构建零售新生态，全链路数字化转型“难”在哪？

智慧零售时代，企业已经从收集数据，到关注如何有效管理数据，让数据发挥核心价值，实际驱动业务决策。Kyligence 通过提供统一的数据服务和管理平台，助力多家零售企业全链路数字化转型。近日 Kyligence 联合创始人兼 CTO 李扬出席零售峰会并进行了主题分享，他认为全链路协同整合、信息安全和管控这两点标志着企业数字化转型的水平高低，具体如何实践，Kyligence 又有哪些建议？欢迎阅读以下演讲全文。

以下为李扬演讲实录

因为疫情的关系，零售业实体业务受到了一些挫折，但线上的业务却有激增。我看到有人开玩笑说在一年时间里面，完成了十年需要的上线量。不过随着企业线上化能力的提升，行业内形成了一个共识，那就是精细化运营已经成为一个基本手段。由于大数据技术的提升和突破，线上有了数据基础之后，企业可以精确地管理到每一位消费者。

既然技术可以让业务有所突破，那么大家接下来讨论的关键就是如何做数字化转型。我觉得有两个比较有意思的趋势，分别是信息安全管控和全链路。

首先是最近比较火热的信息安全管控，我认为这是考察企业数字化运营管理能力的一个很好的标志。

第二是全链路，这点在后面也会重点介绍。我个人观点是能否把全链路打通，标志着企业数字化水平的高低。可以看到这样一种现象，企业从 CRM 客群分析端，到产品端（定制化为一个客群选择或生产产品），然后到物流端，精确配送，这里其实跨过了企业很多个不同的数据系统。那么这些系统能否形成一个全链路来帮助企业做销售升级，这就是一个很有意思的事情。

接下来，我会就全链路和信息安全管控展开聊一聊。

零售数字化转型之信息安全和管控

业内其实都在讨论其他家数字化转型怎么做。这里首先有一个问题，我们今天数字化转型的水平，或者说一个企业的数字化运营水平在什么级别？

比如说政府在加强信息安全的管控，这时候企业所有的网站和应用都要屏蔽个人的用户隐私信息，那么我怎么能够高效做到这件事情，并且有信心向客户、向监管机构承诺我做到了。还有一个类似的是，我们有产、供、销、财务的数据，如果有需要被监管的话，假设初创公司需要上市，监控机构和企业需要调取这些数据，并要求口径要对齐。那么现有的数字化系统能否提供这方面信息？

带着上面这两个问题，我认为在今天数字化运营的背景下，最关键的就是要解决这种烟囱式的建设问题。

其实在之前信息系统叫电子化，现在我们叫数字化。那电子化和数字化有什么区别？可以先看下一般电子化建设的效果。由于历史原因，每个部门可能为了一个阶段性的目标，就会建立一套电子系统。这通常是烟囱式的，“从上到下”为了完成自己部门的目标。那么显然在这样子的烟囱式结构下面，要回答前面提到的两个问题显得非常困难。

大家可以想想，如果我在生产部门、供应链部门、市场部门，可能都有用户的个人隐私信息、电话号码、地址等等。那我就需要到每一条烟囱的系统里面去逐个介绍对外的数据服务会不会有问题，那么更不用说，横向的数据口径的对齐了。

所以在这样子的一个系统结构里面，如果要回答前面两个问题，会非常困难，甚至以数据口径为例，它可能可以一次性的做到，但是要持续地保持，基本上是做不到的。

那我们说怎样的一个系统架构，可以回答前面两个问题并能够良好实践呢？这时就会聊到一个概念，就是我们需要一个统一的数据服务和管理层，大家可以看到下面这张图中红颜色的这一层。

如果从数据服务、数据仓库、数据集市这些角度来说，这个统一的数据服务和管理层就约等于原来我们说的数据集市和数据仓库的这个位置。但是在这边我们强调一个很重要的概念，就是它除了提供数据服务以外，它要有强大的数据资产管理能力，也就是我们希望有一种方法能够把左侧烟囱式的、数据口径不一致的、大量重复建设并缺乏监管和审计的电子系统的状态，能够转移到右侧这样有一个统一的技术底座，这不仅能够提供数据服务，并且能够实现有效的数据管理。

在这样的一个新结构下面，它有一个统一的数据服务出口，也因为这个存在，我们就可以做统一的数据安全管控，比如前面提到的，用户个人隐私信息可以在这一层出口上做统一的屏蔽。那么包括前面聊到的产、供、销、财务数据的统计的口径统一，在这一层次上面，就有统一的业务对象、统一的业务主题模型，那么它们可以在这个框架上面对齐，通过这样的架构，也就比较好地回答了前面的两个问题。

作为一家提供数据服务与管理的公司，我们基于上面想法，已经提供了一个成型的数据产品——Kyligence 智能数据云平台，基于机器学习和人工智能等技术，为企业实现自动化的数据服务和管理。概括来讲，首先是一个数据服务系统。其次，它更是一个数据管理平台。

大家可以看到下方这张图，Kyligence 数据服务和管理平台可以打通企业现有的各条烟囱，也就是传说中的数据孤岛，把数据汇聚到一起，对外提供一个受治理的、统一的服务。

那么除了这些管理的能力之外，Kyligence 数据服务和管理平台还有一些特点，包括数据服务的低门槛，就是我们说到的“人人都是分析师”，我们的产品可以做到用户打开 Excel，每一个人都可以来分析大数据，Kyligence 平台有自动化的一些成本优化，可以通过一些自动的预计算技术，降低每条查询的资源消耗和成本。

零售数字化转型之全链路协同整合

那么在一个统一的服务和管理思路提出来以后，我们再来看看从全链路连通的角度，一个这样的系统能做到什么？

上图是一个很典型的营销数据的小闭环。那么在这个小闭环里面，它基本上会从客群的圈选开始，途经 CRM 系统，然后到指定营销执行的方案，这里一般通常是市场的营销规划系统，然后到执行营销，最后回到收回结果，这个环节又会途经销售系统。这个过程一般会循环反复，大家可以看到在这样的一个小循环里面已经打通了好几个数据烟囱了。

但是在具体建设的过程中，不少公司还只是一个比较粗壮的、垂直的烟囱，并不是横向打通几个系统。所以一个小的闭环并不能太说明问题。那么在这个小的闭环之上，我们再来看一个更大的闭环。

我们说数字化运营的水平，其实主要的一个考察点就是敏捷性。假如疫情来了，一家卖汉堡包的商家想制作刻有“武汉加油”字样的汉堡包，营销方式就是每一位客人消费，商家就为武汉捐赠一块钱。那么此刻，商家需要在全链路上面来评估这一次商业创意端到端的投入、产出和回报。商家需要打通企业当中的更多的垂直烟囱，从用户客群的画像到需求分析开始，到定制产品的设计，再到供应链、生产，然后到产品的上架、物流，到营销端，最终再到 APP 的前台，这整条链路其实就是一个大的闭环。

那么对于商家来说，从有这个想法，再到有一个相适应的数字系统，并能够把这个想法执行出来，这其中的速度就体现着企业数字化运营的水平。比如说垂直的烟囱建设就是今天的现状。那我们如何能够从一个垂直的体系过渡到一个有统一的服务和管理的数据服务层呢？简单来说，我认为有四步：从自顶向下的一个信息架构的设计，到一个数据底座的选型，然后一条一条烟囱的迁移，以及最后不停地数据整合。

首先，我们来看下自顶向下的信息架构设计，这对很多企业来说，可能是最难的一步。因为从整个数据治理的大场景来说，自顶向下至少有上图这些数据分层。那么我们需要企业能够把数据分层梳理出来，这里更多考验的是管理能力。不过，因为我要打通部门之间的烟囱，首先就要打通部门之间的部门墙，这也会体现管理能力。但这个阶段仍属于建设阶段，还未开始做任何建设。

第二点，寻找技术和数据的底座。因为企业需要有一个统一的数据服务和管理层，那么这边可能会涉及到一些产品选型，这也为通过统一的底座为企业之后数据的融合和重构打下了基础。

第三点，接下来我们就需要在这个底座上面，一条条地来对接不同的业务场景。因为业务需要快速反馈，有了业务成绩，企业就能够建设更多的数字系统，来说服管理层加大在数字方向的投入。所以，要快速地建设一条烟囱，获得业务上面的一些好的数据，然后来推动更多的烟囱，或者更多的数字创新被搭建到这个平台上面，进一步推动这个“飞轮”。

第四点，最最重要的一步就是，在一条或一套业务场景（烟囱）的过程中，我们要持续对齐企业最初的整体信息架构设计，要在符合这个架构设计的前提下，彻底地重构和整合数据的结构，保持自顶向下的一个工整的设计，那么接下来就可以一步一步做到从烟囱形态到有一个统一的数据服务和管理的形态。

以上就是我今天想要分享的主题，我们想通过本次分享与大家一起讨论如何寻找一个好的数字化运营的技术底座，它能够打通数据的服务和管理，形成一个统一的平台，能够为企业做到全链路的数据贯通，并在数据服务之外，能够为企业提供信息（数据）管理的安全可控。我们希望用户使用数据要像使用水电一样，能够随取随用，人人都可以自助使用。Kyligence 智能数据云平台只是向前迈了一小步，我们也希望接下来和行业共同努力，将更多可能落地实践，更好助力全行业数字化转型。

关于 Kyligence

Kyligence 由 Apache Kylin 创始团队创建，致力于打造下一代智能数据云平台，为企业实现自动化的数据服务和管理。基于机器学习和 AI 技术，Kyligence 从多云的数据存储中识别和管理最有价值数据，并提供高性能、高并发的数据服务以支撑各种数据分析与应用，同时不断降低 TCO。Kyligence 已服务中国、美国及亚太的多个银行、保险、制造、零售等客户，包括建设银行、浦发银行、招商银行、平安银行、宁波银行、太平洋保险、中国银联、上汽、一汽、安踏、Costa、UBS、Metlife、AppZen 等全球知名企业和行业领导者。公司已通过 ISO9001，ISO27001 及 SOC2 Type1 等各项认证及审计，并在全球范围内拥有众多生态合作伙伴。