• <input id="myg4i"><tt id="myg4i"></tt></input>
    <input id="myg4i"><tt id="myg4i"></tt></input>
  • <input id="myg4i"></input>
  • <menu id="myg4i"></menu>
  • <input id="myg4i"><u id="myg4i"></u></input>
    <menu id="myg4i"><tt id="myg4i"></tt></menu>
  • <input id="myg4i"><u id="myg4i"></u></input>
  • <input id="myg4i"><acronym id="myg4i"></acronym></input>
  • <object id="myg4i"><acronym id="myg4i"></acronym></object>
    <object id="myg4i"><acronym id="myg4i"></acronym></object>
  • <nav id="myg4i"></nav>
  • <nav id="myg4i"></nav>
  • <input id="myg4i"><tt id="myg4i"></tt></input>
    当前位置:大数据业界动态 → 正文

    科学化建设企业数据应用体系

    责任编辑:cres 作者:孙英达 |来源:企业网D1Net  2022-03-02 16:44:51 原创文章 企业网D1Net

    作者:帆软数据应用研究院 孙英达
     
    数据应用体系综述
     
    “企业发挥数据价值的前提是建立一套科学化的数据应用体系”
     
    应用数据是一门科学
     
    数据对于企业的重要性无需多言,上市公司财报数据反映这个企业的经营状况;互联网公司通过用户大数据随时去给用户推送想要的信息;制造业流水线上传输的数据保证了国内千千万万的工厂正常生产。
     
    但是,仍有许多企业徘徊在数据应用的大门前,找不到开门的钥匙。而在众多行业中,以传统行业的形势更为严峻,包括建筑行业、能源行业、传统制造业、传统服务业等。
     
    这里面的阻碍因素很多,不过究其根本原因,就是企业对待数据的“态度”。数据应用并不是一盘经过煎炸烹煮的成品菜肴,而是需要经过食材种植、运输、处理、存储、烹饪、装点等一系列复杂工序才能做成的系统性工程。
     
    企业对待数据应用常出现非科学化的处理方式,如以下四个方面:

     
    1、引导期:不主动挖掘数据需求;
     
    2、前期:随意决策数据应用建设;
     
    3、中期:没有应用开发的标准流程;
     
    4、后期:应用上线后,没有运营动作。
     
    这类误区的出现,基本预示着企业的数据应用建设经常空耗精力,无法得到实际成效。从科学理论的角度,问题在于大家没有意识到应用数据是一门科学。

     
    在 “数学”、“计算机科学”、“相关业务领域”三类学科的交融下,其中数据与业务领域结合是应用统计学,数据与计算机科学结合形成各类算法,计算机科学与业务领域结合形成企业内的信息化,而三者共同的交集就是数据科学。
     
    数据科学包含三类特性:
     
    1、科学系统性:数据科学遵循系统规律,可以通过实验等方式进行验证与探索;
     
    2、学科交叉性:掌握好一方面的技术是无法利用好数据的,必须对多专业交叉了解,互相融合才能发挥数据的应用价值;
     
    3、面向具体业务:数据科学如果不结合具体实际业务,成果会形如空中楼阁,对企业没有实际帮助。
     
    而因数据科学面向具体业务的特性,对于企业来说做好数据应用一定要明确清楚目标与价值。无论企业的内部或外部数据、结构化或非结构化数据、手工或自动化数据产生的价值都可以归为市场价值、业务价值、管理价值三类。
     
     
    三类价值代表着数据应用的三个方向,从收益上限来讲,市场价值大于业务价值大于管理价值;从实现难度角度,管理价值易于业务价值易于市场价值。所以企业应该判断自己所处的阶段,先从数据的管理价值入手,再逐渐改变业务工作模式,甚至将数据投入市场实现数据增收。
     
    具象化数据应用体系:六个方面和三个阶段
     
    明确数据应用体系的价值后,具象化数据应用体系则需要和企业实际业务结合。
     
    *笔者从事于建筑行业信息化工作,本文常以建筑企业的实际业务来说明。
     
    建筑企业的数据应用体系一般可以分为如下六个方面。

     
    这六方面数据应用是为企业不同的三类人员服务的,企业管理者,更多地是掌控数据结果,通过数据最终的体现来支撑管理决策;企业业务骨干,相比管理者要更细化的进行数据分析与应用,将头脑中的业务管理模型与数据相结合,形成有深度的数据应用;企业业务人员,不需要太过复杂的数据分析,一方面做好本身涉及的数据整理与报送工作,另一方面结合一些数据结果提升日常工作的效率。
     
    进入实际落地环节,数据应用体系建设可以分为三个阶段需求阶段、开发阶段与运营阶段。

     
    需求阶段是要梳理清楚数据来源,一般数据来源包括业务系统数据、线下报表数据、企业外部数据、物联网自动采集数据、业务专业数据(例如,设计图纸中包含的数据)等。明确数据来源之后,按照价值区分市场、业务、管理三类目标,进行需求明确与筛选。
     
    需求确定完毕,开发阶段一般分为规划设计、数据准备、技术建设、应用载体四个细分阶段,从价值实现方式可以分为目标监控类、资源检索类、问题追溯类、风险监控类等,不同价值实现方式所需要的设计内容、数据对接与应用载体会有所不同。
     
    应用开发完成之后,就会进入到数据应用的运营阶段,这一阶段需要考虑不同的用户特点,然后通过数据监控、培训、个性化配置、价值评估等形式,将数据应用长期持久的运营下去。
     
    这三个阶段的科学方法是数据应用体系建设最核心的内容,以下三小节分别阐述各阶段需要采用的科学化理念。
     
    需求阶段
     
    “解决问题的第一步是面对问题”
     
    任何数据应用的建设都要源于需求,需求点又和用户的痛点紧密相连,所以需求分析的第一步是业务痛点的挖掘。业务痛点挖掘完成后,会形成企业数据应用需求池,由于资源有限,需求要有一个合理的机制进行筛选,筛选后的需求在经过准确地评审,才可以进入数据应用的开发阶段,数据应用体系需求阶段整体的流程可以概括为下图。

     
    数据应用的需求挖掘对于企业来说是一件难事,由于人员配置,数据建设者与用户的语言并不互通,企业卡在这个环节的现象极其常见。
     
    对于数据应用建设者想要做好需求挖掘,要从整体规划与业务深度两个角度下功夫。整体规划可以通过相关行业场景地图进行对数据应用的布局,以建筑行业的场景地图举例,要将企业整体的产业链(上下游的方向、客户管理、供应商管理等)以及价值链(营销、生产、招采、财务、人力资源等主题)描述清楚。
     
    复杂组织的大型企业还需要将组织架构与业务融合,一般来说对于建筑企业,业务都会分为工程项目管理层与企业经营层,这两个不同层级需要的数据应用细粒度也有差异。一线生产者更关注细节数据,从微观角度去应用数据,而企业管理者更关注整体数据,从宏观角度考虑问题。

     
    整体规划依附于对企业整体的了解,相对来说并不是一件需要花费多少时间的工作,而业务深度则没有什么捷径了,需要数据工作者沉下心来做企业的业务研究。

     
    对于传统企业来说,业务研究一般会基于五方面:
     
    1、研究企业战略:好的企业一切业务与管理为战略服务,所以企业战略对于数据应用体系的方向也是强指引作用;
     
    2、研究业务管理制度:传统企业一般各个职能部门都有相应的管理手册,里面会描述清楚业务流程以及相关制度,这对业务细节的了解会有很大帮助;
     
    3、研究行业先进案例:企业内部的管理一般会有惯性,一味的关注自身企业会引起闭门造车的负面结果,所以一定要花时间搜集同行业相关,多进行交流,这样才不会陷入思维困局当中。
     
    4、研究企业痛点:一个企业的好坏受行业的宏观影响也比较大,所以尝试站在企业视角,分析在整个行业角度企业有哪些痛点,会帮助提升需求确认效率;
     
    5、研究内部组织痛点:除了企业视角以外,企业内各部门或分支组织之间其实也存在“部门墙”等管理问题,所以识别出内部组织痛点也能帮助数据应用建设对需求处理不再是一家之言,而是可以各组织间互相联合。
     
    通过上述的业务研究之后,数据工作者就可以更好地了解需求,对需求挖掘细化,站在用户视角去思考需求。
     
    随着数据需求的挖掘,会逐渐积累成一个数据应用需求池,而需求池里面的需求优先级如何敲定,也需要进行科学合理的判断。

     
    一般判断数据需求的优先级是从两个维度考虑,一是需求重要性,这个主要基于业务痛点去进行重要性判断,二是数据支撑程度,因为有些需求有很强的紧迫性但是没有足够的数据支撑。究其根本原因,数据支撑程度又可以称之为业务支撑程度,因为往往数据缺失并不完全因为相关信息化建设欠缺,而是相关业务与管理不足。
     
    由这两个维度可以把需求池里面的需求归为四类:
     
    象限一:重要性高、支撑度也高,这个毫无疑问优先级要列在最前端;
     
    象限二:重要性低、支撑度高,对于这类需求的策略是将其放在等待池中,待相关资源释放或空闲时,可以去启动去做;
     
    象限三:重要性低、支撑度也低,这类需求应该果断放弃,把核心资源投入到重要的数据应用上去;
     
    象限四:重要性高、支撑度低,这类需求是最麻烦的,往往也会占据数据工作者的大部分时间(有的甚至达到80%以上),面向这类需求最应该谨慎判断,建立需求研判委员会进行多轮评审。最终会有两个方向,一是虽然数据基本无法支撑,但是需求的重要程度影响到了企业运转,那需要下定决心高额投入把此类需求做好;二是支撑度目前的确远远不足,需要等待时机成熟在启动相关数据应用开发。
     
    除了对需求的优先级排序外,需求在正式确定开发前,还需要进行一轮详细的ROI(投资收益率)分析。

     
    在ROI分析时首先要把数据需求的各类特征采集清楚,难点在于收益与成本的量化。收益量化除了评定数据应用给企业带来的直接降本增效以外,还有一些间接与潜在的影响也需要进行量化,成本量化也同理,需要对直接的金钱、人员、时间成本测算,也需要对应用上线后带来人员业务习惯改变带来的间接成本进行测算。最后会形成数据应用需求的散点分布图,优先重点投入高ROI区域的需求才是企业真正需要的数据应用建设。
     
    需求阶段最后也要形成明确的需求文档,需求文档要说明需求面临的业务痛点、需求重要性、解决思路、数据支撑度、ROI以及需求的初步设计。紧接着,根据需求初步设计就可以进入到开发阶段。
     
    开发阶段
     
    “设计、沟通与技术同等重要”
     
    首先开发阶段并不单纯指的是技术开发,而是从需求的详细设计到技术开发,再到测试迭代,直至最终的应用发布上线。

     
    开发阶段可以分为三个关键流程,首先是详细设计,是承接需求阶段的初步设计,将需求阶段的成果“概念具象化”、“内容细节化”“数据指标化”。其次是应用开发阶段,通过软件技术的项目管理与数据工具产品应用,进行快速的应用开发。最后是测试迭代阶段,需要不断通过科学化的测试方法进行数据应用优化。
     
    详细设计中,任何一个数据应用都需要先进行业务逻辑拆解与数据逻辑拆解,以建筑行业的进度管理数据应用举例。

     
    将进度管理的业务逻辑拆解为功能逻辑图,发起项目总进度、年进度、季进度、月进度、周进度等平行计划,然后与产值日报进行业务关联,最后被进行进度纠偏;而数据逻辑图是从分析角度,从WBS工程结构角度或从时间角度都可以进行目前进度的对比分析,最终形成项目工期预警。两类逻辑互相结合,才能贴近用户对于数据的实际场景产生业务实际价值。
     
    在业务逻辑与数据逻辑解构之后,需要对用户交互界面进行初步设计,设计者应该站在用户视角,如下图,企业的生产资源调度模型,需要先明确生产经营的诉求,然后根据诉求建立调度模型(例如,项目优先级排序,优先级高的项目可以调动优质的人员以及资金、资产、供应商资源等)。将企业的生产资源分为人、财、物、知识、供应商五类,先进行资源盘点,然后通过资源的需求程度进行合理分配,提升企业运转效率。

     
    分析思路明确后,通过“线框图”的形式画出数据看板的架构,再调动UI设计师进行页面的交互与视觉设计,然后就可以进入到开发阶段的技术开发环节了。
     
    数据应用的技术开发环节与其他软件类应用差距并不是很大,要着重过程中的项目管理与工具应用。
     
    在技术开发形成数据应用初版后,数据应用的迭代优化至关重要,很多企业的数据应用匆忙上线后,因为效果不好,都导致了用户对数据应用的不信任,并产生抵触心理,更难帮助用户使用起来。
     
    在国内大部分企业处理数据仍采用线下excel手工的方式居多,数据应用的上线意味着给用户产生了额外成本,所以在迭代优化时,注意用户切换成本是最关键的一点。用户切换成本大致归为三类,用户理念转变需要一定时间与引导,旧有工作模式会产生历史数据、数据逻辑等产物,迁移也有一定成本,而且用户学习新的数据应用工具也有相应阻碍。
     
    在用户使用前,数据应用建设者核心目的是切换成本最小化,而用户使用后,设计者则需要考虑如何让自己的“数据应用”切换成本最大化,不断的优化功能,增强用户粘性。

     
    在优化迭代的过程中,容易被部分用户单方面的建议误导,此时建议多采用A/B TEST的产品测试方案,通过控制变量科学化地设计数据应用,而不是只因为部分片面结果而错误的进行决策。

     
    在开发阶段如果把设计、用户沟通、技术开发的重要性排序的话,应该是“设计>用户沟通>技术开发”,因为数据应用的整体设计是最考验对业务与数据理解的环节,也是大部分企业不足之处,而用户沟通也会受信息差的误导,需要设计者保持自己的理念,去甄别信息的重要性。技术开发虽说目前来说并不是瓶颈,但是先进的基础技术,也对数据应用建设的易用性与长久性有正面的影响。
     
    运营阶段
     
    “应用的开发完毕上线,对于用户来说只是使用的起点”
     
    运营阶段是最容易被忽视的一个阶段。
     
    应用上线后需要进行一系列的培训赋能、运营监控与反馈收集,相比开发阶段来说,是一场持久战。

     
    培训赋能要在宣传推广与用户培训两方面下功夫,企业内部的数据应用还是很容易被用户忽视,所以可以通过企业内部的宣传渠道,将数据应用包装成产品进行推广,激发用户兴趣;而在宣传推广得到用户信任之后,详细且高效的用户培训也需要建设者花费精力,将培训文档细化、录制讲解视频、建立答疑机制、建立企业内部学习标杆等措施,都会提升培训效果。

     
    在用户培训使用后要建立起科学的监控运维机制,首先通过技术手段,对数据应用用户的活跃人数、访问次数、热点应用、访问途径、活跃指标等指标进行科学化监管。发现用户访问较少的内容,进行内容的二次优化,关注用户下滑的情况,因为用户不使用时是寂静无声的;其次,建立一定频次的用户回访,注意收集用户的负面需求,因为使用不深入的用户是无法提出批评建议的。

     
    运营阶段其实是一个再次收集用户需求的好机会,用户的好点子,往往产生在用户深度使用数据应用时。当需求反馈成功后,放入待分析的需求池,进入下一个需求阶段的循环。
     
    结语
     
    “数据应用的成功绝对不是偶然”
     
    随着企业业务的变化,有关于数据的用户痛点不断产生,通过科学化的需求分析进行需求定位,最后再通过技术手段解决业务问题,并且迎接着未来业务的持续变化。
     
    这是一个动态的过程,由一套科学理论所支撑,目标是建立起企业一个长久不衰的数据应用体系。

     
    最终可以总结三点:
     
    1、进行数据应用建设时,一定要产品思维大于项目思维,项目结束不意味着工作结束,而是要把数据应用当作一个产品来持续运营;
     
    2、采用一些科学化的测试方式,可以有效避免鲁莽决断对需求误判,而对企业的效益产生损害;
     
    3、数据分析产生的结论,不一定比经验决策的上限高,但是数据分析带来的稳定性一定大于经验决策,往往可以防止出其不意的风险。
     
    企业的数据工作是慢慢长途,谁越认真对待,谁将受益越多。

    关键字:大数据

    原创文章 企业网D1Net

    科学化建设企业数据应用体系 扫一扫
    分享本文到朋友圈

    关于我们联系我们版权声明友情链接广告服务会员服务投稿中心招贤纳士

    企业网版权所有©2010-2022 京ICP备09108050号-6

    ^
    左右棋牌