以数据为魂，打通数字化转型的“任督二脉”
本站点使用Cookies，继续浏览表示您同意我们使用Cookies。Cookies和隐私政策>
本站点使用Cookies，继续浏览表示您同意我们使用Cookies。Cookies和隐私政策>
站在客户视角，数字化转型就是实现数字化升级。对于交通行业的用户来说，就是如何实现对完整业务流的精细化管控，以满足交通行业“更安全、更高效、服务更优化”的业务诉求。
这是客户最为关注的，也是数字化转型的核心所在。不解决数字化升级的问题，就不能认为客户数字化转型的业务获得了成功。
数字化升级表面看起来是因为数据孤岛造成了数据割裂，从而简单化地将数字化转型落地为数据交换平台，再在此基础上把割裂的数据收集上来，统一存储，就实现了数据平台。
这个观点有一定的代表性，因为其有一定的合理性：不解决数据孤岛的问题，就无法实现“全链接”，当然就不能实现精细化的业务流管控。那是不是解决了数据孤岛的问题，就能够实现精细化的业务流管控呢？众多失败的案例提醒我们：打破数据孤岛只是业务流管控的第一步，而且只是基础性的一步。
客户数字化转型的业务诉求是“实现精细化的业务流管控”，这是“更安全、更高效、服务更优质”的前提。要实现这个业务诉求，必须进一步解决以下两个问题：
怎样“全链接”数据？
数字化升级一定是数据价值驱动的过程，但如何实现数据价值的驱动呢？是将分散在各个业务系统中的数据采集上来，进行统一存储就“全链接”数据了吗？如果对数据进行治理，又要怎样治理呢？仅采用统一名词定义、格式转换等方式就能实现对数据的治理吗？
怎样“全链接”业务？
数字化升级在一定程度上是一个业务流程重新定义（需要说明的是：重新定义并不代表部门功能职责的调整）的过程。对于机场来说，应如何按照Stream（业务流）的方式来管理和协同各个Process（操作流）？
如果借用飞机的形状来比喻，数字化转型是体，“全链接”数据和“全链接”业务就是两翼，就像“任督二脉”一样。只有打通了“任督二脉”，才能够真正推动客户实现数字化转型的业务成功。而两个“全链接”的实现，归根结底还是要打造“数据驱动业务”的全新模式，即如何发挥数据流的价值！
IOC（Intelligent Operation Center）智能运控中心，可以理解成数字化转型所催生的一个全新系统。其目标就是解决复杂业务流下的全局动态可视难题，并基于全局动态可视实现态势感知、业务协同和辅助决策。
以航班运行保障业务为例，这是机场业务中最为关键的流程：从进港航班的机位分配，到航班落地后的滑行引导；从入机位后多个环节的地勤保障，到机位推出后的滑行等待，直至飞机从跑道起飞。涉及到多个单位、多个业务部门、多个作业工序，而每个作业工序都会涉及到人员、工具和流程。
航班运行保障业务诉求就是能够安全、高效地保证航班的进港、地面服务和出港，满足航空公司运输旅客和货物的需求。为此，机场搭建了多个信息化系统来支持其业务操作，如地服系统、航显系统、离港系统、集成系统等。但实际情况是，航班运行保障的主要责任单位AOC在实际工作中要面对多个系统、多台终端，在多个信息源中由人工进行分析比较，然后再通过手持/对讲/电话下达相关的指挥调度指令。
这在交通行业属于典型的需求：在通过多个业务功能系统处理单个操作(Process)时，由于缺乏端到端业务流(Stream)的管控，因此难以满足复杂场景下的秒级协同与调度需求。而这也是客户数字化升级希望针对的典型场景。
我们认为这不是简单的数据交换与集成所能够解决的问题，而是需要基于数据驱动的业务场景化解决方案。IOC可通过两层“建模”来实现数据对业务的“全链接”。
“业务建模”：业务流管控提出的全新挑战是通过对业务链条下全业务操作的监控，针对业务流的管控目标及挑战，更好地实现跨作业/跨部门/跨单位间的协同和调度，从而更为安全和高效地保障航班的运行。这就离不开态势感知、场面监控、协同调度和辅助决策等多个维度的全新需求。
IOC通过“业务视图”模式来构建“业务流模型”。具体来说，就是要回答：谁是用户？场景是什么？基于什么问题/诉求？希望得到什么样的信息？需要基于这些信息下达什么样的指令？
例如我们针对“资源调度席”设计的航路视图，不仅是对进港航班进行排序跟踪，更主要的是紧紧围绕“资源调度席”的核心诉求——资源分配来构建视图：
• 能否根据航班实际飞行/进近情况，动态地计算出更为精准的预达时间(ETA)？
• 能否根据场面运行情况，预测“入机位”的时间？
• 基于“入机位”时间及机位前后航班衔接规则，能否预测是否存在机位冲突隐患？
• 如果存在机位冲突隐患，系统能否自动给出更为合理的机位调整方案？
• 确定机位调整方案后，系统能否“一键式”完成机位调整，并按照业务规则同步到各个作业系统中去?
另外，我们还在航路视图上更进一步增加了“终端口”的实时通过情况，前序航班保障进程及机位压力等情况，以帮助调度人员全面掌握运行状况，从而更好地进行协同与调度。
通过这样的“业务建模”，我们很好地构建了端到端的“业务流管控”模式，在一定程度上按照事前预测、事中协同、事后分析实现了对全业务链条的感知、管控、协同与辅助决策。
“数据建模”：毫无疑问，要想真正构建上述端到端“业务流”管控，没有数据的支撑就不可能实现。但其不仅是将多个业务系统的操作数据交换/集成过来，更不是将原有业务操作系统的功能重新构建一遍，而是需围绕业务流管控过程中出现的数据/流程断点，通过模型算法和指标体系更好地实现对过程数字化及规则数字化的管控。
智能机位分配就是围绕航班运行保障中关键的机位资源进行人工智能算法调度，将调度规则数字化后，在实时数据感知的基础上进行实时自动算法调度，不仅有效解放了人工排班的工作量，更能够基于每个实时场面情况（冲突、ETA预达时间变化等）动态地进行秒级分配及调度；VTT（可变滑行时间）算法则能够提前根据场面的运行情况，预测出飞机从跑道降落到“入机位”的完整过程，从而推动机坪、地服等部门根据此预测进行秒级作业调度和协同。
另外，我们围绕业务流过程数字化构建的衡量指标和指标体系，能够帮助AOC在整个业务流管控中实现“经营指标→业务指标→业务动态”穿透式的管控。
正式基于“业务建模”和“数据建模”，IOC构建了一个集成、协同的服务平台，实现了对业务的“全链接”，在一定程度上打通了“任”脉。疫情期间，这个平台仅用两周时间就实现了对疫情数据采集、跟踪、分析和报表的全业务支撑。
当然，随着数字化转型的深入，一个集成、协同的IOC平台也需要不断升级迭代：以一个一体化前端支持用户侧的弹性需求，以一个丰富的“业务平台”来满足更多的预测、感知、协同和辅助决策的需求。需要说明的是，“业务平台”并不意味着对现有生产作业系统的重构。
数字化升级要实现跨作业/跨部门/跨单位的协同和调度，就必须通过“Stream”业务流来实现数据的“全链接”。其不是简单地将数据交换起来，也不是按照传统的数据仓库模式进行数据的汇聚与报表的展现，而是对准业务流数字化转型的需求，以“行业数据模型”为核，构建数据资产平台。
大数据的概念出现很早，也有不少的企业在大数据领域进行投资，开展了很多实践，尝试构建“数据驱动”的业务模式转变，这其中也包括了华为自身的实践。对比转型成功的企业，无一不是将数据转换成为了支撑业务价值/变革的资产。而要将数据转换为资产，就需要在数据治理、数据建模、数据服务等各个层面上对准业务场景与需求，沉淀行业洞察，从而打造“可信、可用、可管”的资产平台。
华为将“业务流→数据流→应用流”的梳理过程提炼成方法论，用“V”来表达，也称为“V”字模型：
• 按照业务（子）域，进行业务能力的梳理；
• 打开业务能力，进入到业务场景和工作流/活动的梳理；
• 基于业务场景和工作流/活动的梳理，提炼出业务对象；
• 基于业务对象，梳理数据实体，形成概念模型。
“V”字模型落地到数据资产建设中，其核心就是打造“行业数据模型”，概要如下图所示。
行业数据模型概要
在打造行业模型的过程中，首先，要以“可信、可用、可管”为目标，对原始数据进行全流程治理。“可信”即数据质量要可信。这是基础中的基础，但要做好“可信”，就不仅要按照传统模式定义数据标准，更要能够将数据转化成业务资产，再对准业务流程定义出业务标准和质量标准；“可用”是指要满足业务对数据的服务需求，这是“数据”能形成“资产”的必要前提；“可管”包括数据安全、数据运维及可支持未来业务弹性的数据运营。
其次，基于行业的“强规则性”特点，以3NF进行数据的分层建模。基于“业务流→数据流→数据实体”梳理的过程，确定数据实体，以及每个数据实体下的属性定义，就构成了CDM（概念模型）。有了CDM，就可以根据行业标准，进一步细化LDM（逻辑模型），通过3NF或维度建模方法调整、优化实体间的关系，以确保数据不遗漏，并在冗余和弹性间做适当的平衡。
我们在每个业务领域均采用这样的建模模式，以确保数据加工的业务价值。而数据加工过程中的数据治理、数据质量、作业流程均依赖于此数据建模过程，这也是一个“数据映射业务”的过程。
在主题库行业标准化的基础上，我们还构建了业务指标体系及算法模型，以快速满足业务流程数字化转型过程的数据需求：
1. 构建从经营指标到业务指标的指标体系，帮助管理和业务部门实现对业务过程化的数字化管控。
以“生产运行指标体系”为例，其依据业务流针对每个业务活动定义输入/输出，并基于业务流（航班保障正常率）目标定义业务活动的衡量指标和影响因子，以使AOC部门提前感知每个保障环节的压力，了解保障环节的进展对航班放行正常率会产生怎样的影响，并决定是否要提前介入/协同。
2. 对准流程梳理过程中的流程/数据断点，构建算法模型仓，以推动业务流的精细化管控。
以航班流管控中的智能机位分配为例，通过规则的数字化可实现分钟级动态机位分配，有效提升机位的周转率和旅客靠桥率；VTT（可变滑行时间）算法尝试基于复杂场面运行构建算法模型，以提高对航班地面滑行时间的精准预测，从而帮助AOC实现对机坪场面的秒级管控与协同。
在数据服务层面，数据资产平台提供了数据资产的运维、管控和运营一体化平台，从而让业务部门成为数据资产管理和业务价值应用的主体，使数据与业务真正结合在了一起。
总体来说，我们以“V”模型梳理业务流和数据流，构建行业数据模型，在此基础上进行“可信”“可用”“可管”的数据治理，并对准业务流管控需求，构建生产运行指标体系和算法模型仓，以满足精细化的数字化转型需求。
当我们讨论“愿景驱动”数字化转型时，其实很大程度上是认识到数字化转型所带来的机会与挑战。在交通行业，数字化转型并不仅仅是进行信息化改造，而是要在现有信息化的基础上，完成“数据驱动业务流”的数字化升级。
要实现“数据驱动业务流”，依靠单一应用/功能系统无法支撑，落地到技术层面，一定是“平台”化架构。而其与之前的信息化建设模式会有较大的不同，体现到项目及版本建设方面，主要有以下几点总结与反思：
• 数字化转型与原有信息化建设方式的不同之处在于，其是对传统模式的变革和优化，这个过程对客户、华为和生态均会有挑战，既有技术/产品层面的挑战，也有人员/组织/流程方面的挑战。
• 要更为关注数字化升级的客户诉求，比如数据如何驱动业务流的管控。
• 只有坚持行业洞察能力和数据生态体系的建设，数据模型才具备规模复制的产业能力。
