有一点已经成为了所有企业的共识传统的经营逻辑需要升级,仅靠工具层面的改良很难应对挑战。面对加剧的挑战,数字化依然是一剂良方,数字化的内涵也在演进和升
3、级。随着大数据处理、高级分析、人工智能等新兴技术的应用逐渐成熟,数字化进入了“数据智能时代”。领先机构的实践证明,数据智能可以深入经营模式的转型,让企业走出一条高质量增长的新路。我们希望从过往的服务经验出发,探讨数据智能何以帮助企业持续成功,而企业应如何正确认识数据智能,找到数据智能建设的最优解。本篇文章由德勤管理咨询、瓴羊与阿里研究院共同撰写。其中,瓴羊作为阿里巴巴集团数据中台、业务中台、客服系统、供应链服务等多个部门整合成立的企业数智服务公司,沉淀了阿里十年来数字化实践的经验与能力,为本文贡献丰富理论与实践案例支持。一.数字化的新征途 2 一一.数字化数字化的新征途的新征途 1.进入“进入
4、“数据智能”时代数据智能”时代 1.1 数字化发展阶段数字化发展阶段 数字化并非新鲜的概念,从全球范围看数字化已经开展超过 40 年。但即便最为领先的企业,也很难说自己已经“实现了数字化”。数字化的内涵和定义在不断丰富和延展,可以分为四大阶段:信息时代、网络时代、移动时代和数据智能时代。伴随着数字化不断向更高阶段跃升,企业也因此不断获得“数字化红利”,并实现显著的业务增长。图图 1 1-数字化转型的演进阶段数字化转型的演进阶段 企业在数字化不同阶段的典型特征如下:信息信息 时代时代 技术基础技术基础 电子计算机技术、商用软件开发技术的成熟 核心价值核心价值 由线下手工转向系统操作,实现纸质文档
5、到电子数据、孤立业务节点的快速链接,显著提升内部标准化程度、改善内部效率 典型用例典型用例 ERP 系统、管理信息系统 互联互联 时代时代 技术基础技术基础 以互联网应用普及、PC 普及为基础 核心价值核心价值 以互联网替代物理交互,实现企业销售、客户服务、内部管理等脱离物理区隔 典型用例典型用例 线上渠道建设、自助服务 移动移动 时代时代 技术基础技术基础 第三代、四代通讯技术、个人移动终端、特种终端普及 核心价值核心价值 实现个体的广泛互联。围绕个体使用、个体生活,实现企业服务的场景化、生活化、定制化程度显著提升 一.数字化的新征途 3 典型用例典型用例 跨界生态服务场景、企业 APP 数
6、据数据 智能智能 时代时代 技术基础技术基础 大数据处理、人工智能、高级分析技术的成熟;核心价值核心价值 将海量数据转化为洞察,协助乃至替代人驱动企业在感知市场、管理决策、对客服务、生产运营等方面的提升预见性、准确性与效率 典型用例典型用例 客户偏好预测、智能决策辅助 1.2 数据智能时代:数据智能时代:Not Version 1.4,but Generation 虽然数据智能时代仍处于起步阶段,但其表现出的潜力让企业感到振奋。在过去 3 年间,认为数据智能将“成为企业未来决定性竞争力”的企业,从 45%提升到了 96%1。随着数据智能企业样貌的逐渐清晰,企业的高管也正逐步认识到数据智能为企业
7、带来的变革“不同以往”。我们相信,从未来回望当下,人们会认识到数据智能时代并非仅仅是前三个数字化阶段的延续,而是一个更具有划时代意义的数字化新纪元。从目前数据智能已经取得的成就来看,其不仅提供更有效的工具,更能够“改造企业的大脑”、“重新定义企业取得成功的核心竞争要素”。图图 2 2-数字化转型数字化转型不同阶段的使命不同阶段的使命 数字化前三个阶段数字化前三个阶段 数据智能时代数据智能时代 数据智能阶段,数据智能阶段,从“改造企业的四肢”,转向“改造企业的大脑”从“改造企业的四肢”,转向“改造企业的大脑”在数字化的前三个时代,主要为企业解决了纸质单据纸面信息到电子信息,孤立到联动,固定到移动
8、的问题,但企业最基础的经营逻辑和决策没有发生调整。无论所有宏观的战略决策,还是到微观的业务判断,大都还是基于人的经验而做出。数字化工具旨在赋予企业更为强健的四肢,从而更高效地执行经营动作决策意志。1 德勤,企业人工智能应用现状分析,第 5 版 How we doHow we do 企业如何做事情企业如何做事情 How we think/cognizeHow we think/cognize 企业如何认知思考企业如何认知思考 How we winHow we win 企业何以成功企业何以成功 一.数字化的新征途 4 进入数据智能时代,数字化对企业的改造由“四肢”转向了“大脑”。企业将海量的数据转
9、化为对趋势的研判、对客户的认知和对风险的预测,进而将企业经营中每个环节的决策,由“经验驱动”转向“数据智能驱动”。图图 3 3-不同时期企业开展数字化的核心价值不同时期企业开展数字化的核心价值诉求在发生转变诉求在发生转变2 2 从 2017 年到 2022 年,持续调研国内多家企业“期望实现通过数字化实现”(且实际开展建设)的业务目标,以下为不同年份选择该选项企业占比从高到低排列 企企业业希希望望通通过过数数字字化化实实现现 20182018 20202020 20212021 1 1st st 改善现有产品服务(44%)优化流程效率(43%)创造新业务模式(29%)2 2ndnd 优化流程效
10、率(42%)改善现有产品服务(34%)大规模客制化(28%)3 3rdrd 更好的决策(35%)创造新产品与服务(34%)挖掘有价值的新洞见(23%)4 4thth 自动化释放人力(31%)更好的决策(34%)优化流程效率(22%)目标与数据智能应用高度关联 大数据与高级分析技术成熟后,企业的接受度逐步提升。过去几年间,企业数字化建设最为关注的价值点已经悄然改变,由关注效率的改善提升,转向了对决策能力、洞察能力与企业经营逻辑转型的追求。数据智能时代,重新定义企业的核心竞争力数据智能时代,重新定义企业的核心竞争力 过去能够在行业中占据主导地位的机构,其竞争力往往来自于“生产规模带来的成本优势”、
11、“渠道的独占性”等。但随着数据作为新兴的核心生产要素的加入,企业掌握了全新的能力,并以过往从未设想过的方式取得成功。一方面传统巨无霸企业的竞争优势被持续削弱,另一方面重新定义了核心竞争力的新兴企业正在快速涌现和崛起。2 德勤,企业人工智能应用现状分析,第 1-5 版(2017-2022)一.数字化的新征途 5 在当下,我们可以看到变革已经发生在当下,我们可以看到变革已经发生 DTCDTC 打破“标准化规模生产优势”打破“标准化规模生产优势”依托客户数据与人工智能,企业有能力通过机器自动为客户提供定制化产品方案,并跳过渠道、销售人员,直接从生产端直面客户交付。客户的价值体验远胜于为控制成本而规模
12、化生产的标准化产品。数据优势型企业成为行业不可或缺的基础设施数据优势型企业成为行业不可或缺的基础设施 能够依托大量数据,为客户提供精细化的产品与服务的企业将成为客户的优先选择。而据此带来的更大量数据又可以帮助这类企业进一步强化自身的智能化水平。在这种自生长循环不断加强下,一般企业将不可避免选择数据能力的“外部服务化”即依托行业核心企业的数据与洞察能力开展经营。工具水平趋同,洞见决定成败工具水平趋同,洞见决定成败 过去企业主要在标准化的管理和运营中寻求行业最优实践与系统工具,其所采用的工具和方法逐渐趋同。能够通过数据更敏锐的感知市场的变化,调整经营导向,快速调整变革的企业在震荡的外部环境下将获得
13、更稳健的业务成长。更扁平,更小的作战单元更扁平,更小的作战单元 已有企业为一线的销售队伍提供完善的洞察分析平台,支持他们了解客户、反馈需求,并通过内部的数据模型完成业务风险、收益的判断、审批,并赋能一线队伍灵活开展经营。利用数据,在传统产品服务基础上提供新价值利用数据,在传统产品服务基础上提供新价值 企业可以利用数据洞察,提供超出传统产品范畴的服务。已经有消费品企业从家庭日用延伸到家庭健康管理,有金融企业从损失赔偿延伸到利用数据预警风险 一.数字化的新征途 6 数据智能对企业竞争力的改变将持续深化,且在不同行业间会有不同的表现。但总体而言,我们可以预见以下 5 对核心竞争力的转变:我们可以说,
14、在进入数据智能阶段的建设后,企业的数字化之路才真正具有了“转型”的意味。一.数字化的新征途 7 2.隐形天花板隐形天花板 2.1 跨入跨入数据智能时代绝非“一步之遥”数据智能时代绝非“一步之遥”企业进入数据智能阶段的跃升绝不仅仅是“最后一跃”的问题,而需要跨越过巨大的能力鸿沟。当前哪怕是最为领先的数字化企业,依然难以称得上实现了数据智能转型。从调研数据来看,虽然大量企业提出其数字化成熟度显著提升,但在数据智能阶段取得较好成果的企业仍在少数 3。企业在开展数据智能建设的过程中,面临着诸多的挑战。这些挑战不仅仅来自技术,也可能来自组织、文化、业务模式调整、变革管理等。在这些问题没有得到解决前,企业
15、很难称得上实现数据智能“转型”。调研问题:您所在企业在规模化数据应用过程中面临的最大挑战是什么?调研问题:您所在企业在规模化数据应用过程中面临的最大挑战是什么?4 4 3 德勤,洞察力驱动型企业在“融合时代”继续成长:文化为基 4 德勤,企业人工智能应用现状分析,第 5 版 70%70%的企业提出自身数字化的企业提出自身数字化 成熟度显著提升 27%27%的企业能够兼顾数据智 能项目数量与回报 N=2271 50%42%46%44%38%50%选择该选项的企业占比 难以与原有业务模式难以与原有业务模式 一体融合一体融合 企业上下,尤其是高层难以企业上下,尤其是高层难以就转型达成的一致的共识就转
16、型达成的一致的共识 系统与基础设施架构混乱,系统与基础设施架构混乱,难以支撑数据智能的实现难以支撑数据智能的实现 在最初启动转型后难以保持在最初启动转型后难以保持推动力度与资源推动力度与资源 改造为适配数据智能的技术改造为适配数据智能的技术基础需要较高成本基础需要较高成本 难以找到与业务价值紧密相难以找到与业务价值紧密相关的用关的用例例 一.数字化的新征途 8 数据的爆增与闲置数据的爆增与闲置 数字化的前三个阶段的建设给企业带来了海量的数据。从规模上看,企业的数据量级提升数个数量级,预测全球数据量将从 2018 年的 33ZB 增至 2025 年的 175ZB5。从维度上看也愈发丰富,企业视之
17、为有价值的数据也不再仅仅限于结构化数据,大量半结构化数据(如日志)、非结构化(音视频)等类型数据的比例在持续增加。但对于绝大多数企业而言,仅有一些支持核心管理报表的数据得到了充分利用,这些数据也许仅仅不到 20 张宽表。数据大量闲置很多来自基础设施的不完善,在使用数据之前需要投入大量的资源进行数据探索、整合工作;数据质量的问题从未彻底解决,90%以上的数据在使用前需要经过校对、验证与清洗;对于不少中小型企业而言,“大数据团队”是成本不菲的“奢侈品”。数据的闲置也与管理习惯息息相关。不少企业在决策中很少使用数据;大量企业的数据仍然孤立地存在于从不同厂家采购来的各个系统中,没有经过盘点整合,形成属
18、于全公司的数据资产。应用的希望和困窘应用的希望和困窘 数据智能在绝大多数业务场景应用潜力极大,这是一个取得了充分共识的结论。企业对于利用数据智能改善经营充满希望,并积极投入资源开展尝试。但对于绝大多数企业而言,大量数据智能项目未取得预期的显著提升。原因在于,他们没有准确地、规模化地选择与建设数据智能用例:5 IDC,2025 年中国将拥有全球最大的数据圈,2021 很多应用偏离核心业务领域,无法驱动增长很多应用偏离核心业务领域,无法驱动增长 某大型国有制造类企业在智能化建设启动后,成功的智能化项目集中在“智能科技运维”、网络风险防范”等领域,难以驱动业务价值方面的回报。孤立地开展建设,应用多以
19、散点形式存在,无法形成联动合力孤立地开展建设,应用多以散点形式存在,无法形成联动合力 某消费品企业建设了对客户智能产品推荐引擎,但上线后,由于对自身产品的特征标签建设工作不完善,导致模型无法发挥作用。未掌握并采用规模化、流程化的数据智能建设方法未掌握并采用规模化、流程化的数据智能建设方法 国内企业少用机构掌握MLOPS、智能化专用数据等工作方法,虽然这些方法已经证明能够显著提升数据智能 开发效率并降低成本。数据应用缺乏配套机制变革,导致效用无法实现数据应用缺乏配套机制变革,导致效用无法实现 某金融企业通过舆论外部数据预测客户的违约风险,希望根据风险预警开展贷中检查工作,但风险部门仍要 求定期全
20、覆盖检查,模型未能起到节约人力的作用。散散 粗粗 浅浅 偏偏 一.数字化的新征途 9 概念的轰鸣和疲惫概念的轰鸣和疲惫 我们处于一个知识充分共享、信息高度透明的时代。企业的数据智能战略不再是秘密,各类专业人员和机构也通过各个渠道充分表达意见。但另一方面,过量的概念与混乱的思潮也在一波又一波地对企业的中高层进行持续冲击。在这种情况下,企业上下很难形成对于“什么是数据智能”、“什么是适合我们的数据智能”的统一认知,进而陷入对热点的追逐、建设方向的频繁调整。这很容易让高级管理层产生“概念疲惫”,而随着疲惫感的加深,投入不坚定、领导管理推动精力投入不足的问题将不断浮现。2.2 国内企业的转型更加困难国
21、内企业的转型更加困难 国际化大型企业作为数字化的先行者与实践者,在过去 40 年的时间里始终坚持数字化建设,伴随每一次技术浪潮,逐个阶段地完成数字化跃升。到今天,这类企业的数字化已经专注到了数据智能的阶段。而国内企业由于开展数字化的时间相对晚,且长期处于模仿和追赶的状态,所以对于国内企业而言,往往会出现不同的业务单元处于数字化的不同阶段,从而导致数字化进程上各个阶段的不同问题复杂交织的“四化叠加”现象。这将大大提升国内企业进行数据智能转型的难度。一.数字化的新征途 10 3.数据智能:从“选择题”到“必答题”数据智能:从“选择题”到“必答题”既然数据智能建设困难重重,而前三个阶段的数字化建设还
22、有一定提升空间,这是否意味着国内企业应该“等一等”,待方法、基础设施充分成熟后再全面投入数据智能建设?答案是否。无论从前三个阶段的回报分析,还是从数据智能对于未来竞争的重要性出发,企业都不应该继续将数据智能建设当作“选择题”,而是一道“必答题”。3.1 数字化前三个阶段红利消退数字化前三个阶段红利消退 信息化系统、线上化渠道、移动化应用的成熟度不断提高,并逐步达到社会化普及,在原有维度下的应用场景创新很难再获得超额回报,再加上整体外部环境的震荡加强,国内企业在数字化方面的投入产出曲线逐渐平庸化。在传统数字化方向上,领先企业难以拉开差距,取得超额优势在传统数字化方向上,领先企业难以拉开差距,取得
23、超额优势 最近 2 年,在“改善体验”、“缩减流程”等通过传统信息化、线上化、移动化实现的业务目标上,数字化领先企业和跟随企业的成果几乎一致。核心原因在于,前三个阶段的解决方案成熟较早。市场上最早完成相关能力建设的企业已经依托相关优势完成了对市场份额的再分配,而落后的企业也可以通过模仿快速补齐能力。对于致力于通过数字化形成差异化领先优势的企业而言,前三个阶段的潜力已经出现枯竭迹象。图图 4 4-企业在传统数字化目标上取得的成果正在缩减企业在传统数字化目标上取得的成果正在缩减6 6 注:数值为超额完成预期目标企业在该组的占比 领先企业 跟随企业 落后企业 减少员工数量减少员工数量 降低流程时降低
24、流程时间间 改善用户体验改善用户体验 过度关注红利不足的传统方向可能影响数字化的回报过度关注红利不足的传统方向可能影响数字化的回报 我们对于企业数字化投入产出数据的跟踪也证明了这一观点,虽然数字化逐渐深入,企业对于相关方法的掌握也逐渐成熟,但是“投入高、回报少”企业的数量却在增长。造成这一现象的主要原因还是在于传统数字化项目的价值衰减。由于企业没能及时调整自身数字化建设的关注方向,仍然将主要精力投入到前三个阶段的建设中,而没有切换到更需要更多领导力、关注度,且潜力更大的数据智能建设中。6 德勤,智能赛跑中领先企业的共同特质,2020 一.数字化的新征途 11 3.2 数据智能领先企业在不确定数
25、据智能领先企业在不确定性中体现出更强韧性性中体现出更强韧性 另一方面,在近期充满不确定性的环境中,数据智能企业展现出超强韧性。这些数据智能企业的体现出的优势包括以下方面:捕捉变化的能力捕捉变化的能力 数据智能赋予这类企业实时预警与感知变化的能力。可以广泛地收集市场信号与经营异常,并从来源多样、错综复杂的数据中精准的识别到潜在的挑战与变化,形成对于未来趋势的主动判断,并提前思考如何将自身调整为“防冲击姿势”。精细化精细化决策的能力决策的能力 这类企业依托数据分析与洞察能力,可以在短时间内快速获取有效数据、盘清自身现状、抓住核心决策依据、形成精细化的决策判断与应对路径。创新创新增长、高质量增长增长
26、、高质量增长 企业利用数据全面改善业务模式,利用洞察找到新的业务增长点。在传统业务市场空间衰退的同时,以超高的均值表现(客均收入、人均产能)和多元化的增长潜力保持持续发展势头。目前,这些企业已经展露峥嵘,将数据智能领域的落后企业甩在身后。图图 5 5-数据智能领先企业跳出传统增长,全面领先一般企业数据智能领先企业跳出传统增长,全面领先一般企业7 7 您的企业通过打造全新您的企业通过打造全新 产品产品/服务取得增长服务取得增长 您的企业形成了新商业您的企业形成了新商业 模式取得增长模式取得增长 您的企业拓展了全新的您的企业拓展了全新的 市场市场/新细分领域新细分领域 数据智能领先企业 一般企业
27、如果企业错过转型窗口,在如今需求萎缩、市场分裂、成本高企、资本消极的外部环境下,往往容易陷入规模越大效率越低,甚至亏损越多的泥潭。企业的数字化需要尽快聚焦到数据智能转型企业的数字化需要尽快聚焦到数据智能转型上,克服诸多挑战,重新抓住数字化转型的红利,实现稳健发展。上,克服诸多挑战,重新抓住数字化转型的红利,实现稳健发展。7 德勤,企业人工智能应用现状分析,第 1-5 版(2017-2022)4848%15%15%4848%1616%5050%15%15%二DAAS面向数据智能时代的转型体系 12 二二DAAS面向数据智能时代的转型体系面向数据智能时代的转型体系 面向下一个数据智能时代,企业开展
28、数字化转型的工作方法与体系也需要进行重新定义。通过在顶层战略、组织人才、应用场景、洞察能力与数据基础等方面通盘考虑、全面改进,才能克服目前数据智能建设的诸多能力鸿沟。阿里巴巴旗下的企业数智服务公司瓴羊,在持续十余年服务企业数据智能转型的过程中,提出数据智能时代的数字化转型方法论DAAS。DAAS 体系涵盖四个方面:基础层Data:自生长数据底座 洞察层Analytics:普惠型深度洞察 应用层Applications:规模化场景应用 战略层Success:数据驱动企业成功 我们将从底座、到顶层,展开对 DAAS 体系四个层次的分析解读,帮助企业掌握面向数据智能时代的数字化转型方法论。1.Dat
29、a:自生长数据平台:自生长数据平台 数据智能时代对数据基础设施的数据智能时代对数据基础设施的四四大要求大要求 数据基础是数据智能建设的基石。面向数据智能时代,数据平台需要更强的自生长能力,进而与AI 和大数据技术应用相融合,并能够根据未来应用需求的变化灵活扩充成长。这意味着以下要求:数据智能专用数据、能追踪落地的数据治理、弹性的处理资源与响应效率、合规的数据共享生态。二DAAS面向数据智能时代的转型体系 13 大多数企业的数据问题大多数企业的数据问题 面向未来的潜在要求面向未来的潜在要求 数据基础端应该做到数据基础端应该做到 数据数据 资产方面资产方面 数据模型缺失:数据模型缺失:大多数企业没
30、有完善的、面向业务应用的、数据模型 分析要素缺失:分析要素缺失:数据科学家花费 60%的时间加工特征或寻找关联 未来业务的灵活调整、更多业务人员参与分析,需要可视化、可灵活调整的数据模型 处理更多、更复杂的特征和数据关系 打造面向数据智能的专用数据底座 数据数据 治理方面治理方面 有数据标准,但落标率低有数据标准,但落标率低 数据清洗确认工作量大数据清洗确认工作量大 数据与资产的明确溯源与监控 能落地、能追踪的数据治理 数据数据 处理方面处理方面 高弹性的数据处理需求 毫秒级 AI 计算响应 弹性的处理资源与响应效率 数据数据 生态方面生态方面 数据脱敏使用与安全问题数据脱敏使用与安全问题 跨
31、机构的数据协作与联合建模 跨数据库类型的数据联动使用 安全合规的数据生态 打造面向数据智能的专用数据打造面向数据智能的专用数据底座底座:企业应考虑引入更为完善的数据平台,支持其以可视化的方式设计并灵活调整企业的数据模型,支持广泛的业务应用而非以临时加工的、孤立的宽表支持分析工作;在模型的基础上,企业需要一个共享的特征库来管理数据模型,让分析所得特征、认知得以共享,加快数据智能应用的开发;而面向未来,对于数据智能的训练将使用到更为复杂的数据,数据关系也将以指数级成长,简单的结构化数据无法有效储存和反映数据间的关系。企业需要配套时序数据库、图数据库以为更为复杂的模型和分析提供支持。能落地追踪的数据
32、治理能力:能落地追踪的数据治理能力:企业需要建设更有力的治理工具,支持数据标准的自动化导入,质量基线的分析与控制,对数据血缘、分析映射关系的跟踪,改善数据标准化程度与质量。弹性的处理资源与响应效率:弹性的处理资源与响应效率:企业需要更广泛、彻底地采用云技术方案,基于云提供的大规模集群计算和云端模型部署,满足大规模数据处理、毫秒级响应与随着业务需求灵活提供计算资源的能力。安全合规安全合规的数据生态:的数据生态:企业需要建设更为完善的数据脱敏、数据风险管理与数据共享规则,积极寻求与行业基础设施企业的合作,安全合规地开展数据共享,训练更为强大、完善的模型算法。更智慧地改进数据基础更智慧地改进数据基础
33、 相较于自身全面重建数据基础,成熟的平台解决方案更为适应大多数企业的转型需求。企业用户无需关注底层问题(例如基础设施、数据存储、甚至算法/模型开发等),而将注意力完全放在如何使用这些数据智能,如何用好数据智能,从而极大提升企业利用数据智能创造价值的效能。选择适宜的平台解决方案可以大大缩减完善数据基础设施的时间,更有利于抓住转型窗口期。二DAAS面向数据智能时代的转型体系 14 2.Analytics:普惠普惠化深度洞察化深度洞察 一般企业在使用分析工具开展洞察分析工作时,通常面临几大困难:一是洞察分析环境操作门槛较高,企业洞察能力普适化程度低;二是洞察停留在统计层面,而非面向未来的预测、形势的
34、判断,分析深度难以支持经营决策;三是洞察能力未融合行业 Know how,与实际决策距离远。企业的分析成果更多从科技的视角出发,产出分析结果仍需要人的判断、加工、对照,结合行业的认知,才能形成业务决策。目前分析的成果远未达到能够智能化指导业务的水平。面对这些问题,企业需要打造“普惠化洞察”能力。所谓普惠,即让洞察从一项稀缺的资源,变成企业内无处不在的生产要素,具体需要实现洞察的“更广”、“更深”、“更近”。更广更广 人人参与人人参与 调研发现,一家企业的洞察分析的广泛程度越高,该企业能够发挥的数据力量就越强。让洞察分析变成一项企业内共同推进的“团队运动”,有助于企业实现并突破其商业目标。为实现
35、全员参与,企业需要在工具、人才和组织上做出调整。图图 6 6-数据分析越下沉程度,产出价值越出众数据分析越下沉程度,产出价值越出众8 8 在工具层面,提供普适性的洞察分析能力,有利于提高企业上下的“全民参与感”,为有想法、有需求、有能力的企业人员提供敏捷、自助的数据分析工具。洞察分析工具全面涵盖最基础的业务统计、自定义维度的灵活分析平台、支持高阶建模分析,并融合了具体业务领域认知的分析专题。在组织层面,企业亟需打破职能边界,让集中型的分析团队下沉到各个条线,围绕特定的客群、产品打造“跨职能团队”,进行与业务深度融合的洞察分析。在人才层面,企业亟需通过培养企业上下全员的洞察分析能力,包括内部培养
36、造血与外引优秀分析人才,实现行内全员“紫领化”(兼具数据分析与业务能力的员工被称为紫领人才9)。8 德勤,洞察力驱动型企业在“融合时代”继续成长:文化为基 9 德勤,首席数据官在金融服务业的角色升级:从高级管家到业务战略家 二DAAS面向数据智能时代的转型体系 15 更深更深 从简单统计转向分析预测洞察从简单统计转向分析预测洞察 企业需要充分利用自身数据丰富程度,开展更具预测性、更主动的洞察服务,为企业的决策者提供面向未来的决策依据。即从静态数据到感知/洞察、从数据处理到决策/判断、从数据更新到学习/优化,使企业内部的价值交换、供需匹配变得更容易、更高效、更智能。更近更近一站式输出结合行业经验
37、一站式输出结合行业经验的业务决策的业务决策 企业需要打造深度结合行业 know how,与业务场景协同共振的洞察场景,让洞察结果可以直接服务业务决策。以消费行业某企业为例,近期其网店经营不善,销量数据下滑严重。过去的洞察分析工具仅能对下滑严重的销量数据的品类进行识别,但无法给出结合行业经验的决策类意见。而现在,领先洞察分析解决方案充分融合了行业经验,可基于当前销量数据进行分析,判断核心原因为近期爆款类服装上架数量少于上一时期,导致了销量的下滑,建议上架哪些有较大概率追平下滑销量的SKU。二DAAS面向数据智能时代的转型体系 16 3.Applications:规模化场景应用:规模化场景应用 企
38、业要从营销、产品、生产、渠道、财务、人力、风险、管理决策等领域出发,全面铺开数据智能场景的建设,让数据智能在企业价值链的各个环节发挥价值。规模化的应用一方面可以显著摊薄数据智能的建设成本,让其投入回报更加可持续;另一方面,场景间的协同作用可以让数据智能的效果成倍提升。企业不妨从已经有所成就的场景入手,启动自身的建设之路。3.1 客户经营客户经营 消费者需求预测(以零售业为例)消费者需求预测(以零售业为例)大数据分析可以根据过去的购买行为预测消费者的下一步行为及其对市场趋势的反应。这使零售商能够更好地预测哪些商品预计的需求量较大,从而能够更明智地决定哪些商品需要优先进货。还可以挖掘和分析来自相关
39、品牌、竞争对手和社交媒体的数据,然后将这些见解与零售商客户的消费 行为进行比较,使零售商能够实时跟踪消费者的需求。客户产品偏好识别(以家电行业为例)客户产品偏好识别(以家电行业为例)基于客户消费行为数据及市场数据的分析洞察能够有效识别不同类型客户的产品偏好,从而更有针对性的进行产品设计、产品营销。瓴羊帮助美的对市场数据进行分析,识别出对于破壁机而言,“清洗方便”处于低满意度高重要性阶段,是促进用户溢价的主要升级方向,该企业基于数据分析结果打造了新一代智慧免手洗破壁产品,并在上市营销阶段,利用消费者洞察锁定目标人群,再根据销售预测不同区域消费者对产品的需求强度进行备货,最后通过提升管控效率,将产
40、 二DAAS面向数据智能时代的转型体系 17 品快速送达消费者的手中。上市仅 1 月全平台销售突破 9000+台,全网传播曝光 1 亿+,覆盖宝妈、滋补打工人等目标人群 7000 万+人次,大促期间,客单高于品牌整体类目水平 70%+。3.2 智能营销智能营销 智能化软硬一体算力助力精准营销(以零售业为例)智能化软硬一体算力助力精准营销(以零售业为例)基于对客户消费/交易行为的分析构建精准营销模型能够大幅提升产品及服务的营销成功率。某跨国餐饮连锁集团通过打造智能化技术全栈平台,结合智能化软硬一体算力的方式,以保证精细化营销场景的业务命中效果。企业通过在 APP 端为客户智能推荐产品与优惠,菜单
41、平均命中率14.5%,客单价平均提升 2%,从而实现销售额和客单价的大幅提升 门店销量预测(以零售业为例)门店销量预测(以零售业为例)某大型连锁超市通过构建预测模型为全国范围内的门店进行日销量预测,为门店的库存规划提供决策指导,最终将每个门店销售额预测的误差从原先的 24%提升至 15%,并在销售额大幅波动的春节月份实现了 45%以上的提升(相较专家规则)。营销与投放精细化管理(以零售业为例)营销与投放精细化管理(以零售业为例)在广告和营销投放上,“广告一响,黄金万两”的媒介时代已经过去,企业纷纷思考如何在碎片化、千人千面的信息环境中,不断提升营销效率。香飘飘通过瓴羊构建数据中台,实现全域消费
42、者资产的沉淀,形成一个完整的品牌消费者资产大图,从而能够进行客户精细化运营,精细化洞察消费者需求并提供更为完善的服务。香飘飘还通过瓴羊核心产品之一 Quick Audience 对抖音等阵地的内容营销并于品牌电商私域数据相关联,还能在此基础上进一步识别高潜人群进行二次营销,在整个双 11 期间,香飘飘通过瓴羊构建的中台联动阿里妈妈、生意参谋等产品,实现成交转化 ROI 提升 3 倍以上。3.3 渠道融合渠道融合 数字呼叫中心(以金融业为例)数字呼叫中心(以金融业为例)客户与呼叫中心的交互会极大影响客户的满意度和忠诚度。同时在疫情下,呼叫中心面临着前所未有的挑战,包括工作量大、IT 预算低和劳动
43、力的严重短缺。但到目前为止,大多数交 互式语音应答(IVR)系统和聊天机器人都依赖于基本的单词识别和简单的文件检索,且对谈话内容不敏感,给客户提供了次优体验。使用 AI 技术(如自然语言处理和机器学习)的数字呼叫中心可以更具预测性和先进性,显著改善客户体验,同时减少人工参与的需求。智能客服(以零售业为例)智能客服(以零售业为例)咨询问题可以说是最基础也是最终的用户需求,瓴羊通过 Quick Service 帮助星巴克实现了全渠道服务、全业务场景客服工作台的统一,并实现从服务品质到客户体验升级。即:多渠道的服务触点实现服务统一:通过人机协同的方式解决消费者问题,提高业务解决效率;在全业务场景工作
44、台实现服务统一:将不同的业务场景(专星送、啡快等)使用同一客服工作台,让解决能力和服务标准统一;通过构建一站式客服工作台:实现会员、订单、商品、积分、活动等信息深度融合,客服通过瓴羊提供的能力,不仅可以进行基本信息查询,还可以将问题闭环的解决,缩短消费者解决问题的周期,提升消费者体验;通过消费者体验洞察:实现全渠道的消费者原声的洞察分析,不仅可以实时观测服务出现的突发问题,并能够对问题进行及时预警和闭环解决,且可以实现用户原声的问题的分类,包含但不限于对商品、活动、售后问题的洞察,便于和业务部门进行联动协同解决。二DAAS面向数据智能时代的转型体系 18 通过与瓴羊的合作,星巴克实现了全渠道统
45、一服务的管理,降低服务成本,提升服务品质,同时,也让星巴克对顾客体验和伙伴管理更数据化、更有全局性。3.4 生产提效生产提效 设备预测性维护(以能源业为例)设备预测性维护(以能源业为例)机器维护通常是成本节约的重要方面,传统一般依赖于平均故障时间来确定何时应安排维护。然而,随着工业物联网市场的增长和物联网传感器在行业中的普及,可以利用物联网数据和 AI 做出更明智的决定,决定何时维修或更换机器,帮助工厂以更低的成本最大限度 地提高生产产量。某国有电力公司将智能化技术应用于风机设备故障预警场景,预测准确率较原先提升 81%,极大减少了由于风机设备故障带来的企业效益损失。异常监测(以能源业为例)异
46、常监测(以能源业为例)光纤光学等井下传感技术可以传输大量实时数据,以告知油井和管道的运行情况。通过异常检测和预测建模,可以快速分析这些数据,以提醒运营部门注意泄漏或故障。某大型石油企业通过将智能化技术应用于是有管道光纤信号异常检测场景,以提升异常信号的识别效率,帮助业务人员及时判断管道破坏事件,尽可能的避免由于输油管道破坏而带来的损失 3.5 卓越运营卓越运营 数字供应链(以制造业为例)数字供应链(以制造业为例)快速的技术进步增加了全球供应链的复杂性,进而导致全球需求和生产的碎片化。然而,随着工业物联网的出现,企业可以通过使用 AI 深入分析需求和生产数据来加速规划、改进预测和优化生产计划。并
47、通过在供应链中嵌入的 AI 算法将历史数据来分析趋势并简化运营流程。这种数字化供应链能力允许网络中的每个组件 在细粒度级别上感知供应链事件并对其做出反应,从而为工厂和客户优化结果。门店分销配货预测(以零售业为例)门店分销配货预测(以零售业为例)对于服装零售行业而言,减少库存积压,提升周转率能够有效拉动盈利增加。瓴羊帮助波司登搭建了“智能销量预测模型”,小到预测每一阶段每个款型、尺码的销量,大到预测单个渠道的总销量,实时输出结果,并以此为依据进行调补货、下单生产、营销促活等经营决策和运营动作。同时,基于数据中台的计算能力和经优化重构的算法模型,补货调货的计算性能与准确度大幅提升。原先需要约 4
48、小时才能完成全国 4000 家门店的补货动作,现在只需要 1 小时。3.6 智慧风控智慧风控 交易反欺诈(以金融业为例)交易反欺诈(以金融业为例)银行通过部署机器学习模型,可以监测实时交易的可疑数据和欺诈行为,并立即发出警报,还可以在大量数据中快速准确地识别人工容易忽视的可疑活动,并帮助银行分析可疑交易和转账。此外,AI 可以帮助减少误报的数量,从而降低合规成本。国内某股份制商业银行通过智能化技术加强对电子银行转账请求的欺诈防控,最终应用效果较之前提升了 6.3 倍,帮助客户大幅度降低欺诈风险。二DAAS面向数据智能时代的转型体系 19 4.Success:数据智能数据智能驱动驱动的成功的成功
49、 企业开展数据智能建设是一场漫长的征途。我们需要重塑基础设施、改善分析能力、广泛的在各个业务领域建设应用以变革业务模式,乃至调整企业的组织、人才结构与价值定位。所谓数据智能建设的成功与否,不取决于落地多少场景,或者新建了多么先进的平台。数据智能的成功只有一个标准企业是否获得了成功,且是全面的、持续的成功。企业需要明确“成功”的定义与内涵,一方面有利于统一机构上下的共识、维持战略定力。另一方面,可以指导企业的转型动作,在有条件的情况下可以细化为企业战略,确保转型的科学性。无论是企业的高管、投资人,还是服务转型的专业机构,所有相关方对于数据驱动的成功,关注点都是一致的:成功愿景成功愿景 企业会因为
50、转型而成为一家怎样的企业?得到那些竞争优势?成功路径成功路径 企业目前哪里还不够成功?哪些数据应用建设可以提升?成功持续成功持续 企业是否具备持续推动转型、获得成功的条件?成为质量驱动成为质量驱动 高增长企业高增长企业 三流合一三流合一 三三“材材”成熟成熟 二DAAS面向数据智能时代的转型体系 20 4.1 成功愿景:基于成功愿景:基于数据智能的数据智能的质量驱动高增长企业质量驱动高增长企业 当我们将视野聚焦到那些在数据智能方面相对领先的企业,我们很容易发现,这些企业在质量性指标上的增长要显著优于其他企业,这些质量性指标涵盖:ROE、客均价值贡献、收入集中度、成本收入比等。“3 3-5 5
51、倍倍”1010 数据数据智能智能领先企业在质量指领先企业在质量指标的标的 增长速率增长速率上显著高上显著高于于其他企业其他企业 可以说,数据智能能够带给企业的最大价值,就是将其原有“粗放的、规模驱动”的增长,转向“质量驱动的高增长”,与传统企业来开显著差距。我们已经看到,这样一些企业体现出了以下特质:质量驱动高增长企业的画像质量驱动高增长企业的画像 数据信仰数据信仰 尊重数据价值,管理数据说话,决策洞察为基,遇到问题寻求数据侧的解决方案 均值偏好均值偏好 做大客均价值、生命周期长度、成本效率,增长来自于经营深度而非规模 快感应快感应 能够数据快速感知变化,快速适应响应 极值落差极值落差 率先在
52、行业内取得转型成果,以模式的巨大优势快速抢夺市场份额和客户,与第二名拉开巨大差距,并且后进者很难补齐 跟随壁垒跟随壁垒 核心业务模式的转型完成后,由于涉及除了数字化工具外模型、流程等方面的调整,很难短时间补齐,领先机构将持续拉开与后进者的代际差异 企业应将“质量驱动的高增长”作为核心愿景,追求以上特质,在当下不确定性显著增强的环境下,取得更强的韧性和更持久的成功。10 德勤管理咨询研究 二DAAS面向数据智能时代的转型体系 21 4.2 成功路径:解读增长公式,实现三流合一成功路径:解读增长公式,实现三流合一 企业应对自身的“商业目的”(即商业流)进行全面解构,从而帮助经营管理人员厘清实现质量
53、增长的全部因素。这些因素可以具体的反应为企业内的各项工作举措(即工作流),对于每一项工作举措,选择适当的数据智能用例作为核心驱动力(即数据流),实现企业的业务意图。通过这种方式,实现企业商业流、工作流和数据流的全面整合统一。高质量增长公式高质量增长公式 数据拉动收入=高质量获客*单客价值提升,要想实现拉动收入,一方面需要通过数据驱动获客提高获客效率,同时需要数据赋能帮助企业在每一个客户身上获取更多的价值产出;有效降本增效=提升销售回报+降低运营成本+改善管理成本,降本增效需要依托数字化的手段,帮助企业提升销售收入,并降低运营及管理两方面的成本;提升决策水平=决策落地能力&决策精度提升;通过战略
54、过程管理、评估等相关能力,提升决策落地执行的效率与效果,通过智能化决策服务,提升策略制定、决策判断的有效性;资本市场期望=公司期望指数&外部市场指数,资本市场的期望会受到本企业的发展潜力以及外部市场预期方面的影响。依托数字化的手段提升企业的增长预期,帮助企业获得更好的市场反馈和资本市场回报。商业流、工作流与数据流三流合一商业流、工作流与数据流三流合一 企业可以基于目前我们对于三流的分析与拆解,全面梳理企业战略目的、员工重点工作与数字化应用的对应关系,正确的理解、安排相关能力的建设,并有效评估这些举措的成果。二DAAS面向数据智能时代的转型体系 22 二DAAS面向数据智能时代的转型体系 23
55、4.3 成功持续:推动三成功持续:推动三“材材”成熟成熟 数据智能转型非一日之功,各项价值需要通过单点的应用建设实现。在转型持续推动与深化过程中,离不开三个关键的基础要素耗材、器材、人才。高质量、储量大的耗材:高质量、储量大的耗材:企业转型为持续输出“洞察”的工厂,其最重要的原材料“耗材”就是数据。企业要采集和处理的数据,不仅仅是一个平台的数据,也不仅仅是线上数据,而是来自不同源头、系统、平台和渠道的信息,即全域全渠道的数据。除了数据的丰富度,数据质量(原材料的质量)对于最终价值的产出也至关重要。完善的、适合的器材:完善的、适合的器材:原材料/耗材(数据)并不会自动演变为产出(业务价值),需要
56、通过器材(数字化工具)的加工(数据的加工和转换),才能够完成价值的创造。企业首先要具备完整的工具系列,既包括数据采集的工具,数据整合加工的工具,数据治理的工具,也包括数据分析洞察的工具,面向不同行业不同功能领域的分析应用的工具等。数据业务价值创造全链条工具化是业务价值规模化实现的必要前提。除了通用的数据处理器材,也要将行业认知、经营认知转化为专业化器材。充足的转型人才:充足的转型人才:当今企业所需要的数据智能转型人严重缺失,这将导致建设 DAAS 能力后,由于相关人才的缺乏而无法持续运营,发挥效用。因此,企业对于数字化人才的培养能力变得至关重要。企业需要在实施过程中通过实战训练、社会化人才培训
57、认证、为合作伙伴培训赋能等各种方式,构筑更为完善的人才基础。去年一年,瓴羊借助阿里平台为企业培养了大量数据分析、项目管理、数据治理、架构人才,这些人才将成为企业的持续开展数据智能转型的关键推动力,帮助企业在数据智能领域的持续成功。三.DAAS 建设之路 24 三三.DAAS 建设之路建设之路 1.DAAS 建设三大难点建设三大难点 DAAS 定义了一场“体系化”、“全方位”的转型,它能够带来的潜力令人振奋,但其建设难度也超出想象。在 DAAS 概念提出前,不乏领先企业意识到趋势所向,从基础设施、洞察能力、应用场景以及顶层设计上全面启动转型,他们在实现全面数据智能转型的路上一般会遇到三大难题分析
58、难、解决难与持续难。分析难分析难 在转型启动前,DAAS 建设要求企业全面审视自身的短板与潜力,结合自身发展要求,寻求数据侧的解决方案。这需要领先行业的业务认知与技术认知,绝大多数企业在经营管理、战略预判上不够领先,在智能化技术领域的认知也有差距。这导致他们很难全面定位问题、找到准确用例、合理规划资源。甚至会出现“只有要求没有举措的转型口号”或者“盲目的投资建设”的现象。解决难解决难 如果企业有能力全面判断自身的开展数据智能所面对的困境和短板,他们会发现,在缺乏外来推动力、成熟解决方案和专家支持的情况下,这些问题几乎难以解决。这些问题来自于管理层的不认可、架构设计的专业性挑战、业务调整中的海量
59、工作、技术基础的全面落后这些问题是行业发展的共性问题,其多样性、复杂性是远远超出一家机构的知识储备、超出一个团队的能力范畴。持续难持续难 企业在完成一个转型周期(通常是 6 个月或 1 年)的建设后,数据智能建设的工作会逐渐从“重点工程”转向“常态工作”、从“数个项目”转向“全面开花”。在进入持续推动阶段后,企业会经历“缺人才又招不到,想培养但没方法”、“组织机制不顺畅,内部协同磕磕碰碰、科技业务脱节严重”等诸多非技术层面的问题。这些问题更远非一个方法、一个决策所能解决,而是需要专业人员的持续服务、陪伴,在潜移默化间影响。合理拥抱生态,选择正确转型方法合理拥抱生态,选择正确转型方法 面对转型过
60、程中的诸多问题,企业应该更智慧地投入建设。相比于自己埋头探索,选择与数据智能生态中的第三方机构合作:一是可以借助整个数据智能生态中的成熟平台、成熟工具以降低成本;其次可以吸收行业认知、同业经验以找到合理用例;第三还可以引入专家角色共建以转变上海品茶与人才结构。在选择 DAAS 生态伙伴的过程中,企业也应该根据自身的资源、成熟度和核心问题,选择差异化的合作深度与模式。三.DAAS 建设之路 25 2.通过矩阵精准定位自身通过矩阵精准定位自身 DAAS 建设路径建设路径 按照企业类型和数字化成熟度两个维度,我们把企业划分为四个不同的群组:领军者,创新者,追赶者和初学者。第一象限第一象限领军者:数字
61、化成熟度高的大型企业领军者:数字化成熟度高的大型企业 特征特征 领军者企业典型特征是企业规模大,经营存续时间长,基础设施、商业模式和盈利模式比较成熟,在技术、人才、资金方面积累比较雄厚。该类企业在数字化伊始阶段就走在前列,在人、财、物、产、供、销各个环节数字化基础已经具备,已经建立相对成熟数字化运营管控体系,是行业中数字化的典型示范企业。这些企业在向智能化迈进的过程中,拥有了良好基础条件,具备了通过智能化实现业务规模化转型的基础。建设思路建设思路 对于领军者和创新者企业,由于在人才,技术,数据的积累有一定的基础,在有投资预算支持的前提下,可以在引入平台基础能力的同时,结合自身需求,选择定制化的
62、业务方案和系统工具。在转型过程中,精力应该同时兼顾对组织文化、人才结构、业务流程等深层次问题,以实现持续的、更为深刻的转型。第二象限第二象限创新者:数字化成熟度高中小型企业创新者:数字化成熟度高中小型企业 特征特征 “创新者”企业群体,从单个规模上看不是很大,存续时间也相对较短,但在数字化方面,由于这些企业的领导者对数字化的重视和强推动力,采用小步快跑的方法,通过不断试错,也快速摸 三.DAAS 建设之路 26 索出了适合自身的数字化建设路径,并充分利用 SaaS 平台和外部人才弥补自身在技术储备和人才储备上的不足,在数字化应用领域也取得了不俗的成绩。建设思路建设思路 此类企业同样建议选择定制
63、化的建设方案,但是在实施过程中,可以将重点定位在业务创新、人才转型中。针对基础设施,由于业务体量的原因,可以更多依托成熟解决方案开展。第三象限第三象限初学者:数字化成熟度低的中小型企业初学者:数字化成熟度低的中小型企业 特征特征“初学者”企业是数量最多的企业群体,这部分企业规模小,存续时间短,从自身业务特点上看,大多仅仅覆盖从产品研发到设计、生产、物流、销售、服务等全生命周期的一到两个环节,专注于细分市场。受自身规模、投资、技术、人才限制,这部分企业数字化的基础比较薄弱,尚未形成企业自身专业化数字化组织、流程、人才和技术体系。建设思路建设思路 由于受限于人才,技术,数据的积累和资金的限制,通常
64、不具备定制化的条件,在这种情况下,企业应该优先考虑引入标准化的 DAAS 产品,借助平台企业的经验积累,引入行业的最佳实践,快速建立企业自身 DAAS 应用场景,更快地驶入 DAAS 发展的快车道。第四象限第四象限追赶者:数字化成熟追赶者:数字化成熟度低的大型企业度低的大型企业 特征特征 “追赶者”企业同样具备较大的企业规模,具备人才、技术和资金支持,但是由于其信息化“历史包袱”比较重,企业决策链和决策周期比较长,以及配套组织变革复杂等原因,造成了在数字化转型的浪潮中“船大难掉头”,数据智能建设已经提上议程,但是推进速度较慢,目前的成熟度仍相对较低。建设思路建设思路 由于其较大的业务体量以及在
65、行业的深耕程度,其传统经营管理中的行业化特色显著,在资源投入方面也有一定的空间。后发企业可以采用行业化的 DAAS 解决方案,借助已经与行业 KNOW-HOW”深度融合的工具,聚焦点的业务产出,快速拉齐自身与行业内领先机构的差距。同时通过短期的成果树立信心,推动领导层与员工加大对数据智能的关注。随着基础能力、领导意识与人员能力达到一定水平,可以向全面定制的 DAAS 建设模式进发。三.DAAS 建设之路 27 3.DAAS 实践案例分享实践案例分享 领军者企业(象限)、创新者企业(象限)采用领军者企业(象限)、创新者企业(象限)采用 DAASDAAS 定制化解决方案定制化解决方案 案例一:案例
66、一:企业名称:企业名称:某全球知名连锁餐饮集团某全球知名连锁餐饮集团 案例名称:案例名称:智能数据企业规划与实施 案例简介:案例简介:该企业在过去的经营中已构建良好的数据基础能力体系,但在数据智能应用方面仍存在诸多不足。德勤管理咨询依托 DAAS 解决方案推动该组织从数据经营企业向着数据智能企业方向进一步变革,主要利用数据与挖掘分析的力量对三个核心业务领域的能力进行定制化改造:一是创造更强大的客户关系,推动忠诚度的巩固及单客盈利能力提升;二是利用数据分析能力提升四大运营板块(菜单开发、供应链、营销管理、财务管理)的管理与运作效率;三是面向管理层提升分析决策环节的智能化,包括市场舆情分析、产品竞
67、争分析与智能决策处理等具体场景。案例成果:案例成果:(1)盈利能力:项目交付周期内,门店平均盈利效率提升 8%;(2)运营效率:供应链等核心运营板块效率提升超 10%,营销管理成本降低 15%;(3)数据底座夯实:完成 DMP 数据管理平台的搭建,助力构建内外部数据的融合与归一、客户精细化自动细分、分析报告自动化生成与推送、全平台数据自动化流转管理、数据分析管理等关键能力;案例二:案例二:企业名称企业名称:某国际运动消费品巨头 案例名称案例名称:洞察力驱动转型项目 案例简介:案例简介:德勤管理咨询协助该企业完成洞察驱动的组织转型规划,并面向市场分析与存货管理两大关键经营能力完成定制化平台与配套
68、工作模式的搭建。在全面转型规划方面,优化数字化经营组织模式、自下而上完成数据应用场景的全面梳理及应用方案的具体设计、优化数据采集方式并整体提升数据资源管理能力、完成基础科技平台的设计以构筑友好易用的数据环境。定制化平台方面,面向存货管理板块,构建铺货预测模型并配套相应门店空间与人力资源管理体系、客户体验管理体系等设计方案;面向市场分析板块,定制化开发 IAS 平台,实现对市场舆论、客户关系、产品动向等关键信息的实时监测与实时处理,并配套完成相应流程与管理模式的搭建。案例成果:案例成果:(1)借助 IAS 平台,实现销售效率提升;(2)有效降低运营周转成本,平均单店库存水平降低约 15%。三.D
69、AAS 建设之路 28 案例三:案例三:企业名称:企业名称:良品铺子 案例名称案例名称:数字化经营转型 案例简介案例简介:瓴羊在良品铺子数字化转型经营体系中,目前已从两方面帮助其实现了经营能力的全面提升:(1)全域洞察精细化营销:良品铺子利用瓴羊 Quick Audience 产品,上传自有全渠道信息,选定试点区域潜客人群进行深度洞察,将单端购买偏好消费人群发展成线上线下多端消费人群;(3)基于瓴羊零售行业解决方案,帮助良品铺子打造从“人群洞察”到“新客获取”的消费者增长闭环;(3)构建数据中台推动数智化转型:瓴羊数据中台解决方案脱胎于阿里巴巴自身数据中台的实践,帮助良品铺子充分打通各系统数据
70、,并且统一出标准口径,以更好地向前端业务和消费者进行赋能。案例成果:案例成果:(1)良品铺子已经基本实现前台系统灵活覆盖、中台系统高效集成、后台系统稳健支撑的“前中后台信息化系统”搭建;(2)存量客户平均粘性提升 20%,618 活动期间客户复购率提升近 30%。三.DAAS 建设之路 29 追赶者(象限)采用追赶者(象限)采用 DAASDAAS 行业化解决方案行业化解决方案 案例一:案例一:企业名称:企业名称:某领先城市商业银行某领先城市商业银行 案例名称:案例名称:全面数字化转型 案例简介案例简介:德勤管理咨询银行业 DAAS 建设解决方案曾服务于多个区域性中小型银行、外资银行与互联网银行
71、等,并覆盖多个业务领域。本项目推动了从战略认知、到核心能力规划、再到底层能力建设的全行数字化全面升级,具体工作包括:统一全行对于数字化转型的认知,确立“洞察驱动”的战略目标;完成组织架构的升级优化,提升数字化转型的把控与运作效率;完成了包括客户管理、产品管理等 8 大核心能力板块在内的数字化运营体系设计;明确规划后续3 年大数据平台、数据中台、数据治理体系等基础设施建设的方案,并形成全行一致认可、责任清晰的实施路线图。案例成果:案例成果:(1)全行人均产能提升 25%;(2)运营管理效率提升近 10%,营销与客户管理板块投入产出比提升近 15%;(3)经过三年的建设,全行数字化成熟度评分提升
72、30%。案例二:案例二:企业名称:企业名称:日播集团 案例名称案例名称:企业经营数据化 案例简介:案例简介:瓴羊为日播集团提供了服装行业的 DAAS 方案,其亮点有三方面:(1)面向客户精细化运营和管理领域,使用了瓴羊 Dataphin、Quick Audience、Quick BI 等核心产品完成底层能力搭建,这些工具的服装行业版本充分结合了阿里在服装零售领域的业务洞察,快速构建起了对客户分析洞察能力;(2)构建数据中台 Quick Audience 能力,打通全域数据;(3)完成全渠道数字化战略,基于服装行业的供应链与渠道特点,打通了原材料收发、生产经营、经销商管理等行业重点环节,突破完成
73、数字化经营转型。案例成果:案例成果:(1)2020 年天猫双 11 期间实现了 GMV 同比增长 84%以上的成绩;(2)在服装设计开发、供应链上下游管理、工厂生产管理、销售营销管理等全价值链实现彻底的数字化转型。三.DAAS 建设之路 30 初学者(象限)企业采用初学者(象限)企业采用 DAASDAAS 标准化解决方案标准化解决方案 案例一:案例一:企业名称企业名称:二维火 案例名称案例名称:数字化运营转型项目 案例简介:案例简介:瓴羊基于 DAAS 标准化解决方案,用跑在云上的 Saas 应用帮助二维火搭建轻量级数据中台,解决过去烟囱式业务需求开发带来的口径不统一和重复建设等问题;为二维火
74、提供Quick BI 平台,基于上百个成熟的标准服务 API,现二维火对商户权限的自动化管理,包括所有开通登陆权限,实现人员账号信息增、删、改的动态同步。案例成果:案例成果:(1)工单量下降七成,且大多数通过程序化的脚本,进行自动的处理,不再需要人工一对一;(2)大数据运营成本单年降低超百万;(3)超过五十万家的商户选择使用二维火的服务。31 结语“利润的最终来源,“利润的最终来源,是对未来的洞见”是对未来的洞见”米塞斯米塞斯 这句话现在听来愈发恰如其分。无论承认与否,我们正走入一个“增长不再理所当然”的时代。如果只有 10%的企业可以取得较好的增长,一定是那些能够有效利用数据获取洞察力的企业
75、可以脱颖而出。当前数字化领先的企业不应放松警惕,而底子相对薄弱的企业也不必沮丧。数据智能的赛跑才开始不久,所有企业仍在视野之内,而比赛的路线与终点还在变化之中。如果您能听到“数据智能赛跑的发令枪响”,无论您所在的企业发展水平如何,请尽快将 DAAS 的建设提上日程,而不应寄希望于跟随策略。数据智能转型超出工具层面而深入业务、基础设施与组织,赢家会在市场上形成显著的竞争壁垒,使模仿者难以快速跟进。等待,可能将下一世代的数字化红利拱手让人。如果您希望在 DAAS 建设上取得领先,请注意两个关键点:“如何开始旅程,很大程度上决定我们将到达何处”“如何开始旅程,很大程度上决定我们将到达何处”在初期,请
76、在初期,请务必务必立刻:立刻:选择一位 C 级别领导牵头工作或直接任命一位 CDO,让转型决心自上而下传达;以 DAAS 为基础,尽快统一机构上下对于数据智能转型的理解;从用数据说话开始,转变机构上下的认知;采用自上而下的方法开展转型,不要忽视整体性与架构;立刻启动对于现行数字化项目投入产出的监控,减少价值不明确的投资;尽快与生态伙伴开展沟通,全面审视自身的不足,共同探讨未来建设的可能性;“树立正确认知,很大程度上决定我们能坚持多久”“树立正确认知,很大程度上决定我们能坚持多久”在转型中,请理解:在转型中,请理解:转型不是科技一方的工作,而是整个企业的战略工作;并非所有能力都要自建,尤其是在基础设施层面,不要因为基础设施建设的长周期、高成本而错过时间窗口;随着转型的深入,中层会产生疲惫感,进而出现抵触,这并非方向出现了问题,而是需要外力持续激活;不要神化数据分析而追求过高的结果,并且接受在特定情况下技术的局限性;不要谋求短时间内完成转型,理解思维习惯、人的认知需要潜移默化的影响;数据智能时代的数字化转型注定不会轻松,但它将赋予企业在当下最宝贵的韧性与希望,助力企业等到,甚至营造下一个春天。32 联系我们 德勤德勤管理咨询中国管理咨询中国 分析与认知服务分析与认知服务 电子邮件: 杭州瓴羊智能服务有限公司杭州瓴羊智能服务有限公司 电子邮件: