高峰对话:发挥数据价值,促进传统产业转型升级

12月11日,在北京国际饭店举行的2018中国存储与数据峰会(DATA & STORAGE SUMMIT 2018)期间举办了“数据中国高峰对话”环节。在对话环节,原中国银行数据中心副总经理、工信部开放数据中心金融专家组主任委员、住建部数据中心工作组主任委员杨志国,太平鸟服饰集团CIO张北平,Dell EMC大中华区售前系统工程部总经理杨捷就数字经济带动传统产业转型升级,如何最大限度地发挥数据的价值以及如何定义未来的存储等话题进行热议。论坛由DOIT传媒总编宋家雨主持。

主持人:上午我们听了很多的嘉宾演讲,他们从理论的高度、战略的高度,对整个数据经济作了这样一个阐述,即如何利用数据来创造价值。如果说上面的嘉宾都是理性的探讨,那我希望接下来进行的论坛能够更加感性一些,对话内容可能是来自诸位嘉宾个人的一些实践、个人的一些心得。所以下面的一些观点也不完全代表嘉宾所在的企业。

主持人:DOIT传媒总编宋家雨

对于我们所存储和拥有的那些数据,如何拿出来给业务做创新,创造价值,这是一个特别大的话题。希望把这个话题做的小一些,能够更加落地一些,这就是我刚才所说的更加感性一些。

在座的几位嘉宾经验不一样、经历不一样。杨总更多的经验在于数据中心、运维这方面。张北平总这块,可能对互联网企业,因为张总曾经在小米之家工作,现在在太平鸟服饰,对整个数据方面有很多的体会。而杨捷总,更多的是在做售前的工作,帮助大家构建应用的基础架构。

我先把话题抛给杨志国总。

我们知道,用数据创新价值可以应用到各个方面,可以应用到数据中心运维这个场景中去,但是从数据中心运维这个角度,可能跟业务连接稍微远一些,是不是有一点很重要,但是它不紧急的这样一个感觉?因为它又很重要,我们又要利用数据、利用新的技术去提升运维水平,这里面就面临一个很大的问题,在资金有限的情况下,我们有什么办法跟我们的企业争取更多的资源,能够应用到这个数据中心运维的过程中?

原中国银行数据中心副总经理杨志国

杨志国:各位上午好!在座的今天来的都不是一般人物。我在IT方面的时间比较长,35年,有很多心得跟大家要探讨。我认为世界上最超大的数据中心,应该是在中国工农中建这四大国有商业银行,谈到数据量,每天的交易量超过10亿笔,世界上很多大银行,包括摩根斯坦利银行、德意志银行,他们的交易量远远不如中国的银行,我们的帐户数、客户数都超过4、5亿,甚至6亿这么超大规模,这表现出来的是IT去支撑的。

我常常以18个字来体现IT运维的价值。

第一句话“安全、稳定、可靠”,这是数据中心必须要做到的,一个不安全、不稳定、不可靠的数据中心没法支撑5、6亿客户数的对外服务;

第二句话,“快速、有序、有效”。如何做到快速、有序、有效?一般银行数据中心光机房里面内部光纤通道线都超过2万条,36家一级分行,海外53个国家的所有数据都集中在数据中心处理。如果不能快速、有序、有效处理问题,那对客户的支撑是不行的。这也是银行配备大量IT人才的原因。

最后一句话,“体力、效力和效益”。2017年的双11达到1682亿,今年达到2315亿。阿里巴巴创造了这个技术为服务带来巨大收益,它的节点在哪个地方大家知道吗?所以我们非常感谢马云先生,每秒钟并发度达到49.1万亿次。阿里巴巴的流技术应用到极致,世界上还没有任何一个公司能达到这样一个并发度。

银行应用了大量新技术。我们现在正在研究银行数据中心如何采取数字智能化转型,靠传统的运行远远达不到银行的要求。为什么?

我举两个例子,我们每天运维的速度IT组件必须要监控到的就是系统数据库应用网络,但还有25万个IT组件要监控。还靠传统的人去监控,每个人大概是监控1000个IT组件,25万个就是要250个人。数字智能化,实行大量的数据平台、智能化平台监控以后,只要10个人,节约了240人。按工程师平均每人30万算,7200万元,这是巨大的经济利益。

再举一个例子,网上批处理,全球加起来是30万部作业,如果每个人能提交1000部作业,要300人。我现在的生产运行人员只有6个人,大量的数据平台和智能化平台节约了295人,大概是8820万。

我们IT运维是不是还是传统的?能不能引入数字化平台去分析、学习,采取很多事件的判断、处理达到这样的效果,是摆在每个领导面前的任务。

中国的数字化、智能化运维还处在起步阶,后面还有很长的发展期。按照数据中心四步走的方向,流程化、标准化、平台化、数字化和智能化,还有一个漫长的工作要做。

大量的技术实验,特别是云平台大量的实盘处理,为银行带来很多很好的先进工具为实现运维智能化。

在座的各位领导,所有数据中心的运维,并不是仅靠传统,也要不断地依靠数字化和智能化的进步。

主持人:现在的业务越来越多地依赖信息系统,所以信息系统非常重要,为了保障它的稳定、可靠、运行该花的钱还是要花的。

不知道大家是怎样的条件反射?一说到说到数据中心,说到数据创新价值,我头脑里冒出一个东西叫用户画像,接下来的问题想问张北平,用户画像是我们听的最多的落地技术了。从小米之家到太平鸟服饰,用户画像有什么不一样?

太平鸟服饰集团CIO张北平

张北平:好的。我在零售行业有十几年的历程,无论是原来在线下传统的品牌商,还是在小米之家这样一个互联网企业,线上线下的结合也变成在零售行业一个必不可挡的趋势。结合用户画像来看,对于小米之家来讲,它是在互联网体系下成长出来的新零售一个物种,本质上来讲它还是互联网的打法。对于我现在从事的太平鸟服饰,一家传统的零售品牌商来讲,其实我们现在更多的是围绕自我的一些数据,简单来说有三块,第一个,数据的属性是不一样的,因为所面对的消费者群体是有差异的,一个是3C数码产品,一个是传统的快时尚或者是新服务相关的领域;第二个,数据来源也不一样,小米之家因为依托于小米的体系,小米的生态链很强大,所以它有足够多的线上数据补充到线下,对于自己的第一方的数据是有足够的,同时去拉伸到后面的外部数据,包括自己的推送渠道,这是它的一个优势,太平鸟如何把自己的数据整理好,这也是所有传统企业面临的挑战。我们会借助于后面的第二方和外面的第三方的数据,包括腾讯和阿里,这两座山是绕不开的;第三个,应用场景也会有差别,零售企业生产经营的各个环节,从产品的开发到生产、制造、物流、零售、客服,应该说太平鸟都有全面的应用,小米之家更多是在开店拓展和精准营销这个环节。

这应该是这三方面的差异。

零售行业是运用大数据画像和AI技术最前沿的一个行业,我个人觉得也是三个原因。

第一,面临包括像BAT在内的互联网企业的冲击,零售行业是首当其冲的。第二,刚才提到电商,我们在今年刚刚过去的双11取得了8.18个亿的销售业绩,在逐渐往上涨。对于电商数据本身,它需要大容量、高实时、高并发,这是零售行业绕不过去的。对于数据的应用和计算力的要求是非常高的。第三是数据画像,作为一个To C行业,我们原来面向的是85后的消费者,现在慢慢变成90后甚至00后,这些消费者每个人对于时尚的理解和需求是不一样的,To C的企业非常难做的一点是消费者洞察,即如何从原来传统的经验转化成靠数据支持决策,所以也会衍生出营运而生所谓的消费者画像,这是我们进行消费者洞察的一个很重要的应用。

围绕这三方面,我觉得对于大数据或者AI,零售行业应该说是有挑战,当然也有机会。

主持人:用户画像是它的技术基础,精准营销是它的业务应用,创新主要体现在销售环节。

对于传统产业来说,始终要面临这样的问题,如何利用这样大数据技术、AI技术或者是用户画像的技术基础,给业务带来一些全新的发展。

Dell EMC大中华区售前系统工程部总经理杨捷

说到传统业务,杨捷总这边曾经分享过一个万达秒杀的故事,做秒杀这样的业务也需要对整个技术架构提供支持,可能它在传统架构支持的不太好,当时很容易想到能不能有互联网、公有云的这样一个架构?

杨捷:对。

主持人:请杨捷总这边做一个分析,让我们听一听有关万达秒杀的故事和它的架构的关系。

杨捷:各位来宾大家中午好!刚才前面听到两位老总的分享,现在已经非常明确的就是各个行业现在是很跨界的,没有一个行业说只做这一块,业务上面的这种创新和融合必然带来技术和架构上面的创新和融合。

刚才提到的关于万达院线线上的平台整个业务的发展和面对的挑战以及后面的解决方案,其实都是跟这个有关的,首先我们To C了,本身院线的业务就是To C的,是从线下变成线上,不需要到电影院或者门店去买票了,都是在移动端。

我们的故事发生在三四年前,暑期做了一个几块钱看大片的促销活动。大家也知道线上的售票平台有好多,万达有自己的客户端。其实线上的业务是开放给所有的入口的,就像电商平台是一样的,入口是多样性的,所有的入口肯定先是来做票务的查询,看几点钟、哪个场次、哪个厅里面的播映,再决定买哪个票,最后是下单。这个业务模式跟所有电商其实是一样的,当然后下单的时候肯定有一个先后顺序,因为你库存有限,所以最后所有的交易都会堆积到一个核心的交易系统。

在业务经历了几次拥塞之后变成整个平台不可用,交易不可用,我们帮着看一下,整个技术团队已经在做架构的改造,就是面向To C的互联网平台,做分布式架构,包括读写分离等等,这是非常典型的互联网业务的架构。但是最后我们发现其实瓶颈是在交易部分,交易是一个流水线的,因为座位没了就是没有了,没可能说两个人最后下一个单的座位。所以我觉得这个和一般的电商还不太一样。

还有一个,它的业务是线上线下包括传统和现代相结合的,所有院线的业务是受国家管控的,所有后台的应用实际上就是由几个应用开发商来做的,并不是一个真正的互联网架构或者是一个新的应用。

所以在这个新旧结合、前后端结合的时候,必然局部就会有瓶颈。

通过分析整个业务模式到系统架构,最后发现系统的核心问题,但也不是马上就改变,因为应用开发不完全掌握在客户手里,他只能去优化自己那部分。

我原来是在EMC,是做存储、数据的。我们能够帮助客户做的,就是在架构和技术上如何做优化,后来发现他是一个Oracle的数据库,交易这块已经做了读写分离,就是已经有下单库和查询库。我们就建议他说应用改造是一回事,想短期内想解决问题得先看看基础架构有没有可调的地方。在做了一个Oracle数据库的分析,抓了日志出来去看,发现至少交易和查询到数据库这块IO是有瓶颈的,所以我们就建议说用全闪试试。在三四年前,闪盘还不是那么普及,客户有的时候对于用这种新的介质还是有一定疑虑的,稳定性、可靠性,以前老说擦写次数,四五年前大家还讨论这个,现在,上述问题已经完全没有担心了。

我们先从查询的库开始上了一个全闪,这个性能迅速的提升(原来队列是拥堵的),一下子那个队列就打开了,线上的查询就起来了;然后再去改造它的交易。

我觉得这是我们做IT的思路,就是做数据管理,从最后所有的业务到交易,最后都是数据,如何能够使得业务能够很顺畅地运行?我们从应用开始看,然后一直看到数据层,层层去优化,从最关键的地方开始。

这个跟互联网思维也是蛮像的,我们当时是一边改应用、一边调架构,也是一个快速迭代的这样一个过程。

主持人:在这个过程中,其实有很多的实现路径,你可以从云原生应用去改造它,但就比较费时费力,有些问题也不可能这么理想化,传统的Oracle数据库这样的一些技术,有很多问题提醒我们要针对不同的情况、场景和阶段,选择适合应对的一些方法。

不知道大家有没有这个印象,数据创新都集中在To C这个角度了,就是面向最终消费者,比较适合于电商、快消品这样一些创新。在我们的生活中也建了大量的基于数据的创新。除了To C,其实更严谨的说只是体现在销售这部分。

对于企业来讲,不仅仅有销售,不仅仅有商店这样一个渠道,哪怕是销售环节的门店也有怎么去选址,新品怎么去研发,生产制造过程整个仓储,还有上下游的供应链,这些都是构成企业的有机组成部分。我们现在听到的数据中心好像都体现在销售端。能不能也体现在刚才说的这些应用场景下?如果选择一个突破口,比如说研发、生产制造、仓储、上下游、供应链,希望有一个快速见效的创新,不知道在这方面来讲有没有一些经验能发表?

张北平:零售行业其实一定不光是在To C,To B、To C都有很多应用,To C来讲我觉得是全链条的,刚才讲的企业经营的各个环节都会应用,只是应用的程度不一样,或者每个企业的路径不一样。

我先总结一下。不光是零售行业,可能各个企业都一样。大数据或者AI的创新体现在四个方面。

第一个是在企业的战略层面,在规划产品、预测市场、预测商品的时候最终是有一个商品的以及一个服务,这点是最关键的,一定是站在最前面的。

第二个对于商品本身,研发能力,例如服装行业,商品品类是很广的,尤其是女装比男装还要广,女孩子都爱买衣服经常换,像ZARA这种模式是全球领先的,当然我们也在学习这样的。这里面是要有强大的供应链,覆盖商品研发的能力、商企、面辅料的开发、品类管理、单品管理等等。

第三块是如何通过有效的、柔性的供应链,以相对低的价格,以最好的优质的服务提供和交付到消费者手中,这也是供应链环节需要去打通的连接的作用。

第四个其实就是我们经常提到新零售里面的一个概念,以用户体验为导向。无论是在线上还是门店里面,如何通过AI的技术或者大数据的方式让用户的体验是主动式的体验,他体验好自然就回转化成下单、购买,你的业绩就会提升。对于我们这种以商品导向的公司来讲我的产销率就会提升,业绩报表利润就可以回报,就是这样一个关系。

拿第二块商品开发这块举例,大家有没有听说过一个TUC的概念?叫约束理论,简单一句话,它是去识别你经营环节当中的最主要一个约束因素。识别出来之后通过经济管理的持续改进方式,把这种约束打破。在这个理论的指导下,包括太平鸟在内,我们一些友商也在做类似的尝试,商品的智能配补货这块的一些应用,结合AI的一些技术。当然首先前提要很清楚对于商品的开发策略。

另外我们有足够多的商品标签数据,大家知道其实服装是按不同季节的,一旦过季了没有卖出去,库存就会压倒你。很多服装企业的倒掉就是因为库存。包括太平鸟在内的很多服装企业认为最主要的约束就是这个,通过AI的技术怎么去解决它?我们通过对实时销售的预测,对于实际销量的这样一个分析,还有实时库存的分析(这是内部的数据),订单的情况,还有基于人的一些数据,同时外面的像天气、节日,各种商场的活动等等数据做了一些应用。

总体来讲,把我们很多商品的产销率从30%、40%总体提升了70%、80%的产销率,这是实实在在的能看到的业绩。大家知道零售行业的现金流是非常关键,如何把库存转化成销售也就是现金流,才能更在持续不断的下一个波动去买新品、上新,持续不断的有现金流进来,这个对整个PML其实有非常关键的作用。

所以我觉得,现在很多的企业都在往商品企划这块去管,就是季前、季中、季后这块AI的这些应用。

主持人:简单一句话,我们不仅要有人画像,给消费者画像,也要给物品画像,还要给运维画像,给故障画像,要知道它的来龙去脉,要用数据来说话,然后解决实际工作中的问题。

因为时间的关系,我想把最后一个问题给杨捷总。刚才我们讲到了画像、数据技术,其实我知道在Dell EMC售前这里面有一个售前法则,说的是面向客户、创新不止。我想问您一个问题,在你们的售前法则里面,你们会用到数据吗?

杨捷:会,其实这也是这两年的一个非常大的转变。我在过去的几年一直在关注行业。从行业的角度去找到客户需求的共性,找到你要能够快速地发现这个行业的一个趋势,然后把这个趋势跟客户的需求,跟我们的解决方案能够关联起来。

这种创新的过程其实确实是数据驱动的,因为我们是全国性的覆盖,全国这么多省、市一直到县,我们的客户到县一级。创新的方向从哪里去捕获它,创新的案例从哪里去得到?其实都是在我们内部的数据上面体现的,哪里的人、哪一个省业务做的好?哪一位同事的销售业绩好?还有就是我们有什么新的产品是在哪里最先得到部署和应用的?其实各个行业我们都会做这样的分析。有了之后我们就会去做集体的调研,拿到这个案例以及在客户端的使用效果,我们就会在全国推广。

因为Dell和EMC现在是整合了,如果熟悉Dell的话,大家都知道Dell是一个数字文化驱动的企业,所以说现在我们会更多地去利用内部的这些数据来指导或者是推动整个业务的布局,以及一些策略的制定和执行。

主持人:因为时间的关系,我非常感谢台上的各位嘉宾,希望我们有机会再跟大家做进一步的交流,感谢大家!