定位大中型企业,F-One 通过复杂建模和高级分析助力企业决策

​来源:IT桔子拓扑社

文:窦悦怡


F-One 创始人 曾晓丹




项目名称:F-One

成立时间:2015年5月

主营业务:业务建模和数据分析平台

近期融资:2017年6月,宣布完成红杉中国3000万元A轮融资



本文预计阅读时间:5分32秒


在数字经济时代,数据的及时、准确以及有效分析,成为企业致胜的关键。众多企业纷纷建设自己的数据中心,这些项目往往由IT部门来主导,数据高度集中,流程高度可控,常见的模式是,业务部门提需求,数据技术人员负责抽取、处理数据,然后以静态报表查阅和周期性报表推送的方式提供给业务部门使用。


但事实上,我们发现即使已经采购了BI产品的企业用户,仍有超过80%的用户没能使用这一平台做数据分析,而是继续使用Excel等其他工具。


在这种背景驱动下,大量企业用户迫切需要一款业务能自助,IT易扩展的交互式分析平台。业务用户哪怕只具备有限的IT或数据技能,也可以借此平台自助加载数据,处理和分析数据。


根据Gartner的最新预测,到2020年,此类业务自助性的预测、规范性分析将会吸引企业40%的净投资。


Gartner认为,现代商业智能和分析继续以超过整体市场的速度扩张,这弥补了传统商业智能支出的下滑。


最近几年出现了不少现代商业智能和分析平台以满足新的需求:可访问性、敏捷性、更深度的分析洞察、从IT主导的、系统记录报告转向业务主导的、包括自助服务的敏捷分析。


据悉,今年年初,Gartner 对魔力象限进行了调整,从原来的IT 技术领导的研究报告调整为现代企业领导的数据分析。


这一举动使得 Tableau,Qlik 和微软划入领导者象限,而将 Microstrategy,SAP,IBM 和 SAS 的象限级别拉低,至于 Oracle 则完全跌出该象限,也催生了一批创新型的企业,比如Anaplan、Adaptive Insight、Host Analytics等。


以堪称“Excel杀手”的创业公司Anaplan为例,截止到2016年,Anaplan融资总额已达2.344亿美元,估值为10.9亿美元,俨然已经成为该领域的独角兽。


而今天拓扑社(微信:tobshe)介绍的F-One也是这条赛道的玩家之一,属于国内首家专注复杂建模+高级分析的平台产品。根据IT桔子创投数据显示,F-One是一家帮助企业解决业务分析、预测到规划的创新性软件公司,2017年6月完成红杉资本中国的3000万元A轮融资。


- 数据只有落地业务场景,才能产生价值 -


拓扑社了解到,F-One创始人曾晓丹曾任职于SAP等企业,参与SAP与BusinessObjects企业绩效管理产品线的整合,设计企业绩效管理产品线的总体解决方案与系统架构,定义了企业从战略制定,计划与预算编制,到计划执行、监控、优化与评估的整体解决方案。


曾晓丹认为,从市场需求来说,企业对数据的需求越来越重视,以前都是拍脑子做决定,现在都是通过数据驱动企业做管理和决策。


从企业内部来说,企业的数据基础越来越好,例如企业内部的ERP、EMS系统会产生大量优质数据,但是缺少有效的商业分析软件帮助他们进行数据分析,有效支撑这些基础数据。


此外,随着物联网、大数据、工业4.0的发展,促使企业产生大量数据,但是企业传统的管理模式存在很大问题。


例如,事务处理系统和分析工具彼此孤立,导致集成成本高、容易出错、数据过时、决策延误等;工具部署难度大,且不便于使用企业采用的单点解决方案功能有限,由此造成了数据孤岛,给企业带来不必要的成本和复杂性。


“导致这些问题出现的原因,很大程度是传统的商业分析产品只能够分析过去的数据,无法提供计划、预测分析等前瞻性分析功能,很难满足企业的多元化、个性化需求。”


- 提供灵活的业务建模能力 -


F-One的定位是业务建模和数据分析平台,从业务层面说是为企业提供业务计划、预测、预算和分析,从技术层面说是数据集成、数据准备、数据集市、复杂建模、数据分析、权限管理、自建报表、数据可视化、移动端等能力。



曾晓丹认为,灵活而强大的业务建模能力以及对海量数据的实时计算是F-One平台的核心能力。


传统的BI产品更多关注过去发生的事情,对已发生的数据、历史性的数据,做不到对企业未来的经营策略的规划、预测、模拟。


在商业分析过程中,传统的BI工具在数据采集和预处理的过程往往占到80%的时间,通常需要经过专业IT人员复杂的配置或者开发代码来实现,这样浪费很多人力、物力,财力,效率也低。


针对上述问题,F-One采用了组件化的设计,有开放的API接口,有指标建模引擎,能自定义工作流,有多级权限管理,有报表引擎,自定义仪表盘,最重要的是F-One能把这些模块组件联动起来。


- 一个平台,搭建任意应用场景 -


据悉,基于F-One业务建模和数据分析平台可以搭建出无数个应用场景,现在已经落地的包括Planning(全面预算)、Analytics(高级数据分析)、DFM经销商奖金管理、SPM销售佣金、PPM项目绩效管理等。


以Planning为例,Planning是针对企业财务部门推出的全面预算管理系统,它包含统一的预算平台、擅长复杂建模、数据联动、权限管理、无缝集成主流业务系统、内置审批流程等功能,同时覆盖企业全面预算管理系统的8大环节。

 

简单来说,Planning可以帮助企业的财务部门对中长期规划、年度预算与财务分析体系进行梳理与优化;统一公司各级预算管理平台,规范预算管理流程,提高上下级和部门的沟通效率,解决了多层级预算编制的问题。


其次,还可以帮助企业提高预算编制的规范和精细化水平,提高预算编制的效率,保证预算数据的及时性和准确性,满足公司精细化管理的要求。


此外,Planning会与ERP等企业业务管理系统无缝集成,帮助企业完善数据仓库,同时帮助企业搭建集中的财务分析平台,提升了财务分析的效率与灵活性,帮助管理者随时了解公司的运营状况和预算预算执行情况,对企业实际工作提供有效的指导和支持。


曾晓丹告诉拓扑社,F-One的目标用户是拥有10亿营收的大中型企业,覆盖汽车、快销品、医药等行业,同时也会针对不同行业推出不同的解决方案,如制造业、金融业、保险业、零售行业,其中汽车是F-One核心切入的行业,能够提供完整成熟的解决方案。

 

例如,上汽通用借助F-One对企业所有部门及外部经销商可以在统一的平台上进行奖金的计算、审核、分析;奖金计算和发放的周期极大的缩短,经销商的满意度也大大提高,同时市场部门也可以有更多时间进行数据的分析。


用户可以像搭积木一样完成数据准备的工作,整个过程以图形化的方式呈现,在一个平台上,就完成端到端的数据输入、采集、预处理、业务建模,以及报表呈现和数据分析。


据悉,F-One的盈利来源主要是产品+服务,采用直销的方式进行获客,销售周期1-3个月不等。


目前,F-One的产品已经在上汽通用旗下的凯迪拉克、雪佛兰、别克,广汽菲克旗下的克莱斯勒、JEEP、菲亚特,宁波华翔,夏普,正大天晴,绿地集团,红星美凯龙等企业落地实施,直接用户10000+。



END

1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值