数据中台架构及其建设运营策略

刘水生

一、背景

大数据蓬勃发展的背景下，各行各业越来越重视大数据给企业带来的业务革新动力，希望借助数据驱动业务新发展。烟草行业在此背景下积极探索数据管理和数据应用，完成了以“一体化数据中心、一体化数据管理、一体化数据分析”三个一体化为核心的数据中心建设，为各业务部门提供高质量的数据以及丰富的数据分析手段，为各级人员管理决策提供了有效支撑。

但我们也应当看到，目前的数据中心，无论是专题、报表或取数，主要是烟囱式数据生产模式或者是项目制建设方式，如果当初模型的扩展性设计的不好，或者时间太紧，或者出于系统稳定的考虑，致使数据模型扩展性较差。久而久之，数据得不到沉淀和持续发展，从而造成模型不能真正成为可重用的组件，无法支撑数据分析的快速响应和创新。

在这种情况下，通常的做法是另起炉灶，构建一套新的模型来满足当前的需求，这又导致了一个新”烟囱”的产生，长此以往，数据中心将演变为一个个的数据孤岛，不再具有对外提供统一数据服务的能力。因此，亟需建立企业的数据中台，构建中台的运营体系，真正做到打通数据孤岛并且以统一的标准进行建设，以达到技术降本、应用提效、业务赋能的目标。

二、 数据中台架构设计

数据中台建设主要包含基础平台、数据中台（数据及服务层、企业数据公共层）以及应用平台。

（一）基础平台

基础平台主要提供弹性可伸缩的CPU、网络、存储虚拟化能力及兼顾离线计算及实时分析的大数据处理能力。包括弹性计算服务器，数据库，负载均衡，对象存储等提供基础算力，以及离线计算、流计算、图计算和分析性数据库等。基础平台是数据中台中的底座和主要基础支撑，其弹性、敏捷、数据、智能是其核心服务价值。

（二）数据中台

数据中台包括数据及服务层、企业数据公共层两个核心层以及面向应用的统一数据服务中间层。

数据及服务层是基于数据智能套件、智能报表、大屏监控等提供核心的数据中台中间件，支撑数据中台建设。

企业数据公共层包括数据采集及接入、全域数据层和萃取数据层，最终形成契合烟草自身发展的方法论和体系架构。数据采集及接八层，以需求为驱动，以数据多样性的全域思想为指导，采集与引入全业务、多终端、多形态的数据;全域数据层，标准规范数据架构与研发，统一基础层、公共中间层、百花齐放应用层的数据分层架构模式，通过数据指标结构化规范化的方式实现指标口径统一;萃取数据层，连接与深度萃取数据价值，形成以业务核心对象为中心的连接和标签体系，深度萃取数据价值。

面向应用的统一数据服务中间层：通过构建服务元数据中心和数据服务查询引擎，面向业务统一数据出口与数据查询逻辑，屏蔽多数据源与多物理表。

数据中台事实上成了大数据集中化对外能力展示的一个窗口，基础平台建设的再好，性能再强大，数据中台没建好也是一场空，因为只有数据中台才能真正连接用户，是用户能看得到，摸得到的东西，它的价值就类比于APP STORE，对下连接着基础平台，对上连接了用户和应用。

（三）应用平台

应用平台是对业务系统或分析应用提供的组件化工具，如果把管理中台当作是数据领域的PaaS，应用平台就是数据领域的SaaS，各应用可以基于应用平台提供的组件进行快速搭建。

三、数据中台的运营策略

数据中台的建设以”一切数据业务化，一切业务数据化”为终极目标，数据中台的建立不是一蹴而就的，每个企业都应该基于实际打造独有的中台能力，在这个过程中，需要遵循运营思维，主要包括：

第一，企业的组织架构及机制需要顺势而变，比如以前负责数据的部门或团队往往缺乏话语权，面对业务需求往往是被动的接受的角色，这让一切数据中台的想法化为泡影，需要为数据中台团队授权。

第二，要改变工作方式，现在很多企业的数据团队的主要工作内容就是项目管理、需求管理等等，当一个项目完成后又投入到下一个项目，做好一个需求后又开始负责下一个需求，这样的工作确实非常锻炼人的组织、协调能力，但这样能力的提升与工作时间的长短并不是呈线性增长的，虽然增加了项目和需求管理经验，但并不能在某一个专业领域得到知识和经验的沉淀，随着时间的流逝，越来越多的人会失去最初的工作积极性和创造性，事实上，数据分析人员只有深入的研究业务、数据和模型，端到端的去实践，打造出数据中台，才是最大的价值创造，才能使得持续创新成为可能。

第三，数据中台的团队要从传统的支撑角色逐步向运营角色转变，不仅在数据上，在业务上也要努力赶超业务人员，中台人员要逐步建立起对于业务的话语权，不仅仅是接受需求的角色，更要能提出合理的建议，能为业务带来新的增长点。

四、数据中台带来的效益及意义

数据中台建设带来的效益及意义主要体现在全面实现烟草商业企业级数据的数据标准化、数据价值化和数据服务化。

（一）数据标准化

數据中台应解决新的数据结构下烟草商业整体数据标准化问题，改变过去传统的数据关联为目标的传统架构设计理念，构建新的行业数据模型，对用于大数据分析的数据具有良好的模型扩展能力，结合烟草行业数据建设新的数据主题域和标准体系，建设烟草商业全域数据指标体系。

（二）数据价值化

数据分析平台首先应建立主题关联模型，将分散到各系统，各数据域的同一主题数据进行算法分析和关联，形成基于业务域自然对象的主题模型。并基于该模型设计规划烟草商业业务指标体系，使业务人员直接通过标签来进行业务分析和知识挖掘。标签体系中应融合业务场景需求，通过关联、预测和挖掘算法模型，实现对业务场景的实际指导，真正体现业务价值。

（三）数据服务化

数据分析平台应实现数据智能在线化与服务化。通过数据标准化与价值化建设，需要将主题分析、挖掘结果以服务化接口方式共享出去，实现与应用前台的高效交互，将分析成果直接应用于业务流程，实现数据驱动运营。另一方面，通过基于数据中合理念与技术的数据服务化可以有效降低对同一主题对象的应用开发成本，实现上层数据分析应用快速开发，节省时间成本和人力成本，减少重复工作，保证数据分析的准确性和一致性。

五、数据中台在烟草商业的最佳实践

数据智能应用服务基于数据中台提供的高质量、规范化、标准化、智能化的全域数据，结合烟草商业营销、专卖、物流领域的实际业务需求场景，通过数据算法分析模型，向业务人员提供能够指导实际生产运营决策的智能分析，提高企业数据运营决策能力水平。

（一）市场需求分析

基于行业订单数据，卷烟进销存数据，终端数采数据，零售户商圈数据，构建市场需求分析模型，进行卷烟市场需求分析预测。需求预测数据变化相对稳定，影响主要来自两方面：节假日的影响，在节假日点上变化剧烈，周期上有一定规律性;经济大环境的影响，变化缓慢，有明显趋势。通过数据中台，构建多种数据模型进行综合分析，对市场需求进行预测，对销售管理人员进行决策支持。

（二）商品单价预测

基于较长时间跨度的零售客户终端数采数据，季节、气候、节假日等因素，构建商品单价预测模型，定量预测总体、品类卷烟单价预测走势，为营销人员提供决策支持。

（三）品牌关联分析

识别卷烟产品的特征、竞争能力及营销策略，建立满足区域营销目标的产品组合;对新品上市及产品全生命周期进行跟踪与评估，加强品牌营销的过程管理;评估品牌资产价值，指导营销策略。通过终端数采数据，以及行业下行订单数据，分析不同品牌规格间销量之间的关联关系，如某时间段，某区域某两种品牌一起出现概率较高，销量之间也具有很强的正相关性，从而分析出不同品牌规格间的组合营销策略，带动销量提升，优化营销结构。

（四）零售客户分析

基于零售客户画像与业务信息，分析零售客户行为特征，分析其价值特征及变化规律，进行有效维系和监管。

（五）合理定量

通过整合零售客户终端数采数据、商零订单、区域商圈消费者人群画像数据、经济环境等数据，构建定量分配模型，根据卷烟市场实际情况精准调整定量范围。模型充分考虑卷烟销售量、销售额、满足率、进货面、定足率等指标，参考类别进货数量分布、市场价格走势等数据，通过大数据分配算法实现合理定量，充分发掘零售客户潜力，提高卷烟整体销量。

（六）销量预测与智能补货

结合烟草零售业务实际，构建销量预测与智能补货数据模型，通过大数据分析挖掘（统计、机器学习与深度学习）和优化理论（运筹优化与智能优化）.提高预测与补货的准确性。通过分析零售终端数采数据，得到零售客户每日实际进销存，结合促销数据，外部环境、天气等数据，建立门店级销量预测与智能补货模型，输出门店销售预测报表，与智能补货建议表，指导零售客户精准进货，达到稳增长、调结构的目标。

（七）智慧专卖及智能研判

专卖方面，借助大数据检索、数据分析技术，推动案件智能精确研判。基于先进的数据挖掘和文本挖掘技术，将相似、相同、异常的线索识别出来，并智能化地推送给相关管理人员，结合人工智能分析法进行核查和综合分析，实现专卖案件的智能化精确研判。

（八）精益物流及精准服务

物流方面，对卷烟仓储、分拣、配送等各个环节数据深入分析，构建快速响应、高效运作、精準服务的精益供应链物流体系，通过科学设定各个品牌卷烟的合理库存水平，优化配送线路，消除物流设备设施空耗、库存过高、人员冗余等各种浪费现象，降低人工成本，使物流服务快速、准时、准确满足客户需求，达到物流服务的低成本、高效率。

六、结语

大数据时代，整个社会将进入开放共享的时代，致力于大数据变革的企业最大的价值就是将这些核心数据能力进行对外开放的运营，到那个时代，数据中台将成为企业最为宝贵的资产。对烟草商业来说，如何正确的建立数据中台，并为之配套中台运营相应的组织架构变革及流程再造，真正发挥数据中台的“中台价值”，为数字烟草的快速发展和行业的可持续发展做出贡献，是值得烟草全力探索与实践的。

作者单位：江苏省烟草专卖局