如何引导企业数据“价值变现”，看能源化工业的数据化管理

Posted 2020-09-01

核心内容：供应链管理，阿米巴管理，能源化工行业四大业务特点，六大管理现状，管理经营数据化五大问题，能源化工行业数据四大特点，基于能源行业业务、管理、数据特点的数据决策管理支持方案（PC端集成、移动办公、微信集成、可视化大屏）

穹顶之下：能源化工行业发展大背景

2014年6月，《能源发展战略行动计划》（2014-2020）[1]发布，着重突出了控制消费总量、保证能源安全、控制煤炭消费、优化能源改革、推进能源体制改革等方面。[2]2014年，我国已经成为煤炭、石油、天然气的净进口国，石油对外依存度高达60%，天然气对外依存度超过30%，两者相加占能源消费总量进口基本达到15%。能源消费与日俱增，能源安全问题堪忧。[3]作为能源化工行业的从业者，我们应着眼于世界能源行业大势，留心于当下最新技术，但着手于自身企业生产、管理。我们要用最先进的技术和最专业的技术来推动自身企业高速、稳定、长足的发展。积跬步以至千里，厚积而薄发。

• 能源化工行业数据分析战略意义

当前大数据分析已经成为各行业趋势。在利用大数据上，能源行业也需要努力赶上社会的步伐，把海量的数据经过专业化的特定分析处理用于精准营销、优化供应链、量化内部管理、优化和监控生产。经过多年的信息化系统建设，能源化工企业如何合理利用数据获取有价值的信息，为公司的管理层提供决策支持，是企业信息化需要解决的主要问题。[4]数据分析系统是基于关系型数据库、多维数据仓库所建立的管理、决策支持系统，能够为公司高层决策提供支持。

要解决能源化工行业的数据管理、决策支持问题，得先从能源化工行业的业务特点入手。

• 能源化工行业的业务四大特点

能源化工行业资源密集、技术密集、设备密集、人员密集、高度封闭。我国目前拥有能源化工企业3万多家，占工业企业总数的73%。其中总资产为几十亿元人民币的特大型能源化工企业集团有10余家，中、小型能源化工企业占化工企业总数的99%以上。这些大中小型能源化工企业在业务上都具备以下四

特点一：资源依赖性强。能源化工行业所依赖的资源主要是矿产、煤炭、石油和水。这四种资源在我国人均产量和储量都非常匮乏，开采和利用方式粗放、综合利用平低、浪费严重，所以节约资源、提高资源利用率已成为首要解决的问题。

特点二：技术依赖性强。精准选择化工发展领域和把握其技术未来的发展趋势对化工企业而言至关重要。但目前我国化工企业的新产品、新技术严重不足，技术水平不足是影响化工企业发展的最大瓶颈。

特点三：生产流程特殊。能源化工行业通过能源、设备和其他资源来混合或分离、萃取、化合各种成分，并引起化学反应，所以每个工序上都能要求输入某些新的成分或资源(原材料、催化、人工、机器设备、能源等)，并生产多项产出物。流程环环相扣，方向不可逆，时序性又强。

特点四：设备专业化强。能源化工行业存储设备多为罐、箱、柜、桶等，且多数存储的数量可以传感器进行计量。生产设备是一条固定的生产线，维护特别重要，不能发生故障，一发生故障，极易全线停产，损失严重。当供需变化时，只能靠调整工艺流程参数维持生产，不能中断。

• 能源化工企业管理六大现状

因为业务上技术依赖性强、生产流程特殊、设备专业化强，能源化工行业的管理显得更为复杂，环环相扣，很容易造成管理松散、低效，并且响应执行迟缓。但同时，因为资源依赖性强的特点，高效的管理十分有助于节约资源、提高资源利用率。尤其对于我们这个人均资源匮乏的国家，用先进管理手段（比如当下的阿米巴管理）提高资源利用便有着极高的战略意义。那么目前能源化工企业普遍存在哪六大现状呢？

现状一：业务流程管理混乱。数据共享度低，信息获取不及时。生产部门部门统计数据就可能存在大量独立的excel，每次多人手工对账。

现状二：计划可执行度低。年初、月初制定的计划，没有数据支撑，凭主观安排计划任务，全程无数据监控，只能在最后发现计划完成度，计划执行难以达标。

现状三：存货管理松散。存货有罐、箱、柜、桶等多种形式，多个单位和人员负责存货供货管理，相互之间信息难共享，凸显存货管理信息化薄弱。

现状四：成本核算复杂。化工行业有些工艺过程是投入多个原料，每一道工序都有产品产出，有些工艺过程是一个炉里同时产出多个产品，有联合产品、副产品或者中间产品。如何将成本分摊到每一个产品上，是企业管理面临的一个难题。

现状五：存货计量困难。化工行业计量一般难以很准确，如:大宗原料的计量基本是以过磅数减去车辆自重为货物的重量;液体或气体是以管道 计量为主，没法考虑粘稠度;实物多为露天存放，实物盘点只能按照体积大致估算。因此如何解决存货的计量问题是化 工企业管理面临的另一个难点。

现状六：数据信息响应迟缓。化工企业日常业务数据管理粗放，从总部到分子公司，决策信息都不及时性、不准确性，造成“将不知兵，兵不知将”的局面，增加了经营风险。

• 管理经营数据化存在五大问题

化工企业业务特殊，有着大量的自动化系统，沉淀着庞大的设备数据、生产数据、供应链数据和销售数据。同时，因为管理松散，企业的众多系统数据对接不完善，有的能源化工企业数据量大，存储格式复杂，数据分散，类型繁多，应用困难。不同类型的数据包含的信息也各具特点，只有综合各种各样的数据，才能真实的反应企业的实际状况，才能有效的应用于数据分析。可以说，化工企业的信息化建设面临着巨大的挑战。[5]

问题一：缺少统一标准，统计结果不统一。相同的物料、产品，到不同的部门或者不同的产品线名称不同，最后进行存货统计，结果各式各样。

问题二：手工数据多，缺少统一的整合管理标准。不同的生产系统、供应链系统、供应商系统、销售系统等都存在手动导出Excel的情况，并且生产数据统计，大量的Excel存根。Excel本身还是各种交叉分组的表格形式，没有系统能做这些日日更新的数据的支撑管理。

问题三：手工统计多，数据上报流程多，汇总及时性差。业务变化快，为了统计方便，就直接上Excel，车间职员上报组长，组长上报主任，主任再上报领导。每一层都是时间拖延，还存在数据因不符合审核人员预期被篡改的风险。

问题四：缺少高效的数据分析方法和手段，Excel当金钥匙。Excel分析的过程和方法无法固化，且数据量大时，无法满足。每次遇到数据分析需求，都需要从原始明细数据开始加工分析，曾经积累的大量分析方法未能沉淀为自动化程序分析。既浪费了人工，又降低效率。

问题五：缺少整体管理经营数据支撑架构规划，无卓有成效的数据决策支持系统。其实没有可自动准确执行的系统是这五大问题的关键。企业自行沉淀或者借鉴同行的成熟决策分析系统的经验，可以摆脱“日日做报表，做完就过时”的头疼困境。

• 能源化工行业数据四大特点

数据是管理出来的。能源化工企业普通存在的管理问题自然也影响到了管理数据化，不能高效的利用数据来支持管理和决策自然也就导致数据价值得不到重视。加之能源化工行业的业务特点，行业数据本身也呈现出不同的四大特点。

特点一：体量大。目前因为业务上技术依赖性强、生产流程特殊、设备专业化强，能源化工行业的管理显得更为复杂，环环相扣，很容易造成管理松散、低效，并且响应执行迟缓。但同时，因为资源依赖性强的特点，高效的管理十分有助于节约资源、提高资源利用率。尤其对于我们这个人均资源匮乏的国家，用管理手段提高资源利用便有着极高的战略意义。，中国能源化工企业100强的日数据生成量近一半都多于1GB，更有4.9%的企业 超过1TB。中国能源化工企业级数据中心数据存储量正在快速增长，非结构化数据呈指数倍增长，如果能有效的处理和分析，非结构数据中也富含了对企业非常有价值的信息。

特点二：种类多。采购系统、销售系统、仓库系统、客户关系管理、生产管理系统（主生产计划、物料需求计划MRP等）、财务管理系统、视频监控系统、GPS物流管理系统等各类数据，有日志数据、文本、图像、视频、音频、关系型数据库、多维数据库等等。

特点三：价值密度低。能源化工行业自动化系统多，每一秒都有大量的系统监控数据和业务数据自动生成，但实际上能用来指导决策分析的并不多。大量的数据需要做基础汇总之后再做分析。

特点四：速度快。能源化工行业自动化系统24小时不停线运行，成集群模块化分布。数据传输速度快，这就要求数据决策系统要能及时响应高速更新的数据，未业务运营提供实时的分析汇报。

数据决策管理支持方案（销售、供应链、财务）

面对能源化工行业管理经营数据化的五大问题和行业数据的四大特点。传统的解决方案显然难以满足多层次的业务需求。以十几个能源化工数据决策分析系统的案例来看，分五层的规划设计（如下图）是目前能照顾到各层次需求的绝佳解决方案。今天笔者在这里着重聊聊数据展现层和数据应用层，前三层可以在今后和大家详细探讨。

• 数据治理和整合

前三层（数据源、数据处理层、数据存存储）主要内容就是数据治理和整合笔者简单介绍下。前文已经和大家聊过了，企业中有着大量的业务系统，如SAP、ERP、OA、CRM、SRM、EHR、MES、PIM等，同时还有大量的Excel手工帐。系统化的解决这些大量的不规范数据的办法就是构建企业级数据仓库（量大，低频更新）+ODS缓存区（量小，高频实时更新）。当然也存在直连业务系统数据库的方案，但直连的方案在性能上容易遇到瓶颈，同时对实际业务系统造成压力，大多数企业考虑到数据安全和业务风险，选用直连方案都十分谨慎，采纳实施的案例不多。

有了企业级的数据仓库，分析页面数据直接来自被打通的各业务系统。向上，可以通过全区域、全产品线、全业务、全系统的数据，汇总分析支撑战略规划；向下，通过对各地区分公司每日各项指标的把控和指导，把控业务运营管理的全过程，不同层级的职员，通过对汇总数据的细化，逐级分配到自己所负责的业务范围和人员，实现运营管理的数字分析决策。下图是向上涵盖战略和经营，向下涵盖管理和操作查血的具体展现层分析模块。

（笔者在此以销售与分销分析管理、采购与库存分析管理、财务分析管理来探讨具体的方案建设。考虑到数据分析模块的分析深度、文章篇幅和笔者精力，生产与技术管理、人力管理、市场客户管理、供应链管理、产品研发管理、经营仪表盘和指标库、市场监测、行业对标、战略地图等等模块的分析和探讨，笔者暂定在今后的文章中一一道来，也欢迎读者文末留言交流。）

• 销售管理的核心是订单过程管理

我们的一线业务人员通过查询每天的订单明细，实时掌握责任田的订单详细情况，及时掌握订单执行的详细节点。让业务人员能及时根据订单动态调整自己的工作重心。就好比我女孩子盯着天猫、聚美优品的订单物流信息，根据实时的物流状态，安排自己是否要今天出门。以此类似，业务人员也可以根据订单明细和动态，去安排自己是否要再次电话、拜访等跟进客户。实时的数据查询系统满足了一线业务人员提高效率、及时安排行程的核心需求，特别是移动端实时查询。

而作为销售部门经理，则更为关注短期内（一周/一个月）内商品价格走势、销量走势、人员的业绩走势、客户订单采购走势等。针对市场商品价格走势（虽然有些是协议价格，但不少业务产品仍然是随着市场波动，存在价格不稳定情况），及时调整产品价格；根据销量走势，及时关注库存和相应的产品，决定是否加大该产品相关的销售成本投入；根据人员业绩走势，及时发现业绩占前10%和后10%的销售人员，对优秀的销售经验及时总结分享，提高团队整体销售业绩，并通过即时奖励，提高团队士气和战斗力，而对业绩不佳的销售人员，及时发现问题，介入指导，督促改进，确保“伤员及时恢复战斗力”，如果最终通过几次数据考评，定性为害群之马，及时剔除，防患于未然；而对于客户订单走势，根据不同地区、不同行业、具体不同客户采购的订单量走势，及时进行客户关怀，把80%的精力用在20%的优质客户上，同时用20%的精力用在80%的普通客户和潜在客户挖掘上。数据分析系统通过实时的数据汇总和关联分析满足了销售部门经理及时掌握销售动态、调整销售团队管理、制定针对性的销售策略的数据支撑需求。

作为公司领导层，只需要关注几个固定的页面，就可以从宏观掌控销售订单的区域分析。还有什么是比这更能解放领导时间的呢？彼得德鲁克告诉我们，领导者的时间是宝贵的，那么节约了领导在具体事务上占用的时间，留下来更多的时间思考公司的发展和行业变化，这不也正是数据化决策所要实现的目标之一吗！

• 供应链管理目标是在现实的资源（资金、仓库面积、供应者）约束下满足订货的需要又能使成本达到最低。

圈子内的人，我们常说“库存是万恶之源”，减少不必要的库存，追求"零库存"成了我们日思夜想的事儿。正如李叔同的《晚睛集》里的词：“念念不忘，必有回响”（电影《一代宗师》中的赵本山饰演的丁连山也说过，估计大家更熟悉），我们实践总结出补给策略方法论:定量订货，定期订货。关键控制点分ABC分类控制，核心内容就是“关键的少数和次要的多数”。具体哪些关键的少数，哪些是次要的多数呢？未应用大数据解决方案之前，这个是通过业务经验资深的专家凭借多年实践积累摸索总结出来。时至今日，经验已经有部分过时，并且企业发展速度越来越快，已经等不得耗费多年的经验总结了。在此背景下，自动化的大数据分析方案和系统应运而生。

我们可以分析下图方案，通过系统的日均完成率对比，及时掌握了作为整体的一部分的零件的配比情况，及时对配件库存进行调整，保证整体产品的完整输出。实际产量结构分布图，则清晰、准确的看到日均计划和实际完成的差异，及时调整当日、次日生产计划；而正品入库产量完成，可以说是库存管理者交的一份答卷。之前的工作都是在答题，而这个正品入库产量完成，则直接响应了业务部门的销售提货需求。而我们最容易看得见的，就是这个正品入库产量的积压和不足。但实质的解决办法却是要监控调整从日均完成率对比和实际产量结构分布。一套自动化的数据监控与分析系统，让自动化的生产线装了一个决策大脑。而浙江传化集团的成功经验是实行供应链分析管理，2016年节约成本13%！

当然，这边也有另一种日库存分析的方式。如下图，同样是库存分析，区别在于无需多考虑库存对销量的影响，只是统计总数就可以了。这是较为粗犷但仍然高效的统计分析方案了。

下图中的指标：库存数量、库存金额，维度：产品(成品油第二层级物料，化学品第三层级物料)，通过查询和钻取，特定展示运营层领导比较关注的特定时间的物料库存情况，为运营策略的调整提供决策数据依据。同时也方便数据追踪和领导莅临审查。用这种自动化的报表分析页面去代替传统手工Excel，实现了历史数据可追溯、操作实时便捷的目标。

• 财务指标分析是指总结和评价企业财务状况与经营成果的分析指标，包括盈利能力指标、偿债能力指标、运营能力指标和发展能力指标。

财务指标是管理层和领导层同时关注的核心指标之一，财务指标分析是企业进行管理和改革有效性的第一衡量指标。财务管理的目标是实现产值最大化、利润最大化、股东财富最大化、企业价值最大化、相关方利益最大化。而信息化程度、财务架构是否健全、内控体系完善性、成本核算精细程度、费用管理规范性等都会大大影响财务的管理能力。

如下图分析展示，通过切换公司、产品和时间区间三维度，既可以从公司维度反应不同指标的获利能力，为公司绩效提供数据支撑，又可以从部门维度反应不同指标的获利能力，为部门绩效提供数据支持。通过这样的自主定制的可视化界面，解决阿米巴经营管理最难的成本核算和内部定价问题。A车间部门满负荷生产一批订单，需要暂时未满负荷运营的B车间部门协助生产以早日完成订单生产，B车间消耗了不同原料（比如煤炭和硫磺）为A车间生产了一定量的产品，最后A车间又把B车间剩余的一部分原料（煤炭和硫磺）运走了。这种情况，如何裁定A、B车间的成本和利润呢？通过下面这种灵活自由定制的页面，财务部门审核定价，实现各部门的成本独立核算，效益独立核算。从而避免了大量的手工Excel，同时高效的实现了精细化管理，让每个车间和部门都可量化投入产出。通过实行阿米巴管理，2016年营业额1个亿的恒逸石化，光采购成本节约就达到了17%。

通过切换不同的排序方式，我们发现销售公司和广东公司两个公司的获利能力是其他公司的两倍以上，那么是不是要有两点反应？第一点，这是集团公司的拳头业务子公司，重点要保持持续获利，应该挖掘出来成功经验，向其他子公司推广可复制的经验；而是，过年了，是不是该发年终奖了啊，给谁发，发多少呢？嘿嘿。

接下来我们看看不同公司的营运能力如何。通过历年分析，我们看到企业的总资产和净资产基、应收和现金流本保持逐年上升，当前年度2016年有所下降，那么具体是哪些部门哪些业务什么原因导致的下降呢，我们通过多层钻取去查找原因。我们总能通过公司、部门、产品线、区域、月份等维度钻取到是某些特定维度（比如说是区域）下资产和营收指标起伏较大。通过对比，把问题定位到具体的维度上（区域维度），同时再通过该维度（区域维度）的钻取，找到其他维度（比如说月份）指标起伏较大，以此逐层钻取，发现问题。

• 移动办公潮流，大屏可视化驾驶舱

随着互联网时代的飞速发展，手机正在全民中迅速普及。据台湾《电子时报》报道，工信部的统计数据显示，截止到2016年5月底中国的手机用户数量已达到12.56亿人，相较4月份增长了0.36%，比去年同期增长了7.82%，相当于中国90.8%的人都在使用手机。，在所有使用手机的人中，使用3G网络的用户有4.64亿人（占比36.94%），所有使用手机上网的用户数量为8.57亿人，占总数量的68.24%。以上数据表明，移动生活大潮已经来临，而移动办公潮流正在兴起。移动互联网时代，信息无处不在。充分利用移动应用，人们可以摆脱办公场所的限制，充分利用碎片时间，进而可以“管理于拇指之间，决策与千里之外”。笔者这里分享几个移动端效果、PC集成效果、微信集成效果，以及大屏可视化驾驶舱效果，给各位读者养眼之用。

如何看待数据决策

数据决策本身不是万能的，也不是凌驾于业务系统之上的。他是企业信息化发展到较高层次的产物。整个信息化发展可以分三层概括：运营层、管控层、分析层。其中企业中SAP、ERP、OA、CRM、SRM、EHR、MES、PIMS等大多数信息化系统其实都是解决了运营层的采购管理、供应链管理、研发管理、生产管理、库存管理、销售管理、客户管理流程、流程管理、人资管理等管理运营问题。而通过这些生产和业务相关软件内置的报表和流程功能，辅助财务软件（比如用友NC）实现了管控层的人、财管控。而在此基础上的分析层则更多依靠Excel类数据汇总、PPT制作报告、外聘行业专家提供报告等来满足需求。对于经营决策和经营会议，数据支撑起来的决策让领导层从直觉、感觉、经验逐渐过渡到逻辑、关联上来。能通过数据本身的变化和调整，直接在宏观上调整实际的业务经营。有了数据支撑的经营决策，外加不同的主题分析，像核磁共振一样对企业进行精准的全方位扫描和监测。如此，在战略决策的大方向上，有数据支撑作为依据，再辅助对历史规律、行业动态的把握，让决策更具可操作性。

最后

实现大数据分析价值的三大要素是支持、信任和技术。应用大数据分析的企业需要管理层持续的支持，需要加强跨专业部门之间的信任，并具有深层次的业务知识和技能。于此同时，大数据决策分析正方兴未艾，需要我们抱着探索的心态，勇于在具体的业务中亲自实践。

文中部分截图来自以下企业的项目实施方案：浙江海利得新材料股份有限公司、浙江传化集团、云天化集团有限责任公司、浙江恒逸集团有限公司、中策橡胶集团有限公司、中国海洋石油销售公司、旭阳控股有限公司等。

PS：文以载道，学而进阶，欢迎留言探讨

本文出自帆软数据应用研究院

—   帆软数据应用研究院  —

帆软数据应用研究院专注于企业的数据应用研究，致力于让数据成为生产力。主要分享行业趋势、市场动态、理论观点以及企业的数据应用实践案例。

参考资料：

[1] 《能源发展战略行动计划》（2014－2020年），新华网，[发表日期2014-11-20] 国务院办公厅印发《能源发展战略行动计划（2014－2020年）》-新华网

[2] 能源局有关负责人就《能源发展战略行动计划》答记者问，中华人民共和国中央人民政府网，[发表日期2014-12-15] 能源局有关负责人就《能源发展战略行动计划》答记者问_部门新闻_新闻_中国政府网

[3] 国务院印发能源发展战略行动计划，新华网，[发表日期2016-11-20]， 国务院印发 《能源发展战略行动计划（2014－2020年）》

[4] 徐斌、王晓冬、林丽，《大数据管理 企业转型升级与竞争力重塑之道》.[M].北京∶人民邮电出版社,2016.1:149,162

[5] 化工行业案例—化工行业面临问题，帆软官网，[引用日期,2017-2-6], 化工行业信息化建设 | 化工行业BI方案 - 帆软数据

[6] 朱超，帆软公司化工行业总监，《石油化工行业数据应用之道》，[R]帆软公司，2016