叶兴全 武汉第二船舶设计研究所

引言

这是一个信息爆炸的时代。阿尔文·托夫勒在《第三次浪潮》一书中将人类发展史的第三阶段称之为“信息社会”。维克托·迈尔·舍恩伯格称“世界上的一切事物都看作是由数据构成的，一切皆可‘量化’，都可以用编码数据来表示”。詹姆斯·格雷克在《信息简史》一书中称“万物皆比特”。巴特·贝森斯在《大数据分析：数据科学应用场景与实践精髓》一书中称“数据无处不在”。全球知名咨询公司麦肯锡研究报告称：“数据，已经渗透到当今每一个行业和业务职能领域，成为重要的生产因素。人们对于海量数据的挖掘和运用，预示着新一波生产率增长和消费者盈余浪潮的到来”。

数据已然成为一种价值资源。克莱夫·汉比称“数据是新时代的石油”。2020年国务院发布的《关于构建更加完善的要素市场化配置体制机制的意见》，将数据与土地、劳动力、资本、技术并列为五大生产要素。那些拥有先进经营管理理念和优势数据挖掘技术的互联网企业，凭借强大的技术优势和敏锐的市场嗅觉，从数据的持续开发与利用中快速掘取高额的商业利润。正如可口可乐欧洲公司首席信息官萨宾·艾尔瑞特所言“仅仅通过持续开发和利用海量数据资源，谷歌、脸谱网、优步、Waze、Zillow之类的互联网公司，就动摇了众多传统行业的业务运营模式”。

有些企业仍停留于传统的企业管理认知，对数据的价值功能尚未合理认识和充分重视。有些企业自身仍困囿于管理信息化的泥潭，却一味追逐数字化与智能化的热潮。笔者以为，信息化仍是数字化不可跨越的一个阶段，是造就数据商业价值与管理价值的源泉。本文以数据的管理价值为研究目标，通过分析数据运用过程中的常见问题，研究提出以项目管理为中心的数据一体化思路，为企业构建一体化的信息管理系统提供应用启发。

一、数据管理与运用的常见问题

任何一个相对规模的公司，经营管理中必然产生大量结构化、半结构化和非结构化的数据，但往往因忽视或不重视对数据价值的开发利用，或者缺乏对数据的统一治理和顶层管理，使得难以有效地识别和利用其中的价值数据以支持管理决策，常常导致市场响应不及时而丢失订单或武断决策而带来经济损失。究其因，常见于以下四种情形：

1.鲜于有效的数据治理。数据治理应基于统一的标准规范，对数据输入到输出的全生命周期进行管理，确保数据来源唯一、输入输出标准统一、数据存储格式规则、数据分类管理科学等基础上，借助数据抓取技术从海量数据中精准完整地挖掘有价值的数据，再通过计算机模型加以提炼分析，从而为经营管理者提供有效的决策支撑乃至智能辅助决策。然而，有些企业常忽视信息化的顶层规划，缺乏一体化建设管理信息系统的理念，简单交由信息化部门主导建设或任由业务部门自行建设，往往因懂信息技术者不懂业务或懂业务者不懂信息技术，使得企业信息化建设投入多见效少。也因此出现数据多源、基础错误、标准不一、权限不清、难于流动等诸多问题，使得无从或难以掘取有价值的数据资源。

2.失之高格的管理境界。先进的企业管理工具和方法有很多，成功的企业运营也不在少数。有如：卡普兰和诺顿的平衡计分卡，但有些企业仅将其作为部门或员工绩效考核工具；稻盛和夫的阿米巴经营，但有些企业仅仅于依样画瓢而不知京瓷和KDDI运营成功背后的企业文化和企业家精神；现流行的卓越绩效管理，但有些企业却将其作为博取管理荣誉的敲门砖。相对落后的管理基础，相对缺失的管理理念，相对较低的管理者格局，难以支撑起这些先进管理工具的有效运用，从而也导致数据管理中心的迷雾重障，如：有些企业倡导战略管理中心，而自身战略规划却流于纸面，欲建立以战略为中心的数据一体化也随之成为海市蜃楼；有些企业推崇财务管理中心，把企业的经营发展框限于财务绩效而失了业务根本，所建立的以财务为中心的数据一体化也随之成为一叶障目。

3.筑之高墙的信息壁垒。所谓巧妇难为无米之炊，失去数据本身这一基础，再科学的管理思路和方法，再先进的信息技术和计算机模型，也无法让数据发挥其应有的内在价值。正如维克托·迈尔·舍恩伯格所言“如果信息隔绝，就无法实现大数据带来的洞见，因此要分享、开放、透明”。然而，因之于人之本位主义和私利主义的劣根性，长于蜗牛角上较雌论雄而罔顾企业整体利益，在企业内部数据领域肆意“跑马圈地”，常常导致数据孤岛而不能集中共享、系统孤岛而不能交换共通、管控孤岛而不能处理协同，由此形成的“数据竖井”无形增加了管理成本和削弱了数据价值功能。

4.自缚手脚的技术障碍。有些企业未能一体规划管理信息系统建设，针对本应一体整合建设的合同管理、质量管理、供应链管理、财务管理等，采用不同的外部厂商软件产品，不仅需要花费大量精力和高额成本进行二次开发、数据集成和数据交互等，而当自身集成能力不足时便造成了系统孤岛，影响了企业整体信息化进程。有些企业所采用的软件集成平台的底层架构存在先天的技术缺陷，使得系统集成困难和软件功能限制。从而导致数据分散于各个应用系统，而无法建立系统间的数据交换、数据共享与数据关联等，很大程度限制了信息化应有的价值功能。

二、数据一体化设计与运用思路

一个架构科学、一体设计的管理信息系统，是企业从信息化迈向数字化的必备前提。笔者认为，坚持以项目管理为中心、以业务全链条运营为驱动，建立集营销服务、研发设计等于一体的项目全生命周期管理信息系统，是实现数据一体化、集中共享和价值挖掘的最为实际可行的方法。

1.明确的数据一体化模型是顶层引领。设计科学的数据一体化模型，是确保数据架构合理的航标灯塔（见下图）。可从以下三个层级加以设计：（1）业务层是底层的业务运营中心，是围绕项目管理构建的全链条业务运营体系、业务管理体系和信息系统架构，也是最主要的数据来源和数据交互对象。（2）数据层是集中的数据处理中心，通过大量经过设计的计算机模型，对从业务层集合而来的各类数据进行定向分析、情景预测、即时监控、提前预警等，并向战略层输出所需的各项结果或结论等。（3）战略层是顶层的管理控制中心，落脚于引领与反馈两项功能，“四位一体”的战略管理导向讲究以战略定计划、以计划编预算、以预算控考核，此四者的无缝对接是战略有效落地的重要保障；管理驾驶舱则着重于运用数据分析结果辅助决策，是数据运用最为直观的方式。

2.一体化的业务信息系统是数据源泉。一体设计的业务信息系统，是数据价值运用的工具基础。应围绕项目运营的主链条，以项目管理系统为中心，建立贯穿产品全生命周期的营销服务、研发设计、生产制造、招标采购、质量检测、财务管理、交付验收等于一体、各模块相互关联、全链条贯通的业务信息系统，对项目的任务进度、经费使用、绩效表现等各个方面，以及设计、制造、交付等各个环节进行全过程管理。从而使得项目管理系统能够关联项目运营链条上的其他各个业务信息系统模块，即时汇集与项目相关的全链条数据，并从以下三个方面加以保障：（1）全面统筹业务信息系统开发，从顶层设计契合企业实际的系统架构，避免由各个部门自行主导开发所带来的信息孤岛等问题。（2）自主开发或者量身定制，避免因采购不同厂商软件所带来的集成困难、二次开发困扰、数据标准不一、后期运维不便等问题。（3）注重倡导职能管理服务于业务运营的企业文化引领，减少本位主义等形成的人为障碍。

3.有效的数据治理是基本规范。有效的数据治理，是数据运用的基本前提。应建立统一的数据分类、编码、格式、范围等标准，并作为各个业务信息系统数据输入的控制规范，从源头保证数据的规范性、唯一性、准确性和可用性，在规范新增数据同时追溯清理历史数据。更为重要的是应制定企业层面的数据共享机制和共享规则，即要厘清各部门所产生的有价值的数据类型，明确哪些部门哪些人享有哪些数据的查阅、调取和使用等权利，再由信息化部门据此统一分配数据权限，从顶层避免各部门本位主义造成的信息壁垒。正如唐要家等在《数据价值释放的理论逻辑、实现路径与治理体系》一文中所述“数据的非竞争性和零边际成本的结合内在地要求数据开放共享和接入再用，数据的多人应用和多场景应用会有助于最大化挖掘数据要素的价值”。

4.价值的数据挖掘运用是目标所在。价值的数据挖掘运用，是数据一体化治理的根本目标，需视不同的管理需求设计相应的数据分析模型，应着眼于数据的相关性而不必太在意其因果关系，在收集、整理、分析各项数据基础上，提炼出有针对性的数据以服务相关商业行为和管理决策。数据管理价值体现为：（1）知识与洞察。即人在权限范围内有目的地查阅、提取相关信息，再加以自主分析、总结提炼等，从而了解和掌握数据背后蕴含的经营情况、风险状况等信息，以便做出判断和决策，同时减少信息的不对称。（2）预测与监控。即在信息系统中设置相关计算机模型，从数据中心抓取实时数据，自动分析预测事件发展趋势，监控KPI、预算等事件发展现状，预警可能突破风险阈值的未来事件，并向权限用户自动推送相关结果，从而达到趋势预测、绩效跟踪、风险预警等作用。有如：奥利·阿什菲尔特通过“12.145+0.00117×冬天降雨量+0.0614×葡萄生长期平均气温-0.00386×收获期降雨量”方程式预测葡萄酒的品质。（3）分析与决策。即借助计算机模型对海量数据进行分析并列出多种情景及结果，以辅助管理者做出更好的选择，减少依靠个人经验和直觉的武断决策，甚至于结合管理者决策习惯和风险偏好等给出相应的决策建议。例如：根据项目进度、客户信用、应收账款等数据，借助计算机模型对未来一段时间内的回款可能进行分析预测，并结合已有带息负债、市场流动性及利率等信息，为管理者提供未来一段时间可能面临的流动性风险和融资应对方案。

结语

本文在剖析数据运用常见的数据治理、管理格局、信息壁垒、技术障碍等问题基础上，从数据一体化的模型设计、业务管理信息系统的一体化架构、数据治理的关键点和数据价值发掘的主要方式等方面入手，研究提出了以项目管理为中心的数据一体化设计与运用思路，为企业信息化建设、数据价值运用和经营管理提升等提出了一个应用方向，但在具体的数据挖掘分析模型设计等方面仍存在探索空间。