秦淮数据集团在首都周边建设运营太行山能源信息数据中心。

人们的视野

疫情防控期间，人们的生活发生了变化：视频会议、语音聊天、内容分享，借助各种移动方式，上班族开启了“云办公”； 客厅变成了教室，屏幕变成了黑板，学生们没有停止学习，在家上网课； 很多人都开始当主播了，在线直播带货……

从线下到线上，数据成为新生产的要素。 这些数据的存储和计算空间，就是很多人“闻所未闻”的数据中心。

数据中心是数据存储和数据处理的现代化工厂，承担着与“计算”和“存储”数据相关的任务

数据中心的定义有多种解释。 国家标准化管理委员会将数据中心描述为：由计算机站点、其他基础设施、信息系统软硬件、信息资源（数据）和人员以及相应的规章制度组成的实体。

中国科学院计算技术研究所副研究员张春明说：“过去，我们常把这样的地方称为‘机房’。数据中心一般来说就是一个现代化的数据存储工厂。和数据处理。“与数据相关的任务”。

作为互联网的底层基础设施，基于数据中心的各种应用已经渗透到生活的方方面面。

在工业领域，从传统的财务核算应用向个性化定制转变； 民生领域，远程医疗让偏远地区的群众足不出户，及时看专家； 人们不需要跑更多的跑腿……这些背后是数据中心提供的强大计算能力。

秦淮数据创始人兼CEO鞠婧表示，一个超大规模的数据中心可以支持1亿多观众同时观看一个视频直播，可以支撑24小时行驶的自动驾驶汽车的数据计算。小时，也能支撑领先电商“双11”、“618”等大型购物节订单数据处理需求激增。

在数字技术日益普及的今天，计算能力成为核心生产力，数据中心成为数字时代的“新基建”。

“就好像电力基础设施的核心是电厂，电力基础设施负责生产电力，比如三峡电站、大亚湾核电站。” 浪潮信息CEO彭真表示，“数据中心是数字时代的核心，其主要功能在于算力生产中心和供给中心，对外提供各种算力、数据和AI服务。 ”

与过去相比，现在数据中心的地位和作用也发生了很大的变化。 过去是为了业务信息化，数据中心主要对业务起到支撑作用，是辅助作用； 目前是业务的数字化转型。 数据中心的角色也从原来的辅助支撑角色转变为主要的生产系统。

数据中心在飞速发展的同时，也面临着诸多挑战

目前，全球大部分数据中心都是云数据中心的形式。 随着数字经济的快速发展，我国超大规模数据中心化趋势日益明显。 数据显示，2019年我国超大型和超大型数据中心数量占比12.7%，拟建设数据中心320个，占总数的36.1%。

国内数据中心在快速发展的同时，也面临着诸多挑战。

例如，能耗是传统数据中心面临的挑战之一。

数据中心是电力和水的主要消费者。 一份调查报告显示，2018年中国数据中心总用电量为1608.89亿千瓦时，超过了上海市2018年全社会用电量（1567亿千瓦时）。

曙光云计算事业群总裁管宏明表示：“传统数据中心一半以上的能耗都用于制冷，降低制冷能耗是关键。绿色数据中心建设已成为趋势，液冷技术成为理想的选择。”

传统数据中心的扩展能力不强，无法满足数字化应用迭代的速度。

今年以来，直播带货、远程办公、在线教育、智慧零售等新场景快速发展，成为国民经济新亮点。 但是，一些新场景选择的运营数据中心，扩展性不强，宕机、卡顿的情况时有发生。

“这表明数字基础设施的支撑能力亟待提升，比如可以在有限的区域内提前储备土地、能源等关键资源，满足科技企业快速部署、大规模部署的灵活需求。”扩张。” 鞠婧祎说道。

此外，为了降低数据中心的PUE（电源使用效率）值，拥有庞大服务器群的云计算和互联网公司纷纷在水资源丰富、气候凉爽的偏远地区建立数据中心。 然而，这些地方的网络基础设施往往跟不上，无法应对大量的实时在线计算需求，导致空置率居高不下。 然而，北京、上海、广州、深圳等城市对数据中心资源的需求最为集中，但由于土地和电力资源稀缺，加上政策监管趋严，数据中心缺口较大。

再者，由于各行业信息化、智能化程度参差不齐，业务场景多种多样，软硬件规划选型缺乏顶层规划和引导，导致各地、各企业建设标准不一致，存在重复建设和资源浪费。

“当前存在的数据孤岛和数据壁垒问题，不仅制约了数据价值的高效利用，也带来了数据主权和数据安全问题。在建设大数据中心的过程中，规划者要加快产业生态的融合并着力打造大数据产业发展生态链，推动产业生态建设。” 关鸿铭说道。

新一代数据中心具备诸多新特性，未来将向智能计算中心演进

今年以来数据中心服务，我国加快推进5G、数据中心等新型基础设施建设，加之在线办公、娱乐、音视频通话等需求激增，带动了数据中心建设积极性。

多家公司已经宣布将加大力度建设自己的数据中心。 例如，阿里巴巴将投资2000亿元用于数据中心等基础设施建设； 百度将在10年内建设500万台服务器； 拥有100万台服务器的腾讯清远云计算数据中心已于7月启用。

新一代数据中心会有哪些变化？

张春明认为，新一代数据中心应具备标准化、模块化、智能化、绿色化、安全化五个特点。 “例如，模块化是指将整个数据中心模块化建设，降低建设成本和运维难度。温控模块、IT模块等在工厂预制好的模块，提前交付并构建直接在数据中心现场。将它们结合起来就像搭乐高积木一样。”

这种模块化的建设模式，不仅操作简单快捷，而且节约了成本。 传统数据中心的建设模式需要18个月，预制模块化建设仅需6个月。 标准化复制、分期建设、按需扩容，节省投资成本。 华为云东莞数据中心采用模块化建设模式，5层楼高1000个机柜，仅用6个月建设完成。

目前，人工智能计算需求呈指数级增长，未来将占计算需求的80%以上，而智能计算中台将承载这一需求。 届时，云数据中心将进一步升级为智能计算中心。

彭真表示：“智能计算中心是智能时代最重要的算力生产中心和供给中心，以融合架构计算系统为平台，以数据为资源，以强大的算力驱动AI模型并对数据进行深度处理，不断生成各种智能计算服务，通过网络以云服务的形式为组织和个人提供服务。”

专家预测，未来5-10年，智能计算中心将在重点行业、重点区域大规模部署，成为推动社会经济智能化转型的核心基础设施。

《人民日报》（2020年8月3日第19版）（吴跃辉）

本文由36氪企业服务点评专家组卢品原创。

36氪企业服务评审专家组——陆品

- - 文本 - -

一、商业智能BI要解决的问题

商业智能 BI ( )

简单来说，就是一套由数据仓库、查询报表、数据分析等组成的数据技术解决方案，集成了各种业务系统（ERP、CRM、OA、BPM等），包括自研业务系统软件）在企业中。 有效整合数据，并使用合适的查询和分析工具，快速准确地为企业提供报表和分析，为企业提供决策支持。

商业智能概述

商业智能BI

什么是核心线程？ 主线是通过构建数据仓库平台，对数据进行有效的整合和组织，为分析和决策提供支持，实现其价值。 另一种解释是：将数据转化为信息，信息支持决策，决策产生价值。

2. 您对商业智能 BI 有什么疑问？

我接触过很多客户，他们对商业智能BI有这样一个普遍的看法：商业智能BI是如何产生价值的，价值在哪里，我没有看到过？ 为什么在我的企业，我们的IT部门或者业务部门完全沦为做报表，能体现的价值只是节省了我们做报表的工作量，仅此而已。

这种疑惑很普遍，就像之前参加各种企业沙龙活动一样，有观众直接问：不用说那么多，直接说说这东西有什么用，能解决什么问题对我们来说，能不能帮我们公司赚钱.... 业务线、技术线、管理层都有不同的受众，每个层级他们的关注点其实都不一样。 包括每个人、每个公司对数据的认知也决定了他们对商业智能BI的理解和认可。 但是这种问题也不是没有办法解决。 比如不讲技术，讲一些业务场景，最后发现效果会好很多。

在这里我们试图通过大家可能理解的非技术专业的方式，让大家了解商业智能BI的价值是如何体现的。 这里讨论一下我们眼中的商业智能BI的三个层次分析，或许我们对商业智能BI的理解可能会有所改变。 为便于理解，文中不涉及专业术语和解释。

三、商业智能BI的三个层次分析

第一层次：报告的总体呈现

所谓常规呈现，是指采用直方图、饼图、折线图、二维表格等图形化可视化方式，将日常业务数据（财务、供应链、人力资源、运营等）综合呈现在企业内部。企业，然后通过各种维度（从数据的角度）筛选、关联、跳转、钻取等查看各种分析指标，业务分析图表按主题划分，之间存在一定的逻辑关系图表。

这些分析展示的内容基本都是围绕各业务部门的日常工作展开的。 业务分析内容很多，可能需要复杂的计算规则和来自不同系统的数据。 这些是很难直接从业务系统软件上看出来的。 到达的。 这一层次的报表分析是一种演示，一是让报表使用者对日常业务有一个清晰、直接、准确的了解，二是通过各种功能，将报表使用者从手动通过EXCEL做汇总分析和绘图中解放出来。

比如财务部门会关心今年的营业收入、目标完成率、营业毛利率、净资产收益率等； 销售部会关心销售额、订货量、销售毛利、回款率等； 库存量、退货情况、应付账款等。

因此，达到第一层次的目标是通过可视化的分析报告，直观、全面地呈现企业的日常运营和业务情况。 它可以从集团层面开始，也可以从业务线或部门开始。

事实上，很多企业在实施商业智能BI的过程中都停留在这个阶段，或者没有完全达到这个层次。 可能只是做“部分渲染”。 因此，现阶段商业智能BI的价值非常有限。 数据的作用只是从另一个“可视化”的角度以另一种形式解读业务，用户只是被动地接受可视化的报告。 传递的信息。

第二层：数据“异常”分析

我们通常认为的“异常”是指不好的事情，所以我们这里对“异常”的解释是：通过可视化报表的呈现，我们发现一些数据指标反映了超出我们日常经验和判断的情况。 例如，正常情况下，平均每月用户注册量在10万左右。 但通过报告，我们发现，今年8月，会员注册量达到23万，属于“异常”，远超我们的经验判断和预期。 又如，今年1-9月，产品销售毛利率稳定在30%-40%，但10月份突然间，整体毛利率跌至20%以下，这也是一个“反常态” ”。 这两种异常数据，一种是我们追求的正向“异常”，一种是我们极力避免的负面“异常”。

商业智能BI首先通过一级报表呈现，直观的反映了很多业务操作，让用户直观的看到超出我们经验的数据表现。 商业智能BI在这里的价值在于对这些“异常”的数据进行有目的的分析，通过钻取、关联等分析方法商业智能，通过关联的维度和指标来探究可能的原因。

Pieco数据可视化分析案例

比如会员注册的问题，哪些因素可能导致会员注册量大幅增加的可能性？ 您近期是否采取了一系列的网络降价促销、开放注册、相关营销活动等，这些支撑分析数据是否存在，如果有，他们的报告是如何呈现的，促销投入的强度与用户增长的关系以及很快。

在这个层次上，可视化报表的分析就是带着问题发现问题，通过一次或多次维度图表和指标图表的构建，逐步形成一个相对可靠、固化的分析模型。 这个阶段的用户不再被动接受图表反映的信息，而是通过“异常”的数据来定位其背后的业务问题。 数据和业务在这一层打通，数据图表之间的逻辑性更强。

例如，通过分析发现，在三种网络推广方式中，推广方式1的投入和产出最高。 因此，回到业务场景，这种推广方式在未来应该坚持下去，能够有效提升用户注册增速。

第三层次：业务建模分析

业务建模分析通常由精通业务的用户提出，通过合理的建模，找出业务中可能存在的问题，并加以反映，最终回归到业务中，形成决策和持续优化的流程。 业务建模可以很简单，由一个或多个图表组成，也可以很复杂，由一组或多组数据图表支​​持。 简单来说，业务建模也可以理解为业务分析的逻辑思维模型。 它只是用数据和图表进行有效的组织，以验证我们对业务分析的逻辑判断。

业务建模分析不同于第一层的综合数据呈现和第二层的异常分析和被动分析。 是对业务数据进行更深层次的主动设计和探索分析。 这一层次的分析是提出要深入业务，围绕业务分析场景一个一个进行，对业务的理解一定要足够深入。

例如，下面是对4S店首保退货率的分析。 通过一个非常简单的建模（维度：年，分析指标：新车销量、首保退保数量、首保退保率）来分析每年的首保用户留存率。

首保返还率分析

通过分析发现，2015年、2017年、2018年首保退店率在90%左右，2016年首保退店率仅为55%。 从汽车4S店的实际业务出发，汽车销售其实是不赚钱的，真正赚钱的是售后服务，比如保险、保养、维修等。 首保返店率很大程度上决定了购买新车的用户提车后是否会经常返店。 因为一个新车用户在提车后没有选择原店进行第一次保养，就意味着这个客户可能不会再回来进行后续的保养。 一年、两年、三年后，这个用户可能就永远失去了，这意味着以后的保养、延保、事故车维修都可能回不来了。

首保返还率分析

例如，某用户一年保养1.5次豪车，平均贡献3000元，1.5次就是4500元的收入。 再加上每年6000元的保险，潜在的保养可能在1500元左右，一年可能会产生12000元的收入贡献。 如果2016年的门店退货率只有55%，流失的顾客是174，如果能提高到90%，意味着可能的销售收入贡献可以达到3.51 * 12000 = 421万，也就是160万超过现在的收入。 如果新车基数扩大10倍，每年将多产生1600万的各项收入，因此提高首保返还率就变得非常重要。

同时，也需要分析一下首保退货率低的原因：是因为车卖到外地，还是新车用户不信任首保的维修环境和服务质量4S店，还有哪些方面需要改进。 所以其实业务分析模型的提出都是围绕一个非常具体的业务场景，回答一个接一个的业务问题，而这些问题的发现可能与企业的业务运营水平和管理水平有很大的关系。 .

例如，其中一个改进环节是在提车后带领新车用户参观维修区，了解其标准化程度，透明展示维修的全过程和专业性，让维修师傅不偷盗保养过程中的油。 ，更换更少的零件，更换劣质零件以建立信任； 或者通过一些小的促销手段，大概率留住新车用户； 或者利用系统在不同时间点对用户进行关怀，提醒新车用户提前回店保养等。

当然，其实一般情况下，每家4S店的首保返还率都可以保证在95%以上，甚至更高。 这里只是举个例子来说明数据和业务是如何关联的。

所以，要达到这样的目标，其实还是需要解决业务问题，找出业务环节中的短板来提升业务指标。

类似这样的业务分析模型还有很多，但是这样的分析场景很难被专业的BI开发人员提出来。 业务分析建模需要由专业的业务人员和具有数据分析思维意识的人员来推动和主导，再辅以合适的数据分析、挖掘或统计工具，这样才能充分发挥商业智能BI的价值，价值的数据也将得到充分体现。

四、商业智能BI概述

所以我最后想表达一个观点：我们不应该去质疑商业智能BI本身，我们应该质疑的是在这个过程中，我们个人和企业对商业智能BI的理解，已经先进到什么程度，到了什么程度？等级？ 在哪个层次上，商业智能BI的价值就会在哪个层次上体现出来。 如何有效、成功地推动商业智能BI的建设和实施，是我们BI服务商和客户必须共同面对的问题。

最后，看看我们对商业智能BI的理解是否更合理一些：商业智能BI的表象是可视化分析报告的呈现，但其实质仍然是业务问题和管理问题。 商业智能BI数据分析来源于业务，通过数据呈现发现业务问题（好的或坏的，内部或外部的经验）并返回到一个业务优化和业务改进业务运营的过程，这才是商业智能BI中的真谛内涵将数据转化为信息，信息产生决策，决策产生价值。