2021 年是引入 Kyligence 引擎能力的元年，咱们聚焦于平台的搭建集成和局部重点利用的落地，很好的实现了指标。在单方我的项目组成员的共同努力下，咱们实现了平台建设、集成对接、投产保障、人员培训等各项筹备工作；演绎出了 Kyligence Enterprise 在咱们公司的应用标准和最佳实际；实现了多个利用的上线；保障了个人业务数据分析我的项目胜利汇报，取得业务团队的信赖与统一好评。
援用
—— 世界 500 强保险企业
1. 行业现状及痛点
随着宏观经济、行业、市场及客户需要的一直变动，叠加疫情因素，保险代理人规模自 2019 年冲上 912 万人高位后便进入上行通道，以往粗放的“人海战术”难以为继。财产保险尤其是车险，综合老本率长期居高不下，2021 年上半年财产险全行业的车险综合老本率一度高达 99.9%。对于保险企业而言，建设以指标为外围的经营剖析零碎、以数据驱动业务增长成了数字化转型的要害。指标对于领导经营决策至关重要，Kyligence 服务的这家保险企业晚期就自建了指标平台，指标是从经营全景视角，来对立指标治理、对立定义口径、对立数据服务等，其指标平台底层引擎最后基于 Druid 创立，但随着指标平台的多轮迭代，逐步衍生出以下问题：
- 指标定制化开发，大量反复工作：指标定义须要与业务重复沟通后，再由数据开发团队进行定制化开发；每个指标烟囱式开发，定制化配置，开发组之间存在大量反复；
- 非标准 SQL：Druid 对表关联反对度较低，对于维度模型查问不敌对，减少了开发难度；
- 反对场景无限，运维老本高：数据集市为了满足查问性能要求须要加工宽表，产生大量两头表，前期运维老本高；不反对高基维维度的退出，无奈反对准确去重场景。
2. Kyligence 利用场景 + 解决方案
2021 年，这家企业抉择 Kyligence 智能多维数据库产品及解决方案，建设以指标外围的经营剖析零碎，服务了多个业务场景，以数据驱动业务增长。
利用场景 1: 业务实现自助式剖析
保险企业为管制和优化老本、进步人效，业务员老本剖析等工作必不可少。该险企现有业绩奉献的业务人员就有上万人，他们隶属于不同的组织机构，从不同起源为企业带来保费支出。以往，业务分析师是通过「人工取数 + Excel 制作报表」的形式进行数据分析并向领导层汇报。大抵确定剖析思路后，须要进行以下工作：
- 数据分析师须要和数据开发工程师进行往返的大量沟通；
- 数据开发工程师进行人工取数；
- 数据分析师应用 Excel 进行报表的制作。
然而，该形式效率较低，并存在以下痛点：
- 分析师常因沟通和期待取数而被打断剖析思路；
- 受限于 Excel 数据处理能力以及取数周期，剖析时不得不对维度做裁剪，只能看到小局部数据，难以在大数据集上进行多维分析和展现；
- 数据分析汇报展现成果差强人意，无奈实现自助剖析。
因而，该企业心愿在业务员老本剖析等场景实现：
基于海量数据的交互查问：该险企年均保单数量超几十亿，分析师冀望能够在数百亿的数据上做疾速剖析，放弃剖析思路的连贯；同时心愿在实现剖析后间接基于此数据做成灵便报表，供汇报应用；
进行多维度的穿插剖析：在汇报数据分析后果时，常由总到分进行阐明，要求剖析工具能够反对产品、队伍类型、机构等多维度组合下的灵便切片、切块、下钻等剖析能力；
进行灵便的数据处理：人员归属、类别归属等需依据不同报表目标进行调整，分析师心愿能够自助实现。
采纳 Kyligence 产品及解决方案后，该产险企业可能实现整合老本剖析所需维度和度量数据，在 Kyligence 上落地为多维模型，从而实现从产品、队伍、机构、业务起源等多个维度对百亿级保单的明细数据进行自助剖析，并实现报表制作，晋升业务剖析决策效率：
- 整合数据模型：整合各方数据，失去一个蕴含有产品、队伍、机构及工夫等要害剖析视角的多维星型模型，提供更丰盛的剖析角度；
- 极简智能建模：通过 Kyligence 接入数据，疾速可视化建模，开发全程无代码，大幅缩短需要交付周期；借助 Kyligence AI 加强引擎，智能减速要害查问，无需繁琐的模型设计优化；
- BI 直连剖析：借助 Kyligence Enterprise 的 Model as View 性能，剖析用户无需在 BI 工具上反复建模，可间接对维度、度量执行拖拽剖析，并反对在 BI 工具中进行二次计算加工出业务起源。
利用场景 2: 指标中台架构优化
指标中台用于治理指标的定义、查找、开发、公布等重要性能，同时也为车险经营剖析等业务前端利用提供 API 服务。指标中台建设指标是保障全司口径和指标的对立治理、对立进口，底层依赖于数据集市加工的宽表作为数据源进行开发，开发的流程较长。
选用 Kyligence 产品及解决方案后，该产险企业逐渐实现了指标体系的标准化治理和对立指标服务，显著晋升了业务自助剖析能力：
- 无缝对接业务前端利用：在指标查问层面，利用 Model as View 能力，将在 Kyligence 中创立好的简单模型，以一张宽表的模式展示，缩小宽表开发，利用端 SQL 无需引入简单的表关联关系，即可满足；
- 精准举荐、查问响应更快、自优化：利用 AI 智能举荐引擎，收集业务人员的查问行为，后续举荐更为精准的索引，同时反对高性能和高并发的查问。
利用场景 3: 集市层低代码开发
数据集市作为各剖析零碎的对接层，为了满足应用层的查问性能需求，须要加工大量的大宽表。在该险企，以往维度都是按需进行的烟囱式加工模式，业务部门的需要有任何变更，都须要通过批改代码、走正式发版流程实现，存在以下痛点：
- IT 部门保护老本高，开发周期长，数据的加工链路长，依赖关系简单；
- 数据烟囱多，导致数据冗余；
- 集市组之间相互援用，没有残缺设计规范。
该企业之前的数仓加工链路中，分为 ODS 贴源层、DWD 数仓明细层、DMD 集市明细层、DMS 轻度汇总层、DMI 接口层等，各层表间错落穿插，还有相互援用的景象。该产险企业心愿缩小数据集市层的链路开发，建设规范的维度建模模型，缩小维度模型之后的加工过程，升高保护老本，实现集市层的低代码化。
选用 Kyligence 产品及解决方案后，企业可实现间接对接数仓明细层、集市明细层、和轻度汇总层，同时反对表之间关联、以及规范的星型构造和雪花构造，之后由 Kyligence 模型对立提供服务，实现对各类 BI 的对接。
通过对集市层的革新，缩小大量两头表和宽表的开发，缩短数据处理链路，大概能够节约 30% 的开发成本。此外，由 Kyligence 模型提供查问服务，能够达到秒级甚至亚秒级的查问响应；对立了数据模型，实现一套模型对接多种服务，实现了数据口径的对立。
3. 播种的功效
自 2021 年引入 Kyligence 后，该世界 500 强保险企业实现了多个场景和重点利用的落地，实现了：
- 撑持海量数据的自助剖析：业务自助剖析数据从原来的十几万条扩大到 120 亿 + 条明细数据，满足了业务人员和分析师对海量数据的自助剖析需要；
- 晋升 IT 部门的工作效率：针对已革新的集市主题统计，缩小了 30% 数据集市长期表和宽表的开发量，缩小 IT 人员的定制开发工作量，实现 IT 与业务的新合作模式；
- 改善数据分析体验：65% 查问在 1s 内响应，91% 查问在 3s 内实现，同时反对准确去重等场景，在不影响业务人员应用习惯的前提下，大大晋升了查问剖析效率。
在服务泛滥行业当先客户的过程中，Kyligence 一直打磨本身的企业级产品和解决方案，同时为客户提供继续牢靠的平台经营和技术服务。如果您对上述产品及解决方案感兴趣，欢送致电 400-865-8757 与咱们取得联系。
对于 Kyligence
上海跬智信息技术有限公司 (Kyligence) 由 Apache Kylin 开创团队于 2016 年开办，致力于打造下一代企业级智能多维数据库，为企业简化数据湖上的多维数据分析（OLAP）。通过 AI 加强的高性能剖析引擎、对立 SQL 服务接口、业务语义层等性能，Kyligence 提供老本最优的多维数据分析能力，撑持企业商务智能（BI）剖析、灵便查问和互联网级数据服务等多类利用场景，助力企业构建更牢靠的指标体系，开释业务自助剖析后劲。
Kyligence 已服务中国、美国、欧洲及亚太的多个银行、证券、保险、制作、批发等行业客户，包含建设银行、浦发银行、招商银行、安全银行、宁波银行、太平洋保险、中国银联、上汽、Costa、UBS、MetLife 等寰球知名企业，并和微软、亚马逊、华为、Tableau 等技术领导者达成寰球合作伙伴关系。目前公司曾经在上海、北京、深圳、厦门、武汉及美国的硅谷、纽约、西雅图等开设分公司或办事机构。