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。
本次分享将结合两家企业实际落地案例,深入剖析能源制造企业在指标建设中的思路与方法。
分享嘉宾|何夕 StartDT合伙人、资深战略咨询专家
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
指标治理的挑战与对策
1.1 为什么需要统一的指标治理
本次分享将基于能源制造领域统一指标的治理与应用展开。
在我看来,这个领域在过去已经有了诸多实践,如今当我们在做指标的全生命周期管理时会遇到一些统一性以及治理应用方面的问题,所以,此次分享带来了两个案例解读,并结合案例阐述对这件事情的理解,以及我们是如何思考并帮助企业处理这部分问题的。
我们认为,指标的定义有两个维度。第一个维度是业务的维度,也即业务管理所使用的指标,这属于业务定义或管理定义。第二个维度是从数据层面来看,我们更多地关注指标是如何开发出来的、如何进行良好的管理以及数据如何进行管理。这涉及治理问题,还有数据如何应用,都属于应用侧的问题。只有当管理和应用形成闭环时,在开发这一侧才能真正将管理需求转化为技术需求,从而实现业务与技术的一体化,在这里可能更多地强调一些业务定义。
下面,我将与大家分享我们过去的一个案例,即帮助一家制造企业进行统一的指标治理。
在这个案例中,我们需要探讨两个问题。第一个问题是,为什么我们今天需要统一的指标治理?我们都知道,制造业在过去很多年都是按照研、产、供、销、服的方式进行组织搭建,在每个组织内部进行垂直化的系统设计,并基于这些系统产出指标,以满足不同层级,从一级到四级的管理需求。
过去,我们的业务链可能集中在某一部分。例如,一家光伏企业主要专注于研发光伏组件,提高其效率。但如今,企业可能向上游购买大量原材料,甚至购买矿产;向下游可能涉足动力电池等更多领域。此时,企业自身具备了一定的垂直一体化能力。另一方面,企业可能有多种模式,比如库存生产模式、根据需求订单进行定制化生产的模式,以及批量生产、流程化生产的模式。在这个过程中,我们会发现业务链越来越长也越来越复杂。
我们所服务的许多企业,原来可能只在国内,但如今随着全球化的浪潮,它们进入了越南、马来西亚,甚至欧洲、非洲等地。此时,企业在全球拥有十个生产基地,面临十套不同的管理系统,数据分散难以统一,但是企业的决策却是越来越要求贴近客户,越来越实时。此时我们会发现,业务链的不断延长与价值链的不断缩短是同时发生的。
在这种情况下,我们必然会遇到一个问题,即如何提高全局效率,真正实现降本增效。这与以往的垂直化设计理念有很大不同,我们必须在短价值链的情况下,用全局视角代替局部视角来提高效率。这是我们在探讨统一指标治理时面临的一个重要前提。
1.2 某离散制造企业案例解读
在这个前提下,我们在过去实践中采取的办法非常简单,就是将决策层级和决策链路拍扁。这意味着需要做两件事:第一件事是通过数据领域的平台建设、治理以及团队能力的提升,来增强和扩展企业原有的决策能力。
例如,过去可能是T+1的决策,那现在能否将其变为按小时决策呢?过去,人力成本管控可能以天为中心,如今能否缩短至半天,甚至在生产线结束时,就能对人力进行重新排班或进行相关处理?
第二件事是制造业如今会面临大量问题,比如上了大量IoT设备后,如何实时可视化并进行现场管理、设备管理以及整个供应链管理。当这些问题出现时,能否及时解决。这里涉及到数据的互联互通以及IoT大数据的机器学习等诸多技术问题需要解决,并非仅仅上一套AI或BI就能将整个链路拍扁,因为不同人的需求不同。
这就需要统一的规划。相信在这方面大家的做法类似,从谁来看,再到每个角色具体看什么,接着是怎么看,以及整个分析路径、下钻路径和指标构建体系。在这一点上,我们可以清楚地看到,制造业和零售业最大的区别在于制造业的每一个指标体系构建得非常完整。
以人力成本为例,它是由招聘费用、薪资以及其他支出构成。它向下游每一层的拆解链路非常清晰,此时就非常适合开展业务需求的统一归集,然后进行详细分析:这里面具体的需求,我们面临着技术、组织乃至业务上的哪些难题需要解决呢?
这是我们自己整理的在整个指标体系向下构建时会碰到的一些问题,比如统一数据平台建设的缺失,如何消解指标的二义性,其中指标二义性可能源于整个流程管理以及相关组织的存在。不同的组织可能对同一个指标,比如库存周转,在仓储、物流等其他环节有不一样的定义。包括质量管理方面,我们曾梳理过一家企业的整个客户定义,会发现这家企业对客户大概有42种不同的字段命名,如Corporation ID、Club ID、Company ID等。不同的ID命名,在开发一侧进行业务指标支撑时就变得不那么容易了。
举个具体例子,对于这家案例企业,我们使用了一个工具叫指标架构评估表。我们知道制造业通常在一个指标上会有三个不同指标可拆,第一个是目标指标,通常是财务部给的KPI;第二个是预测目标,用于合同签订和排产、仓库预先安排等;第三个是实际指标。我们将这家企业所有相关的人机料指标进行拆解,并按照预测目标和实际目标对应到取数方式,即拿到这个数后如何使用。这家企业对很多制造企业来说具有代表性,手工计算量非常少,与零售业不同,整个指标体系基本不需要手工计算,待定和特定项目非常少,即使是分摊待定也很少。
这里面最大的问题是业务的自动化取数比例不高,系统取数仅为8%,而且从管理层视角来看,数据为0,也就是管理层在使用相关数据进行决策中,直接从系统获取的相关数据为0,这是当前最大的问题。
第二个问题是整个工具层面和组织层面不打通,包括工具的易用性。例如,这家公司能力很强,线长甚至能用Excel 进行汇报,但现场发现问题后,也只能用Excel汇报,从汇报到决策,再回到线长进行生产线相关处理,最少需要一天,长则需要一周时间。而如果指标在线化、透明化可流转,这件事其实是一分钟点击就能完成的事情。
所以我们看到,成熟制造企业的核心问题不是手工问题,而是自动化和易用性问题,易用性既有工具问题,也有组织问题。
1.3 统一指标设计的规范和方法
综上,我们会发现,要把一件事情做好,一定需要三个东西,即方法论、指标和工具。指标是指要做好这件事情,如何去衡量它;方法论是要用什么样的流程、规范去约束它,进行统一梳理和管理。
在我们的整个方法论里,按照八个步骤,从流程梳理开始,到区分整个角色责任。再往下,基于工具对整个指标属性进行维护分工,指标属性分两类,第一类是业务指标,需要由业务负责人进行相关维护和分工;第二类是技术指标,即技术意义上的指标开发,这需要技术负责人承担技术元数据一侧的维护分工。
当我们拥有业务元数据和技术元数据后,需要一个平台和工具来支撑它们,并且这个工具要能自动管理所对接的所有数据源,即所谓的平台关系。我们要基于统一的指标设计方法对其进行重新梳理,按照统一的规范进行词根表、字典等的梳理,最终通过运营管理赋能的方式,在技术元数据和业务元数据统一的基础上实现管理上的统一。这样一来,如果领导想要看到一个数据,不仅能够识别发生了什么,还能在瞬间下钻找到对应的问题。
例如,在生产环节有一个产品叫供应链控制塔,这个控制塔可能由50个核心指标构成。经过统一治理后,这50个指标可以非常清楚地帮助客户认知到过程中的问题,比如交期比预期晚4-5天,并且能通过红黄绿灯的方式呈现问题所在环节。客户可以点击黄灯或红灯指标,下钻找到问题是出在生产线一侧,还是在某一个工厂,或者是在供应链的仓储、物流等某一段,这样大家就可以快速解决问题。有了这些后,我们的整个全生命周期管理才能够有据可依、有规可循,有流程和机制可以沉淀。
在这个方向下,最理想的情况是有一个指标工具,能够承载我们的整个指标体系和流程体系。我们自己的实践认为,这个指标工具必须有两个界面。
一个是业务人员使用界面,要解决业务人员在使用过程中的需求收集和增删改查问题。有很多指标可以通过原子指标向上,利用公式构建完成,无需重新开发。这样一方面可以极大地减少重复开发和无效开发,另一方面也可以让业务人员更方便地使用,并通过工具对他们的日常分析行为和指标创建进行约束。
另一个是开发人员使用流程,当业务人员在界面上提交需求后,要通过统一的开发流程和开发规范,约束整个指标的开发过程、使用过程和运营过程,包括后续增删改查带来的开发难度增加。这样在这个层面我们就可以对业务元数据和技术元数据进行统一,并在组织上进行约束,在工具上进行强制的流程性安排。
当我们具备这些能力后,下一步可以展望如何用大模型来开展对应的数据治理和检查。这里不是用大模型来建指标,而是强调用大模型这件事。当有了干净的数据、SQL和指标定义后,大模型就可以介入到整个数据管理中。
02
指标应用:场景和效果
2.1 通过“三统一”提升产业链整体数字化水平
下面第二个案例,给大家看一下我们在一家光伏企业帮助其建立的四条业务价值链,或者叫四套业务指标体系。
第一条是基于业财域的整个业务财务的管控、决策一体化,其中最重要的是把决策时间从原来的T+1变成T+1小时,即每小时都可以进行相关业务层面的管控。
第二条是在销售一侧,做客户运营管理一体化,更多地是看如何对接客户的复杂需求。
第三条是在供应链一侧,更多是基于供应链域的数据进行产供销协同一体化。
第四条是在生产一侧,是基于实时数据做人机料法环测的一体化。
我们在该企业主要做三件事:一是统一平台,这是基础设施建设;二是统一数据,包含四件事,即前面提到的治理和服务能力搭建、可视和洞察应用搭建,再到驱动决策和行动,这其实是内部流程和机制搭建问题,以及在有了好的语料后进一步推进学习和智能;最上面是基于我们的理解帮助企业构建自己的数据文化、数据组织以及内部培训,这被我们视为统一运营,是帮助企业更好使用数据的重要事情。
2.2 建立全场景分析链路
这是一个非常有效的方法。在这个方法下,我们基于刚才这四个链路,向下拆解所有的分析主题,采用OSM加上工作流程的方法。
O即objective,目标。每个目标下要采取什么样的策略(Strategy),比如研发的目标是什么,对应的分析主题是什么,如何去衡量(Measure),我们会拆解所有的分析指标,以及它在哪个价值链的哪一段,是在订单下达阶段、工单基础计划阶段还是制造工单阶段,在每一段所要看到的指标都是不一样的,最终会形成一个完整的场景体系。
结合客户需求,我们可以针对性地在不同环节拆解分析主体和分析指标,形成一张完整的大图。并且可以用前面提到的指标架构工具评估哪些指标现在就可以完成,哪些可以用机器方式实现,哪些还需要继续往下拆。下面快速给大家看三个我们做下来非常有效的场景。
第一个是实时生产监控的RPI。通过人机料法环测数据的一体化,我们帮助这家企业在全球十大基地打通了以MES为主的八大执行系统,对全球2000多设备进行了集成。这里面最重要的一件事是为了满足决策精度要求,把原来每天采集数据变为每小时采集数据,数据量直接翻了24倍。对于这家企业来说,以前从未见过这么多数据。
同时,不只是数据量增加,在使用过程中,他们发现原来只有70多个维度来管理公司,现在有了更多用法,直接把维度从70多个增加到200多甚至300多个,这也带来了更多的数据采集需求。
这是一个统一平台的建设,基于这些平台我们可以实现分钟级或小时级的生产过程全方位监控,降低停机时间和原材料浪费。同时,在这个下面会延伸出质量管控、现场管理中的能源消耗管控以及基于远程的库存管控等,这些都能更好地帮助客户进行统一生产基地的运营,提升整条生产线上的整体效率。
这是在生产监控这一侧做的重要事情,但是仅仅把生产监控起来是不够的。因为我们知道整个生产只是产供销服中的一环,所以我们需要对订单和结算的整个OTC进行核心指标监测,与传统的OTS(order to ship)不同,我们把从销售到最后结算和回款的所有断点和堵点都拉通。
比如在这家企业,我们打通了12套核心业务系统,包括计划研发一侧的PLM、生产一侧的MES,到下游的CRM以及一些库存系统、物流系统和财务系统。这里面全部要打通,我们基于企业的所有单据进行订单的Mapping,治理断点、堵点问题,总共治理了几十项。从图中可以看到,我们基于7大领域打通了30多个关键流程节点,形成了近50个影响交期的预警指标。仅仅这一件事,事实上就能提升整个供应链响应效率10%以上。
另一个非常重要的是,我们极大地缩小了交期的不确定性。原来在预测交期时都是凭经验,但是今天当我们能看到每一个环节的红黄绿灯,非常清楚地知道每一个环节可能造成的时间delay是半天还是一天或者多长时间以后,我们在交期预测和管理方面就会变得更有效。并且在这个下面,我们进一步基于每一个关键预警指标、每一个关键节点向下构建了一个完整的指标体系,这样就可以进行精细化运营。不仅能够发现问题,比如那些黄灯、绿灯和红灯所代表的问题,还能进一步对这些问题进行下钻和拆解,找到问题的原因。这样一来,就可以提升及时交付率,缩短完整的交期。这些都是在订单和结算这一侧所看到的指标运用的核心场景。
其中,最核心的库存管理方面,当我们有了OTC以及RPI这样的实时生产监控数据后,就可以很好地进行远期库存预测。基于远期库存的变动预警,可以反向对库存占用进行监控,跟踪整个库存状态,判断库存短缺情况。这样就能加强风险管控,通过订单和库存匹配的方式,提升库存占用的决策效率。
2.3 公司介绍
最后快速为大家介绍一下StartDT。我们旗下有两个品牌,奇点云和GrowingIO。目前我们基于这两个品牌构建了整个数据云和分析云体系。简单来说,数据云帮助客户把数据管起来,分析云帮助客户把数据用起来,主要在零售、金融、制造、政企等行业有比较成熟的实践经验。在客户侧我们主要提供端到端的产品,提供从搭建平台、平台治理和管理、提供服务和应用、咨询、代运营以及运维服务等一系列帮助客户把数据用起来等服务。
基于此,我们构建了自己安全可控的数据产品,并在多云多引擎这件事情上投入了大量精力。我们目前支持十朵云,不管是阿里云、华为云、腾讯云,还是在海外用AWS等,我们都支持在上面搭建一层平台。服务的客户以泛零售和制造为主,目前为止凡是数据中台项目我们都是100%交付成功。
以上是我们过去在能源制造企业的指标应用中,比较好的一些场景以及相关实践。
曾任职于阿里巴巴集团市场部,浙江大学社会硕士生导师。担任CCSA TC601WG2工作组副组长,连续两年荣获信通院TC601优秀贡献专家。首创大数据咨询方法论,发布大数据咨询方法论白皮书,完成30+数据资产管理、数据治理、数据中台等领域的咨询项目交付,服务制造客户包括东风日产、松下电器、联宝、华勤等。
热门跟贴