写点什么

数据要素×工业制造:500 强大型制造集团携手奇点云,以数据为经营管理提效

作者:奇点云
  • 2024-03-27
    浙江
  • 本文字数:2989 字

    阅读完需:约 10 分钟

数据要素×工业制造:500强大型制造集团携手奇点云,以数据为经营管理提效

体量越大的集团,变革时面临的挑战越复杂。

他们往往不缺数据,但要用数据时频频受阻;建了数据平台,仍然“孤岛”林立;他们的产线已高度自动化,但经营分析还需要依赖手工线下整合数据;在单点场景有数字化的创新实践,但无法向全集团推广。还有人戏称,“有数据意识,但不多”。

 

集团数字化转型如大象转身,阵痛之后,数据资源变为资产,激发“新质生产力”,数据为企业带来的价值效应也将成倍放大。

本篇聚焦集团型制造企业,分享数据能力建设、赋能经营管理的方案与实践。

 

1. 痛点:数据分散,能力参差,不成资产

这家客户是世界 500 强,业务涵盖家电、电子元器件、机电、新能源等多个领域,在全球拥有生产基地、销售网络和分支机构。

伴随各地区多业态发展,集团希望用数据全面了解经营情况、找到增长机会时,遇到了以下挑战:

1.1 数据分散,时效滞后,分析决策慢

不同分子公司收集数据的颗粒度、时效性不同,大大增加了集团整合分析的难度。这不仅让集团难以掌握全面、准确的业务情况,影响了经营决策的效率,还可能导致错过决策时机。

“例如,近年新能源车发展迅猛,但我们对这方面业务情况判断不足,反应滞后,一开始不敢接单,变成‘起了大早、赶了晚集’。”企业相关人员曾在访谈中表示。

 

1.2 各地数据能力建设不一,全局管理难

从区域视角,各地分子公司的信息系统和数据能力建设程度不一,习惯不同。例如,A 区域公司从各系统导出数据,B 区域公司则需要投入较多时间在手工整合加工数据。

从业务视角,家电、电子元器件、新能源…不同业态采集不同维度的数据,有各自的专业分析维度,其指标体系必然有很大差异。

这些不同也是前述分析决策难的“病因”。集团迫切需要建立一套科学、规范、可落地的数据治理标准体系,补齐数据能力和数据质量,才能构建集团统一的全局视角。

 

1.3 短期 ROI 优先,数据意识缺

“集团系统和本地系统打通产生的技术成本,比专人下载、上传、手工处理的成本还高,不如人工处理。”这不仅是这家客户过去的判断,业内也有许多企业做出了同样的抉择。

短期的“成本意识”容易让人忽略数据长远的回报价值。在数据基建的过程中,可能造成一些过于求快、求短期 ROI 的“畸形选择”:例如,出现问题时,只解决单个问题,不从顶层设计,只做烟囱式建设,不为未来的扩展预留空间。一家生产基地因而在不同时期出现了 3 套物料主数据。

 

1.4 不同单位“各自为政”,架构冗余,数据孤岛多

各分子公司/工厂从各自业务特点出发,独立开发、部署和维护自己的系统,对于集团企业而言是再常见不过的事。

然而,这从数据视角就会体现为:只有全球系统的主数据保持统一,各单位的本地化系统有各自的主数据和业务数据,每次给总公司汇总报表仍不得不手工整理、定期上交。

集团需要“既个性又统一”的数据基础设施:“统一”在建立集团视角,同时省去各单元采购、维护数据系统的烦恼,消除冗余架构,“个性”在各单元能数据隔离,在自身的业务导向下定制数据应用。

 

2. 实践:立标准,统规范,建团队

2.1 建立数据治理标准体系

经过前期调研,项目组协助客户制定了数据治理标准体系,共涵盖 10 个方面:数据治理顶层设计、需求管理、数据标准、主数据管理、数据架构、元数据管理、数据质量、数据安全、数据应用与服务、数据生存周期。

集团数据在统一的标准下进行数据治理和管理,并为后续跨部门、跨业务的数据共享与协同奠定基础。说人话,就是“书同文,车同轨”。

 

2.2 搭建集团级数据管理平台

奇点云 DataSimba 是企业级的数据基础设施,具备“跨云多域”、“多租户”等能力,为集团提供精细化的权限管理、完备的安全策略和强大的稳定性支撑,且能伴随数据规模和业务需求的扩张,拓展平台规模。

一方面,统一的平台支持集团沉淀全局的数据资产,提升整体资源利用率;另一方面,满足各业态/分子公司/工厂对于数据的租户权限划分及隔离需求(如物理隔离、逻辑隔离等)。

说人话,就是一套平台支持全集团,各业态都能在平台上“安全又愉快地玩耍”。

此外,由于前期数据建设“各自为政”,不同单位使用的数据库类型也多种多样。DataSimba 支持 50 多种数据源、业内最常见的 7 种数据库引擎,无需改变各个数据团队的使用习惯。

 

2.3 建立“杜邦”分析体系,快速定位业务问题

基于治理完成的数据资产,项目组以杜邦分析法为指导,进一步协助客户建立了分析体系,将复杂的业务问题简化为一组组可量化的指标,并在系统中配置指标异常的告警规则。客户可以随时查看各关键指标情况,发现异常时按需层层向下拆解,实现用数据洞察业务、指导经营管理决策。


图:杜邦分析树状图,以“库存异常”分析思路为例

 

“举个例子,计划与实际生产出现较大差异,可能是执行问题,也可能是计划制定问题,还有可能是上游销售需求问题。当出现差异时再一层层向上探查,效率比较低。”项目组成员介绍,“而杜邦分析法本质是向下拆解和分析各项指标——先从总的关键指标开始,例如销售计划/实际金额、生产计划/实际金额、库存金额、库存周转率等,确定异常值,譬如库存金额过大,再向下探查各品类目录库存金额,确定异常品类,逐层分解,最终识别异常原因。这些在我们的系统中都已预先配置,也不需要每次手工取数。”

 

2.4 组建数据管理团队,赋能全球生产基地

前述实践都离不开组织的支持。

为提升各生产基地的数据管理能力,奇点云项目组协同客户建立了一支专业的数据管理团队,团队包含数据管理委员会、跨部门协调数据管理员、业务主数据管理员、IT 技术人员等职能,保障数据治理和运营的实践持续可行、不变形。

奇点云“带教陪跑”客户的数据管理团队,共同完成了一个工厂从 0 到 1 的数据平台建设。从项目启动、调研分析、实施到运维,平台建设完成的同时,也带动数据管理团队沉淀 know-how,把数据能力内化为集团自身的核心竞争力

图:奇点云为客户提供数据平台建设“从 0 到 1”方法论,便于客户团队在各组织/工厂复用

 

3. 价值:建立全局数据能力,分析效率大幅提升

3.1 “点线面”三步走,复制优秀实践,扩大数据能力覆盖面

大型集团数字化的“华丽转身”,无法一蹴而就。项目组采用“点线面”三步走策略,逐步推进标准建设和治理落地。

· 点:协同客户数据管理团队,完成单个工厂的数据资产治理,形成示范效应;

· 线:数据管理团队将数字化经验向各业态延伸,从一元业态复制到多元业态;

· 面:沉淀中国区的成熟经验,逐步复用到全球更多地域。

 

3.2 从 7 天到 1 天,让数据赋能决策更快、更简单

经过数月实践,项目组拉通、整合了试点区域的多业态数据,集团层的数据视角逐渐充实丰富,实现用数据赋能经营管理:

· 原本需要耗时 7 天、由多人手工协作、各部门反复确认“对数”才能输出的经营管理分析报表,现在可以按天产出

· 在统一的数据标准体系指导下,各业务板块数据拉通,不仅提升了各部门的协同效率,还有助于用数据还原业务,发掘各环节的降本增效机会点,例如销售预测、订单履约、采购执行等等。


关于奇点云:

奇点云是独立第三方的大数据基础软件提供商,成立于 2016 年,旗下有“奇点云”、“GrowingIO”两大品牌,主力产品包括数据云平台、数据存算引擎、数据安全引擎、增长分析、客户数据平台等。除了提供专业技术产品为数据“生产—消费”提质提效,奇点云也提供咨询、运营、运维等企业级的服务支撑,助客户攻克数字化不同阶段的各项难题。

目前,奇点云已服务制造、消费零售、金融等领域 1500+客户,协同客户构建其自有的数据能力,全场景赋能商业决策。

 

发布于: 刚刚阅读数: 5
用户头像

奇点云

关注

独立第三方大数据基础软件提供商 2019-08-05 加入

奇点云聚焦数据全生命周期,以自主研发的数据云操作系统为能力核心,提供自主可控、安全合规的大数据基础软件产品与全链路服务。

评论

发布
暂无评论
数据要素×工业制造:500强大型制造集团携手奇点云,以数据为经营管理提效_数字化_奇点云_InfoQ写作社区