
在信息技术变革浪潮下的今天,云计算、大数据、移动互联网、物联网、智慧城市等新技术快速推动着商业和社会的变革。对于企业而言,新技术变革着企业管理与运营,企业数据也从被忽视转变为企业的战略资产,从提高效率、改善运营管理,到支撑决策,变革企业组织架构、商业模式。
但就国内企业而言,对数据的利用还处于整体拓荒阶段。随着大数据从虚无缥缈的概念落地到实处,企业管理者都知道数据的价值,但利用起来却依然晦涩。为何?用友优普创新业务部总经理李进闯的回答是受限于人才。李进闯表示,用友优普商业分析平台在做的事就是让“数据科学家消亡”,让大数据分析走进每个企业,包括小微企业,让人人都会大数据分析,包括业务人员,像excel一样。
我们一起走进用友优普的商业分析平台——用友BA。
市场主导、不断改变的商业分析产品线
用友最早进入BA领域要追溯到2002年,与微软的合作未产生理想化学反应,2007年转而与SAP-BO展开合作,彼时BO是全球商业智能软件的老大。与BO的合作,一定程度上取得了不错的进展,但用友也发现两者合作的一些短板。首先是能应用BA的企业往往是IT力量强、重视IT的大型企业,但到了中型企业层面IT力量相对偏弱,往往针对BA的IT专业人员只是兼职,大量企业甚至没有,像SAP-BO这样的产品完全用不起来。
在2009年,用友开始着手打造自主的商业分析产品,并推出一款安装部署简单,几分钟就能完成安装部署,后续操作都是图形界面化的产品,以降低IT门槛,让业务人员可以自己做分析。中国BA产品普及方面还存在着比较大的阻力,那就是受BA专业性限制,在实施时、应用时,还是要跟技术打交道。到了2013年,用友推出表魅网,可以理解成一个对接平台,当企业有复杂的报表需求,企业IT人员搞不定时,可以在表魅网上发布需求,依托其上的5000+开发者,帮助企业解决问题。另一方面,表魅网的出现也让企业成本直线下降。由于大数据分析人员的紧张,线下往往上万元才能解决的需求,在这个平台上一两千就能解决,对小企业来说是一大福音,这也是用友共享经济的体现。
在不断推行的过程中发现表魅网的模式效果进展不错,这可以说是用友商业分析产品线的一个节点,一直持续到用友优普拆分出来后的2014年年底。到2014年底,用友优普团队在反复考虑之后,做出了一项决定,也是用友BA的另一个节点。随着大数据的落地和数据价值的觉醒,大数据的发展在从大的角度上可以分为四个方向:一是数据源,二是存储,三是算法、分析、展现等的工具,四是行业的具体应用。用友之前在大数据方面的发展主要集中在第三种,也就是算法、分析、展现等的工具方面。用友优普依托用友在企业级多年积累的业务数据、经营数据,2014年底给客户提供工具,发力数据源。
举例而言,用友优普在表魅网的云BA平台上建立企业体检中心,用户可以在此评估企业的执行力。比如员工提交报销单之后,他的上级或者财务人员是否快速反应、快速审批,用户可以将自身企业的效率与全国各个企业的效率进行对比,了解自身企业是在一个什么水准之上。
还可以进行供应商评估。以前企业做供应商评估时往往是依据供应商是否有负面新闻,以及过往的供货经历,比如供货质量、供货周期、信用情况等等,这些数据是很片面的。而表魅网在大数据基础之上,依托大量的客户数据,可以对供货商的所有信息进行全面的检索。
着力移动化和数据源
具体而言,用友优普的BA产品有哪些优势?李进闯给出以下三点答案。其一是简单,相比国际厂商,安装使用起来非常简单。其二是语义模型。传统报表的一大问题是,变更起来非常麻烦,尤其是每到新的一年,企业的二级、三级、末级科目报表都会发生变化,每张报表都需要手动去调,有些企业成百上千张报表怎么办?语义模型的作用就在于此。零售行业一个简单例子,小包抽纸有很多品牌又有很多类型,传统的方式需要一张一张的调,而在语义模型中有一个小包抽纸的收入这一指标,只需要修改语义模型,所有涉及到的报表都会自动调整。值得一提的是,语义模型将技术与业务分离开来,语义模型后的操作与应用跟技术没有关系,也就是说业务人员即可进行。
第三是移动化方面的优势。李进闯表示,所用BA厂商都可以说自己的移动化特征,但对于用友优普来说,有一个最显著的特征,那就是一张报表无论是在PC上还是在移动端看,无论是大屏上还是小屏上看,用户看到的都是同一张报表,而业内很多厂商做的确是PC端一张,移动设备上一张。这样的价值在哪?以场景而言,销售经理在机场,发现某大区销售异常,这就需要与公司内的人员对照,如果报表不统一,很难沟通。
基于此,李进闯表示,2016年BA产品将继续提升移动化方面的能力,并在数据源方面继续发力。在移动化方面,主要是加强BA产品的追根溯源的能力,李进闯认为移动BA不应该仅仅是对数据的展现,还要能够通过数据发现问题,层层追溯根本原因来让企业解决问题。比如某一项利润在BA里面是预警状态,能够追溯到利润不好是收入的原因还是成本控制的原因。如果是成本控制的原因,是哪个产品分类成本控制的原因;如果销售得不好,是哪些客户销售不好,这些客户是由哪个业务员维护的。层层钻取,追溯到原因,甚至追到单据。
在数据源方面,结合用友积累的大量客户数据,除了每个客户自己的数据,还会展现网络上筛选后的数据,以及其他客户的数据,让客户能够将自己的数据与行业数据做对照,知道企业在行业内处于什么水准。这一点上类似于电脑开机时的“你打败了全国XX%的人”,客户能够看到自己的执行效率、订单审批效率的水准,以及改善建议。
数据科学家的消亡,让BA人人可用
了解了用友优普BA产品是什么,我们从大数据的角度去看看其挑战与潜力。
从BA的角度去看,市场竞争非常激烈,国际巨头SAP等也好,国内十几人的小企业也罢,他们都在角逐,但这也正证明了这块领域的未来可期。李进闯表示,虽然目前国内外的企业很少有做的特别好的,但最近两三年移动会有两三家企业杀出来。而从大数据的角度来看,李进闯认为,真的能做企业级大数据的企业不多,用友算是最有竞争力的一家,多年企业软件的数据积累和对企业的理解,让其能够站在制高点。
落地来说,从市场来看,中型企业比大型企业对BA需求更强,大型企业要的是报表而不是BA,中型企业更多是发展中的企业,在快速的发展过程中,他们对于数据分析的需求非常强烈。而现在阻碍中型企业大数据应用的就是人员,专业人员的缺失以及流失,导致现在中型企业无专业人才可用。
基于此,用友优普认为未来的企业都会用BA,而其阻碍就是专业人才和成本。而云计算的发展带来了发展的可能,在成本方面,目前来说,用友优普BA产品采用混合云模式,公有云提供的是相对通用型的产品与服务,相对成本很低,当客户希望定制化、个性化服务或者不想让数据放在云端,也可以采用私有云的模式。
在专业人才问题的解决方面,上文已经提到用友优普的几种策略,产品方面的部署简单、表魅网的分享经济、语义模型的技术与业务分离,用友优普围绕可以让业务人员应用BA产品在不断努力,并称之为“数据科学家的消亡”,消除BA使用的IT门槛。
“我们希望未来在BA、大数据方面的应用能够像现在的excel一样,大家都会用,让IT门槛不再高,让数据科学家消亡”。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
Excel 数据聚类分析:从操作实践到业务价值挖掘 在数据分析场景中,聚类分析作为 “无监督分组” 的核心工具,能从杂乱数据中挖 ...
2025-09-10统计模型的核心目的:从数据解读到决策支撑的价值导向 统计模型作为数据分析的核心工具,并非简单的 “公式堆砌”,而是围绕特定 ...
2025-09-10CDA 数据分析师:商业数据分析实践的落地者与价值创造者 商业数据分析的价值,最终要在 “实践” 中体现 —— 脱离业务场景的分 ...
2025-09-10机器学习解决实际问题的核心关键:从业务到落地的全流程解析 在人工智能技术落地的浪潮中,机器学习作为核心工具,已广泛应用于 ...
2025-09-09SPSS 编码状态区域中 Unicode 的功能与价值解析 在 SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案 ...
2025-09-09CDA 数据分析师:驾驭商业数据分析流程的核心力量 在商业决策从 “经验驱动” 向 “数据驱动” 转型的过程中,商业数据分析总体 ...
2025-09-09R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04CDA 数据分析师:驾驭数据范式,释放数据价值 在数字化转型浪潮席卷全球的当下,数据已成为企业核心生产要素。而 CDA(Certified ...
2025-09-04K-Means 聚类:无监督学习中数据分群的核心算法 在数据分析领域,当我们面对海量无标签数据(如用户行为记录、商品属性数据、图 ...
2025-09-03特征值、特征向量与主成分:数据降维背后的线性代数逻辑 在机器学习、数据分析与信号处理领域,“降维” 是破解高维数据复杂性的 ...
2025-09-03CDA 数据分析师与数据分析:解锁数据价值的关键 在数字经济高速发展的今天,数据已成为企业核心资产与社会发展的重要驱动力。无 ...
2025-09-03解析 loss.backward ():深度学习中梯度汇总与同步的自动触发核心 在深度学习模型训练流程中,loss.backward()是连接 “前向计算 ...
2025-09-02要解答 “画 K-S 图时横轴是等距还是等频” 的问题,需先明确 K-S 图的核心用途(检验样本分布与理论分布的一致性),再结合横轴 ...
2025-09-02