解析CMIS|华润医药集团丁丰俐：数据要素赋能医药行业高质量发展
2025-03-05
4月份我在这里讲过一课，当时华润医药做了十多年规划，当时还是从一个顶层规划角度看企业怎么去赋能企业的高质量发展，今天我想从数据要素的角度，其实我还是希望跳脱具体项目，从我们每天项目里面卷，卷出来从高阶看看数据概念。
应该说我们现在在企业的IT压力非常大，我上周见了天士力的史建华，请他来讲课，他说有150个人，130个项目，所以基本上讲完课马上就走了，连一顿饭都来不及吃，我们也是一个企业30个人，30多个项目，大家都在项目里面。
回想2011年，我完成华润医药第一个 “十二五” 战略规划后，启动的第一个项目是主数据项目，可惜最终失败了。当时我们过于激进，试图将四家上市公司的主数据连接起来。反思这段经历，对我们未来的整体规划很有帮助。最近我在一家企业考察项目时发现，数据项目完成后，通过对供应商和客户的访谈得知，很多项目虽完成了 80% 的工作量，却只达到 20% 的效果，这让我不禁思考数据的真正价值究竟在哪里。
接下来，我主要从三个部分展开分享。
首先是数据要素与数据要素化
2020年，国务院发文首次将数据列为生产要素，标志着在数字经济时代，数据已成为重要生产要素。但数据要成为要素，需具备可使用、可交换、可产生收益的条件，先成为数据资源，再在生产过程中产生经济效益，才能转化为数据要素。我国在数据政策方面已走在世界前列，2022 年国家数据局的成立，更是极大地推动了中国数据要素化的进程。
数据要素化实现数据价值主要历经三个阶段：资源化、资产化、资本化。目前，很多企业在资源化阶段就存在不足。以我们旗下的七家上市公司为例，近一年来常面临会计事务所等要求资产入表的情况，但企业往往忽略入表带来的价值。多年来，我在数据领域踩过不少 “坑”，今天就是想把这些思考分享给大家。
我们一直在研究数据，数据作为要素，涉及面广，绝非单个企业能独立完成。过去，企业滥用数据现象严重，同时数据流通困难，医药行业尤为明显，比如药品追溯数据放在阿里平台时，大家就顾虑重重，导致中国数据追溯体系推进艰难。不过，现在数据政策不断完善，从去年 9 月到 12 月，新政策频繁出台，1 月还推出了数据要素承诺行动计划，11 月国家数据局发布可信空间行动计划，计划到 2028 年建成 100 个以上可信空间的数据建设，这都凸显了数据的重要性日益提升。但我们仍需回归企业自身，思考数据在企业中究竟能发挥什么作用。
回顾这些年，从 “十二五” 提出数据赋能医药，到 “十三五”“十四五” 强调数据驱动企业高质量发展，口号喊了多年，却至今未完全实现，领导对我们在数据方面的工作也不太满意。我们有企业仅数据治理咨询项目就请全球知名公司做了两三轮，成效却微乎其微。在数据丰富且依赖数据的企业，比如每年做质量回顾时，涉及大量数据，可这些数据质量部分往往只是用来交报告，真正发挥的价值有限，这值得我们深入反思。
数据价值释放包含三个阶段
第一阶段是业务洞察，通过沉淀数据反映现状，提升业务管理效率。我参加国家数据会时，中国社科院大学教授、国务院副秘书长提到，她参观过国内先进的数据公司，该公司将生产线、运营情况等都展示在大屏上，却仅停留在反映现状层面。如今，很多企业的数据应用集中在业务洞察阶段，尤其是运营管理方面，有类似驾驶舱的大屏展示各种数据，但这并非我们追求的最终目标，数据的真正价值远未充分发挥。
要做好业务洞察，首先要有明确目标。当初我们做数据项目时，目标虽正确，但做了 80% 的工作却只达成 20% 的效果，投入大量费用却换来领导和管理层的失望，所以目标至关重要。其次是数据治理，这既需要投入大量精力，也需要科学方法。在医药商业领域，很多人投入数据治理工作，但仍存在数据流通不畅、数据颗粒度不够精细等问题。例如，行业公共数据的校对工作繁琐，不过国家正致力于打通行业数据，未来前景看好。此外，数据工作不是单个部门的事，必须跨部门协作。有的企业对数据定义了归属部门，导致数据转移和流通困难。因此，做数据协作时，要将数据整体运转权力提升，不能仅靠 IT 部门提供数据服务，否则数据在企业内部流通会极为困难。
第二阶段是数据辅助决策，这是目前医药行业企业数据发挥价值的关键阶段。数据应能帮助我们优化研发效率、产线等，从而带来真正价值。比如，有企业实现了 BI（商业智能），老总每天能看到运营情况，但数据却无法提供决策支持。而在研发领域，数据与 AI 融合已成为趋势，像我们的一家研发企业，运用 AIphafold 模型，通过少量数据将研发成本大幅降低，原本需要两个月、三个月的工作现在只需一人一天，去年针对两个靶点的项目，传统方法需做两百个实验，如今仅需 20 个分子实验。数据改变了研发模式，从传统的观察、假设、验证，转变为直接通过数据推导结果、创造新事物，这表明数据正在重塑商业模式。
在工艺方面，以一家外企为例，通过在 CPP（关键工艺参数）和 CQA（关键质量属性）之间建立关系，并借助 PVT 平台实时关联，生产成本降低了 20%。此外，从大数据角度看，企业研发数据与生产数据常脱节，研发人员很少参考生产数据，导致难以确定最佳工艺参数。君石王博士团队通过对几百批产品数据进行拟合、分析和机器学习，每年节省几千万成本，不仅降低了费批，还提高了产品收率，这充分体现了数据在结合点上创造的巨大价值。
第三阶段是数据流通，这是实现更高价值的阶段，需要跨组织进行。比如，美国旧金山的一家企业基于区块链技术，将制造商、集采机构、分销商、医药机构等连接起来，统一主数据，实现合同自动交易，解决了索赔和问题处理等难题。我们也曾与药监信息中心合作分布式追溯平台，但因流通缓慢未能成功。目前，数据流通技术发展迅速，大家要关注并尝试参与相关技术体系，如国家正在推进的 100 个可信空间项目，这有助于实现数据流通。
最后，我对未来做一些展望
在 AI 应用方面，一是 AI 已成为数据分析主流，推动数据快速增长，预计 2027 年现实数据将用完，而 2023 年 AI 产生的数据已超过现实数据；二是数据安全至关重要，在数据流通和数据权力方面需重点关注；三是数据治理和资产化需要一个过程；四是先进技术简化了数据管理运维，如 AI 可实现数据打标签，节省人力；五是数据应朝着多元化、分布式方向发展，我们正在重新规划追溯平台，构建多元化、分布式的生态。
基于以上思考，我给大家几点建议：一是做好企业数据整体规划，确保数据供得出、用得好、流得动；二是紧跟技术发展步伐，在数据经济时代，数据和 AI 技术日新月异，不能局限于传统数据和数仓；三是认识到数据跨产业链是一个生态过程，要联合各方力量，秉持开放心态，利用技术实现数据不出域、不可见也能用；四是夯实企业内部基础，脚踏实地做好项目。
我的分享到此结束，谢谢大家！
