爱数产品副总裁解读数据驱动企业数字化经营落地实践｜爱分析活动

原创爱分析ifenxi 2023-08-25 12:20

【免注册下载】创新MCU提升高压系统的实时性能 如何增强能源基础设施的实时控制？

8月9日，爱分析“企业如何建设数据能力”主题网络研讨会成功举办，本次研讨会围绕企业建设数据能力的趋势洞察和落地案例展开，其中爱数产品副总裁李基亮在会上进行了“数据驱动企业数字化经营”的主题演讲。

李基亮通过制造和工程设计行业的实际案例，提出以业务为中心数据治理和资产管理的七大执行步骤、五层架构拆解，并详细介绍了企业数字化运营整体建设思路和数据一体化运营的实践落地。

现将李基亮的分享实录整理如下。

李基亮：大家好，我是爱数的产品副总裁李基亮。很高兴今晚有这样一个机会跟大家分享在过去两三年，关于企业数据治理和数据运营的实践。

今天的分享分为两个部分，第一部分是传统制造企业进行数字化转型时，整体与各个业务数字化转型之间关联的思考；第二个部分则会重点聊聊数据治理与数据一体化运营在企业中的相关实践。

数字化运营与业务数字化转型

1.1 爱数介绍

最开始跟大家介绍一下爱数。

爱数于2003年成立，距今已发展了20年。最早爱数的业务聚焦在数据保护，之后推出了面向文档、知识、日志数据等内容的管理产品。2019年之后，爱数正式发布大数据基础设施战略，围绕着数据的全生命周期和全类型数据来为客户做数据能力的支撑。

关于爱数的定位我列了三个关键词。第一个关键词是生产力，我们认为数据是未来的生产力，能够帮助进行生产范式的重大革命性提升；第二个关键词是共创，爱数提供的是平台加生态的模式，我们和生态伙伴、客户一起，从基础层到数据层再到应用层，共创企业数字化转型；第三个关键词是智能，爱数的核心点聚焦在认知智能，围绕着知识网络和领域大模型能力来帮助客户实现智能化的转型和升级。

1.2 数据赋能业务，知识赋能人

分享的第一部分，我会跟大家讲讲我们看到的在传统中大型企业，特别是实体制造企业当中，他们是怎么去做数字化转型以及做业务的数字化、怎么去实现数字化经营。其中包含了我们和一家制造行业客户共创的解决方案与思路，希望给大家带来一些启发。

上面这张图分为两个部分，左边是面向制造企业的不同业务域，比如设计，产品研发，生产经营调度，设备管理，市场营销，供应链管理，这些都是具体业务域。

右边是整个数字化的运营中心，它的核心逻辑是围绕着目前企业在管理的核心抓手，即PDCA整体的闭环，也就是从目标到执行再到异常管理，最后是工作的改进和调度。运营中心最终目标是为了帮助企业去达成战略和实现目标，这也是整个框架里最核心的点。

右边的数字化运营中心是大框架，左边每一个业务域的数字化、数据、系统成熟度，都可以被右边的运营中心去纳入，进行统一的数字化运营监控或者数字化运营分析，这样就形成了整个企业数字化转型的总体框架，体现出两个核心点：

第一，让数据赋能业务。举个例子，假如现在正在执行的计划或者生产调度跟预期计划出现不一致，那找出不一致的是发生在流程的哪个环节，这样我们就可以帮助业务决策者在过程中去调整业务决策，我们把它叫做数据赋能业务。

在这个过程中还需要有复盘机制，去做异常管理时如果发现问题，在定位处置和更新之后要能把经验沉淀和积累下来，这个过程也叫做知识赋能。

第二，让知识赋能人。整个过程中，我们其实都是通过数据和数字化的目标来引导人的行为，让数据来辅助人，让异常监控的数据来提醒人，以及通过量化成果来激励人，整个数字化最终落脚点是人。

目前在做整个数字化运营实践中，我认为数字化转型里面最重要的一个点，就是通过数据来反映业务，通过数据来赋能业务。

这是我们近两年在跟客户共创的一个案例，通过整体的数字化闭环框架，逐业务域的去实现数据运营的监控分析，从而提升业务效率，把控质量管理异常和风险，从而达成整个经营的目标。

对于传统数字化制造型企业或者中大型传统企业而言，非常关注的一个点就是如何通过数据来反映经营个情况以及发现问题。

1.3 企业整体数字化运营方案和架构

上面这张图实际是把前面那张的各个部分进行了具象化，比如，各个业务域，它有自己的管理和作业系统，比如经营和生产中有相应计划，执行过程中是通过管理系统、生产制造系统、采购供应系统的信息化来执行和实现。

传统企业里生产制造、采购供应等有很多线下环节，我们认为线下环节在整个数字化转型里其实是有断点的，我们认为断点在某些情况下决定了这个业务数字化成熟度水平怎么样。通过整个目标和业务的梳理，其实可以看到当前在哪个环节是需要进行相应数字化的。

比如采购供应数字化建设，整个流程中我们可以先算出如果没进行数字化和信息化的话，这个过程中我可能需要调用多少人、花费多少天，在数字化改造完成后可以够缩短到多少人次和天数，从而把它量化出来计算相应的投资回报。

这样对于每个业务域我们都可以去做出评估，了解公司可以优先投入做哪些领域的数字化转型和改造，实现整个业务域的数字化升级。

接下来把视角转到右边这一部分，这是我们从数字化PDCA的整个闭环角度去构建的系统。

首先我们先聊聊运营规划板块，这里就指标这个点展开讲。我认为单纯去讲指标其实也不一定是对的，企业真正要去做的是对整个战略进行拆解，然后转化到企业关键的KSF，最终落地到相应的KPI和关键的流程节点。

后续去看关键流程节点会在哪些环节会产生什么样的数据，数据最原始的统计方式什么。通过这些点就可以去定义一些相应的监控点，比如说产线的监控、采购供应的监控，通过监控发现异常问题，从而定位到相应环节。

其次是运营监控分析板块。可能很多人认为运营监控就是做一个大屏或者BI，但我认为单纯BI不能称之为分析，它只是反映了一个结果数据。

我认为真正数据分析是透过结果数据往前看，如果没有问题就无须处理，如果看到有问题的数据或者与预期不符的数据，我们需要看看到数据背后是在哪个环节什么场景下发生的有异常，只有这样我们才能称之为数据运营分析，才是对整个企业产生价值。这是关于整个PDCA闭环这一板块的介绍。

最后是运营调度板块。坦白来说，在企业里面这并不是一个开放域的话题，而是相对来说比较规则化和流程化的东西，它要解决是每个点、每个对象之间的关系。

所以当发现异常的时候，我们需要知道是人机料法环的哪个环节、哪个对象出现的问题，所以这一层我认为是在整个知识网络的构建过程中是非常关键的一个点。

以上就是那这是企业整体数字化运营层面的架构。

1.4 统一数字化运营监控与分析执行

接下来讲讲统一数字化运营与监控分析执行，也就是Check&Action。这里我要强调一点，数据分析不能只是做一个大屏或者BI，在面向决策层领导时第一个层次是Know-What，第二个层次就是要Know-Why，在部门事业部更是要Know-How。

拿我自己来说，每个月都会有相应的报表给到我这里，报表中可能会分析我们产品客户各个季度的净推荐值。但是对于我而言，我不只是单纯是看一个统计的数据，而是要知道背后的原因是什么。如果说这个季度MPS下降了，是因为哪些客户的哪些问题会导致客户不太愿意推荐你，甚至客户有贬损。

作为经营管理者其实要看到这个背后Know-How的问题，继而能够精准知道到底是产品整体的问题，还是某一批次质量问题。

1.5 构建体系化知识中心

下面要聊的是如何围绕着运营问题和经验复盘把体系化知识建立起来，这一点对于很多的企业而言是蛮重要的，不管是像爱数这个规模的企业还是很大规模的互联网巨头，内部其实都有这样的机制，即如何把整个项目的复盘通过知识圈和相应的专业知识库沉淀下来，这样不管是提高员工能力层面，还是避免类似问题重复发生层面，围绕着像是设备和产品故障的知识库的构建都是非常有必要的。

‍

数据治理与数据一体化运营

2.1 某工程设计集团，从工程设计域到运营管理域的数字化

以上是分享的第一部分内容，接下来的时间在第二部分里想跟大家聊的是业务驱动的数据一体化运营，以及一些相关实践案例。

该案例客户是一家化工企业，业务涉及化工EPC的项目总承包和交互设计、运营，也是我们的一位老客户，该企业从最早的非结构化数据中台到现在数据治理都交给我们来实现。

这个项目跟前面大型制造企业的不同点在于这家企业是有大量的设计数据。前几年是解决了整个设计内容和协同的问题，因为整个工程项目里面有大量的协同设计图纸，这些图纸对于他们而言都是核心数据，把数据管理好就是他们核心关注的事情。

22年我们帮助这家企业研发了化工工艺相关产业情报、知识图谱和知识推荐。23年我们重点关注他们的整体运营管理调度情况，在每个月经营调度的会议上老板会去看当月运营管理调度这块的经营情况，财务数据，安全的人工时数据，数据异常等等。他们处置调度的过程包括确认图纸的入库量，看看项目相应的设计投资是不是成为公司资产进行管理，而像是项目的重点报告、进度管理、运输款管理等等都是他们比较关注的事情。

在企业关注层面我总结出两个比较重要的点，第一个是数据要有及时性，第二个是要知道背后的Know-How问题。在经营调度会上，当讲到某个具体数据的时候，相应的经营人员需要去回答背后的原因大概是什么样的，在哪些环节有相应的问题，同时在现场就会有相应的任务的调度和处置安排，比如某处有异常，那相应的管理者就需要做一些关键动作来去解决问题。

2.2 实现数据以业务为中心，真正理解业务

今年我们还重点解决了一件事情，如何用数据服务企业运营管理部，并实现数据能够更好被业务部门去使用。

如果只是单纯让数据部门或者信息化部门建立一个数据中台是很容易的，但后续其实没有收到什么成效。这家企业今年在做整体数字化运营和数据治理项目的时候，最核心关心的问题就是不管是数据治理还是数据资产运营及管理，都必须要服务于业务部门，如果业务部门认为自己能很方便的去使用到数据，那整个项目就是合格的。

在整个过程中，我们帮助客户去解决的核心点是，我们希望能够调和数据部门和业务部门，因为业务部门关心的是业务快速实现和达成成效，而数据部门其实不太懂业务。所以原来的信息化部门虽然做了数据中台等一些基础工具，但是最大问题依然是他们没有业务视角，处于脱节状态。

所以，我们项目完成过程中最核心一点就是在做数据治理和数据资产运营管理时，以业务为中心，真正理解业务，进行结构化管理和业务梳理，把数据和业务进行对齐。我们围绕整个PDCA做了一个结构化的拆解，总共是分了四步。

第一步，从整个部门的战略承载，再到目标的拆解，也就是把整个业务进行结构化和量化的梳理。

第二步，通过数据来绑定业务。

第三步，发现相应的差距和问题，然后再去寻找关系和定位原因。

第四步，通过评估意见和决策建议进行改进和提升。

以上是我们给到业务部门的整体思考框架。

2.3 七大执行步骤和五层架构拆解

在这个体系里，我们坚持以业务为中心来进行数据治理和资产管理，把业务架构和数据架构做了连接和梳理。

第一，我们会通过七个主要步骤去帮助客户来梳理业务部门的业务架构，从它的业务域、业务部门、主干业务，以及主干业务里面的流程表单、业务统计的口径、业务的标准等，这些都决定了整个数据的标准，通过业务架构的梳理，这个七个步骤基本上就把整个项目去理清楚。

第二，我们会再把这些数据通过数据资产管理的五层架构来进行整理，从数据资产的主体，到业务的对象，再到相应的逻辑实体和数据属性，其中因为逻辑实体的一些字段能够映射到右表这个层面来，因为这个表从本质上来说是从源端出发的，而数据资产管理则是从使用端和管理端出发的，所以这两点在我们看来其实是相对独立的。

我们认为数据的五层数据架构中，落地点真正难的部分是在于数据架构是能够找到准确和真实可用的数据。

因为我们知道数据治理是要从源端治理开始做，所以业务架构梳理的这七步恰好可以解决这个问题，即把右表这一块业务标准梳理清楚后，相应业务对象逻辑实体的表达和设计其实就会比较清晰。

在那之后再来去做业务、系统和数据成熟度的评估，包括业务之间的协同流程标准是不是一致流程，指标的口径是不是一致的，都变得是可以去快速量化出来。从这之后，一方面可以指导数据治理，另外一方面可以服务于长期化的分析。

2.4 梳理业务流程，明确业务表单和统计指标

这是我们在整个架构体系里面做的一些事情，围绕着这些动作也是帮助企业进行梳理，一是从数据资产层面做了主体到业务对象的梳理，二是进行业务层的梳理。业务层梳理过程中，我们会去梳理L3主干的一些流程，以及流程中会产生哪些数据，产生数据的一些标准，相应的业务统计口径，关联的业务对象，从而把整个业务梳理和数据资产管理体系衔接起来，最终实现围绕着业务为中心来去找数据和用数据。

2.5 设计图纸数据管理场景挑战

数据资产管理的部分大家可能会觉得偏理论化的内容比较多，但依然也包含了企业的一些实际问题。

比如说针对设计类企业，设计图纸就是核心数据，前两年在把数据给到对方时其实已经把非结构化数据的基本管理完成了，但今天我们要做的就是把设计图纸里面本身的数据提取出来，进行结构化之后。一方面服务于设计人员去找图纸，另一方面服务于设计之间的协同。

举个例子，比如基本机泵的口径从100到200毫米之间有哪些型号是可以适用的，在哪些项目中已经用过了，企业就希望找到这种图纸和数据时，把一些从非结构化数据中提取过来的数据进行结构化后，再放到数据资产平台里面来实现统一管理。

所以我们在整个项目里面还做了一件事情，就是把五层业务架构跟企业数据架构、业务实例文档体系做了相应关联，业务实例的文档跟业务对象这一块的数据进行关联的，而体系文档是跟整个主题域和相应的业务流程进行关联的。最终整个企业以业务模型和业务对象为中心，将各种各样的数据在数据资产管理中实现了完整的串联。

2.6 建立统一内容门户，实现数据与人协同的一体化

此外还有一些工作，比如说前面讲到的知识和情报领域，把整个化学工艺的关系图谱进行整合，形成了统一的内容和数据门户，通过该门户能够在找到专业知识的同时获得外部的一些情报数据，实现统一的管理。

最终我们希望做到的一个事情，是实现数据的平民化，数据能够直接面向终端的业务用户，不管是去用外部的产业情报和数据，还是用公司整个内部的知识数据与经营分析，在有权限的前提下，一些原始数据和客户、项目数据都能够有统一的视角给到业务部门，客户也会认为，这是能够帮助他们去实现数据平民化的一个很重要的逻辑。

这也是我为什么一直说，这个项目不是由信息部门来决策的，而是由业务部门来最终决定实现。

以上就是我本次主题分享的全部内容，谢谢大家！

注：点击左下角“阅读原文”，可下载爱分析爱分析网络研讨会分享完整PPT。