| 编辑推荐: |
本文主要讲解了大型传统企业如何在公司级数据整合、数据治理、数据运营中把握好业务和数据的关系，逐步实现智能化转型？大型传统企业如何在公司级数据整合、数据治理、数据运营中把握好业务和数据的关系，逐步实现智能化转型？为什么传统企业的数据分析工作很难推动？等等。希望对你的学习有帮助。
本文来自于个人图书馆，由火龙果软件Linda编辑、推荐。 |
|
大型传统企业如何在公司级数据整合、数据治理、数据运营中把握好业务和数据的关系，逐步实现智能化转型？
背景：
大型传统企业，通常都面临业务系统数据孤岛、各板块专业化程度高、多流程衔接交叉、数据不统一不完整不开放等问题。在搭建好物理层面hadoop数据平台的基础上，如何以业务流程为导向梳理数据走向，达成数据价值转化输出？
接到这个任务，真是摸着石头过河。不知道是否有类似经验的知友，可以分享一下经验或感悟？
这个问题，是所有传统企业在数字化转型过程中都会面临的，所以也是借这个问题，系统的理一下。
在讲如何做之前，先来分析一下背景：
问题一：业务系统数据孤岛、各板块专业化程度高
这是典型数据孤岛问题：业务系统很多，系统之间的数据不连通，造成信息壁垒。
这样的问题要着重主数据管理，制定标准规则。
问题二：数据不统一不完整不开放
数据来源渠道多，责任不明确，数据填报缺失这些都是质量差的问题。
这样的问题要着重数据治理，性能优化上可以采取分布式数据库。
问题三：以业务流程为导向梳理数据走向
这背后暗藏的现实可能是：
业务部门需求轰炸，IT部门成为一个取数机；
指标零散，业务和IT都不知道分析什么；
报表不成体系，有些报表冗余。
这也是很多企业的共性问题。
问题四：希望达成数据价值转化输出
因为问题三的原因，IT疲于业务需求，应付各种报表，数据没有很好形式展现，也无法对业务决策产生帮助。相应的，IT部门也无法对业务产生显性价值。
要让数据服务于业务，落地产生价值，具体该怎么做？
基于hadoop数据平台，先抛架构
第一步：构建一个完善的数据环境
主数据管理
1、 定标准
所需标准有编码规则，命名原则、划分原则、共享原则。
标准规划：根据企业实际情况确定实施范围，并根据优先级和难易度制定计划。可以通过调查问卷、现场访谈、收集文档等手段进行调研标准的内容：数据分布、数据流向、服务规则等，形成调研报告。
标准设计：在方法论的指导下，完成数据标准设计和定义工作，如数据业务描述定义、类型长度定义、其他信息定义。
实施映射：将已定义的数据标准与业务系统、业务应用进行映射，注明两者的关系及影响的应用。
标准执行：借助专业的工具实现标准落地检查。
维护增强：随着业务发展，数据标准需要不断的修订和完善，并有效的持续维护改进。
2、 搭平台
将各业务中可能流通共享的主数据的名称和标准统一起来
3、 控制关键环节流转
包括主数据管理的关键环节、合理排布关键环节处理顺序、安排责任岗位或部门对应关键环节。
数据质量
第二步：开展业务分析
指标梳理
分析什么数据，如何反馈给业务，这些都已转化成指标来解决
指标梳理需要和业务部门一同进行。可以通过访谈和调研梳理各业务层级关注的指标，从基层到高层。也可以将企业已有的SCOR、计分卡等绩效体系或者已有的业务分析体系，转化成可说明情况的指标。
建立全指标体系
指标梳理清楚后，从每一条业务线出发。这块业务对企业目标负责的关键成果是什么（KPA）——每一个KPA又可以用什么维度来衡量（KRA）——最后落实到基层的关键行动指标是什么（KPI）
最后所有业务汇总，形成一个全指标体系。
梳理报表体系
梳理完指标体系后，大致也就知道每个业务部门需要分析什么数据了。数据通常以报表的形式呈现，报表就都相当与数据落地的产品，有主题有规划的分析。
基础查询类报表：来自于基层业务和日常工作，功能作用于某一项具体的工作，比如销售业绩查询、商品库存查询、在途库存查询、采购订单查询等。用户在工作需要时，会通过查询此类报表，来得到自己想要的数据，以支撑自己的工作。
经营报表：用于日常管理，其功能不单作用于某项具体的工作，而是覆盖相关部门或某部门管理的一个工作模块。例如店长业绩管理看板、库存管理、异常店铺管理等。这类报表基于日常管理工作，通过查看这类报表来监控所负责业务的当前状态，发现问题，这类报表就属于决策辅助了。（如下方财务部门的数据监控）
战略报表：这个就用于高层集团事物的管理，比如boss们关注的每日盈利状况，项目进度监控等等。这类报表通常以驾驶舱的形式展现，用于企业全局监控。
建立分析体系
到这里就是数据分析的范畴了，不同于日常管理经营类报表单方面的展现，这里更注重某一块业务问题，通过分析数据比如来缩减供应链成本、通过分析市场环境制定市场策略等。通常在传统企业的应用有智能制造、大数据营销、供应链优化、市场活动ROI分析、新零售业务提升、用户画像和客户标签等等。
这需要数据部门主动找活干，去为业务创造价值，因此更具针对性和主动性。
小总结
至此，关于原问题，我觉得可以从第二步开始展开，先以当下业务流程为导向，梳理指标体系，进而梳理报表体系。
工具上，需要一个具有开放性的报表/BI系统来支撑，需要满足的需求：
① 要能连接各系统数据，打通数据壁垒
② 能支撑底层的hadoop大数据平台架构，具有良好的数据处理性能
③ 前端可视化美观，做报表方便，具有一定分析功能。（看脸的世界，美而有用，业务才认同）
传统企业里如何让老板、业务领导们觉得数据分析很重要？
至于要想快速的数据价值转化输出，说白了是让老板、业务领导们觉得数据分析很重要，最好是业务部门、管理层能够主动配合开展数据分析工作，也是大家争议比较多的，这个问题可以看一下我们之前回的一篇文章，希望能提供一些思路：
为什么传统企业的数据分析工作很难推动？
某数据大拿说过，数据分析实现价值的最好状态是“不仅仅得到有创造力的数据分析结果，还要能够运用策略和各业务部门合作”，但是现状是，大部分企业第一步都没做好，又怎么去做第二步。
如果说互联网的数据分析“短平快”，那传统企业的数据分析工作更需要一步一步来。
传统行业的数据应用并不是十分先进。一方面信息化程度并不是很高，底层基础还不扎实，业务系统没上全或没用起来，数据仓库还在建设中；另一方面，传统企业的业况很庞杂，大量的上下游，业务交叉，往往流程上还是混乱的状态。而IT部门或者数据中心并不是核心部门，大多是服务性质，有些改革一旦涉及战略，还会触动上层的利益。这都决定了企业数据分析是一个被动而长线的工作。
那这样的情况下，如何去推动数据分析工作并得到老板重视？
1、注意关注企业的痛点，对于那些高品、刚需的痛点，首先要去满足。
从以往的实践来看，为什么有的领导会逐渐觉得数据重要，实际上很大原因是做了运算管理以后，领导能对比分析中下层的管理情况，能看到关心的结果，逐渐看到数据的价值。
那么，如果要让数据分析产生成吨的效果，并为领导认可记住。那我们就在一些症结问题，棘手的问题上用数据分析去解决，优先满足眼下，高品刚需的痛点。
日常，我们就把关键指标、关键绩效通过仪表盘展示出来。领导往往更关注实在的指标，例如销售额、核心客户数、亏损量，围绕这些指标去做分析，去帮助做KPI管理，有时更能带来实效。
2、尝试用数据分析的过程去优化管理决策
决策过程是为分析提供场景。决策可以分为这样几个层面：最高的层面是战略决策，然后是战术决策，还有经营决策。它们的频度和影响是不一样的，战略层面上的影响非常大，一般企业每过5年、10年或者更大的一个周期，才会去做一个战略上的变化，战术的决策次之。数据分析先要服务好经营层面的决策，服务好每个业务部门的核心目标。
操作上，在前期建立数据平台时，可以不断定一些目标，定一些主题，做成果展示，经常让业务人员以及领导分享，让其参与评价和建议，不断优化和改善，当相关人员都有参与感时，数据平台才会持久发展。
3、学会告诉老板数据分析带给企业的效益
用一个有表现力的图表或报告让领导眼前一亮，也许背后开发的心血可能领导看不到，但是一个非常亮丽的报表尤其是在超越了领导期望的情况下才是IT的最高境界。数据分析要在领导下一个需求位置等而不是永远跟在他的需求后面跑，力求创新。
4、细节着手，潜移默化地培养领导和老板的数据化意识
首先，让数据快速地展现，创造方便，尽量少用邮件Excel以及纸质报表，可以用移动端把领导关心的指标展示出来，每天定时定点推送，培养这样的习惯。
还有，有的企业尤其是大型国有集团，会常常使用数据大屏（虽然有点泡沫但对于外行来讲是十分震撼的），一旦有政府领导或者合作方来参观的时候，领导会觉得倍儿有面子。其次，楼上说的竞品也是一回事，数据分析和大数据已经成为很多的共识，外界各行各业都有关于数据的大会，有特定的CIO圈，老板圈，比如地产界的明源。其实老板比任何人都重视效益和效率，可以说服他们经常参加这样的会议，看行业领先者如何做的，看竞品如何做的。
最后，汇报时强调这是数据分析带来的结果balabala，现在很多汇报都可以用电子的形式，总监可以直接用数据发报的功能跟领导汇报。每个企业的老板不一样，管理方式不一样，信息化程度不一样，以下列举几个行业的例子，案例都是真实的，这里就做隐匿处理了。
案例一：某医药行业——数据决策应用于业务管理
医药商业作为供应链的中间环节，在发挥物流配送功能的同时，承担着资金周转的重要职能，因此对于医药企业利润最大化的关键因素是毛利水平的提升和费用成本结构的优化。公司运用全成本核算的方法，创新了CVP价值分析模型，精确测算客户、品种、供应商的净利润水平，并进行因素影响分析，通过挖掘利润增长点，提供营销决策参考。
那么这个对于整个医药运营来讲一个算输入一个算输出，围绕着输入输出我们开展了几个维度的分析，客户层面的和业态层面的，第二个是供应商层面的，第三个是品种层面，然后是业务人员层面。在这个模型中，有很多指标，很多关键项因素，我们要让大家知道每个指标之间的关系是什么，每一项指标的语意的定义是什么并且统一。
于是，我们建立了上下一致的对数据理解的过程，除此之外利用这样一个架构去完成几个场景的决策。
第一个是业务结构的优化。通过平台上的数据去分析什么样的品种可做什么样的品种不可做，哪些品种带来的利润收益最大，哪些不挣钱。目的是指导大家做业务的结构调整。
第二个就是谈判就是贸易。我们要去引进一个新的品种，这个品种能带来多少收益？我们通过数据平台的这些参数的关系，在每一次谈判之前由我们的财务部门做分析和策划。
第三个是经济化的预算。
第四个是对人员的考核，考核的指标来自之前提到的各个维度，比如说利润。
第五个是项目决策，每一次做项目投入，都通过数据平台来做支持。
案例二：某制造业——数据分析提高生产线的效率，实现生产可视化
制造业比较注重生产效率的提升，而生产效率受企业管理、制造、流程、创新等多因素的影响。比如在生产效率核算方面，通过记录考勤数据和生产线产量数据，导出各条生产线的实际消耗工时值，并通过实际与计划消耗工时的比值，计算各生产线的效率值。该效率值可用于合理安排各工段不同阶段的班次需求和人员配置方案。
案例三：某餐饮——数据分析帮助市场部门店选址
一家新餐厅的开设，前厅和后厨的面积应该是怎样一个比例？二人桌、四人桌、八人桌以及包间该怎么搭配摆设？这些信息在过去都是凭借经验去决定。通过对以往餐厅数据的统计和分析，可以得到一个准确的数据参考，降低开设的风险。
以往公司的领导比较热衷于大店的模式，但是到底适不适用，并没有一个准确的结论。后来针对这些门店做了一个评测方面的数据分析，分析每平方米可获得多少营收。最终发现小型门店所获得的效益要比大型门店高。因此针对这种情况，公司在战略上做出了相应的调整，降低部分大型门店的数量，增加小型门店。
案例四：某航空公司——数据分析与业务合作的操作思路
操作上，在前期建立数据平台时，可以不断定一些目标，定一些主题，做成果展示，经常让业务人员以及领导分享，让其参与评价和建议，不断优化和改善，当相关人员都有参与感时，数据平台才会持久发展。
确定数据平台技术架构与确定分析主题并行。
快速迭代，缓解业务部门手动分析压力。
先出报表，积累业务经验建立模型进行分析并不断改进。
注意技术准与业务知识准备，以备滞后的大数据分析平台和业务建模。
|
