点击关注上方“知了小巷”，
设为“置顶或星标”，第一时间送达干货。
数据应用的叁个阶段
现在是要在数据中台的基础上，构建企业数据应⽤体系，⽤好数据中台的数据。对企业来说，⽤好数据⾮常关键，数据在企业的应⽤划分成如下三个阶段。
初级阶段。⼀般企业的数据应⽤都是从数据报表开始的，分析师会为业务部⻔的负责⼈、运营制作⼀些BI 报表，把数据通过可视化的⽅式呈现出来，这是数据应⽤的初始阶段。 发展阶段。只是可视化的展现数据已经不能满⾜业务的需求，业务需要根据数据持续监控业务过程，发现 问题、诊断分析，并给出决策建议，最后需要⼀键执⾏，形成完成的业务过程闭环，这个时候就要借助数据产品来实现，并逐渐⼤规模构建数据产品体系。 ⾼级阶段。⽆论是数据报表、还是数据产品，它们呈现的都是固化的分析思路，只能解决已经知道的业务问题，但是⽇常⼯作还有很多未知的业务问题，⽐如销售额指标突然下降了，需要基于数据进⾏探索分析。这个时候，如果都依赖分析师，肯定不现实，那么就要实现⾃助取数，让每个⼈都能基于数据去做分析和决策，实现普惠⼤数据。这才是数据应⽤的最⾼级阶段，通过开放越来越多的中台数据，让更多的⾮技术⼈员去使⽤数据。
数据中台该如何赋能BI⼯具
很多⼈对数据的了解，都是从BI⼯具做的报表开始的。本文重点不是放在BI⼯具的产品本⾝，而是，在数据中台时代，如何让数据中台帮助BI⼯具更强⼤。
第⼀，统⼀报表指标业务⼝径
数据报表上会存在指标⼝径不⼀致的问题，相同指标名称，两个报表⾥的数据却相差很⼤，这会让数据使⽤者对数据失去信任。
⽽数据中台的所有的指标都是由指标系统统⼀管理的，如果能在数据报表上直接看到指标系统中，指标的⼝径定义，就可以让看报表的⼈准确理解数据的含义，也可以避免不同报表之间指标⼝径不⼀致的问题。
同时，如果我们在指标系统上修改了指标的⼝径定义，也可以同步到所有的呈现该指标的数据报表中。
第⼆，掌握任务影响了哪些数据报表
当某个任务异常，影响了下游多个任务时，我们往往要根据任务的影响范围，决定任务恢复的优先级。如果任务影响了⽼板每天看的⼀张报表，⽽我们却不知道，没有优先修复它，那就等着被批吧。
那我们要怎么知道⼀个任务影响了哪些数据报表呢？
数据报表在保存时，BI⼯具可以把报表和数据的链路关系，推送给数据中台的元数据中⼼。当数据中台的任何⼀个任务出现异常，通过数据⾎缘，就可以快速找到这个任务影响了哪些数据报表，尤其是在故障恢复的时候，根据报表的优先级，可以优先恢复⾼优先级的报表。
第三，治理低价值的数据报表
根据数据中台的全链路数据⾎缘，可以计算每⼀个报表上游所有的数据加⼯成本，然后得到这个报表的成本。然后根据报表的访问量和访问⼈群，可以计算报表的ROI（投⼊产出⽐），下线低价值的数据报表。
第四，全维度钻取
在制作报表时，分析师只能依靠经验去判断⼀个指标有哪些可分析维度。如果BI⼯具能根据元数据中⼼提供的所有指标可分析维度，⾃动根据指标在各个维度下的取值，找出指标波动的原因，那这就是全维度钻取了，它是⽬前业界最为热⻔的研究领域，增强分析的⼀个⽅向。
⽐如，有⼀个单⻋租赁公司，发现8⽉份的营业额下降了，系统通过根据各个维度的数据对⽐和分析发现，8⽉份营业额下降，是因为那个⽉⾬天的天数增多导致的。如果分析师不知道⽤天⽓的维度去分析营业额，很可能就不知道原因。但是全维度钻取，可以基于数据中台营业额的所有可分析维度，包括天⽓，⾃动计算出⾬天的销售额相⽐晴天的销售额低，同时进⾏交叉分析，发现8⽉份的⾬天数量⽐其他⽉份多，最后找到问题的原因。
实际上，数据中台已经在很⼤程度上增强了BI⼯具的产品能⼒！
在BI⼯具的基础上制作数据报表，这才是数据应⽤的初级阶段，接下来，基于数据中台，做出适合各种业务场景的数据产品，提升业务的运营效率。
打造零售⾏业精益数据运营体系
零售⾏业是⽬前所有⾏业中，对数据使⽤程度最深的⾏业，以零售⾏业为例，了解如何借助数据实现精益运营。
假如现在开了一家“贾天真连锁奶茶店“，作为老板，奶茶店的⽬标是把更多的奶茶卖给更多的⼈，赚更多的钱。要时刻谨记零售⾏业⼀个很经典的理论，那就是：⼈、货、场，在正确的地点，把正确的商品，卖给正确的⼈。
让更多的⼈，买更多的奶茶
为了让更多的⼈，买更多的奶茶，必须要解决客⼾拉新和促活的问题。那如何拉新呢？获得新⽤⼾的⽅式，⼀般就是做⼴告，但是做⼴告也有很多渠道：
微信公众号； 抖⾳； 快⼿短视频； ⼩区电梯； ……
可这么多的⼴告渠道，到底哪个渠道的⼴告效果最好，性价⽐最⾼呢？数据说了算！
⼀般⽤新消⽤⼾数、单个新消⽤⼾的平均消费⾦额（新消ARPU）、新消单客成本来衡量各个渠道的⼴告投放效果。可以参考这⼏点，选择最优的⼴告投放渠道。例如，微信公众号相⽐快⼿短视频，每⽇新消⽤⼾数更多、单个新消的平均消费⾦额更多、新消客成本更低，那么就应该果断选择微信公众号。
当然，⼴告中选择的奶茶种类也会在很⼤程度上影响⼴告拉新效果。⽐如⾼档⼩区投放⼴告时，应该选择价 格⾼、健康的饮品；普通⼩区的话，更加亲⺠的奶茶才能吸引更多的客⼾。那如何来选择奶茶的种类呢？还是数据说了算！
除了根据数据选择奶茶种类之外，⼴告的投放也要讲究策略，就拿微信公众号这个渠道来说，年纪⼤的客⼾群体，注重健康饮品；年轻的客⼾群体，注重价格亲⺠，⼝感，样式。所以，必须要基于⼈群画像（年龄、 地区、学历等），决定推送哪些⼈哪些商品。⾄于⼈群画像，需要基于⽇常的顾客交易数据计算⽽来。
不过，光拉新⽤⼾，但是如果留不住⽤⼾也不⾏。那么如何让⽼⽤⼾，增加消费奶茶的频率呢？
比如这样⼀些套路，经常收到⼀些短信、App站内消息、⼩程序、微信公众号推送的打折信 息，然后没忍住，就“剁⼿“了。商家是怎么知道我么这些信息和喜欢哪一款的呢？？
对于推荐算法有⼀个很经典的论述：⼤数据可以做到让机器⽐我们⾃⼰更了解⾃⼰。 所以，如果我们曾经购买过奶茶，那系统就可以交易⾏为数据计算出我们喜欢的奶茶⼝味、品类，平时喜欢在哪家店购买，然后定向把这些店对应的奶茶优惠信息推送给我们，这样⼤概率会中招！
可以看到，店家总是有各种各样的套路促进人们消费。
店家在数据的基础上，⼀⽅⾯可以让新客源源不断；⼜可以增加⽼客复购的频率，这时整个奶茶⽣意的销售额就实现了最⼤化。
保障奶茶不要断货
作为⽼板，要让更多的奶茶，卖给更多的⼈，那前提必须要保障奶茶的充⾜供应，这就涉及到供应链管理的问题。
因为奶茶本质上属于⽣鲜品，如果⻔店囤货太多，鲜果就会烂掉。但如果缺货，⼜会影响⻔店的销售，所以如何在保证不缺货的前提下，尽量减少⻔店的囤货，这是必须要解决的问题。
⽽供应链涉及到销售、补货、到货和库存四个环节。如果有⼀款数据产品，可以根据奶茶的实际销售情况和销售计划、结合⻔店库存的安全⽔位、采购时间周期，⾃动计算需要补货的原材料，然后推送给采购系统进⾏补货，如此这般是不是会觉得很省⼼？
实现⻔店的利润最⼤化
当然了，奶茶卖的多不多，还和⻔店有很⼤的关系。如果门店的店员，可以根据数据，及时发现滞销的奶茶，然后在客⼾结账的时候，主动推荐这些奶茶，那么门店就可以获得更⾼的收益。我们⼀般使⽤“效坪（每天每平⽶⻔店的营业额）“来衡量单个⻔店的经营状况。
通过这⼏点，可以看到，零售⾏业有很多赚钱的窍⻔。接下来，了解⼀下如何基于数据产品， 轻松地使⽤这些窍⻔。
构建数据产品，实现数据驱动下的精益运营
数据产品与BI报表最⼤的不同，在于它们不仅可以实现数据的可视化展⽰，更为重要的是，可以基于数据，对业务过程进⾏持续的监控，及时发现问题，进⾏诊断，并形成决策建议，付诸执⾏。
数据产品，⾸先要实现对业务⽬标的量化。对于卖奶茶来说，要关注的重点是研发出更多的⽹红款的奶茶，确保圈住更多的“奶茶粉⼉“，同时降低库存周转的压⼒，因为有越多的滞销奶茶，就会导致积压更多的货物，产⽣更多的成本。
为了实现这个⽬标，可以⽤动销率来评估⽬标的达成。
动销率：销售商品的品类数量占库存的商品品类数量的⽐例。
为了提⾼动销率，数据产品必须对每个奶茶品类进⾏销售的跟踪，及时发现零动销的奶茶。
所以，作为奶茶店老板可能会经常收到“xxx款奶茶零动销”"xxx款奶茶慢动销"的预警信息，然后接下来就要对这款奶茶出现零动销进⾏分析了：数据产品会通过不同季节横向对⽐这款奶茶的销售情况，也会通过顾客消费问卷去分析这款奶茶的⼝感，最终找到这款奶茶滞销的原因。
接下来，就要根据原因产⽣决策建议了。⽐如如果是因为奶茶⼝感的因素，应该及时下架这款奶茶，否则会影响⼝碑。数据产品可以推送给运营进⾏审核，然后运营确认后，⼀键下线商品，此后各个奶茶店的菜单中，不会再出现该款奶茶。
当然了，只是拿零售⾏业举了个例⼦，因为很多问题都是共通的，⽤奶茶店，总结了⼀些⽅法论，可以结合⾃⼰所在的⾏业去应⽤：
找到业务问题、量化业务⽬标，⽐如，我们找到提⾼奶茶周转的关键，在于及时发现滞销奶茶品类，那么 我们⽤动销率来衡量业务⽬标；
然后要对业务⽬标持续监控，及时发现问题，⽐如，我们监控各个品类奶茶的销售情况，及时发现零动销奶茶；
紧接着，要对问题进⾏诊断，⽐如，我们要发现奶茶滞销是因为⼝感太差；
当然，还要根据原因形成决策，⽐如下线这款奶茶；
最后付诸执⾏，⽐如通过⼀键，在所有⻔店菜单中去掉了该品类奶茶。
数据产品实现了从监控问题、发现问题、解决问题的完整闭环。可数据产品毕竟还是按照固化的分析思路进⾏分析和产⽣决策建议，在⽇常运营中，还会有很多数据产品或者数据报表⽆法解释的问题，这个时候就必须要依赖探索式的数据分析来解决，⽽探索分析的⻔槛主要在于获取数据，接下来，就是⾃助取数的问题。
让技术⼈员不再是数据的搬运⼯，释放取数效能
对于传统⾏业来说，BI部⻔⼀般有两项职责，⼀个是做报表，⼀个是取数。⽽取数的⼯作量远远多于报表的⼯作量。
⼀年中做的报表可能就⼏百张，但是取数，⼀年可能要取⼏千次，或者上万次。⽽⼤部分传统企业的取数会依赖技术⼈员，因为他们离数据更近，取数还涉及写代码，所以，如果小伙伴是⾮技术⼈员，根本不可能基于数据去做探索式的分析。
所以，⼤量的取数⼯作就落在了懂技术的数据开发的头上。
靠别⼈取数，会存在⼤量的沟通和协作的成本，同时因为公共集市层数据不完善，导致⽆法基于现有的数据，直接完成取数，需要数据开发加⼯新的数据，所以耗时会⾮常的⻓，⼀般需要⼀周时间。⾼昂的取数成本，压制了取数的需求，也导致探索式的数据分析，根本不可能⼤规模的使⽤。
对于数据开发来说，他们更希望⾃⼰的⼯作重⼼放在建设公共集市层的数据上，因为公共集市层越完善，取数的成本就越低，不需要额外的开发。但是他们忙于临时的取数需求，根本就没有时间和精⼒去做这些⼯作。最后就形成了不良循环，越是集市层数据不完善，取数的⼯作量就会越⼤（要开发新的模型），越多的时间去临时取数，集市层越没⼈建设。
这个问题该如破解呢？网易研发了⼀个⾃助取数平台，叫EasyFetch（意为简单取数）。
这个平台主要有这样⼏个优点：
⽤图形化的⽅式，替代了写SQL的⽅式； 提供了对业务⼈员⽐较友好的业务过程、指标、维度的概念，替换了表、字段； 每个指标的业务⼝径都能够直接显⽰； ⽤⼾通过选取⼀些指标和维度，添加⼀些筛选值，就可以完成取数过程； 界⾯⾮常简洁，使⽤⻔槛⾮常低。
在实现层⾯，在数据中台⾥，加⼯了多个⾯向不同业务过程的集市层的表，取数平台会⾃动根据⽤⼾选择的度量和维度，去对应的表中关联多张表进⾏查询，SQL会⾃动根据查询进⾏优化，避免⾮技术⼈员调试SQL以及写的SQL质量⾮常差的问题。
通过⾃助取数平台，原先数据开发50%的时间都在临时取数，⽽现在只有10%的时间，在⾃助取数平台⽆法满⾜（需要加⼯集市层模型）的情况下，帮助⽤⼾取数。
同时，这部分的⼯作也会对集市层模型的不断优化产⽣促进作⽤。对于取数效率来说，原先10个数据开发，⼀周做100个取数需求，已经是濒临极限。⽽现在，我们⼀周有1000多次有效取数的需求在⾃助取数平台完成，取数效率提升了10倍以上。
还有⼀个有趣的现象，在周末，也有很多⼈在使⽤取数平台，经过调研，发现很多⼈在基于数据写周报，这是之前完全⽆法想象的事情。
最后，建议在设计取数平台时，⼀定要注重简洁、对⽤⼾的引导、降低⽤⼾的使⽤⻔槛。因为我们⾯临的是⾮技术⼈员，我们要拿出做C端产品的姿态去做取数产品。
总结
数据中台之上，可以有这么多的数据应⽤场景，数据可以帮助我们实现这么多原先不可能做到的事情。重点：
数据中台对BI赋能体现在指标⼝径的⼀致、任务影响分析、数据报表的成本以及基于数据中台的元数据之上的全维度钻取； 数据产品实现了从⽬标量化，持续跟踪，异常诊断，决策建议，最后到执⾏的完整数据驱动业务⽬标达成的闭环； 通过实现⾯向⾮技术⼈员友好的⾃助取数平台，让数据开发专注于集市模型的构建，可以释放取数的效能，⼤幅度促进数据的应⽤范围和深度。
值得一提的是，实时报表使用Kafka+Kudu+Impala架构的还是挺多的，BI基于impala查询实时数据。
往期推荐：
知了小巷
生而分享，为你而美
