来伊份，“主板零食第一股”，2002 年创立于上海，3600+门店遍布全国百余座大中城市，成为 7 亿人次的零食首选品牌。旗下嗨吃无骨、伊天益袋、等近千款零食，深受消费者青睐与厚爱。2020 年以来，公司聚焦新鲜零食战略，以全新品类在消费者心目中建立起“新鲜零食=来伊份”的认知价值。同时，来伊份与全球合作伙伴携手，不断回馈消费者、员工、投资者和社会，持续推进建设生活生态大平台企业愿景的实现。
2018年，来伊份与观远数据合作，引入观远BI推动公司数据建设，并在此后五年多的持续合作中，不断携手升级企业BI能力，赋能业务，融合创新，共同打造行业数字化运营最佳实践。
本期「数智大咖观」整理其分享精华，以期为更多关注BI能力建设的企业提供价值参考。
01
来伊份的BI建设历程是怎样的？
来伊份的BI建设历程经过了四个阶段：
• 摸索期（2018年以前）
2018年以前，来伊份一直是基于此前引进的某国外厂商的系统进行报表开发及可视化，但这些报表基本上都是服务于管理层或财务。此外，由于是国外厂商，该系统的顾问市场上较稀缺，导致我们报表开发成本较高，且周期较长，在可视化方面的效果也较差。所以当时公司对这些方面有些不满意，我们也在摸索着更好的产品来进行升级。
• 引入期（2019年-2021年）
2018年下半年我们开始与观远数据合作，首先引进了观远BI报表与可视化方面的能力。2019年来伊份成立了科技公司，并开始进行内部自研，将过去系统的功能逐渐迁移到自己的三大中台，其中包括自建数据中台。在这个过程里，我们主要是基于引入的观远BI做可视化分析，但BI的服务对象主要还是管理层、财务、数据分析师，开发者也还是以IT人员为主。而自建的数据中台分层体系当时还不完善，所以有时为了满足业务的报表需求，还需要用类似手工报表一样直接从ODS层做一些开发。
• 稳定期（2021年-2022年）
2021年，我们开始推进数据治理和数据建模，针对整个经营分析体系重新建模，解决了之前中台不完善带来的一些问题的同时，也更加贴近一线业务需求。这一时期也是我们整个BI用户的爆发期，公司内观远BI的月活快速突破了2000，一线门店的店长及业务人员都开始用BI，让月活快速上升。
• 变革期（2023年开始）
2023年我们开始更多的结合业务一起做数据洞察，并融合AI技术来解决业务痛点，以及推动PDCA闭环管理，进一步探索数据产品的量化价值。
02
BI建设过程中踩过哪些“坑”？
其一，外采系统多，主数据不规范且零散。
我们自建数据中台的原因一方面是真正有大数据，另一方面就是我们的外采系统特别多，在最高峰时有近60多套系统，其中有自建的中台，也有外采系统。带来的问题其一是系统难打通，其二就是主数据不规范且零散。我们通过主数据系统的建立、优化，接入数据中台解决了这个问题。
其二，手工报表，缺少分层，导致多段展示对不上；数据开发与数据分析师定位的模糊。
前面有讲在一个阶段我们为了满足业务需求，需要用类似手工报表一样直接从ODS层做报表开发，导致我们自己的产品有时A端显示的数据和B端显示的数据对不上。此外在数据分析与开发方面，由于我们早期数据分析是在大数据团队里，但中间组织架构变革，数据分析被统一到经营分析团队了，之后被分到各个业务系统里去了，导致很多数据开发与数据分析师的定位模糊。
针对这个问题我们做了一些流程规范。其一是整个数据开发团队更多的是做底层数据建模的完善，确保多端数据的一致性。其二是将更多的分析工作变成业务分析师去做，这里面会涉及到数据权限的问题，如果权限控制不严，整个ETL加工的链路就会特别长，但基于观远BI灵活的数据权限管控以及便捷的智能ETL，这个问题得到了控制，并且保障了数据来源的准确性。
其三，指标定义满天飞，同名不同义。
我们之前有碰到仅仅一个库存金额，在不同团队里居然有三种口径的情况，有人用成本算，有人用销售算，每个人都有一套自己的解释方法。这导致领导接受汇报时有时听到的金额很小有时听到的又很大，需要做决策时不知道哪个数据是准的。其实每个人的数据都是准确的，只是口径不同。特别是我们将数据分析师下放到业务部门后，这类问题更多。所以之后我们重新进行了指标体系的梳理，统一口径，上线指标管理平台，来解决这个问题。
其四，上游数据生产方的冷漠。
这其实是与上游数据生产方需要拉通的表现，例如上游系统表结构变了，或者一些字段含义变了，没有与大数据团队拉通，导致底层模型数据可能会不准确，数据就会出问题。为了避免此类事情，我们进行了数据字典与数据规范的拉通，并通过各种bad case，反推上游的优化。
03
来伊份进行了哪些数据价值化实践？
我们开始做数据中台的时候，目标就是“沉淀数据资产，为业务目标服务，创造价值”。其中实践包括：
• 其一，最早期给管理层做的驾驶舱，帮助他们进行销售业绩监控、会员分析、仓储物流监控等；
• 其二，为了减轻开发的工作量，让数据分析师参与进来，我们用观远BI和自己的开源组件做了一个自助分析工具，实现业务部门自定义报表、数据分析师专题分析等，帮助业务分析师做一些自助分析的工作；
• 其三，统一数据服务，方便我们的生产系统、业务系统进行数据查询；
• 最后，智能化决策，融合AI技术，进行了如门店选址、智能选品、预测补货等实践。
更具体呈现上，一个是我们为业务做的「门店经营助手」。2019年，观远数据帮助我们做出了这个工具的1.0版本，周活跃率实现了30%左右，迈出了我们走近业务的第一步。之后我们基于1.0版本进行升级，通过与门店管理端的访谈，了解门店经营业务的真正需求，进行迭代升级，让这个工具能够更进一步真正为业务创造价值。
升级之后的2.0版本周活跃率目前达到了60%，用户普遍反馈使用体验很好。例如在一次周会上，一位销售TOP的店长介绍经验时就提到，每天工作时都会用到「门店经营助手」，看那些商品销售情况好，跟同区作对比，通过这些数据分析，制定每天的叫货策略。
另一个是2023年开始做的「数据灯塔」。我们在观远BI上做了1000多张报表，但这些报表是否能真的产生价值，最终还是取决于是否有人去关注、去用、去执行。所以2023年我们将现有门店里的各种智能设备全部接入到了IoT监控系统，并做了看板，将看板中发现的异常数据返回到监控系统，并通过与「数据灯塔」的PDCA打通的飞书提醒用户。例如在监控系统中发现哪个门店的咖啡机牛奶要没有了，会第一时间将这个异常信息发送给门店店长，如果5分钟以后还是没有变化，就会给他的上级发消息。
数据灯塔的PDCA是我们数据产品价值量化的一次尝试。很多时候数据产品价值如何量化是很难的，我们说降本增效，但降了多少本增了多少效很难统计。所以我们希望通过数据灯塔的PDCA，让数据产品不仅仅是一个看板、一个报表，而是能够跟门店的业务结合起来，用能够看到的销售额的增长来反映数据产品的价值。
04
对企业BI建设有哪些建议？
一个是要有全面视角，既要有高层视角的高度、格局，又要有接地气的基层视角。给到高层使用的看板等，在设计的时候要站在高层的视角、格局去考虑管理层更喜欢看、更需要看哪些数据。给一线员工的工具，需要去多接触、多了解工具真正服务的对象，站在基层的视角来设计真正有价值的工具。只有满足一线员工真正的需求，工具的使用频率才能提升。月活、周活增长起来，用户才会有兴趣探索其他更多数据的价值。
另一个是，我们所进行的BI建设，要拥抱业务，从业务出发，服务业务。所谓赋能业务，不是嘴上说一句，做一个看板让他能够看到就行，更需要的真正去给到业务与他直接相关的价值，能够去解决业务真正的痛点。比如我们做IOT异常实时监控，就是在门店调研中发现店员每天做巡检的工作至少要花半小时以上，之后的工作过程里也要时不时去检查，非常耗费时间和精力。所以我们做了这个工具，帮助一线业务人员减少巡检时间，提升门店运营的效率，让他们有更多时间和精力去做能带来增长的工作。
