2022-12-15 15:00 浏览量:378
18年的时候开始关注Kyligence,因为当时想做UV指标的多维度灵活查询,当时选的技术方案是基于Kylin的Cube预计算。最近看到Kyligence发布了《中国指标中台市场研究报告》,感觉关于指标化管理从方法论到指标管理平台产品的建设思路覆盖的还是非常全面的,分享给大家。
部分内容摘录如下:
一、传统指标体系管理模式面临四大挑战
传统指标体系管理模式的特征,以及企业对指标体系需求的变化,使得传统的指标管理模式“失灵”,具体的挑战表现在以下四个方面。
第一,现有系统无法满足业务人员更精细化、更实时的用数需求。随着企业的数据服务对象从管理人员为主转向更多的一线业务人员,这对企业的数据服务能力也提出了更高的要求。一方面,为了让业务运营实现更深度的数据驱动,企业需要给业务人员提供更细颗粒度的指标。以银行的普惠金融、营销业务场景为例,一线业务人员在开展业务时不仅需要汇总的数据,还需要对数千万甚至上亿用户从更细的维度去进行数据分析;另一方面,大量业务人员的用数需求都要求更高的时效性,如果像传统报表开发需要等待数天或者更长时间,将无法适应业务快速变化的需求。
第二,IT 能力难以适应爆炸式的数据消费的要求。面对业务部门急剧增长的数据应用需求,传统的“业务提需求,IT 做开发”的方式不仅会产生大量数据开发的人力成本,甚至IT 部门无法满足如此大量的数据开发需求,而业务人员又难以自主地进行指标开发。与此同时,指标应用的大量增加也会对IT 资源提出更大的挑战。一方面,各部门各自生产数据指标,由于口径不统一,原始数据表经过多次加工处理会产生多个衍生表。
第三,管理人员缺少统一的指标查询入口。为了支撑企业内各级管理者能做出正确的决策和指挥,需要为其提供及时、准确的数据指标查询入口。同时,管理者也需要对一线业务人员在使用的指标情况进行全局掌握,提高管理效率。因此,需要有一个统一的平台,能将管理者的指标和业务人员在开发和使用的指标进行端到端的打通,并且在平台上进行指标的敏捷加工和快速展示,从而实现有效管理。
第四,数据治理缺乏有效抓手,数据治理工作很难推进。数据量的急剧膨胀通常会导致系统中的数据质量变差的问题,也因此会给数据存储、处理和分析各环节的性能和使用效率带来很大挑战。此时,企业需要通过开展数据治理工作来提高数据质量。然而,在企业的实践中,数据治理工作经常会半途而废,其中最核心的原因在于,数据治理工作往往非常繁杂和耗时,当企业缺乏有效的抓手去开展数据治理工作时,将很难产生直接的成果和效益,到了后期也就无法继续推进。
二、指标中台的价值
指标中台的应用将为企业指标管理模式带来深刻转变。
支撑以指标为核心、数据驱动的数智化管理体系。企业内各级管理人员可以通过指标中台更加便捷高效地访问数据化、体系化的业务经营指标,从而更加及时、准确了解经营情况,真正实现基于数据驱动做出正确的决策。
降低用户门槛,赋能业务自主用数。指标中台可以面向全公司用户提供数据访问、自助分析以及数据开发能力,降低用户使用数据的门槛,赋能业务自主用数,加速企业数据分析文化的培养。
提升开发效率,以数据敏捷推动业务敏捷。指标中台通过指标模型智能管理、加工与查询加速,可以大幅提升数据开发效率,以数据敏捷推动业务敏捷,变革传统的“业务提需求,IT 做开发”的合作模式。
助力数据治理。由于指标计算涉及底层多方面的数据,且业务人员日常会频繁关注和使用数据指标,数据质量导致的指标口径不一致的问题会更容易被发现。以指标治理为抓手,对齐指标口径,能有效推动数据治理工作。
三、指标中台的应用场景
指标中台有着丰富的应用场景。需要建立指标的主要是企业战略目标的关键执行部门,或者是企业经营的关键领域。关键部门根据企业情况有所差异,但直面客户的销售、营销、运营,掌握公司核心竞争力的研发、生产,以及为保障公司运转顺畅的IT、人力、财务等部门都需要通过指标体系推进业务,因此也是指标中台的重点服务部门。
来源:数据干饭人
作者:千冰仪