大家好，我是王桐。
我演讲的题目是：如何打造具备深度业务价值的大数据应用。
要想做到一个非常完整、成功的数据分析项目，不管我们是处在什么样的领域和行业当中，要想让这个项目取得比较好的成功和效果，它一定是在平台和应用两个方面同时发力。
平台和应用相辅相成，互相去促进和提升，才能够达到效果。
有好的平台，但是没有好的业务场景，没有好的前端应用的实现，这个项目的价值不会得到很深度的挖掘。
同样的，如果有好的应用场景的想法和设计，但是底层的平台能力和性能不能得到很好的提升，这个场景设计也不能比较好的落地。
所以平台和应用，是缺一不可的。
前面我们已经谈得比较多的，关于平台的一些展望，和我们永洪在平台上面的一些新进展，可以看到我们在平台上不断投入和发力，不断向前演进和提升平台能力。
我们永洪在过去一年中，又取得了怎么样的进展？我们最新的一些思考和洞察，有哪些可以值得分享的内容？
一、数据必须对业务和管理带来增长和提升才有价值
其实从我们公司角度来讲，对于一个大数据的项目是否成功的判断标准，其实是比较严苛的。
数据必须为业务和管理带来了增长和提升，才能说明这个数据是真正有价值的，只有这个数据真正产生了价值，我们才能说这个项目取得了成功。
所以，这个数据是否有价值，以及项目是否成功，它的判断标准，并不是服务器数量非常多，或者是数据量非常大，或者是前端的报表非常漂亮。
价值是否真正产生了，才是项目是否成功的评判标准。
并且这一条是否达成了，并不取决于我们或是甲方的科技部，而是甲方真正用到这个数据应用的最终使用用户。
无论他是决策层，还是一线使用用户，他点头认可了，确实说明我们这个数据对他的业务有不小的帮助，我们才能说这个有价值，这是我们的原则。
以前，为了做到这样的水平，很多企业是如何进行的呢？
根据我们走访的很多企业可以看出，数据应用的现状基本上都有这样一些问题。
1.零散
当前绝大部分的企业数据应用的现状，都是一些零散、固定的基础报表，也没有太多分析的功能。
所谓零散的报表，是说它的报表内容非常零散，内容跟结构都是有比较严重的分割，主要是靠目录把这些报表编排到一起。
像比较大的企业，有好几百甚至上千个报表，这不是靠业务逻辑串起来的，而是靠目录串起来的。这是非常零散的报表内容的呈现。
2.固定
此外，它呈现出来的内容，相对来说都是比较固定的，它的灵活性是有一定欠缺的。这种欠缺会带来的影响就是，效率不会很高。
从需求的提出到实现，需要打破的固定模式非常多。
3.缺少分析功能
报表以统计和结果展示偏多，真正跟业务结合起来的分析，其实几乎是没有的。
所以这就是当前企业数据应用的现状，而这种数据应用的现状，还会映射出更本质、更严重的问题，就是业务。
数据应用都是这样零散的，不成体系的，也就意味着我们的同事们的工作方法和业务指导也是没有成体系的，这对于企业业务目标的达成会有一些负面的影响。
对于我们it和数据部门来讲，就会疲于这种零散的报表，而不能开展比较有高价值的工作。
二、具备深度业务价值的数据应用需要包括四个层级
要想做到打造深度价值的数据应用，它至少应该包括四个层级的能力。
由上往下它的层级是逐渐深化的，分别是结果监控、问题诊断、决策支持和智能预测。
1.结果监控
这是目前是绝大部分企业所处的层级，这个层级是最简单的。
需要完整疏理核心关注点和业务目标，然后把这些结果放在合适的驾驶舱上面，并且让它及时准确去监控业务的状况。当出现问题的时候，可以自动进行一些预警提示。
只要做到这些，第一个层级就算达成了。
在结果监控的层级里面，是需要不断去看结果指标的。
有时候这个结果是好的，有的时候这个结果可能是有问题的，比如利润下滑了，或者收入没有达到预期。
这个预期无论好与不好，我们都需要精准去了解这背后的原因是什么，好也要知道怎么去复制推广，不好也要去快速了解这个问题到底出在哪儿？要想做到这个就到了下面的问题。
2.问题诊断
我们要结合客户的场景业务逻辑，不断把这个数据组织起来，并且进行细分，去层层分析业务当中的关键点到底是出现了什么样的问题，最后找到解决这个问题的答案。
快速定位出这个问题以后，就可以形成一些业务的行动。
比如老板召集大家开一个会议，或者拍一下桌子，或者鼓励大家解决这个问题，其实这种解决问题的办法不是很有效的。我们需要进行快速诊断的问题。
3.决策支持
再往下就是真正的决策支持。为什么我会特别强调“真正的”这三个字？
是因为过去我们发现，其实有非常多的项目，它的名称叫某某企业数据决策支持系统。实际上，它做的是管理驾驶舱，它做的是第一层级，即结果监控。
它并没有真正做到决策支持。当我们去问它，您做这个看板，都用来决策什么的时候？
他首先的反应是会懵一下，他没有考虑这个问题，他只是看这个数据，他对于本身这个问题并没有仔细思考过。
可想而知，这样做出来的怎么可能是一个真正的决策支持？一个真正的决策支持它是长什么样的？后面我们直接拿一个例子来分析。
4.智能预测
在前面ai的主题里面分享的比较多，我就不再过多赘述了，主要是一些业务案例，业务点和查看背后逻辑的效果。
所以一个数据应用要想具备深度的业务价值，应该至少包括以上这四个层级。
三、实例分析数据应用的四个层级
我们用实例来讲解一下上述的四个层级。
1.展示结果、进行对比
第一个层级结果监控，其实最简单。
这是我们做的一个cfo监控看板，这是最简单的，只需要把我服务的业务对象，他的关注点，公司考核他的kpi，以及他今年工作任务目标是什么，把这些指标化，集中展示出来，这就已经做到了机构监控。
做得再好一点，因为我们数据科学研究院在做微观的数据分析方法论的时候，也总结了一些口诀，熟悉我们的老朋友知道，有一个口诀就是“做判断用对比”。
比如我发现我整体销售额是6000万，或者60亿，我第一个首先要做个判断，6000万到底是高了还是低了？我怎么做判断？
肯定要通过对比曲线做判断，所以更好的结果监控，除了展示我的结果以外，还要展示各种各样横向纵向的比较。
还要有行业数据，还可以看在这个行业的排名变化，通过这些比较，看出结果到底好还是不好，有多好或者有多不好，这是做到了一个结果监控。
随着我们平台能力的不断加强，其实我们跟ai的融合有了更多的演进，所以可以看到右上角，它会自动生成一段文字，把业绩体现和财务状况显现出来，可以做出更好的客户体验。这是结果监控。
2.进行问题诊断的两个案例
以销售为例，一个 2b 销售负责人，他最关心的结果是合同额够不够？收款额够不够？这个季度的任务完成率够不够？还有我这个季度已经完成了，接下来我未来的储备够不够？
我给销售的负责人做结果监控，帮我去诊断每一个结果里面问题的原因到底是什么。
所以合同额、收款、完成率和未来商机储备，再分别展开，分别可以展开四个不同问题诊断的体系。时间有限我们只举其中第一个例子。
这个合同额如果不够，这个结果不好，我怎么去诊断这个问题？
还是根据永洪数据科学研究院通过大量项目的研究，总结出来的方法，就是分两步：
先保持结果指标不变，先在维度上做细分，把有问题的业务实体找到。在有问题的业务实体上面，把过程指标细分，找到到底哪个环节出了问题。然后会看到根据这个方法论，其实不管是销售、财务还是生产，其实背后的道理都是一模一样的，这也是我们在跨行业、不同行业项目当中不断总结提炼所带来的一些好处，就是行业的相关性。
这样我们看单个行业的角度，可能会站在更高格局和视野上。
2.1 如何解决合同额不足的问题？
围绕刚才说的两个步骤，合同额不够，结构指标保持不变，我们在维度额做一些改变，到底是哪些团队，哪些销售，在哪些区域卖的产品合同额不够？我们在不同的维度深化，把这个事情做一个细分。
有些维度可能有一些层级关系，比如销售团队和销售，这可能是上下层关系。
有些维度是交叉关系，比如销售和产品是交叉关系，每个销售都可以卖这个公司的五个产品线。最后在维度上找到一个原因，就是整体这个季度的销售额做得不好，有a、b两个产品的时候，导致最后这个整体没有完成。
这个问题的业务对象得到了一个有效的聚焦以后，接下来我的人力、物力投放就会比较简单了，因为我们公司有两百个销售，不是所有人都没有完成，如只是8个人没有完成，导致不好。
因为合同额是最后一步，不是采取一个业务行动马上就得到结果的。
我前面有一系列的业务过程，每个业务过程我都要用一些合适的指标去评价和监控，让我知道哪个环节上出现了问题。
我看这两个团队的销售，是他们销售机会不够多，还是他的赢单率不够高，还是他的客单价不够高，还是说他做得已经很好了。
如果是销售机会不够多，我后面还可以再进一步去展开，是我的市场部门贡献的线索不够多，还是他的线索转化率不够高，还是我销售自己跑的机会不够多？
这里面又分为是新客户拓展不够，还是老客户挖掘不够，还是我代理商贡献不够多？我可以细到业务系统里面最原始的字段，比如可以分析到底是新客户拓展不够多，还是老客户挖掘不够多。
经过这种过程的细分，最后我得到的结果是，这8个销售里面有3个销售，老客户商机挖掘不够多，导致没有完成指标。另外5个销售是级别不够高，客单价不够高，导致结果不好。
这样我就非常明白问题所在了，这样我就不用每天开动员会了，我可以非常精准地把前三个销售召集起来，把老客户的名单发给他们，希望他们这两周什么都不用干，就把他们老客户跑一遍。
通过这种业务行动，让这个问题得到好转，慢慢这个问题可能就不存在了。另外五个销售可能也是一样，采取具体的业务行动，这样就形成了从数据到业务改善的一个闭环。
最终就会发现，从量变到质变，细枝末节，也就是这个叶子节点上的问题如果都不存在，最后这个结果一定是很好的。
2.2 如何解决产品交期的可控性？
制造业中产品交期是一个非常重要的概念，产品交期不可控是非常可怕的事情。这个产品交期，其实跟我们做一个项目的验收期有一个类似的概念。
产品交期如果比较长，出了问题，这个时候也跟刚才一样，我先在维度上找原因，到底哪个产品线交期比较长？
再在过程上细分，交期整个环节里面分了好几个流程，有不同周期，到底是置办周期比较长，还是采购周期比较长，还有这个节点对应的责任人是谁？我们把这个具体问题查找出来。
同样的，把它按照刚才从左到右的顺序，分别把它做成几级不同页面展示。
比如第一层页面我是先展示到底哪个产品线交期比较长，第二个页面、第三个页面对应着哪些步骤，责任人是谁？这样信息就非常清晰了。
因为一些复杂的企业，我们做数据盘点的时候，动辄就会出现几百个指标和几十个维度，我们不可能在这几百个指标和几十个维度里去找，一定是我帮它梳理好。
让员工在做某一个具体业务的时候，不用海量的大海捞针那样去完成工作。
3.什么叫“真正的”决策支持？
再往下是决策支持。我们还是以制造业为例子，为了把这个产品周期做好，要求整个企业的协同一起配合，这不只是生产部门的责任，供应链也在其中。什么叫真正的决策支持？
首先要强调的是，决策绝对不是只有企业的高层才去关注的事情，一个一线的业务人员，每天同样有非常多的事情需要做决策。
假设我是企业的采购经理，每天上班之后，我有什么事情是要反复去思考，去做决策的？
如，今天一上班，我就要想今天有哪些商品号或者物料，今天就需要下采购订单，否则我的生产或者销售就来不及了。
我应该下给哪家供应商？因为有a、b、c三家都可以供货。我应该下多少数量？肯定是一批一批下的，这次应该下多少量。
然后这个供应商有多大可能会晚交货。这是我每天都会想无数次的问题，以前我是怎...