中台战略

0920风 2020-08-31

展开全文

第1章企业数字化转型

数字中台是基于大数据云计算人工智能的技术架构打造的数字化创新平台，支撑企业数字业务应用的标准化及快速定制化，实现数据驱动的精细化运营，沉淀企业的数据资产，为企业提供用户个性画像、商品智能推荐、业务在线监控，解决企业业务在面向产业互联、生态发展过程中所遇到的应变与响应能力问题。

企业数字化转型的4个驱动力：

1.业务创新是企业在不断变化的商业场景中立于竞争优势地位的必备能力。

2.中台技术是实现业务创新的基础保障，它提供数字经济时代用技术解决商业领域未知问题的支撑能力。

3.产业互联是未来数字世界中企业产业上下游的数字经营模式，正是因为数字技术的发展，才得以将整个产业链的资源进行互联，提升资源共享能力。

4.生态运营，最终都是在解决消费者、渠道等生态业务的平台运营问题，通过技术和数据的连接，更高效的解决内外部资源的整合运营能力。

目前产业互联网还处于萌发阶段，企业管理者在产业互联转型过程中需要具有几种思维：

1.价值驱动思维。产业互联能否从根本上解决原有行业作业效率低的问题，从而节约成本，使其价值链的数据流动更高效，并在某个节点创造出互联后的价值溢出？

2.分享经济思维。无论是在营销领域还是在知识技能上，都要有社会化分享的理念，在产业互联网领域将分享的价值放大。

3.大数据思维，产业互联将通过新一代技术获取整个产业链不同节点上有价值的数据，将原有分散的数据集合起来，产业互联平台更应该提供全产业不同价值链的数据模型和决策支撑。

企业数字化转型的两条路径，分别是业务数据化（业务中台化+数据资产化）与数据业务化（扩展业务链服务边界+业务场景运营）。

企业数字化有三个特征：第一是连接，连接员工、连接客户、连接机器设备；第二是数据，也就是连接之后实时产生的数据；第三是智能，是数据驱动的智能应用。

企业数字化分为三个领域：数字营销、数字管理、工业大数据。

中台是企业数字化转型的基础和保障。

第2章云智慧时代的数字营销

以消费者为中心的时代企业的数字化应用发生深刻变革，在原来以系统为核心的建设模式中，业务的数据被烟囱式IT系统分割到了不同系统中，相互之间数据不能完全共享，一旦业务变更产生新的应用需求，这种烟囱式体系架构难以支撑业务变化与创新，并且以消费者为中心的应用系统面临巨大的性能挑战，传统架构难以应付海量访问的并发，因此向分布式平台化转变成为变革的方向。

数字中台是基于企业级互联网及大数据架构打造的数字化创新平台，包含业务中台和数据中台。

第3章全面解读中台

东汉时期，尚书台成为政府的中枢，号称中台。唐朝的三省六部制，门下省为西台，中书省为东台，尚书省为中台。尚书省作为执行机构，辖吏户礼兵刑工六部。

中台可以作为一种企业组织管理模式和理念，也可以作为一种新型的企业IT设施架构。

中台是能力的枢纽和对能力的共享。

数据中台是一个用技术连接大数据计算存储能力，用业务连接数据应用场景能力的平台。

数字中台对内连接企业的后台系统，如ERP、人力资源、协同办公、财务管理等。

业务中台，抽象包装和整合后台资源转化为便于前台使用的、可重用、可共享的核心能力，实现了后端业务资源到前台应用能力的转化，为前台应用提供了强大的炮火支援能力，且随叫随到。业务中台的共享服务中心提供的统一、标准的数据，减少了系统间的交互和团队间的协作成本。

数据中台接入业务中台、后台和其他第三方数据，完成海量数据的存储、清洗、计算、汇总等，构成企业的核心数据能力，为前台基于数据的定制化创新和业务状态，基于数据反馈的持续演进提供了强大支撑。数据中台为前台战场提供了强大的雷达监测能力，实时掌控战场情况，料敌先机。数据中台所提供的数据处理能力和在之上建设的数据分析产品，也不局限于服务业务中台。

业务中台所提供的炮火支援能力和数据中台所提供的雷达监测能力是一体的，并不是相互独立的。业务沉淀数据是产矿，将数据导入数据中台式探矿和挖矿，数据中台对数据进行建模等加工处理是对矿物的加工提纯，通过数据服务指导业务的开展是矿产再生的过程。业务状态和数据状态只是技术实现方式不同，他们一起组成了支撑业务创新的两个轮子，缺一不可。

第4章企业中台5大成功要素

中台文化的7个行为准则和行动纲领：战略有思想，融合跨部门，创新快支持，试错多包容，共享创条件，赋能是基础，行动靠纲领。

第5章中台建设方法论

数字中台建设的整体策略，是从业务着手，自顶向下逐层调研业务，再自底向上对业务逐层抽象归纳，行成业务全景图。

业务中台设计方法论

业务中台本质上是一个体系或系统，它实现了企业核心的业务运行机制，因而处于企业运行生态的核心位置，所有应用系统都必须与之建立联系。

如何建设业务中台？

能力支撑是基础，中心自治是承载形式，三层模型是骨架，五步法是指导思想。

1）业务实体层（ Business Entity Layer，BEL）：由对静态业务实体进行管理的中心所构成，也就是我们分析的企业静态资源管理。静态资源包括通用业务对象，比如省地市、元数据，还包括商品、会员、用户等。

2）业务协作层（ Business Collaboration Layer，BCL）：由以完成或管理支撑类业务活动为目标的中心所构成，比如促销中心、评价中心等。本层的中心并不一定是业务活动不可或缺的部分（或者说主流程的一部分），但是没有这些支撑类的业务中心，我们的服务和业务水平就不能更上一层楼。

3）业务活动层（ Business Activity Layer，BAL）：由以完成或管理核心类业务活动为目标的中心所构成，比如交易中心、供应中心、物流中心等。本层的中心都是企业业务活动必不可少的部分，它们为业务活动提供了核心运行机制。

五步法

1.业务抽象

1）业务调研

业务中台的领域模型，是数据中台的数据分析模型的基础。

2）顶层业务分析

3）业务抽象

2.高阶设计

1）中心规划

2）0级架构设计

技术架构总体上分为展现层、服务层、接口系统、运营管理和运维支撑。

3）中台核心数据流规划

3.组件建模

1）产品设计

中台产品的详细设计需要以面向中心为指导思想。不仅需要设计出应用需要实现的功能，更重要的是要将需要中心支撑的功能明确标识出来，归到中心的带实现列表里。

建设状态的核心目的不是为了共享共享，这是中泰的特性，状态是为了完成业务的核心运行机制，为前台提供业务能力基础的系统。

2）组件模型设计

可以通过穷举边界业务场景的方法，来反正组建模型设计是否合理。

3）1级架构设计

4）关键交互图设计

4.开发交付

5.持续运营

数据中台设计方法论：横向规划、纵向切入。

横向规划：即在进行企业数据中台规划时，需要打通企业的所有业务板块。

纵向切入：数据中台建设涉及数据平台建设、数据模型建设、数据治理、数据业务服务等方方面面的体系化工程，不可能一蹴而就。在如今追求价值快速变现的数字经济时代，需要快速找到数据中台的速赢点，因此需要从最可能体现业务价值的数据需求出发，倒推需要采集什么数据源作为生产资料，需要创建什么算法模型，需要满足哪些业务场景，需要提供什么数据服务，先围绕一个场景的闭环快速搭建起数据中台的各种能力，实现业务价值赋能。然后按照全景规划依次迭代，逐步实现整个企业的全局数据中台。

数据中台建设六步法：规划、集成、建模、研发、管理、服务。

模型建设

模型建设是数据中台的重要工作，数据中台建设的成败关键在于数据模型设计规划得是否合理。数据模型分为分析模型和算法模型，分析模型是所有模型建设的基石。模型设计师要设计出通用高效的设计模型，首要条件就是要熟悉业务，不但要熟悉底层业务系统的业务流程，还要深刻领会数据应用场景。

数据建模分为5个步骤：选择业务过程、声明聚合粒度、确定模型的维度信息、确定事实以及冗余维度。

通用研发

模型设计完成后，开发人员就按照模型设计文档，在模型设计师的指导下进行数据研发。研发包含数据萃取、数据聚合分析、算法实现以及作业调度等功能的开发。

与业务系统或者数据应用的研发不同的是，数据研发较少直接与需求人员对接，开发人员主要与模型设计师进行反复沟通，准确理解模型设计师的模型设计意图。

可以将数据中台的数据研发过程比喻成数据加工流水线，模型中的代码研发只是流水线中的一个部件，在每个模型部件研发完成后，还需要通过调度程序将这些作业有序地串联起来，并且组织好这些作业的依赖和触发关系。

资产管理

数据模型以及基于数据模型的调度均是数据中台沉淀的数据资产。数据资产需要规范的管理与治理，才能确保数据中台有序运转，确保数据真正成为提升企业业务价值的资产。

资产管理最基础的工作是做好元数据管理。元数据涵盖了采集的数据接口、创建的数据模型、数据模型中的指标以及作业与作业之间的依赖关系。将这些元数据有序地展示出来，就形成了企业的数据资产。

治理数据资产不是事后治理，而是在数据模型所涉及的表、指标所涉及的字段等信息进入数据中台时，就通过数据同步机制自动登记到元数据表中。

应用向中台迁移的3种途径和方法

方法1：新应用替换旧应用

第一步，搭建中台，提供企业运营的核心机制，输出业务能力。

第二步，基于中台，建设全新应用。优化现有流程，提高用户体验。

第三步，开发接口系统，保证新旧系统的数据同步，上线前迁移一份旧数据到中台。

第四步，新应用和中台稳定运行一段时间后，停止旧应用。

方法2：改造旧应用与中台对接

第一步，搭建中台，提供企业运营的核心机制，输出业务能力。

第二步，基于中台，对旧应用进行部分改造。由中台提供的能力转接到中台，中台未提供的能力继续由旧应用自己实现。

第三步，迁移旧应用的相关数据到中台。

第四步，发布运行。

方法3：直接建设中台

第一步，借鉴行业经验，结合企业初步设想，先搭建中台。

第二步，面向用户收集需求，快速迭代中台。

第三步，在中台迭代过程中，不断调整和沉淀业务能力。

第四步，根据业务需求，结合中台，规划应用和推行建设。

无论采用哪一种方法，都需要进行旧应用的数据迁移，而且一定是异构数据的迁移。

第6章中台的架构与设计

技术中台规划

包括基础设施层、技术PaaS层和业务中台的基础组件层。

业务中台是一个充满生命力的个体，它承载业务逻辑、沉淀业务数据、产生业务价值，并随着业务不断发展进化。

数据中台的建设

数据中台的作用是引领业务，构建规范定义的、全域可连接萃取的、智慧的数据处理平台，建设目标是高效满足前台数据分析和应用的需求。数据中台涵盖了数据资产、数据治理、数据模型、垂直数据中心、全域数据中心、萃取数据中心、数据服务等多个层次的体系化建设。

数据中台可分为3层——数据模型、数据服务与数据开发，通过数据建模实现跨域数据整合和知识沉淀，通过数据服务实现对数据的封装和开放，快速、灵活地满足上层应用的要求，通过数据开发工具满足个性化数据和应用的需要。

数据中台包含6个子系统：大数据平台、智能运维平台、智能研发平台、自助分析平台、智能标签平台以及数据资产平台。

-数据平台提供数据资产的计算引擎、存储方式以及数据安全权限管理机制。

-运维管理平台为大数据平台正常的运转提供保障。

-研发管理平台提供两部分内容：1）提供快捷方便的数据处理工具，涵盖数据进入数据中台的整个生命周期，包含了数据采集、数据清洗、数据聚合汇总、数据对外服务，均可以使用可视化配置或者简单的SQL脚本；2）提供数据资产的管理工具，涵盖数据指标体系管理、数据模型管理、数据质量管理、数据血缘管理管理等组件。

-智能标签平台则是为生成实体标签服务的工具平台。

-自助分析平台则与数据分析模型对接，让数据分析模型快捷地通过友好的界面展示供业务部门使用。

前面5部分内容属于工具平台，都是为数据资产服务的。数据资产平台是数据中台的核心部件，它包含按照规范建设的数据分析模型、适用于各种数据赋能业务场景的数据算法模型以及企业通用的数据分析专题。

搭建大数据平台：大数据平台是建设数据中台的基石，随着大数据技术的日新月异，特别是以Hadoop生态圈为代表的开源社区的活跃，在数仓时代数据处理、海量数据存储的痛点都一一得到解决。搭建大数据平台主要是解决数据采集的组件选型、数据处理的计算引擎选型、各种类型的数据存储组件选型，以及数据作业调度、权限、安全管理组件等问题，保障数据中台中的数据资产可以在平台中有序正常地运转。同时，通过对数据中台建设的数据资产资源进行评估，估算出搭建大数据平台需要的计算、存储、网络等资源。它需要从数据总体量、数据日增长量、数据存储周期等多方面综合估算。当前在大数据平台建设过程中选择面很宽，不过仍以Hadoop生态圈的技术组件为主，比如数据存储可根据数据类型与用途不同，可选择HBase、Hive、Parquet等组件；数据计算引擎可根据需要选择MapReduce、Spark、Flink等分布式计算引擎；而数据作业调度组件则可选择Azkaban、Oozie、Airflow等各组件；数据权限、安全等也是搭建大数据平台必不可少的环节，开源社区同样提供了Ranger、Kerberos等权限管控组件。当然，除了这些开源组件以外，最近几年出现了很多成熟的商业化大数据计算产品，无论是在计算性能、运行稳定、技术支撑等方面都优于开源社区产品，比如阿里巴巴提供的MaxCompute（原ODPS），可以轻松支持PB甚至EB级数据量计算及存储。

数据（算法）开发功能包含实时、离线、算法这3部分的功能开发。与传统的数据开发的不同之处在于，研发平台通过对不同计算引擎的数据输入、转换、输出操作进行抽象封装，并为相应的操作（算法）内置丰富的插件。使开发人员只通过在界面中配置插件和编写SQL的方式，就能完成大部分的数据（算法）开发工作。从而降低数据开发的门槛，提升开发效率。

数据中台中的数据资产按照功能可分为两部分内容：数据模型和标准分析专题。数据模型又包含了分析模型和应用算法模型。

1．数据模型

（1）分析模型

从企业整体业务出发，梳理全量业务进行分层建模，将数据按照功能性、量级分为四层:

ODS层（Operational Data Store，操作性数据）

DWD层（Data Warehouse Detail，明细宽表级数据）：1）数据聚合：将来自不同系统的同类数据源按照某种维度进行聚合，形成统一的聚合数据。例如，对某用户在某时段在京东、天猫的订单进行聚合，形成宽表。2）丰富维度：将事实表与维度表进行充分关联聚合后，丰富事实表的维度，避免数据在后续计算时需要关联大量的维度表，将雪花模型转换为星型模型。例如，订单表中存在商品编码，通过商品编码与商品维表的关联，将商品类别、商品规格、商品单价等属性值写入事实表。雪花模型是指当有一个或多个维表没有直接连接到事实表上，而是通过其他维表连接到事实表上时，其图解就像多个雪花连接在一起，故称雪花模型。星形模式是一种多维的数据关系，它由一个事实表（Fact Table）和一组维表（Dimension Table）组成。

DWS层（Data Warehouse Summary，公共汇总数据）：1）维度退化：加强指标的维度退化，提炼出粗粒度的常用维度、常用指标的汇总模型；数据汇总程度高于DWD层，单表数据量明显减少，通常采用星型建模。2）形成主题宽表：根据客户、商品、经销商、店铺等实体在某一段时间内的事件轨迹，串联起整体业务，形成全方位的公共基础宽表，通常采用实体建模。例如客户实体，可以通过客户基本属性、客户购物经历、购物偏好、金融风险评级等维度360°全方位形成客户宽表。以上两种手段旨在提升公共指标的复用性，减少重复的加工工作。

ADS层（Application Data Store，专业应用汇总数据）：1）个性化指标加工：无公用性、复杂性（指数型、比值型、排名型指标），通过DWS层的公共基础指标衍生出应用型的衍生指标。2）基于应用的数据组装：大宽表集市、横表转纵表、趋势指标串等应用型数据。

DWD和DWS两层又合称为中间层，是整个分析模型的核心和灵魂。

（2）应用算法模型应用算法模型是数据中台中的高价值资产，真正体现数据中台与传统数据仓库差异的根本点，有了能贴近应用场景的高度抽象的算法模型才能实现数据中台的价值。

① 交叉销售模型

常用的几类算法：一是按照关联规则算法，也即通常所说的购物篮分析，发现那些有较大可能被一起采购的商品，对它们进行有针对性的促销和捆绑，这就是交叉销售；二是借鉴响应模型的思路，为某几种重要商品分别建立预测模型，对潜在消费者通过这些特定预测模型进行过滤，然后针对最有可能的前*% 的消费者进行精确的营销触达；三是仍然借鉴预测响应模型的思路，让重要商品两两组合，找出那些最有可能消费的潜在客户；四是通过决策树清晰的树状规则，发现基于具体数据资源的具体规则逐层判断客户会对哪几种潜在的商品感兴趣。

相应的建模技术主要包括关联分析（Association Analysis）、序列分析（Sequence Analysis）以及逻辑回归、决策树等算法。

② 信用风险模型

信用风险包括欺诈预警、交易风控、反刷单等在交易场景下的风险预警。

③ 商品推荐模型

常用的商品推荐模型主要分为规则模型、协同过滤和基于内容的推荐模型。

规则模型常用的算法有Apriori，而协同过滤中则涉及kmeans最近邻居算法、因子模型等。

④ 智能补货模型

2．分析专题

第7章中台成熟度模型

可将中台对前台业务的覆盖程度和响应能力作为中台团队的考核指标，以评估中台团队所建设的中台系统对前台业务创新和扩展所需资源的节省程度。

共享服务的运营系统

第8章中台助力的数字营销

触点营销就是指为消费者运营提供更有时效、更为全面、更加精准、更具价值的社会化、商业化营销方案。

数字中台作为数字营销的有效手段，其赋能数字营销的使命转变为：让营销变得更简单，让业务增长成为自然。这主要体现在：

第一，数字中台支持全渠道运营中种类繁多的营销场景。

第二，数字中台拥有丰富的全域消费者运营组件。

第三，数字中台可以像搭乐高玩具一样设计全域运营流程。

第四，利用数字中台的全域营销实时监控，让数字化营销效果尽在掌握。

第五，数字中台的全域营销A/B测试，让数字化营销策略收效更佳。

全渠道交易场景

全渠道交易的5大关键能力体现为统一的商品信息能力、全域的消费者运营能力、高效的订单处理能力、全局可视的库存管理能力、统一结算管理能力。

全渠道订单处理

企业库存管理可以分前端库存、后端库存，两者互相影响但又不等同。前后端库存互相影响体现在前端库存随着市场销售变化而变化，如前端用户下单，则扣减前端库存，经订单中心处理后，形成发货单交给后端仓库并锁库，待发货出仓后则扣减后端实体库存。而伴随着采购、生产、调拨及退货流程，形成后端库存的在途库存，待实际入仓后，增加后端库存，并同步影响前端可售库存。前后端库存不等同具体体现在前端库存是与企业运营的策略有关的，比如后端库存有1000件可以用于销售，但前端库存出于运营策略，在国庆期间策划每日秒杀活动，每天只提供100件用于平台抢购；比如在后端还没有库存的情况下，企业通过预售活动先收集用户需求，由用户先下单支付一定比例的货款，而预售活动库存可以设置为无限大。

前端库存根据销售的特性又可以设置可售库存、锁定库存、活动库存、预售库存。前端库存可以根据天猫、京东、微信小程序等渠道特点及各渠道在商品运营深度不同，灵活设置前端库存权重。企业可以根据自家商品特性及渠道发展的深度，灵活设置渠道库存，尽可能使渠道价值最大化。

可售库存是指可供前端正常销售的商品库存，可以根据各前端特点按比例分别设置各前端的可售库存。

锁定库存是指下单即占用库存，确保下单用户有库存可供配送，确保用户体验。

活动库存是指为策划某场活动，从可售库存中拿出一部分库存供活动使用，如每日秒杀活动，拿出100件商品进行在线抢，抢完即活动停止。

预售库存是指先下单后采购或生产，特别是生鲜类的季节性产品，商家往往会在产品上市前一个月策划提前下单活动，商家根据下单总量，再安排采购或生产。

后端库存根据产品的特性可以设置账面库存、可用库存、锁定库存、在途库存、不良品库存、货权归属。

账面库存是指仓库实际存放的商品库存数据。

可用库存是指仓库中可供使用的库存，如有些商品是被订单占用，即将出库则不能计为可用库存。

在途库存是指已采购、已生产、已调拨的商品，这部分商品在运输途中，暂未入库。

锁定库存是指被订单占用的库存。

不良品库存是指有损耗或检验不合格的商品，这部分是不能被销售的部分。

门店库存首先需要实时更新库存中心，但是否全局共享给所有前端渠道，可以灵活设置，给参与门店自主选择的权利。

全链路服务

全渠道（Omni-Channel）即企业为了满足消费者任何时候、任何地点、任意方式的购买需求，采取实体渠道、电子商务渠道和移动电子商务渠道整合的方式实现营销销售，为顾客提供无差别的购买体验。

全场景客服产品

何为全场景呢？除了涵盖企业各服务场景（如售前、现场、电销、企业服务、现场服务、售后服务、智能自动、客户关怀等），更需要满足用户任意场景的服务需求。

智能客服平台业务架构

智能客服流量收集分流示意图

企业全员都需要数据思维

过去，企业能够获取的数据类型和数据量都相对有限，企业不得不依赖经验作决策，伴随着企业一路走来的业务人员也被动养成了经验决策的习惯。但数字化前所未有地降低了企业获得业务数据的难度，而企业要实现数据驱动的运营，首先需要全员抛开既往的经验思维，要具备数据思维与数据意识。单纯的数据展现很难发挥数据的价值，数据必须与业务场景结合，而最熟悉企业业务场景的不是IT部门或企业领导，而是每一个真正接触业务的业务人员。

理论上每一个决策都可以有数据支撑，但“用什么样的数据，从何处采集，建立什么样的模型做分析，如何应用”这一系列的问题需要业务人员与技术人员通力配合、碰撞、共创，才能以最快的速度找到执行路径，继而迭代优化，最终找到真正的“数赢点”。

业务人员利用好数据的同时，也大大减少了自身“机械式”决策的作业占比，越来越多的作业环节可以交由系统根据数据自行决策。节省下来的时间可以更多地思考业务如何创新以带来更大的商业价值。

营销的核心是运营用户数字资产

免费可再分配的用户资产是企业最大的资产。传统企业应利用数字中台和采取行之有效的会员运营方法进行泛会员运营，盘活用户数字资产，实现用户资产增值。

传统企业的用户资产无法利用，主要原因有以下3点。

1．没有有效的会员管理体系，有力使不出

2．没有自己的会员运营体系，无法形成有效数据资产3．会员特征无法洞察，无法精准运营

企业只有通过搭建自己的数字平台，全面管理会员数据，并通过有效的运营手段盘活会员形成数字资产，才能最终实现用户资产增值。

会员运营9步法，助力企业用户资产增值