ZD至顶网软件频道消息:当今时代,“数据是财富”这句话频频被越来越多的企业所提及,只不过你重视数据,不意味着你就能轻而易举地把数据变成财富。因为这其中既需要好的机制保障,更需要好用的数据分析工具。
不久前ZD至顶网记者采访了联想集团数据分析总监张晓燕,了解联想这家年营业额达到460 亿美元、全球员工数约60,000名、拥有五个大区和四大业务集团的企业,是怎么玩儿转BI的。希望联想的经验,能够给其他企业以启发和借鉴。
由表及里地谈,优秀的团队和机制是实现有效数据转化的前提。纵观当下人才市场,好的数据分析人才凤毛麟角,更别提数据科学家了,那绝对是可遇不可求。在这样的情况下,联想建立了数据分析团队,寻找精通业务和IT的优秀数据分析人才,来掌舵联想的数据分析业务。
这个团队有60-70人,大约一半是底层数据仓库团队,另一半就是张晓燕所负责的数据分析团队了,这个团队按照联想五个区域,三大业务线,以及公司级职能业务进行了明确划分。以张晓燕自己来说,有超过10年的业务经验,在联想销售、市场、渠道、业务运营、产品运营等多个部门工作过。
在张晓燕的团队里,需要的是既懂技术又懂业务的人才,能够把业务部门的需求经过消化吸收后变为行动方案,然后用技术人员明白的方式将需求转为IT方案,再进行开发、交付。
对于联想来说,CIO function的数据分析团队支持公司所有数据分析需求, 各业务端就是联想数据分析团队的内部客户,在各业务端包括业务集团和全球各大区域,都有业务端数据分析的接口,这个机制保证了联想集团整体数据分析的协同, 交付和业务驱动。
工欲善其事,必先利其器。有了优秀的团队和机制,更需要有好用的数据分析工具 ,才能真正将纷繁的数据转化为强大的生产力。
其实对于联想这样体量的公司来说,其数据分析业务是很复杂的。五个大区管理着全球市场,三大业务集团又横跨大区进行管理。所以无论是区域层面还是业务层面,都有大量的 BI 分析需求用来辅助管理决策。
此外,作为一个制造型企业,联想的端到端业务链和价值链都比较长,也比较复杂,而复杂不仅仅体现在数据量上,同时也体现在数据逻辑上。对此张晓燕举例:联想的一个E2E BI需求,有可能会涉及十几个系统的几十张源表。
面对市场变化越来越快,联想对于BI需求也越来越高,之前一直使用的平台在分析效率和效果上不适应公司的要求,他们开始寻找更有效的BI工具,选择标准包括:性能、灵活性、易用性、分析功能、售后支持;另外这个BI工具不能太乱、不能对管理带来影响;此外,联想需要寻找一家品牌过硬的国际化厂商,以适应联想业务遍及全球的特点。经过半年左右的考量,联想最终选择了Qlik作为主要BI 工具之一。
联想看中Qlik的最重要一点,是Qlik的下钻分析能力。根据想设计的维度,可以设计到7、8层或者是10层,不停的设计进去,然后不停的下钻分析。此外,产品的易用性和灵活性非常高,联想提出数据分析需求的部门基本上一周之内就可以学会使用;其次,海量数据快速处理能力强大,数据反馈问题所在的响应时间在几秒钟;另外,Qlik产品可以对接几乎所有底层平台,这一点对于业务和分支结构遍布全球的联想来说非常适用。
以库存管理分析为例,库存管理的好坏,关系到产品推向市场后对销售、利润的影响。在做库存管理分析的时候,联想会把关联度维度设计得非常多,包括:库存在哪些区域最多;在那些区域里,哪些国家最多;在那些国家里,哪些产品线最多;在那个产品线里,哪款产品库存最高。库存会有超过60天、超过30天不同标准,这样就可以知道哪个产品线、在哪些区域、哪些国家卖得特别好,哪些国家卖得特别不好。经过对库存的下钻分析得出结论,用以考量定价策略是否合适、产品质量是否有问题。
在采用Qlik Sense之后,联想可以在几秒钟之内看到问题所在;可视化界面只需要点几下鼠标就能够看到问题所在。这种效率反馈到财务报表上,就是成本的极大节省。
看来,如何玩转BI,联想已经拥有了自己的“通关宝典”,那就是优秀的团队加上举重若轻、大道至简的Qlik可视化分析平台。那么你还在犹豫什么?
好文章,需要你的鼓励
在我们的日常生活中,睡眠的重要性不言而喻。一个晚上没睡好,第二天的工作效率就会大打折扣,而充足的睡眠不仅能让我们恢复精力,还能帮助大脑整理和巩固当天学到的知识。有趣的是,AI模型竟然也表现出了类似的“睡眠需求”。
DeepSeek-AI团队通过创新的软硬件协同设计,仅用2048张GPU训练出性能卓越的DeepSeek-V3大语言模型,挑战了AI训练需要海量资源的传统观念。该研究采用多头潜在注意力、专家混合架构、FP8低精度训练等技术,大幅提升内存效率和计算性能,为AI技术的民主化和可持续发展提供了新思路。
尽管模型上下文协议(MCP)自11月推出以来用户数量快速增长,但金融机构等监管行业仍保持谨慎态度。银行等金融服务公司虽然在机器学习和算法方面是先驱,但对于MCP和Agent2Agent(A2A)系统的采用较为保守。监管企业通常只使用内部代理,因为其API集成需要经过多年审查以确保合规性和安全性。专家指出,MCP缺乏基本构建块,特别是在互操作性、通信标准、身份验证和审计跟踪方面。金融机构需要确保代理能够进行"了解您的客户"验证,并具备可验证的身份识别能力。
加拿大女王大学研究团队首次系统评估了大型视频语言模型的因果推理能力,发现即使最先进的AI在理解视频中事件因果关系方面表现极差,大多数模型准确率甚至低于随机猜测。研究创建了全球首个视频因果推理基准VCRBench,并提出了识别-推理分解法(RRD),通过任务分解显著提升了AI性能,最高改善幅度达25.2%。