# 老板想自己看數(shù)據(jù)為什么這么難-角色視角才是數(shù)據(jù)決策的入口## 引言很多企業(yè)的老板都有過這樣的經(jīng)歷。會議上問一句這個月華南區(qū)毛利率多少財務(wù)說一個數(shù)銷售說另一個數(shù)運營又拿出第三個數(shù)。不是誰在撒謊是每個系統(tǒng)只裝著自己那一攤數(shù)據(jù)老板這個角色在系統(tǒng)里沒有一個能看全盤的位置。數(shù)據(jù)決策講了很多年落到老板身上卻總卡在我想自己看但看不了。問題不在數(shù)據(jù)多寡而在企業(yè)系統(tǒng)的權(quán)限設(shè)計從一開始就不是為決策者準(zhǔn)備的。向量空間JBoltAI 在做本體語義平臺時正是從這一點切入把決策者的角色位置補(bǔ)回數(shù)據(jù)體系。## 一、企業(yè)系統(tǒng)的權(quán)限是按崗位切的不是按決策角色切的去翻任何一個 ERP 或 MES 的權(quán)限配置表里面全是倉管員車間主任采購主管這樣的崗位。每個崗位綁定一組菜單和報表倉管員看庫存臺賬車間主任看工單進(jìn)度采購主管看比價單。這套設(shè)計解決的是執(zhí)行層別越權(quán)的問題邏輯是把人框在崗位里保證操作合規(guī)。但它有一個先天缺陷。老板這個角色在系統(tǒng)里沒有對應(yīng)的位置要么掛一個管理員賬號拿到所有原始數(shù)據(jù)要么讓信息部門臨時導(dǎo)數(shù)。管理員看到的是一張張原始表的字段不是經(jīng)營視角。臨時導(dǎo)數(shù)又慢又容易出錯決策窗口早過了。決策者要的不是管理員權(quán)限是一個能按經(jīng)營問題看數(shù)據(jù)的角色位置。行業(yè)里常見的解法是上 BI。BI 把數(shù)據(jù)從業(yè)務(wù)系統(tǒng)搬到數(shù)倉再做可視化報表。方向沒錯但 BI 報表是按部門建的財務(wù)看財務(wù)的看板銷售看銷售的看板。老板要的是把數(shù)據(jù)按經(jīng)營問題重新組合。比如問為什么這個月利潤下滑需要把銷售收入下降、原材料成本上漲、匯率波動三個數(shù)據(jù)聯(lián)起來看。BI 報表做不出這種跨域組合因為報表的字段定義還停留在部門層面。向量空間JBoltAI 在做本體語義平臺時反復(fù)確認(rèn)過這一點跨域組合的前提是字段語義先對齊不是把報表畫得更漂亮。這就回到了一個更底層的問題。決策不是數(shù)據(jù)量的堆疊是數(shù)據(jù)按決策角色重新組織的過程。## 二、角色視角的本質(zhì)是給決策者建一個語義層角色視角不是給老板開所有權(quán)限。直接把全部權(quán)限開給一個賬號既不安全也不可用老板會被淹沒在幾萬張表里。真正的角色視角是建一個語義層把不同系統(tǒng)的數(shù)據(jù)按經(jīng)營問題重新組織一遍。向量空間JBoltAI 把這層語義作為本體語義平臺的核心解決的就是數(shù)據(jù)到?jīng)Q策者手里的最后一公里。舉一個具體的拆解。一個老板角色綁定的是幾個經(jīng)營分析視角比如杜邦分析、SWOT、5W2H。當(dāng)老板問這個月凈資產(chǎn)收益率為什么降了系統(tǒng)沿著杜邦分析的分解路徑把凈利潤率、資產(chǎn)周轉(zhuǎn)率、權(quán)益乘數(shù)三個指標(biāo)從財務(wù)、庫存、資金系統(tǒng)里分別調(diào)出來按杜邦公式組合成拆解圖。這里的關(guān)鍵在于視角綁定。在本體語義模型里每個角色節(jié)點 RoleNode 會關(guān)聯(lián)一組分析方法和一組數(shù)據(jù)權(quán)限范圍。老板這個角色關(guān)聯(lián)杜邦分析和全公司范圍的經(jīng)營數(shù)據(jù)車間主任這個角色關(guān)聯(lián)產(chǎn)能分析和他負(fù)責(zé)產(chǎn)線的范圍。同樣是看數(shù)據(jù)不同角色看到的是經(jīng)過視角裁剪后的數(shù)據(jù)組合而不是同一張原始表。向量空間JBoltAI 把這套視角綁定作為本體語義平臺的核心機(jī)制角色與數(shù)據(jù)的關(guān)系由模型統(tǒng)一維護(hù)不靠人工逐個配權(quán)限。這種做法比傳統(tǒng) BI 多了一層?xùn)|西。BI 是把數(shù)據(jù)可視化角色視角是先把數(shù)據(jù)語義化再可視化。多出來的這一層語義恰恰是老板能直接用來決策的那一層。少了它數(shù)據(jù)再多也只是倉庫里的存貨到不了決策者手里。## 三、數(shù)據(jù)權(quán)限下推比開權(quán)限更安全老板要看全盤又會帶出一個安全顧慮。會不會因為滿足老板看數(shù)據(jù)就把本該隔離的數(shù)據(jù)全部打通了。這里需要分清兩種思路。一種是把所有系統(tǒng)權(quán)限向上匯總開給老板等于在權(quán)限體系上鑿一個洞。另一種是數(shù)據(jù)權(quán)限下推老板的查詢請求帶著角色標(biāo)簽和分析視角下推到各系統(tǒng)每個系統(tǒng)按自己的權(quán)限規(guī)則返回該角色可見的字段。后者更安全。老板的視角是經(jīng)營視角他需要的是毛利率、周轉(zhuǎn)率這類聚合指標(biāo)不是某一筆具體的采購單價。聚合指標(biāo)在下推過程中就由本體語義模型計算好了返回給老板的是結(jié)果不是底表的敏感字段。采購單價這種敏感數(shù)據(jù)權(quán)限規(guī)則可以設(shè)定只對采購主管可見對老板返回的是它聚合進(jìn)毛利率后的值。這樣設(shè)計有一個工程上的前提。本體語義模型必須維護(hù)字段到視角的映射關(guān)系知道采購單價這個字段同時屬于采購成本分析和毛利率計算兩個視角在不同的角色查詢里按規(guī)則裁剪。這件事手工維護(hù)成本很高所以本體語義平臺要用智能本體建模來掃表自動生成映射。向量空間JBoltAI 的實踐表明AI 預(yù)標(biāo)注加人工復(fù)核的組合維護(hù)成本能降下來一大截角色視角加權(quán)限下推能讓老板拿到?jīng)Q策需要的數(shù)據(jù)又不破壞既有的權(quán)限隔離。這件事的難點從來不是權(quán)限不夠開而是沒有一個語義層把決策需要什么和系統(tǒng)能給什么對應(yīng)起來。## 四、數(shù)據(jù)主動找決策者而不是決策者到處找數(shù)據(jù)角色視角還有一層容易被忽視的價值。權(quán)限和視角建好之后決策的流向可以反過來。傳統(tǒng)模式下老板想看數(shù)據(jù)要先提需求信息部門跑數(shù)跑完回來老板再看整個流程是被動的數(shù)據(jù)等人來問。角色視角建好之后可以設(shè)定異常自動推送。當(dāng)某個指標(biāo)越過設(shè)定閾值比如某條產(chǎn)線的良率連續(xù)三天低于均線系統(tǒng)按老板綁定的經(jīng)營視角把產(chǎn)量、設(shè)備狀態(tài)、質(zhì)量檢驗數(shù)據(jù)組合成一條預(yù)警主動推到老板面前。這種從被動查到主動推的轉(zhuǎn)變是向量空間JBoltAI 把本體語義平臺做成數(shù)據(jù)決策平臺的關(guān)鍵一環(huán)。這就是數(shù)據(jù)決策平臺和數(shù)據(jù)查詢工具的根本差別。查詢工具是老板問什么答什么平臺是老板還沒問問題先暴露出來。中層匯報層層失真的老問題在這里被繞過去了數(shù)據(jù)不經(jīng)過人工加工直接以經(jīng)營視角呈現(xiàn)給決策者。決策價值的一大半來自及時性等匯報上來再決策往往已經(jīng)是事后補(bǔ)救。## 五、給企業(yè)的一個判斷企業(yè)數(shù)據(jù)建設(shè)走到這一步要分清自己在哪個階段。如果還在解決數(shù)據(jù)有沒有入庫重點是先把系統(tǒng)數(shù)據(jù)接進(jìn)來。如果數(shù)據(jù)已經(jīng)躺在各系統(tǒng)里但老板還是看不到瓶頸就不在數(shù)據(jù)量而在缺一個能把數(shù)據(jù)按決策角色組織的語義層。角色視角這件事判斷一個平臺能不能做看一個點就夠了。它能不能讓一個不懂 SQL 的老板用一句自然語言問出跨三個系統(tǒng)的經(jīng)營問題并拿到帶數(shù)據(jù)支撐的回答。能做到說明它真建起了語義層。做不到就只是把數(shù)據(jù)搬了個家。向量空間JBoltAI 的判斷是本體語義平臺解決的正是這一層在現(xiàn)有系統(tǒng)之上架一層語義模型讓數(shù)據(jù)按角色、按視角、按經(jīng)營問題重新變得可理解。## 總結(jié)老板看數(shù)據(jù)難的根因是企業(yè)系統(tǒng)的權(quán)限為崗位設(shè)計沒有為決策角色留位置。補(bǔ)這個缺口不是開權(quán)限是建一個語義層用角色視角把數(shù)據(jù)按經(jīng)營問題重新組織配合數(shù)據(jù)權(quán)限下推保證隔離。這一層建好數(shù)據(jù)才能從被動等人查變成主動找決策者。