【企业实践】雅戈尔: 3 亿行数据表构成的“孤岛”,如何真正为决策提效?

本文涉及的产品
智能数据建设与治理Dataphin,200数据处理单元
简介: 雅戈尔通过 Dataphin 进行数据建设与治理,在业务应用过程中为决策提供依据,提升效率。

企业介绍:

image.png

业务效果

image.png

使用产品


正文内容


业务挑战

image.png

解决方案

01 启动数据中台:切入核心业务场景, 建设统一数据指标

2018年,雅戈尔主动拥抱数据中台概念,并于2019年正式启动数据中台建设。目前,企业已基于数据中台串联起从面料研发、生产制造到销售终端的智慧营销的各业务系统,并通过数据建设与治理,在业务应用过程中提供了决策依据、实现了效率提升。

在企业数字化转型过程中,技术往往不是最大挑战,例如「数据质量」的治理,数据本身不会骗人,但难以统一的数据标准、不规范的业务流程,都可能造成数据污染,以至于无法为业务决策提供实际参考价值。

雅戈尔业务的复杂性,也加剧了数据需求的复杂程度和处理难度——哪怕只是一项“营收金额”,由于需要计入商场扣点、财务扣税等因素,一旦各渠道的数据口径不同,每天都会形成高达数十万元的数据偏差。

尤其是服装企业们都相当看重的几组指标,“四率二效”:“四率”分别指销售增长率、毛利率、成本费用率和回收率;二效则指人效跟平效。仅其中的平效(指门店单位面积下的平均营业额,即销售额除以门店面积),各门店可能会分别上报建筑面积、营业面积或是陈列面积。甚至有门店为了获得更高的平效,将面积数字报小。各方利益和主观意愿掺杂,使得数据治理因此成为企业数据建设中最难的一环。

因此,大数据部门花费了大量的时间打通组织、商品、人员等数据,并针对各项维度和400多个指标做了清晰的梳理。在此过程中,有两大关键:

1. 统一数据指标。

2. 通过规范业务流程,梳理“利益边界”——即理清楚一件事该由谁做,做到什么程度。


在统一数据指标时,大数据部门梳理了各业务流程中的关键字段,并根据业务需求给出细致、明确的数据口径:如“季节”,会根据业务需求将春夏秋冬细分为“春一”“春二”“春三”等阶段;而“门店面积”也会伴随装修情况及时更新。如业务部门对口径或标准存疑,该数据指标就会交给雅戈尔数据决策委员会(主要成员为财务)评判,直到达成一致意见,并会将最终结果在公司内部公示。自数据中台建立以来,数据指标平均每个月都会迭代,让数据反馈无限接近于管理诉求和业务应用的需求

“数据中台从来不是昙花一现或脑门一热的项目,必须是一个长期过程,”雅戈尔集团CIO王歆表示。同时,王歆还谈到,雅戈尔未来三到五年的规划,包括了以系统集成为命题、以AI贯穿为主线、以行为数据为洞察、以碎片时间为生产。

在其数据源、中台和应用三层数据架构中,瓴羊Dataphin和Quick BI分别在数据中台层和应用层发挥了重要作用。

在数据应用层,雅戈尔灵活、多视角的数据门户正基于Quick BI实现。作为分析型BI报表工具,它满足了企业各层级日常获取数据的需求,大大降低了员工使用数据的门槛。在中台层,雅戈尔通过Dataphin整合了共16个系统,900多个报表和400多组指标。

image.png


02 门店全景视角:辅助管理层决策、减轻店长行政工作

过去难以看清全貌的数据环境下,管理层在做出决策前,往往需要带一摞报表巡店,才能了解真实的门店情况,如开店投入、装修成本、人员流动等;而店长们既承担业绩压力,又需要向下管理、向上汇报——这类行政工作往往占用大量时间:

第一,需要手动录入和上报销售情况;第二,汇报所需数据分散在各个业务系统中(如人事数据归集在HR系统中,物流数据归集在物流系统内),翻找费时、对数据技术要求高;第三,所需数据受权限影响,无法进入系统。

而雅戈尔搭建数据中台后,上至管理层、下至门店导购都有了更便捷的数据获取方式。在其数据门户中,共有三种数据视角:

1. 按数据特性划分。这是大部分企业都会采用的数据划分方式,将销售、物流、财务、会员、审计和制造等各领域的报表,各自归集一起。

2. 自定义报表。员工可根据需求自由拖拽字段。

3. 围绕品牌各层级视角展开的主题门户。品牌管理层可查看属于品牌自己的销售、物流等报表,店长也有围绕门店展开的360°全景视角。2023年,雅戈尔还借助NLP技术推出的大模型智能BI应用Chat BI,让员工通过搜索就能获得数据。

一个以门店为中心视角的全景数据,既方便了管理层了解门店情况,也减轻了店长60%-70%的日常基础行政工作。此外,店长们在为导购进行排班时,通过数据就能很快判断出对方更适合排在白班还是晚班、更适合销售正价品还是折扣品——减少“人”的干预,既能增加决策的正确率,也得以让他们将精力聚焦到打磨销售话术、提升销售技巧上,最终提升整体门店业绩。

image.png





Dataphin.png

Dataphin是瓴羊旗下的智能数据建设与治理平台,是阿里巴巴多年内部数据建设与治理实践及方法论的产品化输出,致力于通过一站式智能化的数据建设及治理能力,帮助企业构建起生产经济、质量可靠、安全稳定、消费便捷的企业级数据资产。


了解更多Dataphin智能建设与治理 >>

获取资料:Dataphin产品白皮书 >>

image.png

相关实践学习
阿里云百炼xAnalyticDB PostgreSQL构建AIGC应用
通过该实验体验在阿里云百炼中构建企业专属知识库构建及应用全流程。同时体验使用ADB-PG向量检索引擎提供专属安全存储,保障企业数据隐私安全。
AnalyticDB PostgreSQL 企业智能数据中台:一站式管理数据服务资产
企业在数据仓库之上可构建丰富的数据服务用以支持数据应用及业务场景;ADB PG推出全新企业智能数据平台,用以帮助用户一站式的管理企业数据服务资产,包括创建, 管理,探索, 监控等; 助力企业在现有平台之上快速构建起数据服务资产体系
相关文章
|
7月前
|
供应链
代采系统如何利用大数据分析优化采购决策?
代采系统可以利用大数据分析来优化采购决策
|
2月前
|
数据采集 数据安全/隐私保护
数据治理创新路:建设数据集市,强化数据报送一致性新实践
企业可以通过组织培训课程、提供操作手册等方式,提高数据报送人员的业务水平和数据意识,减少人为因素导致的数据不一致问题。
|
2月前
|
数据采集 存储 人工智能
CDGA|企业的不同阶段如何做数据治理?
每个阶段的企业应充分认识到数据治理人才的重要性,加大培养力度,为企业的数字化转型提供坚实的人才保障。只有这样,企业才能在激烈的市场竞争中立于不败之地。
|
2月前
|
数据采集 存储 数据管理
CDGA|数据治理:确保数据质量与价值的综合性框架
数据治理是一个系统工程,涉及数据战略、数据架构、数据质量、数据安全、数据合规性、数据生命周期管理以及数据资产管理等多个方面。通过全面、系统地实施数据治理策略,可以确保数据资产的有效利用和价值的最大化。在数字化时代,数据治理已成为企业实现数字战略的基础和保障。
|
6月前
|
存储 运维 物联网
TDengine 助力中电启明星处理高复杂性和大数据量时序数据
智能电网和可再生能源推动电力系统数据爆炸式增长,TDengine 因其高效处理时序数据的能力,成为中电启明星信息系统深化应用项目的关键技术。该合作彰显 TDengine 在电力行业的影响力,已应用于多家电力企业,涉及能源大数据、风电运维、智慧能源等多个领域。中电启明星,作为国网信息通信股份的子公司,利用 TDengine 实现了数据管理和业务优化。TDengine,一款高性能时序数据库,为物联网和工业互联网提供一站式解决方案,助力行业数字化转型。
63 0
|
分布式计算 关系型数据库 MySQL
【企业数据中台交付】数据回刷实验
通过自定义sql(多路输出、动态分区、笛卡尔积)和补数据方式,回刷历史分区数据,使业务可查看历史数据。
《云上大型赛事保障白皮书》——第七章 保障阵型与流程管理——7.2 云上大型赛事流程管理——7.2.1 基于业务影响的流程分级(上)
《云上大型赛事保障白皮书》——第七章 保障阵型与流程管理——7.2 云上大型赛事流程管理——7.2.1 基于业务影响的流程分级(上)
108 0
|
运维 数据挖掘
《云上大型赛事保障白皮书》——第七章 保障阵型与流程管理——7.2 云上大型赛事流程管理——7.2.1 基于业务影响的流程分级(下)
《云上大型赛事保障白皮书》——第七章 保障阵型与流程管理——7.2 云上大型赛事流程管理——7.2.1 基于业务影响的流程分级(下)
137 0
|
数据采集 存储 监控
数据治理晓说:(三)谈谈“十四五”期间数据治理需要关注的六大趋势
数据治理的概念较早的起源于国外,近些年随着国内信息化的发展,逐步重视数据的共享和应用,随之发现了经常被提及的数据质量问题,从而也逐步开展起了数据治理项目。
数据治理晓说:(三)谈谈“十四五”期间数据治理需要关注的六大趋势