稳健数据架构的战略优势

Ken Arora

精心构建的数据架构带来的价值不止于优化运营流程，还包括提升战略运营效率、深化业务洞察，以及拓展相关业务机会，并能以更敏捷的方式实现这些目标。

6个月后，再看这款外卖应用……

在之前的文章中，我们介绍了一个假设的食品订购和配送服务，并展示了几个关键的日常运营工作流：客户下单流程、取餐和食品配送工作流，以及付款处理。我们探讨了如何围绕这些工作流的关键数据输入制定有针对性的数据策略，从而打造更稳健、更敏捷且可扩展的业务流程。

本文将不再局限于日常运营效率，而是说明预先规划数据架构设计所带来的更长期、更具战略意义的优势。假设应用取得了成功，将最初的场景向后推进6个月，此时业务负责人已经发现了一些新出现的机会。他们正在询问技术人员，底层系统能否快速、轻松地调整，以适应以下具体机会及相关挑战：

1. 服务增长正在加速，企业希望将业务拓展到更多城市。
2. 作为扩张计划的一部分，该服务希望进入利润丰厚的加利福尼亚州市场，这将带来额外的数据治理要求。
3. 交付时间一直在逐渐延长，通常是由意外的需求激增所致。该技术能否帮助解决这一问题？
4. 公司正面临新兴初创企业的竞争，一些餐厅已表示考虑转用竞争对手的服务。我们能否向供应商（餐厅）展示更多价值，帮助留住他们？

上述4个示例挑战可分为两大类：

第一，优化关键日常（“战术性”）业务流程，提高其效率。

二是创造新的洞见，直接为公司带来更长期的“战略”价值，或通过公司的客户间接创造此类价值。

前两项新挑战，即业务地域扩张及相关合规要求，涉及战术层面的业务流程，因此更偏向运营。后两项挑战则更具战略性。

我们先来看看战术和运营层面的问题。

运营效率提升

随着业务地域范围扩展到更多城市，我们可能会遇到一些不同的问题。对于配送工作流，一个潜在问题是街道地址可能存在歧义，即同一地址（例如“100 Main St.”）可能出现在多个城市。另一个潜在问题是不同城市可能跨越多个时区；如果未考虑这一点，那么在MDT时间下午6:00取件，送达相邻的PDT时区城市时可能会晚1小时（即PDT时间下午6:30）。上一篇文章所述的数据架构引入了数据元素的“规范化”（即全局唯一）表示方式，可解决这两个潜在问题，使应用能够隐式满足这些额外要求。

第二个需要从实施层面考虑的问题，是遵守美国加利福尼亚州新增的数据治理要求。要全面探讨《加利福尼亚州消费者隐私法案》（CCPA）涉及的各项问题，需要另写一系列文章。其中一项要求是能够收集某位客户的所有数据，并标注数据的收集时间和来源。如前所述，通过构建一个数据架构框架，使主数据摄取管道能够添加时间戳等元数据注释，即可轻松满足新增的数据治理要求，且只需投入极少的额外工作。

战略价值

除了通过改进公司的日常战术性工作流和流程来创造业务价值外，另一项可以说更为重要的收益，是既能改变现有竞争格局，又能开辟新的竞争领域，从而创造战略价值。

重塑自适应应用的运维工作流

一类战略优势在于，通过改变关键运营工作流的蓝图来“改变竞争格局”。这不只是优化工作流，而是对其进行重新构想。稳健且面向未来的数据架构有助于敏捷、高效地利用聚合和数据分析等关键能力，通过动态定价，应对前述因需求波动导致交付时间延长的挑战。

更具体地说，由于数据架构经过了前瞻性规划，它可以：

• 持久保存每个订单和每次交付的时间戳，即使涉及多个数据库表，也使用一致的语法和语义
• 保留取货地点和送货地点的历史记录，同样采用一致的语法和语义

因此，可以对订购和配送这两个不同工作流中的数据进行关联、分类和聚合。此外，还可以利用灵活的元数据架构，为汇总后的数据添加更丰富的上下文信息，以便进行分析。以整体配送延迟为例，即从接单到餐食送达所需的时间。通过关联订购和配送工作流中的数据，可以计算出这一延迟。此外，由于两个工作流中的地理位置数据也采用一致的语法和语义，因此可以按位置（例如邮政编码）分别计算和关联配送延迟。得益于预先规划的数据策略，我们可以更轻松地创建整体配送延迟数据集，并将粒度细化到每小时、每个邮政编码。最后，借助灵活的元数据方法，还可以为每小时统计数据添加交通状况和总降水量等其他上下文信息。

此时，我们已有丰富的信息可输入分析管道。该管道随后可利用预测式AI方法，识别与整体配送时间延长相关的模式，甚至预测未来可能出现的此类情况。

作为这个案例的最后一步，可以设想企业重新审视配送工作流，将其视为供需问题，并通过定价来平衡供需。具体而言，可以根据时间和地点调整配送司机的报酬，既可以按固定计划调整，也可以根据实时情况动态调整。这样就实现了数据循环的“闭环”：利用数据采取可执行的措施（调整价格），解决业务问题（管理整体配送延迟）；同时利用闭环反馈（根据观测到的延迟动态调整价格），使工作流具备“自适应”能力。

利用数据创造可直接变现的业务价值

数据还能创造另一类价值，即利用数据“开辟新领域”，通过直接惠及客户来创造可变现的商业价值。我们在6个月后的场景中提到了一个例子：为餐厅等供应方合作伙伴创造价值。为了满足向应用客户提供洞察这一业务需求，可以再次利用应用在运营工作流中收集的数据，但这一次，这些数据将作为原材料，用于为客户和合作伙伴提取商业洞察。这些商业洞察可以采用多种形式，例如：

• 提前预测高于正常水平的需求，以便合作伙伴做好相应准备。
• 深入了解合作伙伴对特定菜单项的定价，既可掌握需求敏感度，也可将其定价与同类餐厅的汇总数据进行比较。
• 提供可量化的参考数据，帮助餐厅制定更具战略性的规划，例如预测延长或缩短营业时间对收入的影响。

这些业务洞察的发现不仅依赖大型数据存储，还得益于相应的数据策略：使用一致的元数据词汇，以结构化方式为收集的数据添加注释。

聚焦一个具体的业务洞察案例，看看如何获得菜单定价洞察。首先从原始材料入手，也就是从点餐工作流中收集的运营数据。此时，采用元数据进行标注的数据策略，其价值便显而易见。具体而言，系统不仅会记录某家餐厅中某个餐品的价格，还会保留相关元数据。例如，餐品还可以包含其他描述性属性，如分量、食品“类型”（例如“软饮料”或“汉堡”），以及特殊“附加项”（例如“含配菜”或“辣味”）。如果数据架构使用这些属性的元数据来标注餐品数据，并采用一致的元数据标签词汇（例如“分量盎司数”“食品类别”“附加项”）和一组规范化的元数据值，就可以跨餐厅比较餐品信息。例如，如果从代码数据库中只能得知“Burger Basement”提供Man Cave Burger，而“Heart Attack Grill”提供Double Bypass Burger，就无法进行有意义的比较。但如果添加元数据标注词汇，就可以开展比较和分析。系统会识别出这两种餐品具有可比性，因为它们的“食品类别”都是“汉堡”。此外，分析还可以利用其他元数据字段对分量进行标准化处理（例如，“Man Cave”可能为8盎司，而“Double Bypass”可能为12盎司）。最后，还可以使用一套标准的“附加项”值（如“含奶酪”），根据次要的相似点和差异进一步调整。由此可见，预先规划数据架构（这次侧重元数据策略），可以让企业仅利用现有工作流产生的衍生数据，便能快速把握新的业务机会。

总结

大多数企业领导者都清楚地认识到，成功取决于对关键运营工作流进行规划，并掌握这些工作流的执行情况。优秀的企业领导者也明白，能否快速高效地获得这些洞察，并据此采取面向内部和外部的行动，是企业持续取得成功的关键。

作为技术人员，我们需要构建解决方案，帮助企业实现持续提升运营效率和增强业务敏捷性的目标。遗憾的是，工程师往往过于关注解决方案中的数据处理软件组件，却没有充分重视数据架构本身。这通常会增加工作量，并延长内部工作流改进和新衍生客户产品的部署周期。正如本文所述，预先重视数据架构，包括数据词汇、表示形式和元数据策略，是打造敏捷、稳健的数据驱动型企业的技术基础。

关于作者

Ken Arora

Ken Arora 的更多博客文章