9月2日，火山引擎V-Tech數據智能科技峰會召開，峰會上新一代企業級數據產品火山引擎數智平臺VeDI正式發布。

　　字節跳動數據平臺負責人羅旋表示：“增長，源于每個人做的每一次正確的決策，從戰略、管理到執行。而決策是否正確，在沒有數據驅動的情況下，更像是一種玄學。數據驅動能夠讓決策方法變得更科學，而更科學的決策也就會無限趨近于正確。”

　　本文根據羅旋演講內容整理。

　　字節跳動的數據文化、工具與組織

　　大家好，我是羅旋，負責字節跳動數據平臺。

　　首先我們來看一個，經常被問到的問題：字節跳動的增長，是如何實現的?相信大家也都看過網上很多分析文章，也有些自己的判斷，有說運氣好的，有說戰略決勝的，有說賽道選的好，也有說網狀組織結構先進的……這些可能都對，但也比較局部。今天我想從數據驅動角度來解釋一下這件事情。

　　一，數據文化提升意識。

　　字節跳動是一家非常注重數據的公司，甚至連一開始給“今日頭條”這個APP取名也是靠A/B測試。可以說，字節跳動是一家數據驅動的“數字原生”公司。作為一家把數據驅動作為文化基因的公司，字節跳動在各個角色、層級，從CEO、高管、中層管理者，到一線員工，都非常廣泛、細致地使用、依賴數據。對數據的依賴和應用程度，都是業界比較領先的。

　　從高管的視角來看，很多宏觀層面問題需要被解決，如公司的經營狀況如何，收支狀況怎么樣，團隊是否健壯，組織是太肥了還是太瘦了，宏觀經濟形勢如何，公司策略是否要隨之調整……而在字節跳動，這樣的信息，都必須用數據指標，來描述和支撐，我們會把它們分類整理，承載到管理駕駛艙上。從覆蓋面和精細度來說，我們有上千個數據指標，使用頻度也很高，每天都有大量訪問。甚至有管理層手繪設計圖，來討論這些數據應該如何組織，數據產品應該如何交互。

　　最高決策層往下，就是各業務的中層管理者們。他們除了關心某個業務板塊的進展是否良好，有哪些待突破點等業務問題之外，也有很重的團隊日常管理工作。很多企業，都會用數據來監測各項業務指標。但在是字節跳動，我們不僅監測業務指標數據，還把數據驅動用在日常管理工作中。比如，目標制定、OKR追蹤管理、周報周會的進展同步、組織效率等等，這些都有大量的指標來刻畫，并使用各種數據產品來跟進、追蹤、對齊。

　　對一線同學來說，場景就更廣泛多元了。每個月直接使用數據產品的一線同學就超過10萬，字節一共只有十幾萬員工，這還不包括間接使用數據服務的情況。在日常的開會討論中，幾乎不可能出現一個會，存在沒有數據的情況，否則會被挑戰得很厲害。而在不同場景下，使用的精細度也非常高，甚至會有一些意想不到的地方。舉個例子，比如，在劣質內容的治理上，我們不只是用數據快速分析識別哪些是劣質內容，在對這些內容的處罰中，也會用A/B測試來進行判斷，以選擇更有效的處罰策略。

　　二，數據工具推動執行。

　　通過剛剛的幾個case，大家可能對字節的數據驅動文化有了一定的感知。但光靠意念是不夠的，文化的落地需要有稱手的工具。

　　那字節跳動的同學們，用什么工具呢?這個是字節跳動數據平臺的產品架構圖。我們整體分成數據引擎層、數據建設管理層、數據分析應用層以及解決方案層。數據產品架構覆蓋了數據全生命周期的整條鏈路。如果快速總結一下，我們整體數據產品的特點，可以用兩個詞來概括，那就是敏捷和易用。

　　敏捷方面，簡單來說就是更快、更靈活。

　　快的方面，我們讓數據的各個環節都變快，不論是采集加工還是消費分析。比如，我們能實現海量數據的實時寫入、實時分析;十億級的數據的查詢可以做到亞秒級響應;搭建的實時數倉，能給正在直播的賣家們以數據反饋，讓他們及時調整自己的策略，抓住轉瞬即逝的機會。

　　靈活方面，主要體現在數據處理模式、使用姿勢的靈活性上。我們能讓一線同學基于明細數據自助分析，而不用預定義指標;支持定制化，而不僅是固化的數據標簽。因此當我們做數據治理時，就可以自定義目標，分階段定優先級，采用對應治理規則等等。

　　易用方面主要體現在下面的三個方向：

　　門檻低。沒有任何技術背景的同學可以無代碼搭建數據門戶，沒有統計學背景的運營也能開啟AB實驗。

　　上手快。不會SQL也沒關系，只要你知道自己想要哪些指標，對數據元信息有了解，5分鐘就能搭建分析圖表。

　　協同廣。數據產品之間，數據產品和飛書、日歷、業務系統等多產品之間的無縫聯通，也讓大家更方便看數據，用數據。

　　如果再回過頭來想想，為什么會是這兩個特點?其實也很好理解。因為更易用的產品，才能被用得更廣泛，才能讓公司的每個員工都用起來;更敏捷的產品，才能被用得更深入，才能夠，在直播這樣要求非常實時的場景，在數據需求非常多變的情況下，也都能支持。

　　只有數據被用得又廣又深，數據驅動的文化，才能有效落地。

　　三，高效組織撬動飛輪。

　　文化提升意識，工具落地執行，是不是就夠了?對于業務復雜程度高，或者業務規模大的企業來說，好的組織模式是一個杠桿，能夠更大程度撬動數據與業務這兩個飛輪互相驅動。那什么算好的組織模式呢?我們的選擇是中臺+BP的模式。當業務非常復雜，又存在多個形態差異大的業務時，完全通用共性的產品有時不夠貼近業務場景。這個時候我們用數據BP模式來解決，數據BP是一個更深入業務線的角色，類似于HRBP跟業務的深度協同關系。數據BP會根據不同業務特點，靈活組合數據中臺的產品技術能力，來解決更具體的業務問題。這非常類似于ToB場景中的解決方案角色，能站在客戶和實際業務痛點的視角看問題，從而規避了過于側重中臺和技術視角的風險。如果要做類比理解的話，中臺+BP的模式，非常類似于“中央廚房 + 終端餐廳”的關系。

　　上面講了我們在文化、在工具和在組織上的實踐案例和經驗。再回到最初的問題，談談我們對增長的理解。我們認為：增長，源于每個人做的每一次正確的決策，從戰略、管理到執行。而決策是否正確，在沒有數據驅動的情況下，更像是一種玄學。數據驅動能夠讓決策方法變得更科學，而更科學的決策也就會無限趨近于正確。字節跳動從第一天就相信數據驅動科學決策的重要性，多年來也一直堅定不移地在實踐。當然，我們承認，一定有其它重要的因素也在影響著業務發展，比如宏觀經濟形勢，賽道趨勢等等。但數據驅動的文化，趁手的工具，高效的組織，這些一定會是增長的關鍵決定因素。

　　火山引擎數據智能平臺VeDI

　　講完了對數據驅動的理解和字節跳動的實踐經驗，我們來看看火山引擎數智平臺。火山引擎數據智能平臺VeDI，是我們對字節跳動數據經驗的復刻。這個“智”，除了通常大家所理解的自動化、智能化之外，我們更想強調的是，融入產品的經驗“智慧”。這也是字節十年來在數據領域的積累沉淀。我們希望把成功服務過抖音等諸多成功業務的經驗拿出來，通過火山引擎服務更多外部企業。

　　上圖是我們整體火山引擎數智平臺的產品家族圖譜。可以看到整體分成PaaS和SaaS兩部分，我們提供了覆蓋數據全生命周期的產品服務，與內部產品完全對應。

　　PaaS層主要分為數據引擎和數據研發治理。分析引擎主要解決的是如何實現海量數據下既快又穩還省的問題，這里面有湖倉一體分析服務的LAS，有開源大數據平臺的EMR，有提供極致分析性能的云原生數據倉庫ByteHouse。數據研發治理DataLeap，提供的是數據集成、開發、運維、資產管理等能力。而在字節的數據經驗中，數據治理是其中比較有特色的一環。我們倡導分布式數據治理，提供工具，將治理過程做系統化抽象，讓它更流程化、自動化。同時，我們沉淀下來50多條治理規則，能讓各業務方依據不同業務的不同階段的優先級，進行目標的自定義和自治，更大程度提升數據治理的適配性和效率。SaaS產品是我們這次重點升級的系列，目的是更大程度地將數據驅動融入到業務環節中去。我們提供了更具有場景化的模板，產品間協同性也顯著增強。

　　接下來，我會重點圍繞場景化和協同性這兩個特性，來發布我們升級后的產品。

　　一，場景更豐富。

　　我們在面對客戶的時候，經常會被問到一些問題：“我這個行業指標體系要怎么構建?數據可以有很多，但哪些是我這個場景下最關鍵最需要采集的?” 在DataFinder4.0中，我們特別發布“場景模板”來解決這類問題。我們在產品中預置了針對不同行業的核心場景模板，用戶可以自由選擇，一鍵生成看板。生成的看板則可直接用于對應的場景，滿足日常業務指標跟蹤或特定業務目標的分析等需求。

　　上圖展示的就是目前預置在DataFinder里各行業一些典型場景模板。我們在服務內外部業務過程中，積累的分析經驗和方法論，都抽象在這些場景模板中。

　　二，協同更融合。

　　協同性方面，首先讓我們來看一個ABI產品DataWind跟飛書協同的案例。本次升級后的DataWind，會在多個方面與飛書高度協同。我們目前可實現：

　　通過飛書機器人，一鍵訂閱數據報告，數據實時觸達，定期掌握數據動態;

　　當出現關鍵數據波動時，及時向負責對象推送異動報警信息;

　　針對有疑問的數據，不但可以實時評論，還可以一鍵拉群，對數據問題進行討論和歸因分析;

　　分析后的BI圖表，可以嵌入回飛書云文檔中，做分析報告，總結沉淀。

　　對于數據量不大的場景來說，也可直接使用飛書表格作為數據集，接入DataWind分析。例如：某企業區域經理要做經銷商管理，經銷商們可以通過飛書表格同步數據;而區域經理則跳轉到Datawind進行多維度交叉分析，并且將分析結果制作成圖表;同時，在有數據權限精細控制的前提下，將分析圖表，分發到飛書群或是云文檔中。DataWind跟飛書的聯動，僅僅是其中一個例子。它代表了數據產品與協作辦公產品的打通，這也是將數據驅動的邊界，不斷向業務深處推進。

　　而我們在對外的產品協同性上會更激進一些，不僅是飛書，主流辦公協同工具都能集成使用。除了與協作平臺之間的聯通拓展之外，火山引擎數智平臺內產品與產品間的協同也更絲滑。以營銷套件內的產品為例，協同具備以下特點：

　　數據共通：底層數據源統一采集、統一存儲、統一格式，多方產品共用;

　　標簽聯動：VeCDP內創建標簽之后，Datawind中將自動生成標簽結果數據集，用戶可以直接進行分析，GMP、Finder也都能直接用;

　　體驗同步：不同產品中的數據看板可互相嵌入嵌出，比如DataFinder和DataWind;不同數據產品中，創建的群體也可以互相同步，比如DataWind和VeCDP;

　　設計統一：套件產品整體設計風格統一，以保障不出現產品設計體驗上的割裂感。

　　如果把這些能力用一個實際的場景串起來，大家可能更容易體會。某業務負責人早上醒來，在體內數據驅動基因的驅使下，打開手機飛書。看了一眼自己訂閱DataWind看板卡片，發現昨天某活動的營收數據，顯著低于了預期目標。于是他立即一鍵拉群，并@了相應負責人。拉群之后，活動對應的負責人、分析師、數據研發同學等不同的角色都在群里了。大家點擊指標跳轉到DataWind里，通過使用DataWind內置的智能歸因算法發現渠道因素的影響最大。做出這一步，也是最初步的診斷結論的時候，時間只過去了不到10分鐘。

　　接下來，還要做更詳細的診斷分析，看看不同渠道的轉化情況。而DataFinder其實更擅長解決渠道分析的問題，通過預嵌入DataWind的DataFinder看板，大家查看了不同渠道下的轉化漏斗對比，發現A渠道的人群跳失率太高了，基本上頁面點一下就馬上走了，說明這個渠道的投放都打了水漂。那該怎么補救呢?大家挑選了轉化率較好的B渠道，將他們的數據回流到VeCDP中，并建立了畫像標簽，并基于此對原來投放的目標群體畫像做了修正，使得其更精細化。

　　下一步就是投放，用VeCDP剛生成的畫像標簽和人群包，在抖音廣告體系內做比之前更精準的定向投放。此時問題又來了，用什么樣的文案素材更好呢?通過DataTester，大家針對不同的人群，灰度測試選出了更適合，轉化率更高的素材。當正式投放開始后，DataFinder又可以繼續用來分析投放效果了。此外，還能針對引流過來的新用戶，通過GMP進行私域的push或者短信，提升私域用戶的活躍度。這就是一個企業如何利用火山引擎數智平臺，實現的數據驅動科學決策，進而解決業務問題的例子。有時候，它可能只是從小小的數據異常開始，但卻能貫穿了企業從上到下的各個角色和環節。

　　在整個火山引擎數智平臺能力升級的背后，有我們一整套的數據技術能力在支撐。今天，我們也將首次對外發布火山引擎數智平臺的技術棧，讓大家全方面了解火山引擎數智平臺從數據引擎到數據管理以及數據應用上端到端的全鏈路數據能力。

　　這些技術能力，除了通過剛剛介紹的商業產品對外服務，也會通過部分開源的形式來對企業提供技術上的幫助。在字節數據平臺發展的過程中，我們也享受過開源社區帶來的便利，所以我們也將自己在實踐中自研比較成熟的系統開源出來，回饋給廣泛開發者。目前，我們即將開源的幾個項目包括數據集成項目BitSail和數據分析引擎ByConity開源項目等，預計年內就會發布，大家敬請期待。

　　最后，讓我們簡單回顧一下。今天主要分享了字節跳動的數據經驗以及我們如何把它復刻在火山引擎并升級迭代的。我們認為，所謂的數據驅動不是有數據就可以驅動，還需要文化理念，精良工具產品，合理的組織;數據產品除了產品技術能力之外，還需要有被驗證過的經驗智慧的沉淀。火山引擎數智平臺VeDI，就沉淀了字節跳動在數據驅動方面的經驗智慧。期望它能夠幫助大家深入業務，讓每一次業務決策更科學，從而驅動業務的發展。

　　謝謝大家!

　　編輯：楊艷