數字化轉型的第一步、數據應用的最后一公里應該如何做？

數字化轉型是一個龐大的體系、漫長的過程，尤其是對于制造企業，所涉及的業務范圍較廣，在轉型過程中，由于時間、資金、人力等資源的有限，許多制造企業采取了按業務或按部門分階段執行，這種方式在一定程度上減輕了短期內轉型的壓力，對于部門來說提升了轉型的效率。

然而，到了數據應用階段，這種轉型方式的缺點逐漸顯現。企業雖然已經積累了一定量的歷史數據，但由于前期缺乏統籌性的規劃，導致諸多制造企業沒有建立起有效的數據管理機制和保障，出現了數據來源復雜、數據質量參差不齊、基礎數據分散、數據不一致、統計口徑不統一等問題，導致在應用時數據質量得不到保障，數據無法匹配、數據不可識別、數據不一致、冗余重復、時效性不強、精度不夠等問題頻發，數據結果與實際情況不匹配，無法作為業務改善及經營決策的參考依據，難以支撐上層應用，無法完全釋放數據的真正價值。

因此，企業可以通過構建的統一的大數據分析平臺將企業內大量的結構化、半結構化、非結構化數據以及外部數據，進行數據整合、數據管理，打好數據底座、再考慮建立數據應用實現數據驅動業務。

制造企業可以應用一站式的BI數據分析平臺，將各系統數據進行統一的整合、存儲、分析。把大數據分析所需的產品功能全部融入一個平臺下，進行統一管控。在運用時，可全面覆蓋數據分析過程中的各個環節，包括數據采集、清洗、整合、存儲、計算、建模、訓練、展現、協作等，讓用戶可以在一個統一的平臺上完成全流程數據分析任務，降低了實施、集成、培訓的成本。

除了一站式的BI數據分析平臺，數據倉庫的建設也是關鍵，通過搭建數據倉庫，構建按照主題模型存放數據的模型層，提升數據整合效用與科學性，構建指標層以提升基礎數據的復用程度，逐步統一數據出口。同時可以進一步推動數據管理的落地，數據質量檢測與反饋機制逐步優化落實在系統中，最終在數據整合、數據管理、數據應用三個部分相互之間推動良性循環。

數據倉庫是一個完整的生態圈，其建設是一個循序漸進的過程，既不能夠脫離業務的實際需要而存在，也不能夠純粹以業務驅動而忽略了IT架構。因此，在進行數據倉庫的開發時，需要同時從業務和技術兩方面考慮建設。

首先歸并各子系統數據，將原本散亂在各個系統中的業務數據進行統一化處理。在數據歸并后，結合企業的業務特征和系統架構，將不規范的數據根據數據標準轉換為規范的數據，將非結構化數據轉化為結構數據，并對數據進行提取的臨時存儲。

僅僅是數據的采集、提取和存儲還不夠，由于許多制造企業的業務體量大、渠道多，導致了數據龐雜，因此需要根據企業的業務邏輯，對數據進行重構。可以在平臺中構建數據匯總層，對數據進行快速的清洗、轉換，提高數據質量和可用性。以此，根據數據顆粒度，將事實與維度拼合成新的報表。同時，根據分析指標復用程度，將部分同維度指標集中合并成為新報表。

將數據清洗和轉換后，可以構建業務數據層，為不同應用場景的數據可視化、分析、挖掘準備并管理好數據。這樣才能使數據應用更加貼合該企業的使用場景，使報表呈現更加精準。

以此，將制造企業各業務系統中的數據統一處理，構建標準化的數據應用體系，為數據賦能業務奠定基礎。

案例：

該企業將大數據分析平臺的建設分為兩個階段。第一階段的工作重點是將各業務系統的數據進行連接，統一處理，實現貫通。一方面，通過業務數字化、標準化，借助IT技術，實現業務上下游信息快速傳遞、共享，實現數據全流程貫通，提升業務運作效率；另一方面，通過數據質量度量與持續改進，確保數據可以真實反映業務情況，使數據質量持續提升，減少返工、糾錯等成本。

統一的數據分析平臺為數據應用奠定了堅實的基礎，構建了一致的信息架構與標準，以及唯一可行的數據源。在此基礎上，將第二階段的重點放在了數據分析與洞察能力的提升，首先將各業務數據進行跨領域的匯聚與聯接，從各個數據角度進行整體性或某一關鍵問題的綜合分析，實現業務狀態透明可視，提供基于事實的決策支持依據。

該企業應用的一站式BI數據分析平臺，完成了數據源的統一，構建了標準化的數據治理體系，實現了遞進改善式的數據質量管理，具體如下：

1. 數據源：業務數字化是數據工作的前提，通過業務對象、規則與過程數字化，不斷提升數據質量，建立清潔、可靠的數據源；

2. 數據湖：基于“統籌推動、以用促建”的建設策略，嚴格按六項標準，通過物理與虛擬兩種入湖方式，匯聚該企業內部和外部的海量數據，形成清潔、完整、一致的數據湖；

3. 數據主題聯接：通過五種數據聯接方式，規劃和需求雙驅動，建立數據主題聯接，并通過服務支撐數據消費；

4. 數據消費：對準數據消費場景，通過提供統一的數據分析平臺，滿足自助式數據消費需求；

5. 數據治理：為保障各業務領域數據工作的有序開展，需建立統一的數據治理能力，如數據體系、數據分類、數據感知、數據質量、安全與隱私等。