鲸智 WhaleBI 平民化数据消费还业务以真正的“数据自由”

在未来元宇宙中的某一天，一场不一样的经营例会正在进行着。这是一个立志通过科技改变世界的公司，这是一群充满激情的年轻人，他们已经研发出一款非常炫酷且非常有价值的“黑科技智能手表”，正在进行全国推广。希望把这款“黑科技智能手表”带给更多的消费者，帮助更多的人实现“快乐工作，幸福生活”。

“小智，让我看看上个月黑科技智能手表的活跃用户和新增用户”， 喝了一口咖啡，CEO-小 C 开始了今天的经营例会。

随着小 C 的声音，在会议室的“虚拟经营主看板”上展示了相应的数据，并用突出的粗体红字提示“活跃用户与新增用户”远远超过设定的业务目标。这一刻，小 C 激动地放下了手中的咖啡，快速跑到“虚拟主经营看板”的跟前，创业团队的其他核心骨干也不由自主地跟了上来。市场 CMO 小 M 大手一挥，从经营主看板快速地划出一个子看板，想看看黑马在哪里？站在边上产品 CPO 小 P 也打开了自己的子看板。两位同学经过一通如虎的猛烈操作后，不约而同地叫出声来，“东北！老年！” 随着这一声尖叫，其他同学都停下了手中对虚拟经营看板的操作，一起来到小 P 身边，以“东北，老年”为出发点，进入了下一轮操作和互动.....

企业的经营活动组成一组组美妙的数字，从一组数字到另外一组数字，没有停顿，如丝顺滑，业务自由地漫游在这些数字之间。通过这些数字发现问题，发现机会，共同用数字验证自己的创想，一起兴奋地尖叫。

但是在现实中，每一次经营会，都让各层“表哥表姐”如临大敌。负责经营报告的业务同学基于经验提出各种分析框架和表样，负责报表开发的同学开始了紧张的数据准备和开发，数据交给业务同学后，业务同学结合各种 XLS 数据合并，可视化制作，发现新的业务问题和机会，再对 IT 同学提出数据需求，如此反复，艰难地完成一份经营数据 PPT 的制作。暂且不说这个过程如何艰辛和痛苦，业务和 IT 同学如何 PK 和妥协，这种基于业务经验驱动的分析框架，限制了从数字找问题的业务自由。任何业务问题论证都需要经过一个“问题假设、数据需求、数业协商、数据开发、手工制作、验证判断”的过程，业务人员的经验和时间限制成为天花板。随着会议的临近，对业务问题和机会的深度探索通常被妥协在一定程度和范围之内。

数字化转型中，非常重要的一部分是：“如何让数据成为新的生产要素”。我们知道，在企业经营过程中会有大量生产要素，例如“人(人才)、钱（资金）、地（土地）、技（技术）、数（数据）”，而许多生产要素都需要与人才发生作用，通过人才与其他要素发生连接，形成合力（如数据业务化，技术业务化等）。

但是，要素之间是有距离或亲和度的。如资金要素，大部分时间是掌握在财务专家手中，普通的业务同学难以从财务（特别是市场财务）的角度思考问题，因此资金要素无法在企业发挥更大的作用。数据要素也一样，从中我们发现了一个有意思的事情，业务人员定义了数据，业务人员收集并生成了数据；但很多时候，业务人员不能很好地使用数据，于是 IT 人员成了数据的 Owner；业务人员提出分析需求，需要由 IT 人员通过数据运算处理实现业务需求。在这个过程中，由于数据要素只和 IT 人员亲近，从而限制了业务人员通过数据发现问题的操作空间，以及在数据中进行漫游和畅想的自由。如果要让数据成为真正的生产要素，把使用数据的自由还给业务人员，除了数据表达（数据可视）之外，还有更深层次的痛点问题需要解决。

• 技术之痛：业务定义了数据，负责数据的采集和创建。但是 IT 存储了数据，在业务数据 IT 化的过程中，叠加了技术、性能、扩展等要素，IT 存储的数据变得让业务越来越看不懂，从而导致使用数据必须 IT 参与， 导致数据要素和业务人员要素难以充分融合。

• 跨域之痛：因为部门墙，IT 系统厂家的不同，导致数据跨域难以建立连接和融合。但这也仅仅只是问题的一部分，即使主数据完全统一，各种连接充分真实，但是因为复杂的数据和业务关系，涉及跨域分析或者数据使用时，业务人员依然难以驾驭。例如当我们需要用人力或财务的视角分析业务收入下降的原因时，从用户交易到人力资源，再到财务资金，这里面涉及复杂的、超长链条的数据关系，会让业务人员心生畏惧。

• 敏捷之痛：随着业务在线，竞争越来越扁平化，动态化。我们需要快速试错，需要通过数据分析快速地验证创意和新模式是否有效。如果数据使用掌握在 IT 人员手里，那么超长链条的需求，设计、开发、测试、使用、验证过程将会让敏捷试错和精益迭代难以开展。

• 视角之痛：数据驱动业务。很多时候需要从一定的高度和角度去看业务过程，基于高度和角度发现问题（例如公司收入出现了大的变化），然后再不断地降低高度、切换视角、分析原因，抓住新兴机会，方能随心所欲地从一组数字漫游到另外一组数字。只有具备这样的灵活性，业务人员才能真正地驾驭数据，从数据中发现业务的问题和机会，流程堵点和质量问题的关联，以及资源效益提升的空间等。

鲸智 WhaleDI 提出“平民化数智”核心价值主张，通过分两步走的方式，让更多的业务人员能够参与到“用数智思考问题，用数智解决问题”的数据业务化闭环中，主要包括智能化数据治理、平民化数据分析和自助化业务建模。

01 智能化数据治理

通过规范化、自动化和智能化方式基于 IT 视角对跨域碎片化的数据进行业务化，并使其可以充分连接，形成企业级的数据关系图谱。这个过程就好比我们把各种原始的数据矿石进行打碎、研磨，最终形成业务人员可以看懂的跨域连通的标准化明细数据。通过智能化数据治理，我们建立企业级数据资产目录，以标准化的方式形成企业级的数据资产关系。包括：

• 企业的所有核心主数据（和维度数据），例如产品、员工、用户、地域、组织、资源等；企业的所有核心业务过程，例如营销、销售、生产运营、客户服务、物流配送、财务管理等；

• 核心数据存在的关系，例如员工与组织、客户与地域、产品与资源；

• 跨域数据的关系，例如活动与用户行为、用户交易，业务支付与财务明细之间的各种复杂关系，这种关系是全局的、是跨域联通的。

这个过程涉及很多工作，包括数据汇聚、数据开发、数据质量、数据安全、主数据管理、元数据管理等。鲸智通过智能化和自动化方式让这个过程更加高效率、高质量，高标准，并最终形成业务人员能够看懂的、跨域拉通的企业明细数据，作为平民化数据消费的起点。

02 平民化数据分析

通过低代码、零代码，业务化方式，帮助业务人员从一个或者一组核心数字开始，按照既定的视角和高度，以自然触达方式拉通跨域数据，洞察业务，分析原因和寻找机会。

在数据分析场景中，我们为每个业务人员提供一个数据门户。在这个门户中，业务人员可以看到自己关心的指标，以及基于指标的各种基准分析，这与普通的仪表盘非常类似。我们会以数据门户上的每个指标为起点，方便业务人员纵览跨域拉通的全局数据 ，从一个具体的指标开始，去寻找原因，发现机会，与自己的团队进行“以数据为基准”的互动。当业务人员通过数据门户，发现自己的某个业务指标出现异常的时候，或者发现某个市场空间（例如商机储备）出现了比较大的变化时，业务人员可以点击这个指标，进入业务脑图式数据分析。

1）智能聚焦：智能化的定位承载业务指标（例如：用户发展指标）的业务对象（例如：用户）， 帮助业务人员以用户洞察的方式去理解这个指标，开始数据漫游。

2）自动融通：能够以业务对象为中心、智能地整合所有与业务对象存在业务关联的数据。例如包括用户关联的客户、归属的市场、发展的渠道、用户在线上的各种浏览、评价、收藏、点击、购买、支付行为， 并且能够智能化的扁平化这些关系，形成统一的指标目录。通过这个过程，我们就能够以指标化和信息化的方式理解用户，包括用户的基本信息、用户的发展渠道信息、用户的各种行为指标，交易指标和支付指标，以这种方式让业务人员无需关注背后复杂的跨域数据关系，解决跨域理解问题。

3）按需切换：以扁平化用户为基础，以分析指标（例如：用户发展）为起点，业务人员能够方便地降低分析问题的高度，切换理解问题的角度。对指标进行鱼骨式的拆解，在这个拆解的过程中，还能够非常灵活地创建新的指标。例如对用户发展按照区域进行拆解，同时即时创造新的线上用户发展、VIP 用户发展等新的指标，让业务人员通过数据验证心中想法，依托数据寻找业务答案的过程就是自然流露的，随着分析思维的延展，数据以自然的方式呈现， 真正做到让数据以不间断的方式思考业务，还业务人员以数据自由。（而不是像以前，业务人员有个想法，向 IT 提数据或者报表需求，经过漫长的等待，拿到数据，进行问题验证或者分析，发现新的问题或者机会，然后再进入 IT 需求和既定流程，从而导致通过数据思考业务问题的过程割裂、不流畅。）

4）自然记录：在以不同高度和角度理解用户及其行为的过程中，通常会发现新的数据问题，或者是找到了答案，这个时候，我们能够非常方便地把这种灵感和发现记录下来，自然地形成一个分析脑图。

5）分享共创：通过灵活的数据漫游，自由的角度和高度切换， 把所有对业务有帮助的数据特征记录在脑图上，我们可以分享这个结果，或制作成为数据故事。参与分享的成员可以对这个数据脑图进行评论、讨论，还能够基于这个脑图，将其中的某个数据，按照自己的专业视角进行继续分析。

03 自助化业务建模

平民化数据消费，不仅仅能够帮助业务人员从一组数据开始，进行原因剖析，还能够以某个业务对象（例如：用户、产品、渠道、商品、活动）为基准，业务化、自主化地整合与对象相关的各种行为、事件等关联数据，以按需的方式洞察一个业务对象。在洞察的基础上，通过自动化机器学习，进行各种预测、分类、推荐。

1）个性关注：在数据门户上，我们不仅仅帮助业务人员关心自己的指标，还能帮助业务人员轻松地关注自己的业务对象。例如：渠道管理的同学会关注渠道、代理商；产品的同学会关注产品、产品合作伙伴；市场的同学关注用户、客户等等。

2）按需洞察：以关注对象(以用户为例)为基础，智能地整合所有与业务对象存在业务关联的其他数据。这与脑图式数据分析类似，以用户为统一的基础角度，业务人员能够按照不同的视角创造不同的指标（例如用户某品类商品浏览次数，交易数量，消费金额），按照业务人员专业的视角去洞察用户。

3）灵活圈选：基于按需的洞察，通过基本属性、指标和标签圈选目标用户，提交给自动化业务建模引擎，系统就能够帮助业务人员对所有用户进行预测，例如：根据上月订购某商品的用户，预测本月还有哪些用户会订购类似商品；结合最近半年的流失用户，预测下月有哪些用户可能流失；结合最近的投诉用户，预测未来一周还有哪些用户会投诉。

4）科学决策：通过自动化业务建模找到营销的目标，找到了流失或者不满意的潜在用户，但是还不够，如何去赢得这部分潜在用户，如何避免用户流失和用户投诉，我们需要有策略。这个时候回到脑图式数据分析，以这些目标用户为起点，通过脑图式数据分析，能够按照不同的维度，不同的属性对这些用户举行聚类分析。例如：针对营销潜在用户，通过脑图式数据分析，能够发现潜在的用户中，很多是上班族年轻美女，还有大部分是玩游戏的帅哥。找到这些聚类后，我们可以把这些知识通过分享的方式给老板和其他同事进行互动，实现从目标预测到众创式数据化科学决策的推动，逐步打造数据-信息-知识-行动的共创式、互动式经营与运营新范式。

鲸智数据类产品包括鲸智数据工厂（智能化数据治理），鲸智 WhaleBI（平民化数据分析）和鲸智挖掘平台（自助化业务建模）等核心产品，通过这些产品的通力配合，希望能够帮助客户实现从业务数据到业务价值的转变，让更多的业务人员参与到数智驱动业务运营提效和数智驱动业务发展与创新的过程中来，让数据和智能真正成为新的生产要素和生产能力。