行业新闻

各位来宾、各位同仁：

大家下午好！很荣幸再次来到这个半导体峰会，上次分享的主题还是业务和 IT 融合的数字化转型实践，本次我将就数据管理这一主题给大家做一个分享汇报。

本次分享汇报分为三个部分：

1.数据战略

2.数据产品设计

3.数据协同和案例

数据管理的常见挑战

在开始讲第一部分之前，我们先看一下企业在数据管理过程中通常会遇到哪些挑战。首先是数据孤岛问题，由于各系统之间数据不互通，导致企业内部数据无法及时有效传达，使得部门间协作变得困难；数据质量低会造成决策失误、效率低下；缺少统一的标准，会导致数据难以整合和利用；缺少人才和工具，很多企业往往没有专门的数据管理、数据架构设计人才，也没有提供相应的数据管理工具；缺少价值场景，没有找到合适的价值场景会导致数据管理投入回报比（ROI）较低。

再就是缺少高层管理支持。上一次分享中也提到，我们的数字化工作一定是 “一把手工程”，必须要有企业高层的推动和理解，重视数据管理工作。缺乏数据思维和数据驱动的企业文化，会导致难以形成数据协作的工作环境。为解决这些问题，企业必须系统化、有序地推进数据管理工作。

第一部分：数据战略

从企业战略到数据战略，要系统性规范数据管理路径。战略解码需要从业务导向出发构建数据战略，核心路径是由企业战略分解为 IT 战略，再由 IT 战略分解为数据战略；业务导向是数据战略构建的核心，我们一定要以业务目标为北极星，拒绝技术驱动型的空转。

（一）盘点企业现状

一般根据数据使用的深度分为四个阶段：

1.统计查询阶段：这个阶段为各个部门上线了独立的业务系统，比如人事部门使用 HR 系统、销售部门使用 CRM 系统，系统间实现简单的接口对接，通常这个阶段的数据仅服务于单独的业务部门。

2.商业智能阶段：此时企业已经完成了初步的数据仓库搭建，并引入了 BI 工具，制作出各类驾驶舱报表，协助企业高层进行经营决策。

3.大数据分析阶段：通过元数据管理、数据模型搭建，培养员工的数据思维，让员工可以自主进行数据分析，逐步形成数据驱动的企业文化。

4.数据中台阶段：数据中台是企业的数据共享和能力复用平台，可以将数据应用于精准营销、智能风控等领域。

数据使用主要包括这四个阶段，企业要做的是判断自身目前处于哪个阶段，并梳理出当前企业的数据资产。

（二）规划蓝图

蓝图一共有三个：

1.业务场景蓝图：为企业规划不同时间维度的场景，分为短期、中期和长期，通过对这些场景进行价值评估与优先级排序，企业能够明确在不同阶段应聚焦的实施场景；

2.数据资产蓝图：这是面向未来的蓝图，可以清晰呈现满足企业战略、业务需求所需的数据资产以及这些数据的来源系统。基于该蓝图，与当前已梳理的数据资产展开全面对比，精确识别其中的差距，以此明确后续的行动路径；

3.数字化技术蓝图：在企业发展过程中，有时会出现盲目建设大量技术却未投入实际业务应用的情况，呈现出重技术、轻业务的倾向。企业通过技术蓝图可以将业务场景与技术联系起来，以价值为导向、以业务场景为抓手，识别必需的技术，避免过度建设。通过清单可以分析出企业目前需要哪些技术，以及这些技术是自建还是外购，从而合理分配资源。

（三）设计路径

根据业务场景蓝图的建设先后顺序与价值高低排序，就可以制定场景实施计划，同时将每个场景单独立项进行项目管理实施，设计最小可行性产品，通过敏捷迭代的方法不断完善产品。在每一个迭代中，要尽可能把任务细分，不断迭代优化，每个迭代周期也需要尽可能缩短至 1-2 周。

第二部分：数据产品设计

数据产品的定义是通过数据达成业务目标的产品，通常分为三类：数据增强、数据洞察、数据即服务。

数据增强类产品以自动规则生成的 RPA 机器人为典型；数据洞察类产品在支持决策方面，以 BI 智能工具为代表，它涵盖了管理驾驶舱、数据大屏等功能，为决策提供有力支持；数据即服务类产品包括可支持数据交易的数据产品，以及借助特定算法规划最优路径的产品。

（一）设计方法五要素

1.产品名称：需要清晰描述产品要解决的问题和所提供的价值。

2.用户画像：尽可能精准地描述特定用户群，比如年龄在 40 岁以内的 IT 从业者。

3.产品类型：不同产品类型的实施方法和路径存在差异。

4.投资回报：我们一定要做有价值的事，所以必须对 ROI 进行分析，以此对产品进行排序。

5.优先级排序：优先考虑战略计划中排在前面的产品，分析产品需要在什么时间完成，再结合 ROI 和产品紧迫程度进行排序。

（二）设计方法三个核心

1.价值定位：

通过分析需求背后的业务核心目标，深度挖掘价值。

分析需求痛点，与业务目标一致的痛点和期望才是有价值的。

将离散的需求整合为价值场景，进而形成产品。

2.数据资产：

需要哪些数据资产。

数据在哪里，能否采集。

数据质量如何，需要用什么样的方式处理。

3.技术和工具：

实现产品需要哪些技术。

识别不同技术路线，并分析其优劣势。

第三部分：数据协同和案例展示

数据协同是打造一站式的生产体系，让数据分析利用与创新成为员工日常工作的一部分。

（一）数据协同与数据使用的困境

1.IT 团队的困境：

数据需求由业务部门提出，但 IT 部门不知道该去哪里找数据，可能是因为 IT 人员不熟悉某个业务系统，也可能是数据是业务部门线下手工统计的；

数据资产不清晰，数据归属不明确。IT 部门有时能分辨出某些数据保密程度很高，但当业务部门提出需要这些数据时，IT 部门无法判断能否提供，因为企业没有构建数据安全管理体系，IT 部门也无法对数据进行权限分配；

运维困难，运维数据的构建出现问题时，问题往往难以被定义和发现，需要耗费大量时间。

2.业务团队的困境：

业务人员不知道企业有哪些数据，也不知道数据该从哪里获取，是从哪个报表还是哪个系统中获取，有时会找不到所需数据；

业务团队缺少数据分析工具，通常很多企业的业务部门仍在使用 Excel 进行数据统计分析；

IT 团队和业务团队对数据口径的理解不一致，导致最终的数据报表描述不够清晰、数据失真；

数据分析质量差，数据口径和数据质量问题导致数据分析结果不准确；

数据开发响应慢，业务部门对数据需求的紧迫程度要求较高，希望能快速得到响应，但随着企业发展，IT 团队的工作项会不断累积，通常 IT 部门会对众多需求进行排序后逐步推进，因此有时数据需求无法得到快速响应。

（二）数据协同产品的架构

为解决这些问题，我们需要设计数据协同产品。数据协同工具的架构通常分为六个层次，从底层向上依次是：

数据源层：即数据的源头系统，如销售的 CRM 系统、生产的 MES 系统、研发的 PLM 系统；

数据采集层：通过实时数据获取、批导、API 获取、消息队列等方式，获取原系统的数据，然后交给数据处理层；

数据处理层：通过抽取、清洗、转换、集成等一系列过程，将数据存储到数据存储层；

数据存储层：支撑上层的数据产品；

数据产品层：通常包括 API 报表、数据模型、算法模型等；

数据场景层：有了数据产品之后，就能支撑数据场景的落地。

（三）案例展示：公司 BI 项目实践

在今年我们公司也正式启动了BI的项目，在项目推进过程中，我们也搭建了一个数据仓库并以此为基础，借助专业的工具也构建了我们企业一个协同的数据工作模式。在我们数据模型的设计阶段分为四个：

1.定位价值场景，我们选择了对我们制造业比较关键的生产场景作为实施场景。

2.指标设计，这也是一个关键环节，我们对指标梳理完之后得出了87个相关指标。

3.维度设计，维度设计我们规划了日系工厂车间成本中心等10个维度，为后续数据分析提供了多维的视角。

4.场景模型设计，我们打造了生产为主题的数据模型，借助这一模型用户能够在系统上轻松展开自助分析、数据挖掘。

我们就数据处理过程，技术手段这边我给大家讲一下，其实也是用了比较传统的数据仓库的构建过程，首先从ODS层，元数据中取数，DWD层进行清洗，数据汇总层将清洗后的数据构建出各类事实表，再组成ADS层应用级宽表，这些数据可以通过工具生成一个数据模型，模型可以给到用户进行一个自助分析和透视分析。

这是咱们在我们公司的BI数仓项目实施过程中得出的一个维度和指标的设计表。这是我们做的最终形成的模型，蓝色部分是我们维度，绿色的部分是我们的指标事实表，大家可以看到他们之间关联关系非常多，因为其实每张表与每张表之间它的关联外建设置也比较多，通常通过人工记这些事情很困难的，我们一定要借助专业的工具去实现。

在我们模型构建之后我们就可以从模型中取数，右侧是模型的一些数据指标，我们可以勾选指标在报表展现区去展现数据，这是一个机器查询的展现，当我们把机器查询做好以后可以给到业务端让他们自己去每天查询物料的产量，这是透视分析，透视分析可以在机器查询的基础上做到多维度的分析。

同时我们也能做到最基础的驾驶舱，我们给生产主体做了两个级别的驾驶舱，一个是从管理层、总监、总经理层面看的一级看板以及给到车间工序级的二级看板。

以上就是我今天的全部汇报，再次感谢大家的聆听！