奇点云数据中台技术汇（七） | 数据智能模型——数据中台航母的作战集群

中台是“让听得见炮火的人召唤炮火”，面对如火如荼的中台建设潮，只有先解释了“数据该怎么用”的问题，才有必要进一步解答“数据怎么来”、“数据怎么存”的问题。

为什么需要数据智能模型

中台，2019最火热的词汇之一。

如果把数据中台比喻为现代企业数据管理的航空母舰，无疑现在这艘航母还是一艘孤零零的巨无霸，没有护卫舰队，没有搭载作战集群，更没有攻击性核潜艇。

现在的问题是，我们建好了「中央发电站」，却发现缺少能释放其巨大产能的「电灯泡」。

我们空有单集群上万台服务器规模的算力基础设施，仅仅只是让报表跑得更快或者消除数据孤岛？这无疑是对海量算力最大的资源浪费，市场呼唤着能把这些庞大算力释放出来的数据应用。

什么样的系统才能与巨大的算力相匹配？什么样的系统才能真实有力地去解决业务实际问题？数据智能模型！

什么是数据智能模型

什么是数据智能模型？他和传统的信息化系统有什么区别？智能又体现在什么地方？

这里需要解释下「信息化系统」和「智能化系统」的区别，「信息化系统」本质是编辑数据库，一个系统如果核心是靠人工决策并且依赖大量人工交互来完成任务，那么就是信息化系统。而「智能化系统」则是依靠机器高度自动化完成“数据清洗—问题定位—业务决策”等一系列操作，以任务为输入，以处理结果为输出。

按照这个标准，市面上形形色色的智能系统都只是借智能之名鱼目混珠。

智能化系统的智能程度可以参考下图，L0向L4意味着智能化程度越高。

 

 

对标企业管理发展的四个阶段，企业必须完成整个信息化工程L0至L4的改造升级。

 

 

数据智能模型——智能调补货系统

企业的信息建设其实是企业管理升级的投影。当然这么说还是比较抽象。

拿商品运营中最基础的货品调补环节举例。

1、L0阶段：在企业早期阶段，区域门店的补货、门店间的调货，不是一个非常严重的问题，一个人列几张表格，花点心思就能搞定，仅仅做到标准化管理即可；

2、L1～2阶段：随着规模的扩大，当门店达到上百家，这时候就必须组建商品部门，去协调上百家门店之间的商品短缺和区域间不平衡的情况，这里就需要流程化管理。半自动化或者自动化管理系统可以辅助商品运营人员形成企业独有的运营风格和策略；

3、L3～4阶段：数据的传输效率会随着节点（人员）的增加边际递减，随着规模的进一步扩大，想依靠加人头来管好线下的整盘货，就变成了一个人员臃肿、效率低下、成效难以衡量的问题，期间伴随着高昂的人员培训成本和核心员工离职的风险。智能化系统也就应运而生。

我们近期服务的某集团正处于流程化管理向自动化管理过渡阶段，商品运营部门人员多达20余人，这20余人平均每周需要投入四天时间去处理商品的补货、调货数据。

这20余人训练有素，需要人肉去判断500家门店商品的盈亏状态，在供大于求的时候优先满足哪种类型的门店，应该满足多少？供小于求的时候？一个熟练的投放专员在每次补调货的时候需要同时考虑十多个衡量指标。

现在某集团预备在未来一年内开启加盟模式，门店预计扩张到4000家，一个熟练的商品专员平均培养周期最少2年。

门店扩大十倍，商品专员也相应扩大十倍？

智能调补货系统，集采了天气、区域、位置等外部数据，结合行业先进的调补货经验，上线后预计可达到：

1、采用深度学习算法，原先需要十多人协作完成的补货数据，机器仅仅在几分钟内就完成了全部补货过程，即使千余家门店的调补货计算量也不在话下，无需辛苦招人培训，还要随时警惕竞争对手来挖角；

2、原本需要整个商品部反复拉扯的补货问题，系统自动按照毛利最优解决方案，完成了全部的调度工作，预计可将商品平均周售罄率提升到60%～70%，双周售罄率稳定提升到80%以上，区域间调拨次数降低30%以上（18年某集团仅补货物流成本可达250万）；

3、业务人员的脑力被极大释放，珍贵的核心员工只需管理好算法模型的优化方向和数据补充，有更多时间去思考商品本身的运营策略，商品部也由一个成本部门升级为利润部门。

巨舰还是得配利炮

云计算浪潮降低了硬件采购的成本，直接催生了今天中台生态的繁荣。

今日中国的中小企业可以低成本搭建自己的数据中台，有机会从源头就开始校正数据化建设方向，但是中台的盛行和业务发展的需求，必然会倒逼业务前台的升级改造。

 

 

中台战略之下，现行企业的方方面面其实都值得重构升级一遍。