基于成本控制場景的數據中臺構建

閆彩霞 王記剛 劉穎

摘要：國家對數字化轉型大力支持，數據中臺是企業數字化轉型的戰略選擇。為了研究數字管理，將數據中臺技術建設和場景應用結合探討。分析了數據中臺關鍵技術，為數據中臺選型提供了依據，數據中臺架構為數據中臺構建提供了模型。結合供應鏈成本控制場景，數據中臺將企業的運營數據和管理數據靈活運用，全領域、全過程進行成本控制，展現出數據中臺的應用價值。

關鍵詞：數字化;數據中臺;大數據;數字管理;成本控制

中圖分類號：TP311? ? ? 文獻標識碼：A

文章編號：1009-3044（2021）23-0018-03

1 引言

數字化是指在新一代數字科技支撐和引領下，以數據為關鍵要素，以價值釋放為核心，以數據賦能為主線，對產業鏈上下游的全要素進行數字化升級、轉型和再造的過程[1]。國家信息中心單志廣表示，推進數字化轉型，是眾多企業特別是大多數中小微企業的需要[2]。世界各國都已經或者正在緊鑼密鼓地從戰略上布局產業數字化轉型，2020年以來，我國實施了很多促進數字化轉型的政策。2020年5月13日，國家發展改革委聯合17個部門以及互聯網平臺、行業龍頭企業、金融機構、科研院所、行業協會等145家單位，共同啟動“數字化轉型伙伴行動（2020）”[3]。2020年5月30日，新華社對外發布《關于2019年國民經濟和社會發展計劃執行情況與2020年國民經濟和社會發展計劃草案的報告》[4]，報告中談到了2020年發展數字經濟的八項舉措。雖然我國數字化產業前景明朗，國家也大力支持，但企業實現數字化轉型并非一帆風順。2020年9月，埃森哲與國家工業信息安全發展研究中心合作發布的《2020中國企業數字轉型指數研究》顯示，只有11%的中國企業數字化投入已轉化為績效。數字化轉型之路曲折并非中國特例，如學者指出的，全球企業的數字化轉型實踐都急需具備現實洞察力和戰略導向的系統性理論框架來指導[5]-[6]。有學者指出，基于大數據分析的科研，一定要注意：當技術發展的速度非常快時，科研是否能跟上技術發展的腳步[5]。因此基于一定的業務場景、結合信息技術相關的數字化轉型研究可以助力企業數字化轉型邁上新臺階。

隨著信息技術的發展，各企業根據業務需要配置了各種信息化系統，系統中積累了大量的數據。各信息化系統和數據大多獨立建設，數據標準和接口標準不一致。各信息化系統中的數據就像一個個孤立的島嶼一樣，存儲在數據庫中。如何針對某個特定業務場景從龐大的數據中篩選出精致有效的信息并構建個性化的數據處理系統，將這些信息處理成有價值的數據為企業服務，是CIO面臨的一大挑戰，也是企業數字化轉型升級的關鍵。

目前國內外企業信息化管理數字化研究大都處在業務研究層面，也就是根據信息系統的各個業務模塊如財務、采購、銷售、制造、人事管理等做業務層面的研究，研究者通常是各業務相關的專家，而不是信息技術方向的研究者，缺乏與技術的融合和落地實現。如財務會計方向，有學者提出共享服務是財務數字化轉型的開始，為財務數字化轉型提供了數據基礎，運用管理會計工具，將數據作為決策的信息支撐[7]，但是未提及如何通過信息技術實現。有學者提出數據中臺為財務數字化轉型提速[8]，列出了財務數字化轉型的流程框架，但是未體現場景案例與技術落地實現的結合。采購、銷售方向，通常研究的是線上銷售、移動支付相關。其他方向也鮮有將信息化管理業務數據與技術融合的研究。

2 數據中臺助力企業數字化轉型

企業數字化轉型的主要路徑是業務數據化和數據業務化。阿里巴巴提出了數據中臺的概念，企業可以利用大數據技術，對海量數據統一進行采集、加工、計算、存儲，通過前期的設計形成統一的數據標準、計算口徑，統一保障數據質量面向數據分析場景構建數據模型，讓通用計算和數據能沉淀并能復用，提升計算效能[9]。數據中臺是一套可持續地讓數據用起來的機制，依據企業特有的業務模式，構建一套把數據轉變為資產并為業務服務的機制。數據中臺是企業數字化轉型的一種戰略選擇。2019年是數據中臺的元年[10]。

建設數據中臺的目的是為企業帶來降本增效。數據中臺的建設要以價值為基礎，不能一下子建大而全的中臺，要基于小數據理念構建數據中臺[11]。數據中臺作為企業級數據應用難題的解決方案，指向企業的應用場景，因此建設數據中臺時，要依托于合適的數據分析場景，首先選擇高價值的小場景，再逐步擴散到全景圖。企業的管理目標是通過綜合利用管理信息、靈活運用現代科技，推動企業實現戰略管理目標，從而在長期經營活動中取得競爭優勢，實現企業價值的最大化。在企業的發展戰略中，成本控制處于非常重要的地位。企業供應鏈成本控制是一個高價值的數據應用場景，涉及研發、采購、銷售、庫存、物流等環節，用數據思維的理念從中選擇最有數據分析價值的場景，理清數據可以服務業務的價值。

3 數據中臺關鍵技術分析

建設數據中臺要以技術為基礎支撐，就像是骨架撐起整個數據中臺。數據中臺不等同于大數據平臺，又依托于大數據平臺。數據中臺建設的關鍵技術分為大數據存儲計算技術和數據中臺工具技術。

3.1 大數據存儲計算技術分析

大數據存儲計算技術相對技術難度比較大，企業只要選擇合適的開源技術即可，無需自己建設。大數據存儲計算技術主要用來解決兩個問題，一是大數據的存儲管理，二是大數據的分析。

數據存儲管理技術涉及關系型數據庫、NoSQL數據庫（非關系型數據庫）、NewSQL數據庫。關系型數據庫無論是在傳統數據存儲還是大數據應用中都占據著重要地位，常見數據庫有Oracle、MySQL、SQL Server等，MySQL由于其開源特性深受用戶歡迎。根據全球較為權威的DB-Engines公布的數據庫統計排名，截至2020年12月，排名前六位的數據庫，僅有排名第五的MongoDB是非關系型數據庫，其余全部是關系型數據庫，且前3位所占有的比重遠領先于其他數據庫[12]。隨著互聯網Web2.0的興起，傳統的關系型數據庫在處理超大規模和高并發事務時顯得力不從心，促進了非關系數據庫NoSQL的產生和發展，NoSQL的目的是“Not Only SQL”，是在SQL之外的附加選擇。NoSQL不保證原子性、一致性、隔離性和持久性，同時其高性能、易擴展、分布式架構等特點使得NoSQL可以支持大規模、高并發、海量數據存儲業務。NoSQL數據庫種類有以Redis、Memcached為代表的鍵值數據庫、以Cassandra、HBase為代表的列存儲數據庫、以MongoDB、CouchDB為代表的文檔型數據庫、以Neo4J，InfoGrid，Infinite Graph為代表的圖數據庫等。NewSQL 是對各種新的可擴展、高性能數據庫的簡稱，可以存儲管理海量數據，保持傳統數據庫ACID事務特性，保留SQL作為查詢語言。對于傳統的結構化數據存儲和管理，可以使用關系型數據庫系統。對于不僅需要存儲大量半結構化和非結構化數據，還要存儲少量結構化數據的場景，同時要支持對不同類型的數據內容檢索、數據交叉比對、對數據做深度挖掘以及綜合分析，傳統關系型數據庫難以支撐。因此，可以選擇傳統關系型數據庫、非關系型數據庫NoSQL與NewSQL 并存使用。