奇點雲數據中臺技術匯 | 數據智能模型——數據中臺航母的做戰集羣

中臺是「讓聽得見炮火的人召喚炮火」，面對如火如荼的中臺建設潮，只有先解釋了「數據該怎麼用」的問題，纔有必要進一步解答「數據怎麼來」、「數據怎麼存」的問題。

爲何須要數據智能模型

中臺，2019最火熱的詞彙之一。

若是把數據中臺比喻爲現代企業數據管理的航空母艦，無疑如今這艘航母仍是一艘孤零零的巨無霸，沒有護衛艦隊，沒有搭載做戰集羣，更沒有***性核潛艇。

如今的問題是，咱們建好了「中央發電站」，卻發現缺乏能釋放其巨大產能的「電燈泡」。

咱們空有單集羣上萬臺服務器規模的算力基礎設施，僅僅只是讓報表跑得更快或者消除數據孤島？這無疑是對海量算力最大的資源浪費，市場呼喚着能把這些龐大算力釋放出來的數據應用。

什麼樣的系統才能與巨大的算力相匹配？什麼樣的系統才能真實有力地去解決業務實際問題？數據智能模型！

什麼是數據智能模型

什麼是數據智能模型？他和傳統的信息化系統有什麼區別？智能又體如今什麼地方？

這裏須要解釋下「信息化系統」和「智能化系統」的區別，「信息化系統」本質是編輯數據庫，一個系統若是核心是靠人工決策而且依賴大量人工交互來完成任務，那麼就是信息化系統。而「智能化系統」則是依靠機器高度自動化完成「數據清洗—問題定位—業務決策」等一系列操做，以任務爲輸入，以處理結果爲輸出。

按照這個標準，市面上形形×××的智能系統都只是借智能之名魚目混珠。

智能化系統的智能程度能夠參考下圖，L0向L4意味着智能化程度越高。

對標企業管理髮展的四個階段，企業必須完成整個信息化工程L0至L4的改造升級。

數據智能模型——智能調補貨系統

企業的信息建設實際上是企業管理升級的投影。固然這麼說仍是比較抽象。

拿商品運營中最基礎的貨品調補環節舉例。

一、L0階段：在企業早期階段，區域門店的補貨、門店間的調貨，不是一個很是嚴重的問題，一我的列幾張表格，花點心思就能搞定，僅僅作到標準化管理便可；

二、L1～2階段：隨着規模的擴大，當門店達到上百家，這時候就必須組建商品部門，去協調上百家門店之間的商品短缺和區域間不平衡的狀況，這裏就須要流程化管理。半自動化或者自動化管理系統能夠輔助商品運營人員造成企業獨有的運營風格和策略；

三、L3～4階段：數據的傳輸效率會隨着節點（人員）的增長邊際遞減，隨着規模的進一步擴大，想依靠加人頭來管好線下的整盤貨，就變成了一我的員臃腫、效率低下、成效難以衡量的問題，期間伴隨着高昂的人員培訓成本和核心員工離職的風險。智能化系統也就應運而生。

咱們近期服務的某集團正處於流程化管理向自動化管理過渡階段，商品運營部門人員多達20餘人，這20餘人平均每週須要投入四天時間去處理商品的補貨、調貨數據。

這20餘人訓練有素，須要人肉去判斷500家門店商品的盈虧狀態，在供大於求的時候優先知足哪一種類型的門店，應該知足多少？供小於求的時候？一個熟練的投放專員在每次補調貨的時候須要同時考慮十多個衡量指標。

如今某集團預備在將來一年內開啓×××模式，門店預計擴張到4000家，一個熟練的商品專員平均培養週期最少2年。

門店擴大十倍，商品專員也相應擴大十倍？

智能調補貨系統，集採了天氣、區域、位置等外部數據，結合行業先進的調補貨經驗，上線後預計可達到：

一、採用深度學習算法，原先須要十多人協做完成的補貨數據，機器僅僅在幾分鐘內就完成了所有補貨過程，即便千餘家門店的調補貨計算量也不在話下，無需辛苦招人培訓，還要隨時警戒競爭對手來挖角；

二、本來須要整個商品部反覆拉扯的補貨問題，系統自動按照毛利最優解決方案，完成了所有的調度工做，預計可將商品平均周售罄率提高到60%～70%，雙週售罄率穩定提高到80%以上，區域間調撥次數下降30%以上（18年某集團僅補貨物流成本可達250萬）；

三、業務人員的腦力被極大釋放，珍貴的核心員工只需管理好算法模型的優化方向和數據補充，有更多時間去思考商品自己的運營策略，商品部也由一個成本部門升級爲利潤部門。

鉅艦仍是得配利炮

雲計算浪潮下降了硬件採購的成本，直接催生了今天中臺生態的繁榮。

今日中國的中小企業能夠低成本搭建本身的數據中臺，有機會從源頭就開始校訂數據化建設方向，可是中臺的盛行和業務發展的需求，必然會倒逼業務前臺的升級改造。

中臺戰略之下，現行企業的方方面面其實都值得重構升級一遍。