根据Gartner的最新调查报告，有75%以上的企业正在或者计划两年内投资大数据相关项目，可见大数据已经基本覆盖了所有行业领域。但是随着精细化数据的广泛深入，行业化差异引发的数据痛点也越来越让企业难负其重。

那么，如何对一个行业进行大数据解决方案的制定呢？

以能源化工行业为例，一个完整的行业化解决方案应当包括“痛点分析”、“大数据架构”、“场景分析”等内容，通过数据分析来提高公司数据管理的能力，推动公司数据化经营的持续发展。

一、挖痛点，找问题

针对能源化工行业，在现有企业的数据化情况之下，虽然业务系统、ERP、供应链系统已经上线，但对于集团管理层与业务层，仍面临着以下问题：

1.数据分散，存放于多个业务系统中，形成了一个一个的“数据孤岛"，没有办法将这些数据打通，从多个角度对数据进行深度分析。

2.各业务部门迫切的希望通过数据解决一些管理、业务发展的问题，但苦现有的报表展现形式不能满足分析需求。

3.依托IT取数的配合方式，传递效能低，易造成重复劳动，而且数据时效性也不能保证，往往从数据产生，到流入业务部门需要经过一周以上，风险并不能被及时暴露。

4.随着公司的发展，数据的安全和保密日趋重要，特别是一些公司财务信息、客户信息等，需要有权限的管理来对数据进行保护和管理。

二、建立行业的大数据技术应用架构

针对以上的行业化问题，需要对行业进行系统的构建，这里提供的一个思路是“一个中心、两个统一，三个平台”，对业务和管理进行优化。

一个中心，指利用强大的数据中台系统，对底层数据进行完善，对业务进行分析，辅助管理和决策，本文以FineBI商业智能产品为例。两个统一，保证在整个系统建立过程中，统一基础数据来源、统一分析报表规范。三个平台，根据各层级要求和业务情况，BI分析平台、数据化会议平台、数据应用移动平台，实现不同层级对业务分析的要求，同时方便信息部门对系统的维护和管理。

数据流处理架构

业务解决方案架构：

三、具体场景具体分析

1.企业产量完成分析

在传统模式下，数据统计采用人工核算、汇报的方式，反馈滞后，没有时效性。无法及时监控到各项目、各产品的生产情况，这势必会造成以下问题：

不合格品项目和原因不明确，无法提出针对性的调整方案；合格率不准确、无监督，工厂不合格品数量不断增多，各工厂、项目生产的产品合格率是稳定还是波动？如何解决？生产产能有限，如何动态调整产能，保证每种产品的产量都能按时保证？

为此，可以利用FineBI的仪表板指针、折线图等方式，将生产和质量管理的关键指标进行展现，通过警戒线、动画效果的设置突出展现质量不达标、完成率不达标的异常产品，提醒管理人员做出相应对策

具体指标如下：

具体分析如下：

关键点：

通过设立警戒线对良品率、生产完成率异常的产品进行监控；将关键指标从各个维度通过图表形式进行展现，辅助管理层进行生产能力分配。

2.企业原料采购分析

在过去，企业的领导层对于采购成本能否下降，下降多少，从哪方面下降一向是难以抉择的一件事。

为此，可以利用FineBI的多源数据连接、整合能力，将分散在多个业务库中的采购数据进行整合、清洗；建立采购关键指标看板，通过警戒线的设置，即使发现采购异常数据；并利用FineBI的联动、钻取等OLAP分析方式，针对异常采购数据联动，深入探究采购异常问题，并从多个维度探索降低采购成本的方法。

具体指标如下：

具体分析如下：

关键点：

每一项原材料，去年同期均单价PK今天均单价，高出来的标红，并分析近12个月，材料价格走势图，是否处于正常价位，如果出现偏离，则追责改善；查询每一次进货，所用的供应商，谁来负责进货，进行精细化追寻，为什么不采购同类型产品更低价格的供应商，利用数据来说话；通过明细化追踪方式，追踪每一笔采购的合格率等详细信息，帮助排查采购异常数据

3.企业产品销售分析

为数不少的销售部工作人员由于缺乏营销分析概念和方法，企业累积的大量数据得不到有效的利用，营销分析只停留在数据和信息的简单汇总和流水帐式的通报，缺乏对客户、业务、营销、竞争方面的OLAP深入分析，结果决策者只能凭着本能的反应来运作，决策存在很大的失误风险。

为此，使用FineBI将销售、财务系统的数据整合，数据通过系统自动获取，打破数据孤岛，并减小认为的干预和加工；并建立销售业务实时数据看板，实现数据动态分析，并通过FineBI的OLAP分析操作逐层追溯异常数据。

具体指标如下：

具体分析如下：

关键点：

扁平数据立体化。提供多样化和自由化的分析手段。扩展分析维度。数据分析维度不仅局限于图表界面上的汇总展示，提供落实到每单的具体数据分析。销售数据深层次对比。通过对采购、销售数据的同步挖掘，提供更多维度的采销数据对比，实现精准分析

4.企业报工数据分析

报工数据的主要作用有两点：第一，领导想要知道手底下的员工每天究竟在做什么；第二，员工的工作效率究竟怎么样，用工成本高不高。设立报工机制的初衷是好的，但在执行过程中往往会遇到遇到以下问题，反而提高了用工成本：

数据分析是需要投入大量时间和精力的，而目前的管理人员投入量不支持大数据量的统计分析；目标不清晰，关键数据信息无法提取，我们的报工分类每个部门的分类视角都不同，相互之间可交叉验证的数据源有限；数据可信度不高。

因此，需要先从现有的报工数据异常分析着手，判断报工数据不准确的原因有哪些，通过建立报工异常数据总览看板，整体针对集团的报工数据准确率给出分析结果；然后，使用FineBI创建组件进行数据即席分析，以联动、钻取等方式深入探究报工异常数据的原因；最终，对异常明细数据，采取明细表、交叉表的展现方式，进行有效追溯。

具体指标如下：

具体分析如下：

关键点：

整体报工准确率在逐月下降，目前仅维持在17.89%，需要制定考核指标，将报工准确率提升；报工异常中，小于20分钟报工的占据了多数，因此考虑从程序功能角度控制报工时间间隔；报工数据准确性，直接影响到产能计算及生产排产准确性，需要仔细研究各班组报工的错误数据情况，针对短时长报工(<20分钟)和跨天报工(>600分钟）。

以上分析均由FineBI制作完成，具体的行业化数据demo可私信“能源化工”获得！

相关文章