为迎合现今数字化经营的市场趋势，指标平台通过实现指标的高效开发，提供了既灵活又高性能的指标服务，逐步演变为企业数据基础设施的核心组成部分。大模型通过其强大的数据处理能力和深度学习机制，为指标分析提供了更加精准、全面的视角，为企业提供更加精准的业务洞察和决策支持。本次分享围绕大模型加持的指标平台在企业内的建设路径，以及相关实践案例展开。分享嘉宾｜王劲 数果智能创始人&董事长
内容已做精简，如需获取专家完整版视频实录和课件，请扫码领取。
本次分享的内容主要是从多个角度出发，重点关注智能指标平台的整体架构与企业内实际应用，以及在具体场景中与大家深入探讨潜在问题和解决方案，综合从以下三个方面展开介绍。
首先，从实际应用出发，来谈谈企业内部对指标的爱与恨。
其次，聊聊如何构建并运营指标平台展开。众所周知，指标对企业有着举足轻重的作用，那么我们如何构建一个能使企业高效地应用指标的体系呢？这便是我们要讨论的，如何提升指标平台的效率，以及在这一过程中所遇到的挑战及其解决方法。
最后，将以实际案例中的两个场景与大家分享一些经验，介绍指标在具体业务场景下的应用。
01
对指标的爱与恨
指标体系并不仅仅是公司层面的运营体系，每个业务场景也可能拥有自己的指标体系。只是指标体系的规模各有不同，它们所专注的问题点存在差异。因此，从企业的角度来看，可能存在一个非常庞大的指标体系，然而对于每个具体的业务场景而言，它可能只是一个相对较小的体系，大的体系也是由众多这样的小场景构成的。
指标在企业管理中是至关重要的，它是导航灯塔，能够为我们指引业务的方向；它是地图，能帮助我们做好计划，规划好业务路线；它还是探测器，能够帮助我们预警并发现业务的风险；它也是仪表盘，帮助我们评估业务的效绩，评估这个业务的好坏。因此，在企业的各项经营活动中，我们都无法离开指标。但在实际业务中，指标又给我们带来了很多挑战。譬如从不同来源的指标数据不一致，种种原因导致偏离实际，好比导航给我们规划了错误的路线，让我们无法信任；各种指标五花八门，眼花缭乱，似乎反映了业务各个方面，但我们又不知道具体原因是什么，更不知道接下来需要怎么解决；有些指标本来波动性就很大，我们不知道是好是坏；有些指标看起来挺好的，但另一些指标表现反而又差了，这些都是我们经营活动中经常碰到的问题；对于技术部门，他们要为我们提供那么多指标和报表，也经常抱怨维护工作量大、成本高。一句话总结，就是我们对指标既爱又恨。为什么会存在这些问题呢？我们访谈调研过几百家企业，实施了也有上百个项目，总结归纳无非三个主要原因：
第一，是缺指标管理的体系，影响执行动力。没有统一的组织和流程协调管理，五花八门的指标就会相互冲突打架，数据大部分都是我们业务人员录入的，没有实际考核，数据录入也难免会不及时、不完整、甚至错乱。其实很多决策层都知道这点，但为什么仍然没有建立起来呢？原因也许是决策层认为还不够迫切，对指标质量的重视程度还不够、或者各部门壁垒严重难协调、或者谁都说不清治理后，能带来多大的业务价值。但事实上，和任何业务一样，缺乏有效的行政管理，不管上什么项目，什么平台，都不可能持续运营好。第二，缺场景化的指标体系。我们知道很多企业都有指标体系，但我们发现缺乏的是“场景化的指标体系”。刚才我们谈到很多实际的业务场景，譬如要做好业务计划、执行过程中要分析问题原因及时采取行动、事后要上报对哪些部门、哪些人进行表彰奖罚等，这些业务场景，理论上都要用数据说话的，但实际业务很复杂，往往不能靠单一指标就能说明问题，需要围绕特定的业务场景，设计一系列相关联的指标，从因到果的推理，正反指标的平衡来判断分析，才能给出结论。而我们看到很多企业的指标列表，虽然都有按业务分类，建立主题域模型，但都很难对应到具体的业务场景中去，只能做宏观的事后评价，不能指导事前和事中的业务规划和提前预警。这样也就知道为什么我们使用指标很低频，指标的业务价值不高，因为只能事后看报表结果。第三，缺乏智能化的指标平台。如果说我们业务人员没有为具体业务场景设计指标体系，那也是不客观的，其实有数据意识的业务人员都会设定一些业务指标来分析业务，但对于公司层面来说，这些指标体系太分散，小场景无法关联起来分析，譬如市场部某个营销活动与销售部的销售业绩、反映到财务账面上的利润、甚至产品库存紧缺有多大的关联关系？因此，需要一套智能化的指标平台，统一管理企业全域的指标，每个小场景的指标体系，都能随时按需要，关联成具体的业务指标分析体系。企业只有做到指标在线化管理，管理制度才能更好持续落实执行。所以，机制、业务和工具这三方面的原因，都制约了指标真正有效赋能业务。
原因找到了，怎么解决呢？我想大家都听说过指标中台的概念，我们认为指标中台，的确是有效的解决方案，因为指标中台是一套建体系和建平台的双轮驱动解决方案，这两个轮子只要相互驱动转起来，各种业务场景的指标体系自然就会逐渐积累，并持续在业务场景中发挥作用。有体系无平台，没有信息化约束，体系不可持续正确执行，有平台无体系，没有配套的管理组织与规则，平台也只是一个工具，只能局部发挥作用。所以少任意一个轮子，都不能持续运营，两个轮子都必需具备。第一个轮子是“体系”，它保障有组织、有意愿，有目标，有方法地共同运营指标体系。建体系有三种路径，一是完全依靠企业内部力量自建；二是在专业咨询公司的指导下组建；三是与有配套咨询顾问的实施团队共建。第一种路径适合之前已经与专业咨询公司有过合作，内部已经培养了有管理体系建设经验的专家，在高层领导下高效协调执行。第二种路径适合完全没有经验的企业，需在专业指导下，从零到一建设体系，避免走弯路；第三种适合内部已经有一定体系建设经验，但仍需专业顾问帮助梳理规范成文，且同时采购平台，快速落地。这三种路径各有优缺点，但我们更建议采用第三种，一是如有部门壁垒，外来的和尚好念经，二是咨询与实施的利益绑定，避免相互扯皮，能保证最终落地结果。第二个轮子是“平台”，它满足体系中的指标管理流程的在线化，保障指标管理体系高效且低成本的运营。同时也是一个场景化指标体系的沉淀池，可随时捞出各场景的指标体系进行拼装组合，形成业务目标分析体系，直接给业务人员赋能。建体系有较成熟的方法，在这里先不详细展开，有兴趣的我们可以后续专题交流。下面我们重点谈谈如何建设指标平台。我们所说的指标平台实际上经历了数代的发展变迁，从最初的数仓发展到现今的GPT出现，每一步都经过了无数的改进。最早的一代主要在指标的定义和口径上，大家基本上都是通过Excel和相关文件记录。当各个业务部门开始讨论时，大家便互相翻阅相关文件，以查看定义是否一致。在2.0时代，开始将指标业务口径、技术口径、管理口径线上化，开发者仍然遵循传统的数仓模式，不断撰写ETL脚本，通过与业务人员和产品经理的沟通分析后，将分析结果传达给 ETL开发人员，然后他们继续编写 ETL 脚本。实际上，从需求部分提出需求，最后实现指标落地的整个周期非常漫长，基本上你从业务部门提出需求到指标真正落地需要3-5天，甚至有时会更长，因为这中间还涉及到数据核对。无论你的开发进度如何，最终还是得看数据的准确性，只有数据准确才能真正发挥作用。当大数据工具出现以后，指标平台进入3.0时代，重点放在了实现指标的全生命周期在线化，包括之前提到的指标各阶段的价值体现，以及后端运营机制的保障措施。同时，实现指标需求的在线化，让业务人员通过平台轻松配置可视化指标实现。自从GPT获得突破以后，指标平台4.0时代来临，我们开始思考是否可以让业务人员逐步承担配置指标的工作。GPT 的出现为我们提供了很好的助力，只要是能够用系统自动化完成的工作，就尽可能避免手动操作。因此，在指标需求的提出、生成以及应用等各个阶段，通过大模型的方式，我们可以更大程度地提高智能化水平，减少人力资源的消耗。早在2020年，我们便开始探索和研发智能指标平台。从我们的观点出发，我们更关注的是如何有效地提高效率，即通过提供优质产品和服务来减少人工投入。以我们之前完成的一个项目为例，我们需要制作一份经营报告和一个活动分析大屏，大屏内涉及的指标数量有200多个。以传统的方式开发，可能需要五六名技术人员耗费半年时间才能完成。但其成本却十分高昂，尤其是在当前这样的市场环境下，企业之间的竞争日趋白热化，这使得每个从事数据领域的创业企业都面临着价格战。如果仍然采用传统方式去交付项目，那么在价格如此低廉的情况下企业必然会亏损。因此，我们一直在思考是否存在一种更优的方法，不仅可以在价格低廉的状况下，保证给客户提供高质量的交付，而且还能降低我们的交付成本。此前，最热门的话题便是数据中台等各种中台概念，然而我们认为这些所谓的中台距离用户的实际业务价值还存在一定差距。我们观察到客户在各种数据项目中离业务近的其实是指标数据和报表，或是经营活动分析等方面的应用需求。我们在2020年提出了智能指标平台的概念，其目标在于实现降低交付成本，同时能实现业务的智能化赋能。这套系统的诞生正源自我们对于数据交付成本的深入理解和精准控制，以及对于业务智能化赋能的不懈追求。在项目中，我们更注重的是如何帮助我们的客户实现最大化的业务价值贡献。关于这一点，要让数据真正的赋能业务价值，我们必须深入了解客户的业务，从业务场景的角度出发，以便更容易为客户提供有效的助力。智能指标平台本质上是为业务及技术人员提供全面的赋能。从业务人员的角度出发，我们为其提供了指标门户、业务目标预测、预警归因追踪等功能。同时，我们还提供针对业务需求的探索和分析功能，使业务人员无需深入了解技术，便可更加专注于业务工作。再者，我们更重要的工作是提供指标体系以及平台管理方面的工具支持，让业务人员更容易梳理业务指标体系。从技术人员的角度出发，智能指标平台提供了可视化、自动化的支持，让技术人员更容易、更轻松地运维系统。在指标运行的过程中，可能会遇到诸多问题，例如业务数据变更、网络原因导致数据未同步等。指标延时预警后，我们如何解决问题？我们需要明白该指标依赖哪些数据，这些数据源来自何处，如果出现问题，会对业务应用有何影响，这样我们才能有效地进行问题修复。通过血缘/影响一键修改，我们可以显著降低技术人员排查问题所需的时间，从而提高工作效率。之前已经阐述过体系和平台的价值，我们认为只有将两者有效结合，才能实现业务驱动需求的可持续运营模式。从平台角度来看，我们致力于实现低成本建指标，标准化管理及智能化运营指标。体系方面，我们则需要通过各种健全的制度，包括流程管控和监管评价等措施，确保指标体系得以持续运营。03
下面介绍实践落地案例，是一个比较典型的某交通集团的案例。
该企业面临的问题主要体现管理决策缺乏有效的指标体系和辅助工具，各专业管理指标相互独立，缺乏关联性；缺乏科学的辅助决策应用和工具。资源信息不对称，各专业资源的数量、分布、状态等信息缺乏透明共享，造成相互信息不对称，影响管理决策效率与准确性。业务决策缺乏数据支撑，如物资设备采购决策缺乏依据，久而久之形成一方面部分物资过多造成浪费，另一方面又因部分物资不能按时供应影响生产；如设备维修时，缺乏数据依据快速定位，提升效率；缺乏数据和算法模型，提高分析科学性。基于上述问题，我们借助智能指标平台，将整个集团的数据整合进一个全域的指标管理平台，带来的价值主要体现在安全水平的提高，收入的增长以及成本的降低等方面。在客户案例中，我们更多的是深入了解业务，梳理业务指标体系，将其细化到各种具体的业务场景中，通过各种小场景帮助客户真正解决其面对的问题。
例如在移动设备能耗分析中，我们更多的是基于集团的相关业务系统数据，将其汇总到大数据平台，然后通过智能指标平台对与移动设备能耗分析相关的业务场景指标进行梳理，将其形成该场景指标体系并构建指标库。在此基础上，我们使用各种小的场景，如能耗动因分析、能耗趋势分析以及多维度分析等方式，构建了丰富的指标分析体系。通过构建能耗业务域模型，从能耗分析的多个纬度入手，包括牵引载重、乘务员操作等六七个维度。借助分析模型优化调度计划，并根据需求培养乘务员，为其详细指导乘务员驾驶行为。实际应用中，我们举一个移动设备能耗分析场景的例子。当发现能耗出现的异常，比如某个设备的某类油品消耗量降低，究竟是因为何种设备的影响，又如，与上个月相比，此类油品的使用量有所增加。这时，我们可以通过智能化的分析手段提前预警，通过这种方式，我们就能准确地找到能耗所涉及的各方面因素，大致有六个维度，其中最重要的维度莫过于牵引载重。我们知道，牵引载重是比较难解决的，我们可以分析其他能影响的维度来深入研究，进而分析出具体的情况。例如，设备的状况对能耗产生了较大的影响，那么我们就可以进一步定位和追踪到底是哪些设备出现了问题。这些设备一旦出现问题，我们就可以通过我们的指标关联分析体系找到相关指标，从而推断其中三个设备影响了我们的能源消耗水平和工作效率。找出影响能耗的设备型号，我们便可进一步定位，这个设备目前归属于哪个部门，然后了解这个设备的现况，以便我们决定如何进行更深度的分析。通过这个完整的系统，我们才能真正发挥辅助决策的作用。通过对此款移动设备的深度剖析，我们可以看到，从整体来看，这套分析系统实际上可以让我们每个月通过优化方法，将能耗降低约2%左右。因此，围绕此方法进行实施，鉴于其整月的能耗成本高达约8亿元，我们有望为客户每个月节省约1600万元的能耗成本。实际上，这个系统的核心就是利用一套完整的关于能耗的指标体系，将能耗与其相关维度的影响因素进行关联分析，创建出一套能耗分析方案。由于我们关注的重点在于能耗消费的实际数量，以及与之相关的维度和影响因子有哪些，那么我们就可以通过业务流程对其进行梳理，利用算法找出其中影响力最大的6个因素，然后再针对这些因素，找出可以解决和无法解决的问题。我们需要把那些能解决的问题进一步细化，找出那些真正影响能耗的根源。通过这种方式，我们不仅能找出需要解决的问题，还能找出那些能够带来实际价值的关键维度，通过这种方式，我们就能实现所谓的动因分析，用这套方法贯穿整个分析过程。第二个案例的场景设计对移动设备应用效率的深入分析，其原理与前一个几乎相同。首先，我们需要从业务角度去梳理设备预产量的影响因素有哪些，找到了核心指标之后，我们就能了解到哪些维度因子会对核心指标产生影响。类似地，建立起一套与应用效率相关的业务场景指标体系，并在这个基础上进行不断细化。一旦这个体系建立起来，我们就可以通过这套体系去寻找那些不良因素和存在问题的地方。建立好这样的一个指标体系后，我们就能发现8月份，某个车站的欠重率和欠重率的增速如何，哪个部分的增速最高，与上年同期相比增速又是多少。通过这样的方式去分析，我们就能找到实际影响占比最高的车辆，然后通过关联分析，就能真正找到答案。通过这两个场景的案例不难看出，当我们希望在企业内通过指标体系进行分析时，最核心的步骤便是首先确定最小的业务场景以及需要解决的问题。在此基础上，需要构建与该场景相关的一套指标体系，然后依据该衡量体系，通过各种平台和技术手段，实现在团队内部建立起一套全面的指标系统。值得注意的是，在分析过程中，必须以业务场景为出发点，这样才能最大限度地释放指标的价值。要想使指标平台发挥最佳效果，我们必须明确企业最需解决的痛点。我们的目标是真正帮助企业解决问题，只有这样，这个平台才能持续运行下去。
这个过程中，平台并不需要从一开始就尽全尽美，也不需要全面覆盖所有可能的业务场景，应该更注重从实际的刚需业务场景出发，只要某个业务场景能够真正帮助业务部门解决问题，那么该平台就能持续推进并运营下去。在选择指标平台的产品类型时，我们也是基于自身经验和多个项目交付情况，以及对自身产品的研发进行综合考虑。我们主要从以下三个方面进行考量：
第一，产品功能，指标的全生命周期链路长，需要一整套完善的体制和一个功能强大的平台来履行使命；
第二，性能要求，现代的智能指标平台需要面向所有的业务部门，而不再仅仅是IT部门关注的平台；
第三，服务能力，无论是在数据领域还是在指标平台方面，想实现可持续运转，必须借助各种实际业务场景迭代。因此，一个团队的参与至关重要，无论团队是自有，还是借助于外部的专业服务，都必须是持续性的。部分企业在构建指标平台更多地以项目为导向，阶段式投入，完成后便淡出视野，服务也随之终止，这样的工作方式显然是不可持续的。
以上就是本次智能指标平台在企业内的建设和实践分享的内容，如需获取专家完整版视频实录和课件可扫码领取。
⩓
曾任腾讯音乐集团-酷狗音乐数据中心负责人，负责酷狗音乐数据中心从0到1的建设，国内最早研究应用大数据实时计算及数据智能推荐系统。曾任多家上市公司架构师，服务于中国软件和普元信息。国内最早提出大数据实时计算并落地实践的布道者，发表《经典大数据架构案例：酷狗音乐的大数据平台重构》《酷狗大数据平台重构过程中遇到的坑》《万亿级日志与行为数据存储查询技术剖析》等文章。注：点击左下角“阅读原文”，领取专家完整版实录和分享课件。
