8月10日下午，亿欧B2B子栏目在上海举办了“数据赋能—企业数据应用之道”垂直沙龙，观远数据创始人苏春园、戈壁创投管理合伙人朱璘、帆软软件联创陈炎、驻云科技创始人蒋烁淼、Chinapex创略创始人Jimmy Hu、驿氪创始人闵捷、奥凯大宗创始人白睿均有到场分享其对于数据服务市场的演变和理解。
以下是圆桌嘉宾的演讲速记，经亿欧整理编辑，供行业内人士参考。
注：参与圆桌讨论的嘉宾有观远数据创始人苏春园、戈壁创投管理合伙人朱璘、驻云科技创始人蒋烁淼、Chinapex创略创始人Jimmy Hu、奥凯大宗创始人白睿，主持人为亿欧B2B频道副主编黄志磊。
主持人：刚刚我们聊了很多关于数据分析的方法。但是俗话说，医者不能自医，你们自己在数据分析当中是服务方，那你们自己企业内又是怎么做数据分析的？会用哪些数据分析方法？
白睿：奥凯大宗做垂直行业，塑料化工行业大约有两三万亿的市场空间，存量的客户群体大概有三四十万家，我们所有的客户都是B2B类型客户，没有B2C客户，B2C客户可能会更感性一点，但B类客户是很理性的，它们对数据价值获取和数据准确度要求的会更高。我们的数据分析主要分为三个过程：
第一步，通过平台交易我们产生了大量的数据，同时运用大数据技术采集和整合行业内现有的数据资源，对所获取的数据，一方面为我们的交易做决策，另一方加工成数据产品，服务行业内从业人员。
第二步，我们在一些业务的核心流程上应用数据进行模型。这些建模与其它行业不太一样，比如我们前几天所建的风控模型——它是多维度的用户场景模拟，以风控为核心点，把相关业务方全部考虑进来，包括供给方，仓储和物流等。整个模型都是动态的，它要去动态的平衡每个订单经过每个节点流的时候，盈利和风险比例系大小，从而使我们在风险可控的前提下，实现利润最大化。
第三步，我们会在一些可应用的场景实现数据变现。比如最近仓储的定价策略，物流的价格指数。大家都知道物流的波动频率很低的，但是它会随着季节和节假日的变化。对于我们整个区域来讲，区域内各块的运营时常会出于不平衡状态。这时候我们通过数据分析，生产一个可控的产品，帮助客户更好地达成交易。
苏春园：观远数据提供新一代的一站式商业智能产品，过去10年我们都在帮助企业做经营决策方面的数据分析，也正好自己也有这方面的一些经验。第一个例子，在做观远数据之前，我是一家全球主要商业智能公司中国区的研发总裁，团队有三百多人。每天每个工程师都要写大量的代码，经过持续测试看有没有缺陷。
所有这些会被记录下来，然后被分析，做实时的预警，我在周一就会收到报告，哪几个产品，哪几个团队的哪些代码老是出问题，主要因为什么原因导致，以后又该如何提升。第二个例子，每次在做产品发布的时候，我们会做全球范围内的全员测试（All-hands test）。财务部的同事做财务分析，市场端、销售端、产品研发部门，乃至CXO，每个人都会作为终端用户去建立自己的分析，跑完了24小时的测试，最后检查有没有问题，如果有问题的话，即刻解决。
蒋烁淼：驻云科技会自己构建一个平台，我们很多的业务都发生在线下而不是线上，但线下业务很难数字化，因此对于我们来说，最重要的是如何把线下发生的事情线上化，这个过程中我们会用到大量数据工具，我们选择数据工具的方式是，在数据产生的一瞬间就直接对应数据的意义，因此我们在做用户的时候，用了一个很特殊的数据库——持续数据库。我们发现整个系统其实不需要数据清洗、数据脱敏和数据抽取，因为业务模式已经决定了数据的最终结果。
我们会给每一个服务人员都进行数据画像。我们在服务过程中，会根据员工的评价，当前工作的负载，自动生成一个数据评价体系。事实上，在我们公司很难实现所谓的滥竽充数，因为就算他很会讲PPT，但是没有工作能力的支撑还是不行。另外还有一个衡量标准，就是每一个公司数据化决策的能力。
Jimmy：创略中国具体还是靠数据化营销，我们的数据产品自己也用。一方面，实时的行为数据，用可视化进行分析与展示，我们在产品里面，有个ID匹配，打通他们部门，打通后进行360度画像，接下来有客户分析，事件分析，客户分层等等。这个AI模型我们自己不用，但是我们有一些客户，比如金融客户，基本上都会涉及到基础组合、深度学习的一些模型，是直接给他按照应用场景来调的。说这个就是预测客户流失率或者是客户生命周期价值，最终他们应用到各种生命周期和营销个性化的方面。
主持人：这边问一下朱总，如果你看企业，会看企业经营哪方面数据呢？
朱璘：从AI也好，大数据也罢，其实本质上它是工具，我更关心的是他们对于工具使用的意识和使用的方式方法，业务的数据化和产生数据的质量，特别是当AI工具成立之后，应用的效率会得到很大的提升。
举个例子，比如我们看到很多的传统行业，比如途牛，传统旅游，它们哪一些业务要进行数据化？数据化到什么程度？为什么数据化？这个是蛮重要的。所以我觉得你打算怎么做，做到什么程度，这个是我非常关心的。赚多少钱利润多少，都不是最关键的。关键的是数据源，这个对业务提升上是有帮助的。
其实说到这个，VC对于这个关注比较低的，毕竟还有很多主观因素在里面。但是对冲基金，现在基本上华尔街都拥有自己的数据模型，基金经理的价值越来越低，因为交易的品种就是数据，你跟CEO沟通的，判断的素材都是数据，如果这样的话，人相对于机器没有任何优势，除非有很多主观因素在里面。
主持人：数据服务中我们遇到过哪些坑？在教育客户上是否会改变客户想法？
朱璘：客户想法没有对和错的，更多的是客户需求在这边，行业发展在那边，你在现金和未来之间怎么做平衡。我不能把公司所有的钱都拿去赚快钱，我没有研发没有未来。但也不能说我就是要等到那一天我才有饭吃。
Jimmy：从一个客户的模型应用的话，可能会碰到一些不匹配的应用场景。但是在这个领域里面，我们有自己的做法，不是他需要什么就帮他做什么。而是说如果他有这个特殊需求，如果是在我产品里面的环节，我可能就会把优先级提高一点，但是不会为他定制化的。
蒋烁淼：我再补充一句，我不支持私有云，不支持数据清洗，更不支持BI。但是如果客户有需求，我还是会卖给他。我现在有两种不同的心态，一种是我会用自己的理念观点去打动对方的董事长、CEO，但也会有客户就是要上个BI，要有这个预算，我干吗不做呢？包括今天我刚刚看了一个很大型的超商，花了很多钱上了一套SAP的ERP系统，但现在只有财务模块用起来了，其他模块都用不起来。企业服务商要真正地为客户考虑，就像马老师说的，不能把梳子卖给和尚。你要为客户考虑，也要考虑自己的利益平衡。但客户不一定是真的不懂，他也许现在真的需要那些现实的东西，我们就要把他需要的东西卖给他。
苏春园：第一个是客户的预期管理与沟通，在认知上有些潜在误区很正常，包括我们服务过的大量全球与中国的五百强客户，都会经常碰到一个问题，客户希望用了BI之后，决策可以更智能，这个不是不可能，但前提是需要先有足够的投入做好基础工作。比如我们现在做的智能化的数据分析，会需要客户能够在数据对接、数据准备以及数据分析场景构建上面有足够的认知与投入，而不是只想看到分析决策的那一刻。只有前面80%的工作最扎实了，最后20%的决策才能容易，当然，我们观远数据也针对性的提供了一系列的产品，使得前面80%的工作可以非常的高效和容易。
第二个是关于如何有节奏的推进，之前我们碰到不少客户希望一步进入到“企业级”数据分析，成为全员数据驱动的2.0公司，业务部门都调动起来，给足预算和优先级，一次性大量人力物力的投入，但几个月之后，就发现其实不是那么回事了。以我们的经验，在今天去构建数据分析能力，我们尤其推崇互联网式的迭代，先实现quick-win（速赢），然后再根据业务快速延展。从某一个或一类业务场景、从某一类具体的角色或部门、某一个或几个具体的业务问题入手，快速构建分析，再进一步延展和迭代，最后自然而然的构建了整个企业级的分析决策体系。而观远数据从产品上也是基于这个思路，让企业非常容易和快速的看到数据的价值，然后再往纵深拉动到更多场景。
白睿：我在公司内部有两个原则，第一个是如果数据能帮助我决策，在我的交易里面能产生收益，那我就自己用。第二个如果这个数据能生成数据化产品，能够变现，那我就卖给客户。总之，这个东西我不会白做。因为说实话，B2B行业可以说是非常非常低端，需要我们向市场推出更多的工具化产品，所以我们是按照客户今天的需求，不会超出客户的需求，明天他要什么我再帮他做，我不会做超前市场的产品。
我们母公司是远大集团，远大2007年进入大宗交易。当时它就是找了一个大宗交易所当学徒工，帮它搭建了整个体系，他在去年收购了一家专门做技术的数据公司，叫小远科技。现在它利用系统和量化工具，做“期”、“现”结合业务，它的业务基本上90%的利润来自于它的商品市场，这就是它比传统的贸易企业先进之处，这个就是数据的魅力。
我现在能告诉客户的是，我能给你一些数据化工具，你可以做一些期现的操作，比如说跨期、跨品种、跨区域的，我们可以给他提供一些简单的推荐，比如PP、PE。其实聚烯烃和丙烯中间是有价值差的，长时间来看，价格是围绕价值波动的，当所谓的内八角或者外八角出来的时候，它一定有买或者是卖的机会的。这时候从曲线图上来看，期和现是有价值差的，里面有一系列的成本可以计算。我们做了一个工具，把期现货时间差的仓储、资金占用成本都计算出来，这样用户就一目了然的从我们工具化的曲线图产品中发现套利机会。
主持人：数据分析创新价值还有哪些值得挖掘？
白睿：在我们这个领域，谈不上创新，所有的挖掘点，其实已经全部在做了。这个里面，我们的数据点可能有几百个，甚至更多，现在B2B行业在不停的做一件事情，把不同的数据之间的相关性找出来，然后这些相关性到底对业务会产生什么样的影响，这些相关性会导致客户的行为发生哪些变化，全部找出来，理清楚。基于此我们不断的筛选分析，我们发现传统贸易交易效率低，可能会与我们的交易效率差一个时代，也就是说我们至少能提升传统贸易的效率，不说十倍级，至少五倍级，在这个领域B2B就有足够的优势打败对手。
B2B用户画像背后其实是不太一样的，没有一个交易行为一模一样的用户，它总是会有一些差别的。找出那些细节的东西，是很重要的，我觉得在这个方向，我们会做一些尝试、创新和优化。
苏春园：很好的问题，有很多点可以聊。以我们观远团队之前服务过的星巴克咖啡、KFC等品牌为例，在未来我们想象下，是否可以通过数据分析解决这样一个业务场景？比如当温度超过35度以上，这个的天气数据现在都很准确提前可以拿到，根据某个门店所处的区域、各个产品线SKU的过往销售情况，如果是周末时，天气超过这样一个温度，它哪些冰饮产品在销售趋势上会有哪一些显著上升的特征，再结合具体库存情况，就比较容易能得出应对的决策建议，这个不可能100%准确，但商业上其实也不需要100%准确。
如果可以将库存脱销优化提升1%，那么对于星巴克全球来说，这就是很大的商业提升。而这个问题是传统商业智能没有解决好的问题，但在未来我们可以看到新一代的智能分析将往这个趋势去发展。这也是我们观远数据在做的很多创新，原来是商业智能1.0，未来的5-10年我们觉得商业智能将会是真正的智能。
蒋烁淼：我顺着这个例子说，与外婆家创始人吴国平聊过，他说有一件事情的转变对餐饮行业有重大的影响，就是整个供应链从线性转变成网状，当供应链有足够的弹性和能力的时候，数据自然而然就会有优化菜品的过程。否则比如说豆子，仓库仓储本身没有优化，豆子放在仓库跟店铺有什么区别呢？就是减少一些物流流程罢了。所以在我看来未来一定要做智能化的商业决策，深度学习背后的本质有个核心要破解的东西，每个行业要解决的问题，整个行业最垂直要解决的问题，就是向量化。
我们今天做的事情是调度服务工程师，还是用数据权重，数据积累不够。比如我认为这个人比较资深，权重高，这个人不资深，权重低，谁说的呢？说不定刚刚毕业的毕业生更牛。所以说未来我们把每个人的能力值变成向量表示，最后去训练，训练的结果是让机器进行用人调度，回过头来，就能更精准的找到能解决问题的人，系统通过向量化分析，然后通过神经网络训练，最终产生结果。
这个话题再引申，我们今天做的事情，不要线性地从数据出发，如果今天这个事情能解决，为什么要用数据？如果我们这个数据能够更好地帮助解决问题，那就用数据优化，要从这个点出发思考问题。
Jimmy：比较实际一点，最近在看的数据洞察。举个实际例子，一个客户，中国人寿，它有很多本地数据，有另外一部分，是呼叫中心的，目前用科大讯飞变成文字的，但是这些文本没有变成公司业务的“洞察力”，我们的创新方式是用开源框架去解决洞察力的问题。
朱璘：我说说挑战吧，我觉得机会大家都看得到，挑战在几个方面，以中国数据商业现状来看，产品化是个大问题，最大的麻烦点在于服务项目太多，我觉得大家招人方面还是很痛苦的。原来没有大数据工具，可能要雇十个人，现在要雇六个人，但依旧是重投入的运营体系跟框架。
这个问题的原因主要还是客户的需求，客户在行业里面，数据的不规范、不干净、不结构化，当然这对于数据分析企业也是一个机会，因为这样企业服务公司才会去做，这是很大的挑战，如果谁能解决这个问题的话，会是很大的机遇。
第二个还是行业垂直价值，在座各位都有自己垂直行业性，在自己的行业里面深挖，才能把产品化问题解决，商业价值得依赖于主要产品。目前戈壁资本看数据分析的项目，现阶段我觉得要投资还得看团队，因为有一些实际的问题确实是解决不了的，比如客户对于定制化的需求，不是想改就改的，更多的是团队对数据服务的理解，当业务和产品体系都成熟之后，才会是投资判断的节点。
