智数化解决方案:业务应用 + 数据应用
智数化不在业务应用里改功能,而是在其上加一层数据应用:数仓、指标平台与数据服务。业务系统继续负责记录与执行,数据从"系统副产物"变成"可治理、可服务、可复算的资产"。
1. 方案范围:业务应用之上加数据应用
| 层次 | 本方案 | 说明 |
|---|---|---|
| 业务应用 | 延续 | 流程与业务系统不变,报表与分析负载从中剥离 |
| 数据应用 | 本方案新增 | 数仓分层、指标平台、主数据与数据服务 |
| AI 赋能 | 未涉及 | 分析、归因与判断仍主要靠人 |
数据应用不是一张更大的报表:报表是数据应用的消费端,可信的口径、归属与加工链路才是主体。没有数据应用层,业务应用里的数据只能各说各话。
2. 阶段判断
出现以下信号,说明业务应用已跑通、需要加数据应用:
- 报表很多,但经营会仍在争论"哪个数是对的";
- 指标没有唯一责任人,出表人各自解释口径;
- 取数依赖个人脚本与经验,需求排队且不可复现;
- 业务开始要求归因、预测与预警,报表体系无法支撑。
3. 业务问题
| 问题 | 典型表现 |
|---|---|
| 口径 | 同一指标在不同报表、不同部门数值不一致 |
| 归属 | 数据出了问题找不到责任方与上游链路 |
| 时效 | 报表靠 T+1 手工汇总,决策时已经过时 |
| 服务 | 取数需求靠人接单,分析结果难以复用 |
目标是把数据从"系统副产物"变成"可治理、可服务、可复算的资产"。
4. 解决方案
4.1 业务方案
- 建立经营指标树:从经营目标拆到业务过程指标,每项指标有唯一名称、口径与责任人;
- 把指标和决策场景绑定:经营例会看哪些指标、异常时由谁解释;
- 明确数据责任:业务部门对口径负责,数据团队对加工与质量负责。
指标树不是指标大全。能用它做决策的才算有效指标,凑数的指标会增加维护成本。
4.2 应用方案
- 数据底座:数仓或湖仓作为独立层,报表与分析不再直接压业务库;
- 指标平台:指标定义、计算与对外服务统一管理,避免在每张报表里重复写 SQL;
- 主数据管理:客户、物料、组织等核心实体统一编码与维护流程;
- 数据服务:以 API 或数据集形式对外提供,分析结果可以复用;
- 数据目录:表、指标、血缘与责任人对内可查。
4.3 数据方案
- 分层建模:贴源层(ODS)、明细层(DWD)、汇总层(DWS)、应用层(ADS);
- 指标口径沉淀为可执行定义,而不是文档里的一句话;
- 数据质量规则前置:完整性、唯一性、及时性与一致性检查;
- 血缘与影响分析:指标异常时能定位到上游表与作业;
- 历史与变更管理:口径变更需要版本与生效时间。
4.4 技术方案
- 湖仓或 MPP 数据库承载分析与明细存储;
- 调度平台管理作业依赖,失败可重跑、可告警;
- 元数据与权限体系独立建设,行列级权限按角色配置;
- 成本可见:存储、计算与查询成本按域核算,避免分析需求无序膨胀。
5. 本阶段产出的架构产物
| 产物 | 内容 | 相比数字化阶段的变化 |
|---|---|---|
| 经营指标树 | 目标、过程指标、口径与责任人 | 从业务指标零散定义升级为体系 |
| 指标字典 | 名称、口径、维度、生效版本 | 从报表说明升级为可执行定义 |
| 数仓分层模型 | ODS/DWD/DWS/ADS 与主题域 | 从业务库直接出表升级为分层建模 |
| 主数据标准 | 核心实体编码与维护流程 | 从各自编码升级为统一主数据 |
| 数据服务目录 | API、数据集、责任人与 SLA | 从人工取数升级为可复用服务 |
| 质量与血缘 | 质量规则、血缘链路与告警 | 从出了问题再查升级为可观测 |
6. 进入下一阶段的信号
数据应用让数据可信,但判断仍主要靠人。出现以下信号时,在业务应用与数据应用之上再加 AI 赋能,进入智能化解决方案:
- 规则与人工判断成为瓶颈,异常处理依赖资深人员经验;
- 知识分散在文档与个人手里,查询与培训成本高;
- 业务希望用自然语言获取分析结论,而不是学报表工具;
- 预测、归因与生成式交互的需求开始出现。
7. 常见误区
- 先买 BI 工具再治理口径,工具只是把错误口径展示得更漂亮;
- 指标由数据团队单方面定义,业务不认账,最终回到线下对数;
- 数仓按部门建集市,物理集中、逻辑依旧孤岛;
- 只做报表不做数据服务,取数仍然靠人;
- 数据质量靠人工抽查,没有规则、告警与责任闭环。