摘要：本文立足于大数据产业的应用现状，通过文献分析和个案研究两个方面对企业信息系统成长阶段展开讨论，总结了企业信息系统成长过程在大数据应用过程中所面临的四大挑战，结合实际研究结论提出相应的对策和建议，以期对大数据时代下的企业级信息系统成长阶段管理做出比较全面的梳理和分析，从而为企业信息化建设提供参考。

Abstract： Based on the status quo of the application of big data industry， this article discusses the growth stage of enterprise information systems through literature analysis and case studies， summarizes the four major challenges faced by the growth process of enterprise information systems in the application of big data， and puts forward corresponding countermeasures and suggestions based on the actual research conclusions， in order to make a comprehensive analysis of the growth stage management of enterprise-level information systems in the era of big data， so as to provide reference for enterprise informatization construction.

關键词：大数据；企业信息系统；成长阶段分析

Key words： big data；enterprise information system；analysis of growth stage

中图分类号：F224-39 文献标识码：A 文章编号：1006-4311（2018）13-0184-03

0 引言

随着信息技术在社会、经济、生活等各个领域不断渗透和推陈出新，全面基于信息和网络的生产和创新模式，使得全球数据量呈现出前所未有的爆发式增长态势。2012年美国政府投资2亿美元启动“大数据研究和发展计划”，将大数据上升到国家战略层面。2013年几乎所有世界级的互联网企业都将业务触角延伸至大数据产业，大数据引来了学术界、工业界以及政府机构的密切关注，被称之为是大数据元年。基于这样的背景，本文分别从文献分析和个例研究两个层面分析大数据背景下企业信息系统成长阶段中存在的问题和管理瓶颈，提出相应的解决策略，进而为企业在类似信息系统的研发过程和管理过程提供参考决策。

1 企业信息系统成长阶段的现状分析

1.1 大数据及大数据产业

在学术界，由国际数据公司（International Data Corporation，IDC）提出的大数据4V定义最为权威，也得到了研究者的广泛认同[1]，即认为大数据需满足4个特点：规模性（volume）、多样性（Variety）、高速性（Volume）和价值性（Value）。我国大数据战略重点实验室提出大数据还应当具有易变性（Variability）和准确性（Veracity）[2]。我国信息专家徐子沛在著作《大数据》[3]中提出，大数据之大不仅仅指容量大，更大的意义在于通过对海量数据的交换、整合和分析，发现新的知识，创造新的价值，带来“大知识”、“大科技”、“大利润”和“大发展”。孟小峰形象地将传统数据库比喻为“池塘捕鱼”，而大数据则是“大海捕鱼”，两者鲜明的区别在于数据规模、数据类型、模式和数据关系、处理对象、处理工具等四个方面[4]。

在工业界，根据IDC、Wikibon等咨询机构分析2016年全球的大数据核心产业规模约为300亿美元2000万人民币左右。今年2月国家信息中心和南海大数据应用研究院联合发布的《中国大数据发展报告（2017）》中指出2016年是大数据政策细化落地年，大数据政策从全面、总体规划逐渐向各大行业、各细分领域延伸，大数据发展也逐步从理论研究不如实际应用之路。而制约我国大数据产业发展的因素主要包括六大方面，分别是：数据管理环节漏洞较多、技术发展相对滞后、数据资源开放度低、法律法规不完善、IT基础设施不完善，以及高端综合人才缺乏[5]，引起了国内学者对大数据产业发展的广泛关注和研究热潮。

根据《中国大数据发展调查报告》显示，2016年中国大数据市场规模约为168亿人民币，增速达到45%；预计2017-2020年增速保持在30%以上。其中企业对数据资源的需求更加强烈。59.2%的受访企业已经成立了数据分析相关部门，35.1%的受访企业已经应用了大数据。而企业数据资源仍以内部数据为主，包括内部生产数据（49%）、客户/用户数据（47.8%）以及内部经营管理数据（42.4%）[6]。由此可见，大数据是继云计算、物联网之后IT产业又一次颠覆性的技术变革，它已经开始改变企业传统的管理和运营模式，成为企业的神经系统及决策中心，有效降低管理成本，提高对市场的快速反应能力，提高服务水平。其应用越深，价值越大。

1.2 企业信息系统成长过程研究现状

在当前信息化时代，信息系统是信息管理部门或软件类企业的主要产品，也是企业现代化管理的重要标志。随着应用范围的扩展、系统功能的更新，信息系统在其长期的应用和实施过程中会呈现出阶段性的成长、演化的过程，存在着客观的成长规律。探索和寻找企业信息系统成长规律也成为了近年来学术界的研究要点。

早在上世纪70年代，美国Nolan教授提出了Nolan模型，以企业在信息系统的建设资金投入为成长标志和划分阶段的依据，描述企业信息系统成长过程及其阶段特征[7]。其后国内外学者们对信息系统成长过程进行了研究，提出了多种模型与假设。美国学者Michael把信息系统成长过程分成了起步阶段、增长阶段、成熟阶段以及更新阶段等四个阶段，并为每个阶段定义了多达100多个不同属性，以帮助企业明确信息化程度[8]，但过多的指标不仅难以定位，而且很难区分阶段性。英国学者Holland等人提出了信息系统应用成熟度的阶段模型，即分为实施阶段、使用探索阶段以及战略价值阶段，从成本、熵、复杂性、柔性、战略竞争力五个方面分析各个阶段信息系统对组织的影响[9]。

我国学者于宝君、毕婷等人采集了2010年国内1039个信息系统建设项目过程数据，对200多家企业信息系统成长过程进行定量化的阶段划分和成长轨迹的研究，从IS组成要素和IS实施阶段两个视角选额9个阶段特征变量对IS成长过程特征进行统计分析，较为系统、完整地揭示了我国企业IS成长规律[10]。曹银美、朱庆华等人对江苏南通纺织企业12家信息化展开高层和中层管理人员的调查问卷，得出处于初始期、普及期、控制期、整合期和管理期的企业信息化认知，从而帮助企业明确各阶段性特征，提供一定的管理建议[11]。

因此，针对大数据背景下的企业信息系统成长过程的理论研究还存在着以下几个问题：

①关于信息系统成长的学术研究大多数停留在宏观层面的阶段划分，缺乏行业指导性和适用性；

②采用调查问卷进行信息系统成长的模型分析，被调查者对成长阶段的认识存在主观意识，忽视了企业内部本身的业务大数据能反应的数据价值；

③目前针对企业的大数据研究与应用主要侧重于基础设施的构建和技术方案的优化，在企业信息系统成长阶段方面尚未成熟。

1.3 个例研究（以HYQS系统为例）

铁路作为国家重要基础设施和大众化交通工具，在我国经济社会发展中的地位和作用至关重要。2004年底全面建成铁路运输管理信息系统（TMIS），基本上覆盖了铁路货运生产的全过程[12]，带来了铁路信息数据的大规模增长，为铁路运输行业进入大数据时代奠定了基础。为了进一步探索大数据背景下企业信息系统成长阶段的规律，本课题组着眼于大数据时代的铁路运输行业，以货运列车编组统计信息系统（简称HYQS系统）[13]作为个案研究对象，采集全路18个路局311个车务段约5年的业务数据包括清算运统1、运报9A、运报11A、运报1ZK、确报信息、运统8、18点统计信息、货票信息等，累计共3656962條运统1报文，1890904条货票信息，298659条运报9A报文等信息，合计有7062.8G的信息数据。经专家咨询与实地调研，参照统计指标和清算考核标准，计算出清算数据的精确度作为回归分析的自变量，以其作为系统成长的主要标志，即业务数据越准确、越及时、越完整地反映货运清算情况则说明信息系统在其生命过程阶段中越成熟。同时以统计数据的35个指标为因变量，采用逐步回归分析法提炼企业级信息系统不同成长阶段的显著影响因子，得到以下结论[14]：全路范围的大型企业信息系统以其重要版本的发布时间为节点划分为6个成长阶段，经历试点运行（V1）、联调联试（V2）、完善稳定（V3）、自动审核（V4）、数据扩张（V5）、系统衍生（V6）等阶段，在六个成长阶段中，人员操作培训在大部分阶段均有重要的影响，系统应用范围（V1）、数据流转效率（V2）、自动审核逻辑（V4）、系统应用层次（V5）、衍生业务数据（V6）在各阶段的影响差异有别。

2 企业信息系统成长阶段的对策建议

2.1 面临的挑战

综上分析，企业信息系统建设及成长阶段在大数据应用过程中受到了极大的挑战，主要分为以下几个方面：

一是数据源的采集方式和内容结构。随着物联网技术和网络技术的发展与应用，基于日志采集、搜索爬虫和系统接口等方式的数据自动采集方式已经普及，被动式的业务驱动处理流程已经转化为主动式的数据驱动流程，信息系统能够获取的数据总量可以接近于总体样本，但也大大增加了半结构化、非结构化数据类型在业务数据中的比例。这一挑战将直接影响后续信息系统的分析和决策作用，因此对企业信息系统建成初期的成败与否甚为关键。

二是信息系统处理数据的方式。与日俱增的原始数据和多样化的数据类型直接改变了信息系统处理数据的能力。传统的大型数据仓储技术开始限制企业信息系统的运行和发展，开始向Hadoop、MongoDB等分布式文件存储的数据库迁移转型。同时业务处理设计中如何快速、有效、实时、动态、自动地分析数据成为了企业信息系统成长阶段的又一个严峻挑战。

三是衍生数据的异构化和共享性。为了更好地实现企业级信息系统辅助管理决策的目的，信息系统在应用扩张阶段往往需要整合其他信息系统的相关衍生数据，消除信息孤岛，发现数据价值，因此衍生数据的异构化将对信息系统的扩张阶段产生不利影响，同时不同信息系统之间数据共享的安全性也带来了信息系统对企业管理决策的直接挑战。

四是信息系统相关人员的认知思维。大数据的新兴技术和分析方法给企业信息系统的成长阶段带来了新的挑战，也给信息系统的使用者包括管理决策者带来了思维上的冲击。如何利用信息系统处理大数据的能力，如何适应信息系统分析大数据的方式，以及如何应用信息系统的决策信息，这需要信息系统的相关人员不仅需要具备丰富的业务知识，还需要具备对信息系统对大数据处理的认知思维，才能确保该信息系统在使用和维护过程中的稳健成长。

2.2 对策分析

本课题组根据对HYQS这一大型企业信息系统的成长过程跟踪与研究，针对以上挑战提出几点对策，以供参考：

一是重视基础设施和平台建设，做好海量数据的采集和管理工作。不管是还未完全转型的传统行业如铁路运输企业，还是已经进入数据驱动的互联网行业都必须要规划好信息系统的数据源采集管理工作也就是基础设施和平台建设。这包括服务器、数据库和网络的硬件选型、各类数据源类型集成和商务智能分析的数据架构，以及与业务需求相匹配的解决方案和技术服务。

二是优化业务处理逻辑和流程，改善业务数据的存储和处理困境。基础设置的平台建设需要遵守一项基本原则是确保企业的经营绩效，也就说在信息系统的实施过程中，业务处理逻辑和流程设计更为关键。如果处理逻辑或者流程控制设计不合理，将会导致业务流程重组的失败，影响数据分析的正确性、业务处理的速度和信息系统的安全性，从而也不利于人们基于信息系统做出的最终决策。

三是制定信息系统的数据标准，规范衍生数据的标准和共享安全。数据标准的制定往往涉及多个部门，为了更好地减少异构数据在集成衍生阶段的不利影响，企业内部应从高层构建数据采集标准、分级分类标准、数据交换标准和数据访问标准，完善大数据的标准规范体系，从而实现信息系统之间的集成和共享。另外，企业还需明确各部门的职责权限和授权审批程序，对人员进行合理授权管理，降低业务数据的泄露和非法修改，提高数据安全性和真实性，规避人员操作风险。

四是培养大数据认知思维，提高信息系统的应用价值。大数据时代下的信息系统可以为企业提供更快的响应速度、更高效可靠的运营管理和准确的商业洞察，然而信息系统的使用者和解读者在于人这个因素。因此除了要在信息系统成长阶段中做好业务数据的操作培训提高业务服务能力和管理能力外，还应该培养所有使用者的大数据认知思维，包括业务数据需尽可能搜集各类相关数据才能接近总体数据，获得全面的信息价值；数据处理模式需根据业务需求采用批处理模式、实时处理模式或者混合的处理模式才能符合企业经营绩效，获得准确的分析结果；数据分析结果需利用更加图形化和可视化的方式呈现才能有助于辅助决策，达到信息系统的建设目的。

3 结语

本文根据大数据产业发展和信息系统成长阶段的研究现状，以铁路行业中具有代表性的大型企业信息系统HYQS系统为个案分析，探析了大数据背景下企业信息系统成长阶段的影响因素、面临的挑战及其相应的对策。 通过本文研究可知，企业信息系统建设及成长阶段在大数据应用过程中主要面临数据源采集与内容结构、信息系统处理数据的方式、衍生数据的异构化和共享性以及信息系统相关人员的认知思维这四大挑战。鉴于此，为了更有效利用大数据的信息优势，促进信息系统稳健成长，企业应该重视基础设施和平台建设，优化业务处理逻辑与流程，制定信息系统的数据标准，培养大数据认知思维，才能更好地应对大数据时代的挑战，完成业务驱动向数据驱动的转变。

参考文献：

[1]International Data Corporation. Extracting Value from Chaos[R].[2011-01].https：//www.researchgate.net/publication/285473642_

Extracting_value_from_chaos.

[2]大數据战略重点实验室.大数据概念与发展[J/OL].中国科技术语（2017-08-21）.http：//kns.cnki.net/kcms/detail/11.5554.N.20170821.1928.006.html.

[3]徐子沛.大数据：正在到来的数据革命，以及它如何改变政府、商业与我们的生活[M].桂林：广西师范大学出版社，2014.

[4]孟小峰，慈祥.大数据管理：概念、技术与挑战[J].计算机研究与发展，2013：50（1）：146-169.

[5]国际信息中心.中国大数据发展报告（2017）[R].[2017-02-26].http：//120.198.248.21/cache/www.sic.gov.cn/archiver/SIC/UpFile/Files/Default/20170301105857384102.pdf？ich_args2=28-16212903

008566_1dec0267e1d7c9852d9c0924ad0b1f64_10001002_9c89652fd3c0f1d89f38518939a83798_17c0bff5e9efe44a8a5c4610802dad91.

[6]中国信息通讯研究院. 中国大数据发展调查报告[R]. [2017-03-28].http：//www.cbdio.com/BigData/2017-03/28/content_5480934.htm.

[7]Nolan R L. Managing the computer resource： A stage hypothesis[J].Comunication of ACM，1973，16（7）：399-405.

[8]Michael AM. Transnational architecture a reengineering approach. Information Manament，1995，12（1）：98-100.

[9]Christopher P. Holland， Ben Light. A stage maturity model for enterprise resource planning systems use[J]. Acm Sigmis Database.2001，32（2）：34-45.

[10]于宝君，毕婷，齐晓云，余翠玲.我国企业信息系统成长过程模型的实证研究[J].图书情报工作，2010：54（16）：63-67.

[11]曹银美，朱庆华，孙霄凌.企业信息化的阶段性特征及对策探析[J].情报科学，2013：31（06）：43-48.

[12]铁道部信息技术中心，中铁信息工程集团.中国铁路TMIS工程[M].北京：中国铁道出版社，2005.

[13]靳健，陈森玲，陈志荣.货运列车编组统计信息系统（铁路局级）的设计与实现[J].铁路技术创新，2014（3）：97-101.

[14]Senling Chen， Wenli Zhang， Xiaofei Li， etc， A study on Growth Process Model of Enterprise Information System in the Era of Big Data——Statistical Information System of Freight Train Formation[J].Advances in Engineering Research，2016，Vol73：150-15.