四大跨國企業如何運用資料倉儲

在今年3月Teradata數據倉庫暨企業分析峰會上，數家全球性重量級的企業，包括eBay、DHL、可口可樂、大型金融集團RBC等，都發表了自家資料倉儲系統的應用狀況，歸結起來，近年國際企業應用資料倉儲包括了營運數據集中化、巨量資料分析、社群網站分析等三大趨勢。

DHL：讓貨運整體成本透明化，以提高企業營運調整彈性
全球國際快遞企業DHL在2011年1月正式上線了可以用來計算成本的資料倉儲系統，這個新的系統整合了既有的三大資料庫，分別是營運掃描系統（Operational Scan Database）、結算記錄（Billing Records）、總帳系統（General Ledger），藉由整合這三大系統，來提供每一次運輸服務的收入、成本、營利分析資訊等，這些資訊包括收益報表、利潤管理、客戶的合法性、成本管理、營運標準化分析、航線控制、基於活動的管理。

DHL在全球220個國家都有提供服務，擁有4,500多個分公司，每天要調度超過1,700次航班，3萬多輛運輸車將貨品送至顧客指定地點，這些地點的數目高達12萬個。為了管理這個複雜的運輸流程以及繁多品項，DHL在1998年的時候就建立了一種以作業流程為衡量基礎的成本計算法ABC（Activity-Based Costing），也就是從客戶要求寄送貨品開始，一直到貨品抵達目的地之間的完整作業流程為主體，將此主體拆分為50個動作，比如取件、空中運輸、報關等等，再從每個動作所需要的資源來分析成本，並進行管理。

這種計算法有別於過往是以部門作為利潤成本分析的單位，也讓DHL得以因應全球各地不同的運輸成本。不過，DHL全球成本管控負責人Kris Van Humbeeck表示：「由於成本計算系統與總帳系統沒有整合，不只無法對帳，也不能進行有意義的分析，甚至無法有效區分固定成本和變動成本等問題。」

DHL用資料倉儲系統將營運資料集中化後，就能分析盈利、管理利潤率與貨運成本、航線控制等等。甚至DHL全球成本管控負責人Kris Van Humbeeck表示：「擁有即時且整合的數據以後，還能隨時調整經營客戶的模式。」

因此，兩年前，DHL決定導入資料倉儲系統，來集中營運掃描系統、結算記錄、總帳系統的資料。DHL表示，集中化的好處是在任何國家、任何地點所得到的數據資料都是一致的，而特定國家或地區所需要的資料，就只要透過前端的使用者介面呈現，這麼一來，DHL除了可以掌握每一個貨品所有流程的成本分析之外，系統資料也能跟實際的帳務系統對應。

透過資料倉儲系統將營運資料集中化後，就能提供盈利分析報表、利潤率管理、貨物的合法性、成本管理、航線的控制等等。對DHL來說，Kris Van Humbeeck表示：「擁有即時且整合的數據以後，就能隨時調整經營客戶的模式。」比如說，有些大客戶運送大量的貨物，雖然單筆金額高，但同樣要求也多，有時候為了處理大客戶的要求，反而花掉更多成本，因此，DHL可以藉由分析出的數據，來調整出更適合的營運模式。可口可樂：統整零售商銷售資訊，打造需求驅動的價值鏈管理

另一個也進行資料倉儲集中化的跨國企業是，擁有220年歷史的可口可樂公司，可口可樂將全球各地零售點的銷售系統資料集中化，來分析顧客在不同通路的消費狀況，進而優化每個零售點的庫存量。

可口可樂在全世界超過200個據點銷售產品，擁有超過70萬個員工，在北美地區，甚至有超過94％的家庭，都擁有可口可樂所生產的飲品。不過，可口可樂全國零售副總裁Justin Honaman表示，過去幾年來，受到養生與健康風潮的影響，碳酸飲料的銷售量逐年下滑，因此，可口可樂除了不斷推出符合市場需求的新產品之外，也更進一步地管理零售商的庫存，來減少因為錯誤預估市場需求所產生的運送成本與生產成本。

Justin Honaman表示，身為品牌商的可口可樂與旗下零售商，雖然雙方都希望可以提高銷售量，但是雙方關注的執行重點並不一樣，比如說品牌商重視的是將貨品呈列在顯眼之處，但零售商往往在意的則是提高顧客購物籃內的總購物金額，不一定只會針對可口可樂商品進行促銷，這也導致可口可樂的行銷策略，不一定能有效落實到零售商執行，也就不易搭配促銷活動發揮綜效，因而產生了滯銷的情況。

因此，可口可樂決定協助零售商進行銷售分析，整合美國的零售商POS系統，並將銷售資訊以集中式的資料倉儲進行分析。透過零售商的銷售資訊，可口可樂得以分析出顧客購買飲品的原因、地點與時間，從這些實際上的銷售資料提出各種飲料的搭售方式，以及顧客在店內消費的動線等。

藉由建立集中化的顧客分析智慧（Customer Intelligence），可口可樂統一了資料倉儲跟資料標準，而且所有的零售商都可以藉由可口可樂的系統，進行商業分析。

Justin Honaman認為，集中化的顧客商業智慧分析才有競爭力，而非過去僅是報表或是查詢而已。舉例來說，過去單一系統所提供的資訊往往只有發生了什麼事情、數量、頻率、地點、問題點，而系統集中化後，就可以進一步提出這樣的資訊可以如何反應、發生某些事件的原因、預測未來該事件持續擴大的因應方式、未來會發生的事情等等。

也因為集中化以後，可口可樂開始可以進行「由需求驅動」（Demand Drive）的價值鏈管理，比如說，POS系統的資料可以得知顧客的喜好和數量，就能改善貨架上的存貨、優化訂單的數量，進而提高獲利，對可口可樂來說，也能減少生產與貨運的成本。eBAY：分析大量非結構化資料，找出顧客抱怨改善交易體驗

自從Teradata去年收購了可以分析非結構化資料廠商Aster Data之後，接收了一些來自該公司的客戶，如社群網站LinkedIn，有關巨量資料的分析也有更具體的案例，其中一直以來跟Teradata緊密合作的eBay也宣布在去年年底，導入了專門用來分析非結構性資料的Hadoop平臺Ares。

eBay內部的資料分析架構共分成3個部分，一個是傳統的資料倉儲，用來分析一般結構性資料，目前eBay這類結構性資料大約有6PB。第二個平臺是用來分析半結構性資料Singularity，比如像是網頁瀏覽Log記錄，採用了類似SQL的SQL++語言。第三種則是名為Ares的Hadoop平臺，管理者可以透過Java和C語言開發程式，來處理完全非結構性資料。後面兩個平臺都分別要處理40PB的資料量。

eBay中國研發中心分析平臺與交付研發總監梁滸表示，Ares平臺約從2010年5月開始建置，經歷1年時間測試，在2011年正式上線，以2個24PB的叢集互為備援。

目前eBay藉由Hadoop技術分析的非結構資料共有照片、Log檔記錄、買賣雙方電子郵件的內容以及賣場上的商品描述4類。梁滸表示，分析這4類型的資料，主要是為了防止詐騙、私下交易以及預防買家流失等目的。

首先，因為eBay有對賣家收取費用，造成部分賣家為了逃避支付費用，而將聯絡資訊用拍照的方式放在網頁上，吸引買家進行私下交易。為了確保買賣雙方不會進行私下交易，eBay就用Ares平臺分析照片內是否有賣方的各種聯絡資訊，包括電話、住址、電子郵件等。除此之外，eBay甚至還能比對賣方販售的正品名牌包，與原廠產品是否一致，一旦發現有問題，就會給予賣家警示。

其次，因為eBay主要業務是拍賣，所有在網站上的販售商品都不是eBay所有，為了維持網站上的交易穩定度，eBay提供了一個買家保護計畫，凡是透過eBay所進行的交易，若一切符合規定程序，卻發生了付錢而沒收到貨品的狀況時，eBay會負責賠償買家的損失，來確保買家願意繼續使用eBay的服務。

為了及時發現問題交易而避免發生更大的糾紛，梁滸表示，藉由分析買賣雙方的電子郵件內容和商品描述，eBay才能判定在書信往來間，買賣雙方的交易狀況，一旦買家啟動抱怨機制時，eBay就能立刻判定出該筆交易是否符合規定，先嘗試解決雙方的糾紛，或是接下來的賠償事宜。

分析電子郵件的內容還可以避免買家因為「沈默的痛苦」（silent suffer）而離開eBay的平臺。梁滸表示，有一些買家因為購買的商品價格不高，所以即使被騙了，可能也懶得去申訴，不過，這也使得eBay流失這類型的買家。

用來分析非結構性資料的Ares平臺，正是解決上述幾個問題的關鍵技術，Ares與一般結構性資料分析平臺的作法不同的是，Ares會直接存取原始資料，再藉由機器學習（machine learning）的方式，以類似關鍵字的方式去搜尋資料，自動找出可能有問題的物件、賣家、或是買家，作為進一步判別的參考。加拿大大型金融集團RBC：監控社群網站言論，維護企業信譽

由於巨量資料的處理技術越來越進步，因此，在應用的領域，也更加多元，甚至連金融業也開始投入到社群網站資料的分析。

加拿大皇家銀行金融集團RBC企業資訊管理副總裁Mohammad Rifaie表示：「能即時監控社群網站的言論並進行分析，才能讓企業即時社群網站的言論採取因應方案，經營企業形象與金融業最重視的信譽。」

加拿大大型金融集團加拿大皇家銀行金融集團RBC（Royal Bank of Canada）跨足社群資料分析領域，藉由即時的監控擷取社群網站包括Facebook、Twitter和Linkedin，另外還有新聞媒體事件的文本資料，進行分析與分類後，將有關的資料記錄下來，放在可分析結構與非結構性資料的資料倉儲中分析。

加拿大皇家銀行金融集團RBC企業資訊管理副總裁Mohammad Rifaie表示，即時監控社群網站的言論並進行分析，才能讓企業即時掌握社群網站的言論來採取因應方案，經營企業形象與金融業最重視的信譽，而社群網站資料的分析也讓RBC正式跨足巨量資料（Big data）領域。

對RBC來說，巨量資料並不只有結構性資料。事實上，RBC在2007年的時候就已經注意到非結構性資料的重要性，比如他們發現客服中心有許多客訴反應、意見等，都是以文字的方式被記錄下來，但這些資料並沒有辦法被有效的保留並分析，也使得銀行無法針對有問題的地方改善。

因此，RBC的資料倉儲架構最底層同時具有結構性與非結構性的資料，能儲存詳細的文本資料，中間層則有整和型的資料超市（Data Marts），藉由資料超市產生摘要的資料以及預先計算的資料，來產生特定功能的表格。

藉由可以同時處理結構與非結構性資料的資料倉儲架構，RBC歸納出數種客訴的類型，除了改善這些客訴的問題之外，也能減少客服中心的人員數量與工作負擔。

到了2010年時，RBC處理的非結構性資料，開始延伸到其他類型的資料，納入了電子郵件的分析，然後在2011年，甚至更納入了社群資料的分析。比起過去的非結構性資料，Mohammad Rifaie表示：「分析社群網站最大的挑戰是，用資料倉儲系統來儲存社群網站的巨量資料過於昂貴，必須改以其他的方式儲存並分析。」

類似eBay，RBC也採用了利用Hadoop技術的Aster Data平臺來分析社群網站資料，由於不需要搭配昂貴的硬體，所有大量即時監控社群資料都可以被儲存在開放的儲存設備中，再由Aster Data的文本分析工具分類，當業務單位需要查詢時，就能產生符合業務需求的結果。

Mohammad Rifaie表示，企業要進行社群資料分析時，最重要的部分是資料架構的設計，一開始就要定義好需要監控的元素，才能分析出有效的資訊。文⊙辜雅蕾

加拿大RBC金融集團的社交網站分析架構