“字节To B拼什么？”
作者 | 张进
编辑 | 林觉民
1988年的清华大学校园里，曾经出现了一个特别的现象。
每天宿舍楼下的电话亭，都会排队一帮小伙子，焦急等着打电话，别人都以为他们在谈恋爱，结果靠近一听，都在谈生意。
“要什么？日立电视？多少台？那我可得问问，这货不好找啊！”
“你放心吧，只要你有，我这全都要，有多少要多少！”
话里话外，都是生意。有的人要卖，有的人要买，不管是水泥、聚乙烯，还是进口摩托车、日产录像机，电话打进来，吵吵闹闹，叫叫嚷嚷，全是赚钱的行当。
在这样的嘈杂中，共同构成了当时清华学生内部的倒爷文化。时至今日，这样的特殊记忆，也经常容易被出自清华的大佬频繁提起。
做倒爷，最重要的是什么？信息！上家是谁，下家是谁，货到哪儿，差价多少，全都得记得牢牢的，实时分析怎么做最有赚头。
这群清华学生的头脑，就是最好的数据处理器。
数据，早已是不亚于土地、劳动力、资本、技术的第五大生产要素，三十年前如此，三十年后更甚。
一家生产经营中的企业会产生很多数据，海量的数据被实时存储、挖掘、处理、分析，形成“数据金山”。以制造业为例，从财务软件到ERP为代表的企业管理软件，再到今天的云服务，积累了大量数据资源。
但这些生产资料的价值，许多时候并没有被发掘，而是在白白浪费，没有实现用数据去驱动业务、决策，为什么呢？
首先，“有数据”并不代表“能用好数据”。根据第三方机构Gartner数据表明，68%的企业数据没有被分析过，多达 82%的企业受到数据孤岛的阻碍。
其次，面对这些“数据金山”，企业更多是出于被动——执行项目要求和数据分析的惯性行为，并没能主动发挥数据价值。
目前，随着数字化经济变革正如火如荼进行着，以阿里云、腾讯云、百度智能云为首的各互联网巨头企业早早地在此摆兵布阵，借此拓宽自己的To B边界。
但大家对数字化的理解和解决能力各不相同，各厂商只能各显神通。在跳动数据平台负责人罗旋看来，数字化转型的关键是要让数据驱动自然而然发生，字节跳动To B也正是以此作为切入点，因为字节的优势正在于此。
它是“天生的数字公司”——以推荐算法起家，用内容数据迭代推荐，孵化出了今日头条、抖音等多个爆款APP，其增长密码一直引得很多行业好奇不已。
以此，字节火山引擎9月2日对外推出了新一代企业级数据产品——数智平台VeDI，是字节对自身数据技术经验的复制，以数据驱动作为核心理念，研发出来的一套数据驱动产品，这打响了字节To B的第一枪。
而结合文章开头的分析，数字化转型市场也正急需要能让数据与业务相融合，能解决数据孤岛问题，以及更智能化的数据驱动产品。
01
数据驱动下的字节如何跳动？
与传统行业相比，互联网行业最大的区别在于生产资料都是数据，形形色色的数据被放进APP、系统、算法等动力中，日复一日地转动从而催生了如今这些数字帝国。
虽然都是依托于数据的生意，但不同的互联网公司对数据的敏感度还是不同的。字节从婴幼儿时期就践行数据驱动文化，并在发展过程中有意识地开发出可“数据驱动”工具，还创建了能让数据与业务真正相互发挥作用的组织架构。
其实，字节的数据驱动文化早已根深蒂固。
最让外界津津乐道的是，字节使用A/B测试起名字的案例，据说“今日头条”、“抖音”两个名字都是A/B测试的结果，这背后代表着字节到处都在践行着数据驱动的理念。
对于“字节的增长是如何实现的？”这个问题，外界的分析已经累牍连篇，但就字节数据平台负责人罗旋看来，字节能快速成长为今天这样庞大，是围绕着“数据驱动”形成的文化、工具、技术、组织一套“字节经验”。
就以管理来看，字节内部践行“有据可依”决策，并不是拍脑袋决策，而是以数据驱动决策。
以中层管理者为例，他们关心的是业务进展是否顺利以及整个项目运转是否正常。据字节数据平台负责人罗旋分享，字节有些业务线由于自身业务比较复杂，leader在进行追踪目标进展的时候，OKR和周报量大内容多，导致管理效率低下，每次要拉很多人对OKR和周报的维度和口径。
基于此问题，内部提炼核心指标，统一周报和OKR数据，打通了数据看板，并联动飞书以及相关运营后台系统，来进行数据的判断、分析和预警，建立起全局OKR和周报的管理机制，解决了在不同周报和OKR里反复横跳的问题。
字节的全局OKR和周报的管理机制，现在也通过飞书开放给使用者。某农业产业一家龙头企业的一位数字化负责人曾告诉雷峰网，他们正是看重飞书宣传的“OKR”理念，而在一众互联网办公软件中选择了飞书，他们企业管理者想要通过飞书学习互联网公司的管理能力。
然而纸上谈兵行不通，一种文化的落地靠的是工具而不是意念。字节的“数据驱动”工具除了A/B测试，已经有一整套工具，就是字节的数据平台。
图1 字节数据平台的业务架构形态
字节的数据平台分为中台能力层和解决方案层（依据上图左半边）。再将内部的这些能力和经验，封装成供外部使用的中台底座和营销套件，以产品解决方案的形态，通过引擎来对外部客户提供服务（依据上图右半边）。
据罗旋介绍，这套数据产品的特点，可以用两个词来概括，那就是“敏捷”和“易用”。“敏捷”简单来说，就是更快，更灵活。字节让数据的各个环节都变快，不论是采集加工，还是消费分析。这个背后，字节在技术.上实现了海量数据的实时写入、实时分析；千亿级的数据的查询，可以做到秒级响应；搭建的实时数仓，能给正在直播的卖家们以数据反馈，让他们及时调整自己的策略，抓住转瞬即逝的机会。易用则是门槛低、上手快、 协同广，没有任何技术背景的同学可以无代码搭建数据门户，没有统计学背景的运营也能开启A/B实验。
历经七年时间研发迭代，字节的数据平台管理的总数据量在几年前已经超过EB（1EB相当于6700多万部iPhone手机的数据容量）级别，从实时流量的角度，在业务日常晚高峰时承载的埋点流量就已超过 1 亿 TPS，有超十万 core 的单任务需要上千台机器来计算。
然而面对如此大规模的数据量，背后对应的是字节业务体量越来越大，通用的平台产品技术已经不能满足业务需求，字节数据平台推出了“中台+BP制”创新组织模式。
相对于传统的“纯BU制”，创新式的数据 BP（Business Partner） 制的好处在于中台团队能更好支持业务，避免数据中台脱离业务需求。
数据 BP 机制，类似于 HRBP，组织形式上是集中式的，可以统一管理调配，执行上分布式到各个业务，解决业务问题；BP 团队根据不同业务的要求，选择数据中台中对应的能力，形成数据解决方案提供给各业务线。
“中台+BP制”模式实际上是一种分工方法。数据平台团队做公共产品，即各业务线都需要的通用功能以及数据产品，数据BP则跟随每一个业务线，比如抖音电商就有一个数据BP团队，为抖音电商的业务目标负责，同时他们还对数据平台的功能、数据产品非常了解并能利用公共产品为抖音电商所用。
向上，BP团队支撑不同类型业务线，向下兼容数据平台底层的各种能力；在组织上都汇报给数据平台，统一培养和调度，保证了复用性，不重复造轮子，可减少企业人力、研发等成本和提高组织运转效率。
以上，我们从文化基因、工具、组织、技术层面，分析了字节的数据驱动能力，现在可以说，从成立第一天起，字节就是一家数据驱动的“数字原生”公司，这些年也一直由数据驱动着、发展着。
02
太晚入场，字节To B如何破局？
风起于2019年，几乎所有的互联网巨头都开始摇旗呐喊要转型To B，云计算、芯片、AI、数字化的呼声一浪高过一浪。
各家做数字化的策略如出一辙，以公有云入局抢占市场，然后联合生态合作伙伴针对各行业做行业解决方案，积累标杆客户，做大自己的盘子。
对2021年才正式入场的火山引擎来说，错过前期公有云竞争，似乎已经太晚，但事实是，目前公有云市场竞争同质化严重，价格战肆虐，客户忠诚度并不算高。
一位云计算行业资深从业者对雷峰网分析，打价格战的唯一原因是产品没有差异化价值，否则客户不会仅仅因为价格低就迁移走，要想摆脱当前局面，各厂商必须得寻求差异化竞争。
可以看到，经过前期的混战，市场逐渐趋于冷静，来到差异化竞争阶段，各玩家必须得结合自身技术、经验到擅长的领域去深耕。
这也是为什么除了头部的一两个厂商没有太大影响，其他玩家都开始主打“xx云”另寻他路。
目光拉回到字节，当然明白在当前的局势下，势必要拿出点真材实料才能和其他玩家竞争。
字节通过火山引擎对外发布的数智平台VeDI，从其产品架构来看，可以看作是对字节数据经验的复制。
图2 火山引擎数智平台VeDI的产品架构图
再对比图1 字节数据平台的业务架构形态，可以明显发现，火山引擎数智平台VeDI上包含的SaaS层和PaaS层产品，基本对应对字节的中台能力。
可以这样理解，在这套经验孵化下，字节的成功已经是一个很好的案例，只不过现在将这套经验通过火山引擎数智平台VeDI对外开放，作用在不同的企业身上。
03
没有数据驱动的决策，
更像是一种玄学
据字节数据平台负责人罗旋分享，业务的增长，源于每个人做的每一个正确的决策，从战略、到管理，到执行。而决策是否正确，在没有数据驱动的情况下，更像是一种玄学。有字节的经验验证，数据驱动，能够让决策方法变得更科学。更科学的决策，也就会更趋近于正确的决策。
图3 火山引擎数智平台技术栈，端
到端的全链路数据能力输出
延续了字节的数据驱动能力，火山引擎数智平台VeDI的产品目标是驱动业务去做科学决策。据悉，为了实现这一目标，火山引擎数智平台VeDI对外完整的输出了端到端的全链路数据能力，覆盖大数据引擎、大数据管理、大数据应用三大部分。
根据图3 细分来看，每个端又包含了许多数据能力，大数据引擎包括数据存储、数据计算；大数据管理包括数据集成、数据治理、数据研发与运维、数据资产、安全合规；大数据应用包括行为分析，画像分析、智能洞察、营销投放、策略调优。
这些能力又对应到火山引擎数智平台VeDI的产品架构，我们可以看到其产品逻辑实际上是解决从客户数据平台的建设、数据采集、数据处理（如：数据研发、分析）、数据应用（如：A/B测试、增长营销）数据全生命周期问题，其中以A/B测试产品为例，经过这么多年字节自身业务的检测下，如今已很成熟。
在产品能力上，火山引擎重点升级了SaaS服务，提供了更具有场景化的模板，产品间协同性也显著增强，目的是更大程度的将数据驱动融入到业务环节中去。以SaaS产品增长分析DataFinder4.0为例，“场景模板”预置了内外部业务分析经验抽象的行业通用能力，用户可以按需选择所在行业的分析场景，一键生成模板，用于日常业务指标跟踪和分析。
讲完了数智平台VeDI的数据能力与产品逻辑，具体要怎么实操呢？以汽车行业为例，当前汽车行业正面临着进入存量时代，整车利润多年持续降低这一亟待解决的问题。
公开资料显示，目前火山引擎已经和领克汽车达成合作，为领克汽车提供了“APP咨询+VeCDP+MA”汽车数字营销解决方案。
APP咨询可以为领克汽车分析消费者需求以及APP消费者体验，通过洞察结果设计APP运营指标体系、APP埋点、用户差异化运营体系、用户标签体系。
为领克汽车搭建的VeCDP客户数据平台，实现介入15个系统，解决数据孤岛问题，并将数据加工成用户标签，对用户精准洞察及用户分群。
MA营销自动化搭建，支持车主及潜在客户等不同人群，提供差异化营销策略。
这套解决方案，使得领克打通了自身多系统用户数据，完成自身品牌数据资产沉淀，初步完成以用户为中心的统一数据体系的搭建。
再以一个具体业务场景为例，来看火山引擎数智平台VeDI是如何让数据驱动融入业务场景，做到科学决策的：
某业务负责人早上醒来打开手机飞书，看了一眼自己订阅的智能数据洞察DataWind看板卡片，发现昨天某活动的营收数据，显著低于了预期目标，于是他立即一键拉群，并at了相应负责人。
群里有对应的业务负责leader、分析师、数据员工，共同找原因。大家点击指标，跳转到DataWind里，通过使用DataWind内置的智能归因算法，发现渠道因素的影响最大。做出这一步，也是最初步的诊断结论的时候，时间只过去了不到10min。
接下来，还要做更详细的诊断分析，看不同渠道的转化情况。而增长分析DataFinder其实更擅长解决渠道分析的问题，通过预嵌入DataWind的DataFinder看板，大家查看了不同渠道下的转化漏斗对比，发现A渠道的人群跳失率太高了，基本上页面点一下马上就走了，说明这个渠道的投放效果较差。
怎么补救？——大家挑选了转化率较好的B渠道，将他们的数据回流到VeCDP中，并建立了画像标签，再基于此，对原来投放的目标群里画像做了修正，使其更精细化。
下一步就是投放了，用VeCDP刚生成的画像标签和人群包，在抖音广告体系内，做比之前更精准的定向投放。那用什么样的文案素材更好呢？通过DataTester，大家针对不同的人群，灰度测试选出了转化率更高的素材。
当正式投放开始后，DataFinder又可以继续用来分析投放效果。此外，还能针对引流过来的新用户，通过增长营销GMP进行私域运营，提升私域用户的活跃度。
以上就是一个企业，如何利用火山引擎数智平台，实现的一个数据驱动科学决策，进而解决业务问题的例子。有时候，它可能只是从小小的数据异常开始，但却能贯穿了企业从上到下的各个角色和环节。
据了解，目前火山引擎已经有旅游、金融、零售、汽车等行业的标杆客户，这些行业自身数据都比较多。前面提到，火山引擎数智平台对外输出了端到端的全链路数据能力，行业自身的数据越多（即可以称为私域数据），越容易利用字节的技术经验数字化。同时，火山引擎还有一个其他玩家没有的优势——可以联动抖音集团的生态资源，极其利于企业做营销增长。
04
后记
到今天，企业数据跨过“有得用”阶段，进入到“用得上”阶段之所以如此难，是因为还存在两个瓶颈——数据供给的敏捷性和数据治理的智能化。
而继承了字节数据平台技术经验的火山引擎数智平台VeDI，同样保留了敏捷（实时写入，实时分析，千亿级数据达到百万级查询和秒级响应）、易用（自助分析、自助标签、自助配置）两个最大特点。
要想落地数据驱动，实现科学决策，工具必须得好用，就是任何人都可快速上手操作。传统企业之所以要借助互联网行业的数据经验，除了组织、文化上的某一些桎梏，还有无人可用，并不似互联网行业技术人才多，例如大数据、算法、AI等先进技术发展大多聚集在互联网行业。这时候，产品必须要有较低使用门槛（以火山引擎数智平台VeDI为例，能实现无代码操作，连运营人员也可以操作A/B测试），让企业迈向数字化过程中，并不需要招大量技术人才，节省成本的同时，还能提效，获得增长动力。
华强北MCU冰血暴
金山云十年一梦，碎在须臾之间
本文地址：http://sjzytwl.xhstdz.com/quote/65532.html 物流园资讯网 http://sjzytwl.xhstdz.com/ , 查看更多