随着数字化转型加速与智能制造的兴起，能源制造企业正面临前所未有的挑战与机遇。如何构建高效、精准的指标管理体系，以数据为驱动优化生产流程、提升能效、降低运营成本，成为企业转型升级的关键。本次分享将围绕自动化指标平台在整个制造行业的一些应用和落地实践案例来展开。
分享嘉宾｜杜雪芳 Aloudata合伙人&首席业务架构师
内容已做精简，如需获取专家完整版视频实录和课件，请扫码领取。
01
我们看到整个制造行业在管理和应用指标方面主要面临以下四个问题第一，指标标准管理混乱。很多制造企业目前可能缺乏指标管理的一套方法和思路，整个指标管理显得很混乱。这里面核心缺少两个东西。其一，没有整个指标的属性标准规范，也就是说，如何去管理一个指标，到底要管什么东西并不明确。其二，在很多企业中我们会发现，对于同一个指标，市场部门和财务部门都要去看，但这样一个指标的口径究竟由谁来确定，在很多制造行业里，这个负责指标的主责部门非常不明确。由于这两个问题，就导致整个指标管理十分混乱。第二，指标口径不一致。在很多企业中，业务部门经常会说两个报表上的数对不上，IT部门很苦恼。我们深入分析背后的原因，这里面有几种情况。第一种情况是，业务部门需要的是同一个指标，但提需求时提给了不同的IT人员，不同的IT人员在这个过程中按照不同业务部门的需求开发了不同的指标。这些指标的开发逻辑不一样，但命名可能相同，也就是我们常说的指标同名不同义，而对于用户来说很难区分，看到的名称一样，但背后代表的业务逻辑却不同。第二种情况是，A、B两个业务部门之间，本来他们看的指标需求就不一样，但我们没有去做跨部门、跨系统之间的口径拉通，也会导致指标同名不同义。所以由于各种问题的存在，对于业务的体感来说就是不同报表之间的数对不上。第三，指标开发效率低，成本高。如今无论是制造行业还是其他行业，在业务数字化驱动、做决策以及做运营方面正在变得越来越精细化。在这个过程中，业务对数据的依赖程度也越来越高。传统模式是业务向IT提需求，IT进行物理落表开发。平均满足一个指标的开发可能需要一周时间。在这个时间里，还会存在这样的情况，即同一个指标，可能从不同的维度去看，比如从工厂的角度、组织的角度、渠道的角度、经销商的角度去看销量，可能需要开发不同的报表来满足业务各个视角的看数需求，所以这个过程中会存在重复开发，造成计算和成本的浪费。经常会有企业的CTO或者IT负责人跟我们说，企业的IT投入增长实际上远远超过数据规模的增长或者业务的增速，这背后实际上就是因为存在大量的重复开发导致的问题。第四，指标质量差。当我们要去定位前面提到的口径不一致的问题时，实际上对于指标的溯源非常困难，需要 IT 人员一层一层地查看代码，了解指标是从业务系统如何加工出来的。有些指标背后依赖的数据又是别人开发的，所以对于业务来说很麻烦。而且在我们制造行业，很多时候IT离业务还比较远。90%以上的问题都是业务先发现，然后业务来找IT去排查，所以业务对IT的信任感也在逐步降低。那以上这四个问题究竟有何种方案能够从根本原因上予以解决呢？我们发现，基于指标平台能够很好地实现企业内部指标的统一管理与开发，助力企业加速释放指标在内部的价值。为何指标平台这样的解决方案能够出色地解决先前指标混乱、开发效率低下所带来的治理难度大、运维困难等问题？首先，基于指标平台，我们能够沉淀企业的一套指标标准属性规范，并实现该标准规范的线上化落地与承载。我们可以明确指标的业务口径、主责部门以及指标的来源系统和计算逻辑等。同时，有了这样一个统一的指标平台并沉淀指标后，我们能够形成企业的统一指标库。有了这个指标库，其更进一步的价值在于能够实现业务与IT之间沟通语言的统一。以往我们常常听到很多声音，反映业务与IT之间存在沟通障碍，业务听不懂IT所讲内容，IT也不理解业务需求，因为双方分别站在各自的领域进行表达，业务不了解IT所提及的表以及背后的技术逻辑。而对于指标而言，它天然具备业务逻辑，因此成为IT与业务之间良好的沟通桥梁，使双方能够更好地沟通需求、表达需求。其次，有了这样的标准之后，要如何确保指标的开发与这套标准规范相符？以往常常出现开发与应用 “两张皮” 的情况，即虽然有一套标准和规范，但IT在开发时却偏离了业务逻辑。在这方面，我们认为这样的指标平台需要具备自动指标开发能力，系统能够基于所表达的业务逻辑和技术口径自动生成底层引擎可识别的SQL。这一步需由系统自动完成，实现自动化生产。基于此，我们还能进一步做到系统自动进行同名不同义、同义不同名的判重，将原来的事后治理转变为事前管控。所以，要解决前面的问题，这样的指标平台必须具备指标自动生产和自动判重的能力。再者，前面提到指标质量差且排查困难。如今，由于所有的开发逻辑和计算逻辑都在平台上沉淀，我们能够系统自动生成指标字段级的血缘关系。当业务告知指标可能出现问题时，我们可以通过这个血缘关系图快速定位和排查问题所在。最后，有了指标后，对于IT来说，管理指标并非目的，应用指标才是关键。在应用方面，这样的指标平台需要具备强大的应用能力，帮助业务通过指标快速发现业务问题、找到业务机会。所以，对于指标平台而言，它需要具备这些能力才能解决前面提到的问题。基于这些能力的指标平台，我们将其总结为管研用一体化的NoETL自动化指标平台。在这样的指标平台中，所谓的管研用一体化，即基于指标平台，能够实现指标的统一管理，将原本分散在数据平台的表中、BI工具里以及不同业务系统中的指标口径，统一通过指标平台进行沉淀。当然，如果仅仅依靠指标平台进行业务口径管理和技术逻辑维护，实际上并不能真正从本质上实现指标口径的统一，所以它必须具备自动化生产能力。在企业的最佳实践中，对于数据平台而言，其核心任务是做好公共层数据资产的沉淀，即沉淀面向通用场景、固定场景的公共层资产。而原本面向业务场景的应用层表，则通过指标平台以指标的配置化定义方式，实现系统的自动化生产。所谓的用，是指在很多企业中可能已经存在众多应用消费场景，无论是BI工具、业务系统，还是大模型或者客户分析CDP平台，既要能够开放化地服务于现有业务场景，也要能在指标平台内部支持业务进行分析。因此，基于这样的指标平台，我们能够实现管研用一体化，将原本业务难以感知的数据平台沉淀的表数量、主题域等内容，转变为基于指标平台进行语义资产沉淀，将原来的数据建模思想转变为指标矩阵设计方法。对于用户来说，他们能够非常清楚地知道自己所在业务线可以从哪些指标进行刻画，以及这些指标能够支持从哪些维度进行查看。我们认为，基于这样的指标平台，改变了IT的指标开发模式以及IT与业务的协作模式。左边这张图展示了传统的业务与IT模式，即业务向IT提需求，IT按照业务需求进行SQL编写和落表开发，这是一种定制化的点对点开发方式，需要排期等待，并且要经过复杂的ETL加工链路。在这个过程中，业务需求的含义与IT的实现逻辑相互割裂，会导致指标重复开发以及业务逻辑与IT逻辑不匹配的问题。那么，基于管研用一体化的指标平台，IT只需做好两件事：第一件事是做好面向数据资产的公共层资产沉淀，即一些明细的事实表和维度表；第二件事是沉淀一些原子指标、基础指标，例如刚刚提到的销量指标，只需定义这样的指标即可。当业务面向场景进行分析时，比如从不同工厂、不同组织、不同渠道、不同品牌等角度去看，只需将这些指标和维度进行任意灵活组装，就像搭积木一样。所以，对于IT人员来说，只要维护好公共资产和基础指标、原子指标，业务与IT的对话就变成了以指标和维度为内容的对话，业务无需依赖IT，自己就可以组装出所需的分析角度。这种模式将整个效率从原来的一周以上缩短到了分钟级，这是业务与IT协作模式的转变。同时，在指标开发这件事上，也从原来的写SQL落表开发转变为配置化界面的开发方式。图中也展示了一个客户案例。基于我们的指标平台，可以实现零代码自定义指标，原来一天可能只能开发3.1个指标，现在只要业务逻辑清晰，一天就可以开发40个指标。我们认为，基于这样的指标平台，实现了双方协作模式和指标开发模式的转变。1.3 实现指标统一管理，100% 消除指标二义性同时，基于这样的指标平台，企业能够实现指标的全生命周期管理。我们将指标的全生命周期管理围绕指标核心分为六步。第一步是业务向IT提需求，在提需求申请时，业务必须明确几个事项。首先，因为所有指标的业务逻辑一定是由业务决定，而非IT，所以业务要在需求中清晰描述指标的业务口径以及业务计算规则。其次，在很多企业中，指标可能需要进行分类分级。例如，这个指标是面向整个集团、公司领导层的指标，还是面向某个板块的部门级指标，如供应链板块、营销板块，或者是面向一线执行的指标，这需要业务进行明确。有了第一步之后，需求就给到IT进行开发。在开发过程中，IT要做几件事：首先，要对指标的属性（包括业务口径等业务属性和管理属性）进行登记，明确指标的业务主责部门，并对指标的计算逻辑进行配置。因为在我们的平台上，前面提到整个指标的登记过程就是指标的开发过程，所以这一步的开发工作很轻松。在开发过程中，我们还能够实时进行指标试计算，以便快速为业务进行指标数据的校验。开发完成后要进行发布，在发布环节会涉及几个要点。首先，虽然是业务提出需求，但在最后发布时是否需要有人审核这个需求呢？所以这里就涉及指标的业务属性认证，认证完成后，在上线过程中需要技术架构师进行技术逻辑确认并进行上线审批，最终形成指标的当前可用版本。有了版本且指标发布上线后，必然是为了流通共享使用。在这个过程中需要做几件事：第一，是否所有人都能看到并搜索到这个指标，这就涉及指标的可见权限设置。例如，一些财务指标可能非常敏感，不能让运营人员、工厂人员等看到，所以可以设置指标的可见权限。第二，要确定哪些人可以使用这个指标的数据，可以进行可用权限的管控。第三，当指标可以被消费使用时，由于权限得到了控制，在使用过程中，原本的数据治理思路是先开发好再给业务使用，现在基于这样的指标，这种思路可以转变为先让业务用，以用促治。因为前面提到90%的数据问题实际上业务比IT更敏感，在指标快速让业务消费的过程中，业务可能会发现指标数据口径不一致等问题，进而进行治理，或者当指标口径不能衡量业务发展时，对指标口径进行变更或下线。通过指标的监控运营，可以帮助企业进行数据治理，这种以用促治的方式成本更低，业务也更有体感。最后，通过指标评估体系，可以衡量整个管理的效果。例如，企业统一指标库登记了多少指标、完成了多少业务认证、指标的使用情况如何、哪些部门和应用使用较多等。通过这样的指标评估体系完成指标的闭环，这就是基于这样的指标平台如何实现指标的统一管理。管理的更好目的是为了使用，在使用方面我们也有很多核心应用场景，这些场景是与众多企业实践后总结出来的。实际上，对于一个企业来说，指标是牵引整个业务发展方向的核心引擎、抓手，也可以说是北极星或指南针。在企业中，牵引业务动作的指标以可视化形式呈现。企业管理核心是管理目标，领导的目标，也就是战略目标，需要往下拆解到组织、渠道、工厂等，基于战略目标进行层层拆解到组织、部门，拆解后可能还有具体的业务动作，需要进一步拆解到具体的事情上。通过战略目标层层下钻、拆解，使战略目标与执行目标对齐，实现管目标、管组织和管行动的精细化管理和追踪。在很多企业尤其是制造业中，由于产业链条非常长，涉及产、供、销、人、财、物等各个方面，以往很难进行横向业务的拉通或者全链路、全流程的拉通。而如今有了这样的指标体系，就可以实现全链路、全流程以及横向业务部门的拉通，使管理者能够通过这样的一张图清晰地看到业务全貌，牵引公司发展，同时也能清楚地了解整体目标的达成情况，明确是哪个组织、哪个渠道、哪个经销商做得好，以及做得好的背后是因为采取了哪些措施。基于这样的指标价值体系，实现了从战略目标到业务动作执行的闭环。在这个闭环过程中，如果战略目标与执行目标出现了偏移，我们可以利用预警和归因的能力，实时跟踪目标达成的进度，比如执行目标是否偏离了整体战略目标，各个部门组织的目标能否反映出整体目标的达成情况。我们经常听到很多企业反映，在没有进行目标拉通和自上而下的目标对齐时，可能会出现A部门和B部门向领导汇报目标都完成得很好，但公司整体目标却未完成的情况。这实际上是因为各部门在拆解目标时，从各自有利的角度进行了选取。通过前面提到的指标价值树，实现了严密的自上而下的目标追踪。在追踪过程中，当发现指标有异常，存在目标无法达成的风险时，就可以进行实时预警。预警之后，可以通过智能归因来定位哪个环节做得好或不好。例如，企业利润完成得很好，那么到底是收入增长得好，还是成本控制得好？假设是成本控制得好，是供应链成本控制得好，还是营销费用或人力成本控制得好？可以进一步从不同指标维度进行拆解。假设拆解到是成本控制得比较好，还可以从维度角度进一步拆解，比如一个大型制造集团有很多工厂和基地，到底是哪些工厂基地的成本控制得比较好？可以从工厂角度或组织角度进行拆解。这样就能帮助我们了解目标是否能够达成，或者未达成的原因。我们可以及时预警，预警后通过归因快速找到问题背后的原因。以上是基于预警归因和目标拆解的方法。如果在这个过程中，假设一些制造业企业会进行toC的营销动作和品牌运营，那么这个过程中活动对目标达成有什么样的影响或贡献呢？我们提供了一种方法，可以将指标平台与策略平台或营销平台相结合，把投放数据和指标数据进行串联，就能知道整体目标中有多少是营销动作带来的。在这部分中，具体又是哪些营销活动带来的，可以进行具体营销活动的归因，从而形成从目标到过程再到行动的整体闭环。在这个过程中与很多企业交流时，大家有一个很大的共识，就是如今在进行营销时，会用标签进行人群投放。在指标平台的概念中，标签可以分为用户的静态标签（如基础属性中的性别、地区等）和事实类标签（如这群用户在企业中的消费金额、是否是VIP客户等）。我们也支持将指标自动转换为标签，快速进行营销圈人投放，帮助提升营销策略的效率，加速营销动作的优化，缩短营销周期。在前面所阐述的内容中，基于指标体系的目标追踪、出现问题时的预警监控，以及明确具体哪些营销活动带来的效果优劣，这三个应用场景能够串联成一个闭环。在此过程中，我们还需关注企业如何为业务赋能，使得业务人员能够进行自主分析。在为业务人员赋能方面，我们观察到许多企业虽然已经购置了BI工具，但传统的BI工具通常是由IT人员制作好报表后，业务人员查看这些静态的固定报表，当业务人员想要下钻明细时却难以实现。例如在查看销量时，仅能看到渠道、工厂、组织等层面，却无法看到销量背后具体的客户以及客户的具体订单。基于我们的指标平台，打破业务人员在实现最后一公里的自助分析时面临的三个卡点。其一，找到数据的门槛较高，因为业务人员在进行分析时，需要理解应该使用哪张表，所以在找数方面存在很大难度。然而对于指标而言，业务人员天然地可以从指标角度去进行分析。其二，业务人员不清楚数据的口径以及数据是如何计算出来的。但基于指标平台，在进行指标定义管理时，已经维护好了指标的业务口径，可以通过指标小卡片，用户能够很清晰地了解指标的计算方式。其三，依赖技术人员开发。在分析层面，由于指标是基于订单粒度的数据定义出来的，所以能够灵活下钻到客户粒度和订单粒度，真正实现业务的自主分析。大模型为用户提供了一种新的分析方式，用户可能无需查看报表，而是通过对话式的方式进行询问。我们认为指标加大模型是一种能够为用户带来良好分析体验的方式。当前整个行业都认同一个观点，即大模型的语言能力非常出色，比如它做高考语文试卷能考130-140分，但做高考数学试卷却只能考80分。在这种情况下，我们该如何发挥大模型的优势、避免其劣势呢？基于大模型语言能力强这一特点，我们可以将指标平台沉淀的众多业务知识，包括指标信息、维度信息、企业黑话等提供给大模型，使其拥有最全、最丰富的业务语料。这样一来，大模型就能精准地揣测用户意图，进行问题识别。在识别到用户意图后，由于大模型的数学能力不佳，比如今天问一个问题，昨天再问同样的问题可能给出不同的数据，这是因为其翻译的SQL可能在今天和昨天不一样。而基于指标平台，大模型将用户意图告知后，由指标平台自动生成SQL，只要意图识别的准确率为100%，SQL翻译也一定是100%准确。这样我们就可以将大模型原本数据不准确的情况从很不准确提升到100%准确，然后基于底层引擎查出结果，再交给大模型，发挥其语言能力进行归纳总结并提供给用户。基于这种方式，我们也在客户中进行了整体落地实践。我们发现，如果传统方式下所有工作都依赖大模型，既做语文又做数学，准确率可能不到50%。例如，有客户有200个提示词工程师，才能在有限场景下做到70%的准确率。而如今基于指标平台和大模型，能够在一周内快速将准确率提升到90%以上。在分析这方面，除传统的让业务进行拖拽式分析外，我们还极大地降低了其门槛，并细化了分析颗粒度，可达到订单级别。其次，我们能够为用户打造更优质的ChaBI体验。
最后，以制造业为例介绍一个案例。在与我们合作之前，该企业存在一些问题，如缺乏指标数据标准，指标不一致。在不同部门之间以及集团和子分公司之间，对于同样的指标其筛选条件或维度不同，导致大量重复开发，治理难度较大。第一，可将整个指标属性规范在平台上沉淀和落地，通过线上化方式进行管理。用户可以自定义拓展指标属性，沉淀为企业统一的指标库，解决原来口径不一致的问题，实现指标的同名同义。第二，指标界面可配置化，且能支持复杂指标的配置化定义。例如，以偏生产端的作业时间为例，作业时间并非简单地进行时间求和。它会根据不同情况区分，如从车间角度和班组角度看作业时间的口径不同，但对于用户而言无需感知。当用户筛选车间时，计算方式可能是求和；而筛选班组时，可能是计算车间粒度下的平均值。对于此类复杂指标，在不同维度下计算口径不一致的情况，在我们的平台上无需编写SQL，通过配置化方式即可实现。因此，我们能够实现零代码的指标定义及开发。基于此逻辑，系统会在平台上进行判重校验。如果用户定义了一个已存在的指标，系统会进行提示。第三，在我们的平台上，指标定义过程中不会直接物理落表存储数据。例如，客户要计算品牌的市场占有率，可能从不同角度（如营销中心、地区、渠道等）进行分析。以往需要开发三个不同角度的市场占有率指标，开发和运维管理工作量都很大。如今，在我们的平台上，只需定义一个名为 “市场占有率” 的指标，支持从各个丰富的维度进行任意组合，实现灵活分析，减少指标开发量。同时，我们背后有强大的物化加速能力，可保证大数据量下的秒级查询响应。此外，制造业仅有工具是不够的，还需要一套管理方法。企业中，核心是一套指标数据管理流程，其中有几个关键角色：首先是指标使用者，即消费指标的人；其次是数据管理人员，负责加工、生产和管理指标；第三是指标持有者，即确定指标业务口径的主责部门；第四是中立的第三方，如企业的战略运营部。在这四个角色中，指标数据管理流程如下：对于集团公司，在指标开发中有一个大原则，即集团指标由集团统建，子分公司的个性化指标由各子分公司自行建设，但所有指标都必须在我们的指标平台上进行统一登记。这样可以实现集团和子分公司口径的拉通。具体实现方式是，所有指标的业务口径都需要经过双重认证。第一重认证是指标主责部门对指标进行认证和审批。但考虑到主责部门可能仅从自身业务部门角度出发，例如，如果财务部门是指标主责部门，可能仅从财务视角考虑而未兼顾市场视角，所以会有中立的第三方战略部门对指标进行第二重认证。通过这样的双重认证机制，可以拉通各个部门对于同一指标的认知。第二点核心内容是在集团公司中，对指标进行分类分级，并根据不同分类分级的指标设置不同审批流程。例如集团指标的审批流可能需批至主责部门一把手，而部门指标可能只需批至部门负责人。根据业务场景和指标等级设置不同审批流。这一部分旨在说明如今我们不仅要有一套工具，在企业中还需一套管理方法和思路来承载工具，工具只是管理思想的承载。最后一点是基于这样的指标平台，能够将指标驱动至业务流程中，基于前面提到的指标预警能力，使其融入业务流程和环节。举个例子，集团公司与银行有众多资金账户。如今可在指标平台上配置基于指标的预警规则，如对存款到期天数设置预警。根据预警规则，可将有问题或快要到期的资金账户明细数据推送给不同子分公司的BP。预警不仅告知指标有异动，还推送具体有问题或到期时间（如今天到期、三天后到期、一个月内到期）的银行明细。指标预警明细与OA系统打通后可生成代办任务。原来这部分环节都是线下操作，集团财务BP进行线下分析后，将有问题或需处理的明细数据以Excel线下分发给各子分公司BP，分发和沟通工作量都是巨大的。分发后，子分公司是否处理也走线下反馈，难以考究其真实性。如今基于预警和生成待办任务实现线上化，子分公司收到需处理的协定账户后可制定优化计划，处理完在系统待办任务点完成。集团财务BP可根据指标数据变化进行追踪，例如原来需处理的银行账户有100个，各子分公司反馈执行或完成后，查看数量是否降至0个，或者降至了多少个。若发现数据有变化，再进行待办关闭。相当于通过预警实现了数据驱动业务流程数字化，加快业务流程优化，实现闭环追踪。总结下来，基于我们的指标平台对该企业有两方面价值。对于业务的价值：一是实现了从管目标到管指标再到管行动的数字化，驱动决策和行动，使运营效率提升10倍；二是无论是以指标为中心的分析模式还是ChaBI 模式，都使得原本依赖IT人员排期等待的情况变为天内或分钟级洞察分析，基于智能归因可在分钟级判断问题所在。对于IT的价值：只需专注做好公共层资产开发，原来大量应用层的表通过指标平台实现应用层代持，可减少50%的数仓开发和运维工作量；基于自动化开发规避了重复开发，节约30%以上存算成本；基于指标平台实现指标口径统一，减少治理成本，实现了第一级治理。以上是本次指标平台在制造企业的应用与落地实践分享。
⩓
主要负责业务规划、产品设计及解决方案咨询，拥有丰富的数据驱动业务实践经验。在数字化运营体系、数智化决策、商业分析、标签及指标体系构建等多个领域拥有成熟实践并取得显著成效。加入Aloudata前，杜雪芳女士拥有十余年数据行业工作经验。历任阿里集团淘宝商业分析负责人、阿里音乐商业智能中心负责人、蚂蚁集团云上商业化产品解决方案负责人、用户增长洞察分析产品负责人。深研跨境贸易、电商零售、文娱、数字生活、企业服务等场景，用数据洞察业务，以数据驱动业务增长。注：点击左下角“阅读原文”，领取专家完整版实录和分享课件。
