【专家分享】杨礼显:盘活数据资产,助力组织的数据化运营

2021-04-06 14:29:31

来源:CIO时代学院

       2021年3月28日,由CIO时代学院、新基建创新研究院共同主办的“中国信息技术应用创新高峰论坛”在北京隆重举行。Smartbi北方区总经理杨礼显在活动中发表题为《盘活数据资产,助力组织的数据化运营》的主题演讲,以下是演讲实录:

 
杨礼显:

       各位领导、各位来宾、各位专家上午好,我是来自Smartbi的杨礼显,今天我给大家介绍的主题内容是——如何盘活组织内部的数据资产,充分助力企业的数据化运营。

       今天我打算从以下几个方面介绍内容。
 
       数据成为重要的生产要素融入社会各领域

       数据已经成为了一种新的生产要素,基本上获得了大家包括政府部门在内的普遍认可。国务院在指导意见当中明确指出,将数据作为一种新型生产要素,充分发挥数据对其他要素效率提升的倍增作用。当前数据已经进入到了社会生活的各个领域,数据本身已经不再是一个新兴的技术产业,而是正在融入经济社会发展的各领域,如要素、资源、动力和观念。

       我们如何去充分利用企业内部已经积累下来的大量的数据资产?首先需要通过数据分析将这些数据资产充分盘活,才能发挥数据的价值,助力组织的数字化转型和运营。
 
       传统BI向现代化BI转变,实现业务、管理赋能,增强数据发现

       五年以前,过去我们的“数据利用”更多以传统的IT技术为核心驱动力。大家会通过各种需求做IT信息化系统的建设,建设化的成果发布出来后,再供相应的人群去使用。在这个阶段,我们的数据只能提供给单位组织内部的少量用户使用,一般来说是单位组织内部的高层领导、管理用户,在这个阶段我们称之为管理赋能阶段

 
       后来首先从金融机构开始,更多的是以非技术部门,也就是业务部门为核心驱动力,让数据触达这些部门的一线人群,让每个人都充分地利用、接触数据,在这一阶段我们叫做业务赋能阶段。

       再到今天的时间节点,数据利用的方式变得越来越多样化。目前我们在数据分析这个方向上大量地引入了自然语言分析、机器学习、人工智能等各种新兴的方法手段,使得数据的利用变得更即时化、智能化。在这个阶段我们一般称之为增强数据发现阶段。

       下面我们看看刚才的变化趋势,主要是从数据分析能够触达人群的普成程度,以及我们在做数据分析过程当中需要耗费的时间这两个维度来看。

 
       传统的建设当中,项目时间长,触达的人群相对比较有限,所以项目建设基本上需要好几个月的时间,最快也要三个月,长一些是半年甚至一年的时间。真正能够服务的对象局限于单位内部的高层领导,一般当时做的应用是称之为管理驾驶舱领导看板。

       在自助化分析阶段,我们可以直接对用户开放,路径变短,作为需要数据的群体提出需求之后,就可以利用我们的平台上提供的一些简单利用的工具,自己去把数据分析出来,这个过程当中消耗的时间可能是两三天甚至更短的时间。

       未来的智能化BI阶段,数据的利用技术门槛被完全屏蔽掉。我们完全通过日常跟人打交道的自然语言的方式跟底层数据交互,从问题的提出到得到数据的反馈,可能是即时性的。在这个变化趋势下,底层的支撑IT架构也在发生改变,以适应数据利用模式的改变。

       以前我们使用的是最为传统的数据利用架构,我们通常需要做数据整合的工作,把数据从单位和组织内部的各种内外部系统当中,通过抽取、转化、加载的方式放到组织内部统一的数据服务平台,然后在前端利用各种各样的可视化工具,把数据查询分析出来、利用出来。

       最近这几年我们建设的自助化分析平台的过程当中,底层平台架构一些改变。

       第一,数据的来源变得更丰富了像传统的数据仓、数据服务平台,只是我们可选的数据来源之一。现在我们需要数据的用户,把过去游离于数据之外的东西也纳入进来,比如在个人的桌面电脑上所保存的一些离线数据、外部数据。数据来源丰富之后,数据手段同步更新。首先,一定有一个需要面向智类群体的——也就是非技术用户群体,能够去加工利用数据的便捷应用工具,我们一般称之为自助化的数据集。它跟传统的数据处理相比,最大的不同就是数据和目标人群,不再是一个技术化的工具,而是完全面向业务场景,让很多非技术群体也可以利用起来。

 
       第二,准备好数据之后接下来需要一些简单易用的工具,把数据呈现出来。在这个阶段,我们面向的用户群体发生了变化,工具本身的定位也要做不同化。这时候最直接的诉求就是工具要足够的简单、易用、没有门槛。从数据的加工准备到最后的利用重现是一个完全闭环的过程。当需要使用数据的人做完数据的加工之后如果发现有问题,可以迭代回来再回到数据的准备阶段,整个过程在一个平台内部可以全部做完,不需要跨系统、跨平台做复杂的操作,甚至是其他人介入进来。

 
       问题理解与应对方案

       (一)第一,过去我们怎么做数据分析?过去我们怎么利用数据?通常我们称之为按项目化构建的方式利用数据。

       过去的数据分析一定有一个需求发起部门,可能是单位内部的某部门,通常是业务部门提出需求。这时候有IT技术部门做需求的收集、分析,做项目的立项,由自己的技术部门或者是外部厂商介入一起做开发,然后大家才可以使用。

       过程当中会带来什么问题?我们认为大概有三点问题。

       第一是慢,这个过程路径比较清晰,从需求的提出、分析、开发、上线,至少需要三个月、半年的时间。

       第二是重复,不同单位在内部组织划分上有一些业务上的重叠。比如我接触最多的就是金融机构、电网电信这些行业的客户,在不同的业务部门甚至分支机构需求有很多相似性,这也就意味着同样的需求会不断地重复、开发。

       最后一点是废。废指的是已经开发出来的各种可见的数据资源、数据资产利用程度不够。已经加工好的资源没有尽可能地触达所有需要它的人群。怎么解决这个人群?直接解决思路是我们去构建一个一体化、自助化的分析平台,在这个平台上让数据涉及到相关部门的决策人员,大家做自己擅长的事情。我们对于业务部门或者是传统的数据利用部门授之以渔,我们即提供简单的工具,让他们把数据利用起来。我们希望达到一个最理想的状态是每个人各司其职。传统的IT技术部门更多的工作在于底层平台的搭建、数据资源的加工、整理以及准备,数据利用完全回到了需要数据的群体和人员的身上。我们希望它能够做完百分之百的工作,让大部分简单的工作全部由他自己去做,剩下20%满足不了需求的,再回到传统的路径下两条线并行。

       (二)从业务分析的业务视角来看 

       第一,我需要的数据在什么地方?能不能快速地把它找到?第二,找到数据之后怎么把它充分利用起来?第三,如果我的场景有问题,把它的数据开发、呈现出来,我们能不能把它快速地分享给其他人群?最后一点是如果在使用过程中,我们遇到很多问题怎么去解决?

 
       今天我们的理解是需要构建这样的一个一体化的自助化分析平台,解决前端问题的时候,至少需要以下的功能来支持。

       第一是数据资产的导航、浏览功能;第二是自助分析工具;第三是分析商店,就是如何把资源快速地分享或共享到其他人那里;第四是辅助性功能。

       1)第一,如何找到可分析的数据?这与数据的开放思路有很大的关系。过去我们的开放数据是通过主动授权的方式,有企业组织内部的IT管理部门或者是运维管理人员,对某些群体、岗位、用户授权,只有授权的数据我才能看得到,如果没有授权是看不到的。这样带来的问题是很多人对于自己内部到底有什么数据是不清楚的。

       最近几年时间,要把数据对全员进行开发。这涉及到一个问题——让别人看到这些数据。我们如何把过去底层的各种各样的平台系统当中,积累下来的大量的数据转变成可以为这些人使用的数据?原始的数据是数据资源,更多的是以技术化的视角组织呈现,其实很难被利用。但是过程当中我们借用了传统的固定资产管理的概念,把这些数据资源通过资产的识别、评估、登记的方式,转变成最终在数据服务平台、数据生产上能够为业务用户使用的各种各样的数据资产。

       下一步我们要开放数据的思路。今天我们的开放数据,是把所有的数据,对组织内部的全员开放,是不受权限控制的,每个人都能接触到最全的数据。这里的接触数据并不是看到数据内容本身,而是数据资产的描述,我们称之为原数据。

       需求场景来的时候,自己去数据服务平台当中找需求问题,有没有对应的数据可以支撑它?如果找到之后需要做什么工作?通过主动申请权限,经过自己上级部门的领导、IT部门审批后,我就获得了这个数据的利用。通过这种方式,让数据能够触达到尽可能多的人群。

       2)第二点是找到数据之后,要把数据利用起来,回到传统的数据分析利用工具上比如画板工具、BI工具、机器学习、数据挖掘工具。我主要介绍一下工具的变化,传统的BI工具是技术化的工具手段,需要有技术基础的IT人,花很多时间学习不同厂商的学习工具,今天我们要把这些东西推向一线需要利用数据的人。

       我们分析了应用场景,发现了这几个应用场景。

       第一是数据场景分析,通过筛选的方式,找到需要的数据,找到之后通过导出的方式,拿到其他地方使用。基本上没有什么技术门槛,但是在很多实际的项目实践过程当中,它是频次更多的功能。第二,当找到数据之后要利用数据,这就是传统数据的分析。过去我们的工具是BI工具,这一块主要是通过多视角、多维度的场景去发现。第三是数据可视化分析,如何把底层数据直观一点地呈现出来?大概就是这三个工具,对于这一类应用来说,这是最迫切需要的功能。我们要足够简单,简单到极致就是现在的利用趋势。大家想的是如何把AI的新的技术应用到传统的数据分析领域,经过现在的探索,目前大家认为觉得有现实使用场景的就是跟自然资源的结合。数据分析的过程完全脱离技术化的描述、日常沟通的自然语言,直接跟数据打交道。

       这里有一个简单的例子,大家可以看一下。这是目前我们在很多单位都在应用的技术,高层领导对于大屏设备,或者是对着手机说句话,就可以把需要的数据呈现出来。目前成功的利用案例就是高层领导用户,因为他看到的数据是更高级的汇总的指标化数据,比较适合这种场景,做不了的是非常传统的、特别复杂的报表。这是前面的工具最后做出来的成果。

 
       3)第三,如何营造数据分析文化?这跟传统数据分析有很大的关系。过去我们做出了数据利用的报表、资源。也是通过授权的方式,严格限制能够使用的人群。最近这几年,很多机构也在转变理念,能够把这些已经开发出来的,经过前面大量投入做出的资源,让它触达到尽可能多的人群。我们的方法手段是应用商店。已经加工好的所有的资源——可能是IT技术开发的资源,也可能是非技术应用的资源。发布到应用商店里面,有需求的时候可以去商店里找。

       第一,发布资源的人对于资源本身添加一些描述的信息,比如分析的思路方法、数据制作,最重要的是曾经使用过这个资源的人对于它的评论、点赞信息。通过这些反馈,能够让尽可能多的人群把这个数据找到,并且利用起来。

       前面我说的是最近三五年时间,首先是银行,后来是电网电力,他们都在尝试如何让数据触达到更多的人群,思路就是我刚才介绍的几点。首先通过数据资产化的方式,把底层所有的数据资源整合加工好放在底层的数据服务平台里面;接下来提供的是数据导航工具,让他找到数据,用简单易用的工具把数据查出来;最后通过应用商店的方式贡献出来。
 
       公司简介

       最后介绍一下我们公司的情况,我们公司是一家专注于数据分析展示相关工具的厂商,目前在全国各主要一二线城市都有分公司办公办事处,能够就近为客户提供服务。早期我们是一个报表BI工具开发厂商,大概在最近几年这个领域做得还不错。不仅是我们,包括国内的几个厂商,基本上已经把大量的传统项目替换得差不多了。

       我们最近几年做得相对来说比较好的就是数据的自主化分析以及增加分析,去年进入了GARTNER增强分析2020年的代表厂商,并且最近我们也做了很多国产化的适配认证。目前我们最为成功的领域是金融机构,大部分的银行我们都做过了,如果算上证券的话可能有几百家单位。

       谢谢大家,我的演讲到此结束。


相关资讯

你关注你个人的数据资产吗

2016-12-09

2021网络安全大咖行系列沙龙之金融行业数据安...

2021-04-16

第20期金融CIO论坛-科技创新引领金融产业新格局

2021-04-15

【专家分享】李震宁:麒麟遨天,相会星海

2021-04-09