接触过一家做建材的企业老板三年前就提了数据驱动决策的口号为此上了BI系统、建了数据仓库、招了两个数据分析师。三年过去了经营会上还是各说各的决策还是拍脑袋。老板很困惑我数据都上了系统了为什么还是驱动不了决策这个问题不是个例。很多企业把数据驱动决策理解成把数据放到系统里觉得上了BI、建了数仓就万事大吉。但数据驱动决策的核心不是有数据是数据能被理解、能被信任、能被及时调用。这三件事传统BI和数据仓库解决不了。## 一、数据有了但为什么还是驱动不了决策向量空间JBoltAI 在和企业接触的过程中发现数据驱动决策落地失败通常卡在三个地方。第一口径不统一。同一个指标不同部门算出来的数字不一样。销售说上个月营收五千万财务说四千二百万生产说出货四千八百万。三个数字都对只是口径不同销售看合同额、财务看开票额、生产看出库额。老板看到三个数字不知道该信哪个最后还是凭经验拍。第二时效太慢。据Gartner的研究企业高管做决策时如果能在一小时内拿到数据支持决策质量会提升40%以上。但现实是很多企业的高管要等下面的人花三五天准备报表等报表上来市场早就变了。决策讲究时效滞后的数据等于没有数据。第三看不懂。数据分析师做出的报表越来越精美图表越来越多但老板要看的是结论哪个指标出了问题、影响了哪个业务、下一步该动谁。报表给的是一堆数字和趋势线结论还是要老板自己猜。向量空间JBoltAI 做本体语义平台产品化的时候第一个要解决的就是这三件事统一口径、实时取数、结论呈现。## 二、本体语义平台怎么统一口径口径不统一的根源不在人在系统。企业的数据分散在ERP、财务、CRM、MES、WMS等十几个系统里每个系统对同一个业务概念的定义都不一样。举个例子。同样是客户回款ERP里的回款是按合同节点记录的财务系统里的回款是按银行到账记录的两个数字差几天到两周。老板问某客户回款了多少没人能立刻给出一个准确数字因为回款这个概念在两个系统里的含义就不一样。本体语义平台做的事情是在所有系统之上建一层语义模型。这层模型把每个系统里的字段映射到统一的业务概念上ERP的回款映射到合同回款财务的回款映射到到账回款。然后在语义层定义统一的客户回款口径以到账为准合同节点作为参考。向量空间JBoltAI 在做这套语义建模的时候用的是AI辅助加人工确认的方式。AI扫描全部系统的字段推断字段含义和关联关系标注置信度。高置信度的自动映射低置信度的拿给业务人员确认。一个中型企业几万张表的字段真正需要人工确认的关键字段通常几百个一两天过完。口径统一之后所有人查到的数字都是同一个口径不会再出现三个部门三个数字的情况。数据驱动决策的第一步就立住了。## 三、实时取数从等三天到问一句话口径统一之后第二个要解决的是时效。传统模式下老板要数据流程是这样的跟下面的人说要什么数据下面的人去找IT部门提需求IT部门写SQL从数据库拉数据做成报表层层审批后发出来。快的话两三天慢的话一周。向量空间JBoltAI 的本体语义平台做的是让老板直接问、系统直接答。老板用语音或者文字问一句话华南区上个月销售额多少三号线良率达标没有某供应商交期表现怎么样。平台接到问题后先做语义解析理解老板到底想问什么然后从对应的系统实时取数用老板能理解的语言回复。这背后跑的是本体语义平台的跨系统查询能力。平台知道销售额这个指标需要从ERP取合同数据、从财务取开票数据按统一定义合并计算。整个过程在几秒内完成不需要人去写SQL、拉数据、做报表。据中国信通院的数据企业信息化建设投入中数据查询和报表制作占了IT部门工作量的40%左右。如果这部分能被平台自动化IT部门就能把精力放到更有价值的事情上。## 四、从数据到结论异常主动暴露第三个问题是看不懂。报表给的是数字老板要的是结论。向量空间JBoltAI 在本体语义平台产品化的时候设计了一个异常主动暴露的机制。平台不只是被动地等老板来问而是主动监控所有系统的关键指标。一旦某个指标偏离正常范围平台自动推送预警。比如某条产线的良率连续三天下降、某个重点客户的回款逾期超过两周、某批物料的采购价比历史均价高出20%。这些异常不需要等下面的人汇报系统主动告诉老板这里出了问题建议关注。老板收到预警后可以追问这个异常是什么时候开始的、关联了哪些业务、影响了多少金额。平台通过本体语义模型的关联关系自动把异常指标和相关的业务数据串联起来给出一个有数据支撑的判断。这种从被动查数据到主动暴露问题的转变是数据驱动决策的核心。老板不需要天天盯着数据看系统帮他把该关注的都筛出来了。## 五、数据驱动决策需要什么样的底座讲到这里回到最初的问题企业上了BI、建了数仓为什么还是驱动不了决策因为BI和数据仓库解决的是数据汇聚和展示没解决数据理解和口径统一。数据从各个系统搬过来放在一起如果没有在语义层做统一还是各说各话。老板看了一堆图表还是不知道该信哪个数字。向量空间JBoltAI 的本体语义平台做的是在数据仓库之上再加一层语义层。这一层理解每个字段在业务上代表什么、不同系统的字段怎么关联、同一个指标在不同场景下该用什么口径。有了这层底座数据才能真正被理解、被信任、被及时调用。数据驱动决策不是一个系统、一个工具能解决的是一套从数据治理到语义理解到分析呈现的完整能力。向量空间JBoltAI 在本体语义平台产品化这条路上做的就是把这整套能力做成企业老板能直接用起来的产品。喊了三年的口号落不了地不是因为数据不够多是缺了让数据变成决策的最后一层语义桥梁。