派可数据的博客

数字化转型可以说是目前非常适合企业的道路，它不仅能够让企业利用数据发挥数据价值、也能够提升企业商业创新的能力，还可以帮助企业进行更加精准有效的决策，研发更符合用户需求的产品，促进实体经济和数字经济融合等等。数据的价值不仅重要而且还容易被企业所利用，就拿现在非常常见的数据分析来说，通过数据分析企业可以将大量业务数据转化为知识和信息，并借助这些价值信息洞察业务的发展，对整个流程进行优化，提高业务流程的运转效率。数字化转型还为企业带来了发展决策能力的提升，让企业能够长期健康发展，避免出现决策上的重大失误。

三级指标在整个业务流程中，对应的其中的各个环节，基本上覆盖了企业的业务指标，所以到这里企业就已经基本上确认了有效的数据指标体系。对于企业来说，一级指标是数据指标体系的核心，也是业务过程的关键。如果只是单纯的罗列指标，不考虑业务流程中，数据指标的先后顺序，就很容易出现逻辑不连贯，导致过程和结果不清晰，失去了促进业务决策发展的价值。数据指标体系严格来说是深入企业底层系统的基础建设，所以需要企业完善企业完整业务流程中的各环节数据指标，一步步的数据业务流程对应的指标，确保业务和数据指标相对应。

首先数据中台的建设需要企业投入大量资源，并且建设还需要花费企业本身的人力、物力、时间、精力等，如果企业的规模比较小，亦或是没有留出数据中台建设的专用资源，那么到最后可能数据中台就不会达到想要的效果，甚至可能影响企业本身的业务的经营。数据中台是从一线业务中诞生的，自阿里确定概念之后，数据中台就基本确立了建设规范。此外，根据上边的描述大家应该都明白数据是数据中台的核心，如果企业还没有进行过信息化建设，没有为各部门安装业务信息系统，那么企业就没有沉淀的大量业务数据，也就没有建设数据中台的前提条件。

也就是说业务扩张的越厉害，成本的控制、内控、经营管理的复杂度是急速上升的，管理效率的提升、业务协同的加强在很多企业内部成为了一个瓶颈，制约了环保企业再进一步的发展。但真正要注意到的是内部的问题，比如应收账款、技术创新、管理风险、应对政策风险的变化，这里可以大概讲几个点，后面所有的分析框架都是基于这几个点来延申的。在前面的两篇文章中主要从业务的角度讲解了一下环保的分类：大气、水、固废处理三大方向，以及从产业链角度讲解了一下有关环保设备、环保工程、环保运营三大业务领域以及它们的商业模式、核心竞争力、业务特点。

像首创环保、中国天楹200多亿；所以，环保行业的上游主要是像钢铁、电子、化工、电力、有色金属这些企业，这些企业本身也是环保企业的客户。前面的文章大概给大家介绍了下环保行业的细分领域：大气污染处理、水污染处理、固废处理，其中水污染处理和固废处理是环保行业的两大核心，固废处理是核心的核心、规模占比和增速最大的一个市场，蓝海市场。最后是环保服务的，稍微有些区别就是他们可以只做环保工程的托管、环保项目的运营、环保服务，或者直接就是环保项目的第三方投资，通过这种托管运营、或者投资来为第三方提供服务来实现盈利。

所以，像生活垃圾、工业废物、危险废物处理率、发展空间还是有很大的提升空间的，这几年市场的增速也是非常快的。最后，简单总结下环保行业，水污染处理和固废污染处理是环保行业的两大核心，其中固废是环保行业规模占比最大的市场，近几年市场增速明显。这里面的业务就包含了像脱硫、脱硝、除尘等烟气处理的设备、装置销售，主要是一些从事大气治理设备的公司在开展这个方面的业务。还有一点大家可能没有太知道，我们国家的水质排放标准还是严重偏低的，大概是劣五类，所以现存污水处理厂还是存在很大的提标改造空间，未来还是有比较大的发展前景。

但是问题来了，都十年过去了，站长问：则成啊，现在所有的商业智能BI厂商都说自己是敏捷商业智能BI了，到底谁是传统商业智能BI呢？商业智能BI的内涵和本质是企业业务管理思维的落地，可视化页面怎么看、怎么分析、从什么角度看最终都是要体现用户的业务管理和分析思维的。就像大家看美女帅哥，第一眼心动的感觉一定觉得长的好看、长的帅，但是时间长了，还是需要注意内在美和内涵，关注一些深层次的东西。是谁说的，就上网查他们公司的招聘，看看他们自己对商业智能BI人员能力要求里面，有没有一条要求，就是要懂数据仓库。

而数据分析师在未来会负责分析复杂逻辑的业务分析以及企业整体的发展状况，通过不同统计分析方法对海量的业务数据进行归纳总结，挖掘出数据背后隐含的深层信息，提炼出对企业有价值的决策信息，并制作成制作数据可视化分析报告，提交给不同层级、不同部门的员工以及高层管理人员，让企业能够实时了解业务发展情况，得以持续性的健康发展。在分析前，要根据业务方向调取相关数据，在分析中，要根据业务判断这些数据对企业的影响，在分析后，要根据得到的结果，辅助管理人员对企业业务进行决策。首先，很多人只关注数据，却忽略了业务的重要性。

需求复杂度降低，产品品类颗粒度越统一，越利于预测。如果能够做到这种程度，所有的数据放在一起，整个链条中的每个节点点对点的效率提升就非常高了，并且能够直接掌握到一线的需求，供应链的反应就会非常的快，预测也会更加准确。因为每个行业、每家企业上下游情况差异化太大，完全的消除我认为很难甚至不可能，只能说有一个思考和探索的方向，想一些办法去积极应对，尽量去降低影响，这是一个思考的框架。第一，如果有能力的话尽可能的缩减供应链的中间环节，整个供应链链条的中间环节越短，牛鞭效应的波动范围就越小，放大需求的次数就越来越少。

大家看，这个市场需求就是这么从市场端传到品牌产品公司的一级供应商A，再由供应商A把需求放大到A的供应商B，B基于对A的分析又放大了一下，就从最开始的100W变成了120W，增加了20W的需求。牛鞭效应就是指在供应链上的信息流从终端客户向原始供应商逆向、逐层传递的时候，由于无法有效的实现需求信息的共享传递，于是信息在传递的过程中失真、扭曲并逐步放大，导致需求信息出来了越来越大的波动，就像甩一根牛鞭子一样，手头这一边的波动（需求）很小，远端鞭子的波动（需求）就很大。好的，今天的分享就到这里。

而对于企业来说，数据的价值也尤为突出，数据不仅让各行各业的企业重新构建了以数据为企业文化、核心驱动力的体系，还把企业的财务、销售、运营、市场等不同部门通过数据进行了重塑，利用数据分析、数据可视化、数据挖掘等实现了业务方面的增长，提高了企业的决策水平。当下数据正在发挥着越来越重要的作用，就在不久前中央全面深化改革委员会第26次会议还审议通过了《关于构建数据基础制度更好发挥数据要素作用的意见》，进一步的提高了数据地位在社会中的地位，还宣布要构建数据基础制度体系，更好发挥数据要素的作用。

比如从产品角度分析销售收入占比，从时间角度看销售收入的趋势，在这个描述中，产品和时间就是分析的维度，销售收入就是被看的、被分析的数据，就是度量Measure，我们有的时候也叫KPI或者指标。不管什么样的模型都可以理解为一种预设，比如像一张大宽表，它的维度和指标在大宽表中就是固定的，只是维度列多一些，指标多一些，给了用户更多的一种组合维度和指标的可能，并不是说就没有模型的概念。在BI自助分析过程中，会首先选择分析的维度，再选择相应的度量或者指标，通过拖拉拽的方式就实现了可视化，数据就出来了。

一方面进入互联网时代后，人类社会就已经进入了高速发展的阶段，各种想都没想过的场景出现在人们的面前，移动互联网更是直接把手机变为了人类身体的延伸，并通过在线社交、远程视频、网络娱乐、网络购物等等应用加快了社会的资源配置能力，从整体上提高了人类社会的效率，也加快了整个社会的节奏。商业智能BI作为打破数据孤岛，统一储存、处理企业数据，制作可视化报表的重要数据类技术解决方案，不仅拥有各种重要的功能模块，还通过低代码节省了大量人力、时间、精力等成本，极大增强了企业数据的利用效率，促进了业务的健康发展。

最后，也是很多企业选择商业智能BI的直接原因，这就是企业高层管理人员对企业全面状况展现的需要，大部分高层管理人员在日常负责的是整个企业的发展，而不是某个部门的某个业务问题，所以他们需要商业智能BI来对企业的各个组织、各个业务线的业务进行分析呈现，完整全面展现企业状况就是企业高层管理人员的关键需求。商业智能BI的本质其实是数据类技术解决方案，主要负责处理的就是企业的各种数据，虽然起到承上启下的作用，但向下看主要是数据输入，向上看则是数据输出，所以商业智能BI对企业数据有一定要求。

方案二是一套很完备的技术方案，可以满足各种主数据获取需求，代价是架构比较复杂，如果企业正在构建的是一整套大数据平台，方案二是值得一试的， 从技术上讲，主数据管理系统是一个相对传统的Web 应用，负责维护主数据的增删查改，同时对外提供获取主数据的 API, 对于大数据平台，最好提供以内存数据库为依托的数据读取服务。而主数据其实就是这样的一条记录，这条记录可以划分为两部分，一部分是主数据，描述核心业务实体属性的数据，另外一部分就是主数据在业务交易过程中由系统产生的数据，比如这块的订单数据就是业务数据。

比如从订单输入开始、到确认订单、到生产、到交付等每一个过程都准确无误，无损坏、无退货、按时交付，把影响完美订单的每个环节归类分析，看看问题集中在供应链的哪些地方，这个就是未来优化的方向，不断的去提升完美订单率。可以从很多维度，比如产品线、生产基地、订单分类等视角去分析完成周期的波动对比差异，以及每一段时间的结构性占比，到底时间耗在哪一段了，可以分析的点很多。总之，对于企业而言，是一定要分析这个指标的，这样可以起到真正评估我们的薄弱环节，去做改进提高市场声誉，降低退货率，减少后期成本，改善利润。

但是像房地产行业存货周转率只有0.2-0.4很低，是不是真的就不好呢，并不是的，因为盖房子的周期本身就很长，整个行业就远远低于其它的行业，简单的分析存货周转率对于房地产行业而言并不能为管理者提供多少有价值的信息。按下葫芦起了瓢，甚至起了更多的瓢，所以这个指标的背后是非常复杂的，需要统筹思考。可以非常直观的描述向供应商支付现金到从客户那收到现金所需要的时间，就是存货周转周期+应收周期-应付周期，从付出现金到收回现金的周期，这个时间越短越好，确保企业可以用更少的运营资金来开展业务。好的，今天的分享就到这里。

关于构建数据基础制度更好发挥数据要素作用的意见》的通过证明数据价值、数据资产已经得到了国家的认可和重视，也意味着数据作为第五大生产要素，切实通过数字化、信息化、智能化等融入了社会的生产、分配、存储、流通、消费和管理等各个环节，从根本上改变了人们的生产、生活方式，也加快了政府机构的社会治理、管理的数字化转型任务。但战略的重视，也意味着风险性的提高，所以在近些年我们经常能够看到数据作为企业、国家的重要资产，一边在创造价值，一边却不断发生大规模的数据泄露事件，给全社会带来了巨大的损害。

此外，商业智能BI还能提供数据可视化报表，用拖拉拽等方式实现数据可视化，并通过数据可视化分析全面展现企业发展状况，例如销售分析、运营分析、生产分析以及管理人员需要的管理驾驶舱、核心KPI展现等，追踪业务执行效果，根据历史数据报表进行复盘，促进业务健康发展，辅助进行管理决策等，是解决数据孤岛问题的重要工具。就拿大多数企业最为看重的业务发展来说，各部门因为数据彼此不互通，容易出现一个问题，就是异常业务数据找不到原因，浪费很长时间调研部门员工、业务情况后，忙于进行调整，不仅没有成效反而造成进一步的业务发展受挫。

当前中药企业根据产业属性的不同以及对中药未来预期发展的不同，可以细化分为不同的中药赛道，比如说直接供应中草药材，通过受到广泛认可的中药原料，以产业链、供应链扩张当前市场，或是通过现代医学对中药进行一定程度上的改造，研发符合现代医学的创新药品，此外还可以利用人们观念里中药的保健、养生、预防等属性，开发其他市场。中药行业一直都是我国传统行业里备受关注的领域，中药的细分药品也是受到争议最小的，相关的中药企业也都有着长久的历史，长期在大众的关注里成长，也得到了广泛的认可。

其实抱有这种想法的人到现在还大有人在，客观上说数据本身确实没有什么价值，这是因为数据本身并不等于信息和知识，需要通过数据分析，对数据要素进行挖掘和应用之后，数据才会转化为我们能够理解的信息和知识，变得更有价值，只不过很多人忽略或是不清楚这一点，才会质疑数据的价值所在。可视化大屏与PC、移动端的数据可视化实现过程中，最大的不同就出现在页面布局的阶段，在这个阶段，PC数据可视化的特点是比较灵活、可以在长度上进行拉长、通过滑动进行页面布局，移动端则因为页面尺寸较小，更多呈现的是企业关键指标以及异常数据监控等。

简单来说，数据服务是数据中台能力的出口，是支撑数据应用的重要支撑。像是一些常见的数据类操作，比如数据的分类、打标签，元数据管理、数据血缘、数据追溯等数据资产，很难被直接利用，也因为人力、时间、精力等的限制减小了企业应用范围。从前边我们也能看出，以往在企业中业务系统与业务系统之间的数据交换，各个底层的交换协议、传输协议、安全协议可能各不相同，但是在数据中台中就可以借助数据服务进行系统之间数据交换的工作，并进一步推给第三方应用，把各种数据交换、数据传输、数据处理转化为数据服务的一种形式。

所以，数据分析的方向也是在不断的发生变化的，数据统计支撑到管理决策也是一个动态的过程。像我们去看生产制造行业，先从宏观上去看整个行业产业链、企业在行业上下游的位置，弄清楚上游供应商、下游客户他们业务合作特点，从这里面就能看到客户、供应商怎么准入的，应收、应付的情况怎么样、现金流周期怎么样，能看到很多深层面的东西。前面的文章讲到了“推式”、“拉式”、“推拉式”供应链模式，也讲解了“拉式”生产制造策略下的ETO、MTO、ATO的特点，今天我们继续分享一下 “推式”供应链下的MTS。

MTS、MTO、ATO、ETO这是都是供应链管理的一些基本知识，在了解这些小业务知识之前建议大家可以回头看看前面系列的文章，包括供应链 “牛鞭效应” 、 “推式” 、 “拉式” 、 “推拉式” 供应链，看完前面的文章之后再来理解MTS、MTO、ATO、ETO 这几种生产制造策略就会很容易。就是客户给的订单，你要生产的话，你之前的原产品改动很大，或者基本上用不上，要完全按照客户的要求来设计生产，量身定制式的开发，所以这类产品有可能就只会生产一次，比如像造船、大型装备制造、发电设备等等。

拉式关注的如何快速把销售订单转化成生产订单，订单的流程如何优化、要看什么样的数据来支撑企业的优化决策想法，这些都是需要通过商业智能BI拉通各个系统，通过数据分析来推动决策的。拉式供应链的优势是不需要持有过多的库存，按照客户的自己提出的需求，临时变化的可能性比较低，能有效减少“牛鞭效应”的影响。如果没有上述这些业务背景，就只能别人给你什么，就出什么报表，没有足够的主观能动性，是无法上升到数据驱动决策层面的，所以了解这些业务就非常非常的重要。现货库存，交期短，可以更快的满足用户的需求。

拉式供应链是以消费者、客户为中心，根据客户的个性化要求逐级通过经销商下订单到生产厂商，将销售订单转变成生产订单，根据订单需求来决定生产什么，充分的满足客户的个性化需求，生产好了再通过渠道给到客户。所以，在供应链的上游采用的是“推式”，下游采用的是“拉式”，所以就是“前推后拉”的混合供应链生产策略。虽然不能提前知道这些零配件会最终给到哪个客户，但等用户的订单来了之后，根据选择的配置直接将已经生产或者采购好的零配件进行装配、组装来实现用户的个性化需求，这个阶段采用的就是“拉式”策略。好的，今天的分享就到这里。

所以，就会存在一些调研的问题设计的角度和层次过于拔高或者没有挑战，如果把最重要的业务线放在最前面，一旦这些问题的层次与访谈对象的认知层次没有匹配上，整个开局就会非常的被动，对方的积极性就不高，导致最重要的部门聊的问题是最浅的，就会丢失非常多有价值的信息。通常情况下，比如A、B、C、D四条业务线，我们通常会了解下这四条业务线在公司的业务比重、占比，换句话说，哪条业务线对集团最重要？做业务访谈的时候，如何安排好访谈的顺序，比如有A、B、C、D四个业务线，先跟谁聊，后跟谁聊，这些都是需要一些技巧、方式和方法的。

在财务报表中这是可以对上的，但在经营管理分析的时候是需要拆出来看的，那里面的费用怎么拆，怎么分析？在分析型的比如商业智能BI的信息化项目建设过程中，经营管理分析的视角不是以HR或者OA里面的法人架构视角来进行分析维度设计的，而是以经营管理视角来设计的。要了解他们的经营分析架构，在分析实际业务、经营指标时，这些维度是如何合并、如何组织的，以及这些数据在实际的业务系统中如何表现的。很多微小的点传递出来的信息，在不同的人身上敏感度是不一样的，可能是机会、也可能是风险，我们要培养这种敏感度和嗅觉。

如果一致，那说明问题点抓的非常准确，如果没有抓对，就要思考下他们的业务为什么和我们理解的有差异，这些差异就是我们要继续做功课的地方。所以，不同的行业有不同的业务背景，这是业务访谈前都要做好的工作。比如他们的业务模式是直销和经销商模式，各自占比情况如何，上游的采购是集团集中采购，还是集采加事业部零星采购，这些不同的模式背后关注的重点往往各不相同。简单总结一下，我们在访谈之前要提前熟悉行业的业务特点，基于企业自身要熟悉他们的业务流程，以及所访谈部门的他们大概会关注的重点，都需要提前梳理一遍。

第二个就是时间线上，商业智能BI的建设规划要基于企业自身的IT业务信息化，业务信息化一定是靠前规划的，没有业务系统的基础，就没有数据，没有数据就做不了商业智能BI，所以商业智能BI的项目建设在大多数情况下是滞后于一般的业务信息化系统建设的。当企业的IT业务信息化建设到一定程度，只要有数据了，只要有多系统数据孤岛的问题，就一定会有商业智能BI的诉求，只是时间的问题，什么时候投入做的问题，但对于商业智能BI的需求一定始终是存在的。对此，我的看法是商业智能BI行业发展空间很大，这个判断的逻辑依据是什么呢？

这种独立的、单独的面向前端的商业智能BI分析工具，他们更多的定位是部门级和个人级的商业智能BI 分析工具，对于深层次的需要复杂数据处理、集成、建模等很多场景是无法解决的。从市场宣传和销售的角度来说，简化产品的复杂度和上手难度的宣传是没有问题的，有问题的是以一种错误的讲解、不专业的讲解最终误导企业接受了这些不正确的概念，并以这些不正确的概念来评估与规划 商业智能BI 项目的建设，没有充分预计到 商业智能BI 项目建设过程中可能会遇到的挑战与风险，最后导致项目的不成功与失败、反复建设。

比如从订单输入开始、到确认订单、到生产、到交付等每一个过程都准确无误，无损坏、无退货、按时交付，把影响完美订单的每个环节归类分析，看看问题集中在供应链的哪些地方，这个就是未来优化的方向，不断的去提升完美订单率。可以从很多维度，比如产品线、生产基地、订单分类等视角去分析完成周期的波动对比差异，以及每一段时间的结构性占比，到底时间耗在哪一段了，可以分析的点很多。总之，对于企业而言，是一定要分析这个指标的，这样可以起到真正评估我们的薄弱环节，去做改进提高市场声誉，降低退货率，减少后期成本，改善利润。

但是像房地产行业存货周转率只有0.2-0.4很低，是不是真的就不好呢，并不是的，因为盖房子的周期本身就很长，整个行业就远远低于其它的行业，简单的分析存货周转率对于房地产行业而言并不能为管理者提供多少有价值的信息。按下葫芦起了瓢，甚至起了更多的瓢，所以这个指标的背后是非常复杂的，需要统筹思考。可以非常直观的描述向供应商支付现金到从客户那收到现金所需要的时间，就是存货周转周期+应收周期-应付周期，从付出现金到收回现金的周期，这个时间越短越好，确保企业可以用更少的运营资金来开展业务。

在这场变革中，深度智能技术的融合应用，正在打开企业数据分析的新维度，而大模型技术的突破，为BI领域带来了新的可能性——DeepSeek等大模型的深度应用，正在重新定义数据分析的边界。基于员工角色的个性化数据推送，如给采购总监的晨间推送：“您关注的10家供应商中，3家原材料报价波动超阈值，建议今日重新议价”。当DeepSeek的认知智能注入BI系统，数据将不再是被解剖的“标本”，而将成为会思考、能进化的“生命体”。对派可数据感兴趣的可加派小可微信、咨询派可官网电话，关注派可数据公众号。

但是实际上看看刚才的数据处理过程，和BI的ETL过程也都是非常类似的，都需要采集各类数据库、接口的不管是外部的还内部的数据，也都需要进行非常复杂的数据处理，建立模型。比如我们经常见到的在一些企业，信息化系统的规划都是分阶段进行的，不同的系统不同的部门在使用，由于缺乏一定的提前统一规范，再加上不同的业务部门使用不同的系统比如对产品编码、供应商档案信息的维护不一致，结果就造成在BI取数建模的时候就不知道到底以哪一套系统的维度档案数据为主，就需要花费大量的时间、精力来处理这类数据的合并、脏数据的剔除等开发工作。

这种框架设计不仅仅是ETL框架架构上的设计，还有很深的ETL项目管理和规范性控制器思想，包括后期的运维，基于商业智能BI的商业智能BI分析，ETL的性能调优都会在这些框架中得到体现。今天来聊一个技术问题，有关 ETL 的开发。对于做过 商业智能BI 开发的朋友，ETL 并不陌生，只要涉及到数据源的数据抽取、数据的计算和处理过程的开发，都是 ETL。我们通常讲的商业智能BI数据架构师其实指的就是ETL的架构设计，这是整个商业智能BI项目中非常核心的一层技术实现，数据处理、数据清洗和建模都是在ETL中去实现。

实际上，信息化初步完成的就是业务信息化，主要服务于业务人员和部门管理者，负责的是规范业务流程，将线下业务集成到线上平台，形成标准化的业务模式，并沉淀数据，让部门管理者通过业务信息系统就能获取业务数据，了解业务发展情况，对后续业务进行调整。企业在进行信息化建设时，没有考虑到信息化是针对整个企业的业务流程，乃至经营管理模式的改革，只是把信息化建设相关建设以及业务信息化系统放在桌面上讨论，忽略了企业中人员的培训、系统的维护、信息化人才的招聘、改革期的阵痛等影响。

第二个点就是商业智能BI分析报表的SQL查询可能返回了大量的数据，比如几十万、上百万、上千万、上亿的数据，这个数据最后打包通过HTTP协议Response响应返回，需要通过网络返回到Browser 浏览器端，几十万的数据可能有上百兆MB，上百万、上千万的数据可能是几百兆（MB）甚至一个GB的数据。所以，商业智能BI分析报表的优化首先要解决的就是在数据库服务器上的查询效率，SQL 的结构要合理、底层数据模型的结构要合理，这是SQL层面的优化，更是数据模型的优化。这样整个从查询到返回到展现的时间都会大大缩短。

数据孤岛是当前时代，算是企业在数据问题上遇到的一个顽疾，前边提到的数据孤岛其实只是常见的一种，还有很多企业并不是因为业务系统，而是因为职权不明、部门划分模糊、业务流程不规范、数据管理混乱等原因导致的数据孤岛，同样会对企业造成事实上的孤岛问题，影响企业的数据利用成效。企业要打破数据孤岛的原因还有很多，比如难以全面了解企业整体发展状况、无法统一数据指标导致数据繁杂、各部门系统孤立无法协作交流等，其实说到底就是数据在当下越来越重要，一切影响数据发挥价值的问题都应该加以解决，数据孤岛自然也是如此。

第三，BA要有很强的业务需求文档撰写能力，能够很清晰的展现业务分析需求的背景、框架、业务流程，更方便的给技术开发人员一个业务性的解释指导说明，是需求的提出方和建议方，也是建立业务与IT技术之间的桥梁，更是衔接商业智能BI和业务的核心。所以，做一个好的优秀的BA其实挑战性很大，要求也很高。第二，就是业务层面，没有系统性的梳理商业智能BI项目中现有业务体系、业务架构之前的关系，对业务没有充分的认知，导致对很多业务理解的不透彻，没有真正深挖出和引导出有价值的业务点，导致很多东西都是做到最后才后知后觉的。