数据知识

知识分类

文章推荐

企业数据治理之主数据中心管理与实践连载四-2

发布时间:[2017-03-14] 来源:作者：段效亮点击量:

4.5.3企业关键指标体系建立

1. 概况

企业关键指标体系(KPI：Key Process Indicators)是从大量统计分析数据和各类指标中，提炼和抽取出能从不同的角度为企业决策者、中层管理者考虑、分析问题而提供数据支持的关键指标，并组成体系。通过建立企业关键指标体系，我们可以为各个管理层次的监控、查询和分析、预测等决策方式提供依据。

本部分是在总体数据规划的基础上，初步给出企业不同层次单位的KPI指标体系，从而梳理出各单位各层次关心的信息重点，即“企业的关键指标体系”，能够反映企业的总体情况和发展变化趋势，主要包括生产指标、安全指标、营销指标、项目管理指标、人力资源指标、财务指标、物流指标等内容。

2.企业关键指标体系概念和方法

1）企业关键指标体系的概念

为了客观科学地评价企业总体的经营状况和发展能力，观察企业在激烈的市场竞争中所处的位置，探索提高企业综合实力的途径，需要设计一套科学、完整、能够从全方位、多角度反映企业综合经营能力的指标体系。基于KPI的关键指标体系就是根据企业战略发展目标和综合经营能力而建立的指标体系。如某企业按指标内容划分为：生产指标、安全指标、营销指标、项目管理指标、人力资源指标、财务指标、物流指标等七个部分。

企业关键指标体系就是从大量统计分析数据和各类指标中，提炼和抽取出能从不同的角度、不同的领域为企业决策者、中层管理者考虑、分析问题而提供数据支持的关键指标，并组成体系。

按照一般的规则，指标可以分析归纳成若干个集合项，并组成一个体系。因此，企业关键指标体系的基本结构是：体系-指标集-指标项，即：

关键指标体系={指标集1，指标集2，…, 指标集N}

指标集M={指标项1，指标项2，…,指标项N}

2）企业关键指标体系的意义

企业关键指标体系可以帮助企业寻找挖掘自身的潜力和提高管理水平和生产能力，通过自身的各类指标与同行业及全国平均水平、先进水平的比较，指导企业挖掘这些潜力变可能为现实，成为企业自我诊断、自我完善的有力工具。

其次，有利于推动企业管理水平的提高。企业关键指标体系涉及企业安全与生产、市场营销、项目管理、人力资源、财务、物资采购等各个方面，企业管理水平的高低，直接影响着竞争力的发挥，通过与本行业内先进水平的比较，找出差距，提高企业自身的管理水平。

再次，可以帮助企业各个管理层次在企业的经营管理中监控、查询和分析、预测等决策提供依据。

3）构建关键指标体系的方法

体现企业的战略目标

这首先意味着，作为衡量企业综合经营状况和实力的指标，关键指标体系所体现的衡量内容最终取决于公司的战略目标。当关键指标构成公司战略目标的有效组成部分或支持体系时，它所衡量的指标便以实现公司战略目标的相关部分作为工作的主要内容；如果KPI与公司战略目标脱离，则它所衡量的工作的努力方向也将与公司战略目标的实现产生分歧。

KPI来自于对公司战略目标的分解， KPI是对公司战略目标的进一步细化和发展。公司战略目标是长期的、指导性的、概括性的，而关键指标内容丰富，针对企业各种业务活动和经营状况而设置，着眼于考核当年企业的实现成果、具有可衡量性。因此，关键指标是对真正驱动公司战略目标实现的具体因素的发掘，是公司战略对每个经营活动要求的具体体现。

关键指标随着公司战略目标的发展演变而调整。当公司战略侧重点转移时，关键指标必须予以修正以反映公司战略新的内容。

KPI所具备的特点，决定了KPI在企业组织中举足轻重的意义。

首先，作为公司战略目标的分解，KPI的制定有力地推动公司战略在各单位各部门得以执行；

其次，KPI为上下级对经营活动和关键绩效要求有了清晰的共识，确保各层各类人员努力方向的一致性；

第三，KPI为绩效管理提供了透明、客观、可衡量的基础；

第四，作为关键经营活动的反映，KPI帮助各类员工集中精力处理对公司战略有最大驱动力的方面；

第五，通过定期计算和回顾KPI执行结果，管理人员能清晰了解经营领域中的关键指标参数，并及时诊断存在的问题，采取行动予以改进。

关键成功因素

在大多数企业中，存在着对该组织成功起关键性作用的因素，一般称为企业经营关键成功因素。为使企业获得成功，这些关键性的任务必须特别认真的完成。在一个企业的业务活动中，关键成功因素总是与那些能确保企业具有竞争能力的方面相关，在不同类型的业务活动中，关键成功因素也会有很大的不同，即使同一类型的业务活动，在不同的时间内，其关键成功因素也不同，甚至受到外部环境的影响。

关键成功因素与当前业务的处理以及所需要的高性能的关键领域有关，这些成功因素提供了最高层管理者掌握的控制系统中所需要的测量标准。一个企业要获得成功，就需要对关键成功因素进行认真的和不断的度量，并时刻注意对这些因素的调整。

因此，通过对企业影响经营活动的关键成功因素的分析和提取，我们据此可以提炼出一些关键指标，纳入到企业的关键指标体系当中。

企业核心价值链分析

美国哈佛商学院迈克尔·波特（M.E. Porter）教授认为企业每项生产经营活动都是其创造价值的经济活动，那么，企业所有互不相同但又相互关联的生产经营活动，便构成了创造价值的一个动态过程，即价值链。

价值链一方面是各独立活动的集合，对各项活动进行分析可已找到本企业核心价值的根源。另一方面，价值链又不只是简单的一些独立活动的集合，而是相互依存的活动构成的一个系统。在这个系统中，各项活动之间存在着一定的联系。对企业价值活动间的内在联系进行最优化与协调是形成的竞争优势的两种形式和途径。

价值链活动的联系不仅存在于企业价值链的内部，而且存在于企业与企业的价值链之间。例如与供应商价值链之间的各种联系也为企业增强竞争优势提供了机会。

图4-9 企业核心价值链分析

它分为基础活动和辅助活动，基础活动是指采购、生产、物料和销售服务等活动，是产生直接效益的地方。辅助活动包括经营计划管理、财务管理、人力资源管理、技术创新与开发等活动，改善它们可以提高企业运作效率。

结合关键成功因素和企业的价值链分析，通过调研和总体数据规划，找出影响企业价值链中各项经营活动成功目标的因素和指标，构成企业关键指标体系。

4.5.4体系落地治理

要落地，企业以往制定的各类数据模型（如，编码规则模板等），没有进行系统落地，在长期的手工管理过程中被逐渐扭曲执行，极大的降低了预期效果。

更要正确的落地，针对体系落地的治理目标就是实现正确的数据管理体系的全面落地，杜绝非专业系统的落地替代，杜绝‘手工式’数据管理。

1、软件环境准备

1)操作系统： Windows、Linux、Unix、Solaris 、Aix、IRIX等；

2)数据库：Oracle、SqlSever、Mysql、Sybase、DB2、Postgre、Derby等主流关系型数据库；

3)应用服务器：Tomcat、Jboss、Weblogic、Websphere、Tongweb、resin等web应用服务器；

4) 浏览器：IE（IE8及以上版本可以获得更好的使用效果）、FireFox、Chrome等主流浏览器。

2、硬件环境准备

具体硬件环境要求如下表所示：

企业数据治理平台运行服务器推荐配置
用户数	50用户以下	50~100用户	100~500用户	500用户以上
硬件配置	普通服务器或虚拟化部署 CPU:高端服务器专用双核内存：16G以上磁盘：TB级	普通服务器或虚拟化部署 CPU:高端服务器专用四核内存：32G以上磁盘：TB级	普通服务器或虚拟化部署 CPU:高端服务器专用八核内存：64G以上磁盘：TB级	推荐分布式服务器使用集群
操作系统	Windows2003 server及以上 Linux/Unix小型机提供商安装
注意:应用过程中的附件文件存放于应用服务器中，系统不支持文件的网络存储,以上服务器硬盘请尽量大，并能保持服务器上的硬盘可以扩增；
数据库	Oralce以及其他JDBC、JNDI数据库。

3. 企业数据治理平台准备

企业数据治理平台性能要求
安全、稳定	J2EE架构
开放性良好	orcale 11g以上等数据库支撑
界面友好，满足前台可视化自定义配置	拥有完善的数据安全管控机制
权限粒度够细，如可到属性字段的操作权限等	满足快速、方便的数据识别
流程粒度够细，实现流转方式多样化	满足多类型数据的不同清洗机制
数据交换可操作性强，避免ESB等的简单替代	满足快速部署的项目实施节奏
拥有科学的海量数据推送机制	… …

体系落地示例如下：

图4-10 自定义编码体系落地

图4-11 数据信息模型体系落地

图4-12 数据多类别体系落地

4.5.5历史数据治理

针对企业目前出现的数据质量问题（数据不一致、不完整、不合规、数据冗余），在数据治理行业有一个专业术语叫‘数据清洗’，所谓的数据清洗一般有两大工作内容：

数据的完善、补充；

重复数据的查重、映射。

但是，对应企业不同数据类型的清洗方法也不可一视同仁，否则就会出现越走越偏的现象，具体不同的数据类型适应的清洗方法举例如下表格：

数据类型	特点	适用的清洗方法	适用的清洗工具
物料、设备、产品、备品备件等	多类别多模型	先完善再查重	物资数据专业清洗工具
客户、供应商、人员、科目、项目等	多类别单模型	先查重再完善	相似度匹配为主的清洗工具
组织机构	树形数据结构	树形数据节点对应	组织机构专业清洗工具

另外，数据质量问题是企业多年来由多种原因积累下来的，要想进行完全的数据清洗难度还是比较大的。因此，需要在数据清洗过程前选择合适的清洗工具，选派合适的人员，制定合理的清洗制度、流程、考核机制等。

1. 清洗工具及过程

下面我们根据不同的清洗工具看一下具体的操作过程。

1) 物资数据清洗工具

首先看一下企业物资数据清洗漏斗理论及数据清洗流水线，如图4-13：

图4-13 历史数据清洗架构

从上图可以看出，物资数2据的清洗是一个漏斗式循环的过程，过程中包含了自动清洗和手动清洗两部分，手动清洗是首先通过人工完善主数据属性信息，然后自动生成映射表；自动清洗是在建立主数据质量模型的基础上，历史数据与质量模型自动匹配，历史数据规范完成后，通过清洗工具自动生成新历史数据映射关系表。

具体的操作步骤如图4-14：

图4-14 历史数据清洗流程

历史数据清洗背景有下面三种情况：

A.清楚哪些数据是重复的；

B.不清楚哪些历史数据是重复的；

C.针对历史数据的模拟、完善，某一个人很难确定所有的具体属性参数值，需要多人协同补充协助；

根据上图，具体操作步骤如下：

首先批量加载（或者通过ETL抽取）历史数据到专业物资数据清洗平台；

模糊查询出需要清洗的批量历史数据，一般是某个类别或者有共同特征的历史数据集合；

历史数据自动清洗处理模式步骤：

初步手动合并清洗已知重复数据；

匹配历史数据参数值被自动提取到的数据模拟、完善的目标单据；

根据目标单据和历史数据描述格式，制定历史数据参数值自动提取规则—分词或者语义识别技术；

系统自动添加被提取的参数值进入目标单据，进入多人补充完善数据流程；

审核通过后，系统自动查重生成新数据、编码、映射关系表等；

如再有重复历史数据被模拟到此，系统依然会自动追加产生映射关系；

历史数据手动清洗处理模式步骤：

查找已知重复数据，选中后点击‘合并清洗’；

选择匹配目标模拟单据，生成单据，进入多人补充完善数据流程；

选中全部剩余数据，点击‘单独清洗’；

选择匹配目标模拟、完善的单据；

根据目标模拟单据格式，制定参数值自动提取规则—分词或者语义识别技术；（可选步骤）

批量生成单据，系统会自动添加相关参数值进入目标模拟单据，剩余数据就直接进入人工补充完善数据流程；

审核通过后，自动查重生成新数据、编码、映射关系表等；

如再有重复历史数据被模拟到此，系统依然会自动追加产生映射关系；

系统支持后期手工追加映射操作。

具体界面可参考图4-15：

图4-15 物资数据清洗示例

2) 客商、人员数据清洗工具

根据客商、人员数据清洗的原则，要求专业清洗工具支持通过前台自定义配置从业务系统抽取主数据信息，或直接访问ODBC数据源、XML数据源、Excel表格、文本文件等导入主数据信息。可进行在线查重，可对相似度接近的数据进行列举，并计算出相似度数值，可根据定义的编码规则生成标准化主数据并进行校验分析。具体操作见图4-16：

图4-16 客商、人员数据清洗示例

数据装载后，具体操作如下：

数据清洗工具，内置多种清洗方法和模式，如上图左上角为数据初次排重的规则设置，右上角为排重的结果展示，下方区域为每个结果的详细展现和下一步的具体操作，支持数据直接合并，数据直接生成新码，数据合并后再次完善信息后编码，以及手动追加映射功能等。

3)组织机构数据清洗工具

企业中由于信息系统的多样化、独立性，造成了不同系统出现了一个或者多个不同的虚拟组织机构，这样就需要我们针对多个虚拟机构和企业的行政机构中的部门进行一对一或者一对多的映射关系的建立，这个映射关系的建立过程就是组织机构的清洗过程，具体的操作界面可参照图4-17：

图4-17 组织机构清洗示例

2.数据清洗后的业务系统处理

历史数据信息完善和查重映射后，就会面临下一个问题，那就是目前业务系统中的数据如何进行处理。正常情况下，根据企业的实际情况一般处理方案如下，具体见下图。

图4-18 数据清洗后的业务系统处理步骤

4.5.6数据交换治理

由于企业多年来信息化的不平衡发展，导致目前企业中数据传输的问题已经非常突出，主要表现在数据的多源头、交换规范不一以及数据的平面网状交互结构等，形成了数据孤岛并且造成数据不一致的现象大量存在，对后期的数据分析影响很大，通过下图16可以清楚的看出目前大部分企业的数据交换现状。

图4-19 数据交换架构现状

从上图4-19中可以明显的看出，企业中的ERP系统成了很重要的数据中转站，同时OA系统在早期替代了HR的部分功能，因此部分数据的独立性比较强。

因此，根据企业信息化的发展方向，我们要把现有的数据交换架构改造成由主数据中心为核心的数据交换架构，完全替换原有ERP为各类数据中转站的传统模式，从根本上实现数据交换的规范、标准和统一，具体结构如图4-20。

图4-20 雪花状数据交换架构

当然，从上图大家应该可以看出数据源头不一的问题，在这里我再明确一下主数据治理的原则，那就是根据数据类型的不同数据源头可以不同，如物资数据的数据源头一定是主数据中心（企业主数据治理平台），客户数据源头可以是CRM（如有）也可以是主数据中心（企业主数据治理平台），供应商数据源头可以是SRM（如有）也可以是主数据中心（企业主数据治理平台）等，这些个原因估计很多人想不明白，那么大家请看下面的表格，我做一下简单的介绍。

数据类型	数据源头最优建议	原因
物资数据（含原料、产品、设备等）	主数据中心（主数据治理平台）	模型多样，ERP只管文本式描述
客户数据	CRM	模型单一，建档前有审查流程
供应商数据	SRM	模型单一，建档前有审查流程
人员、组织机构	HR	模型单一，建档前有审查流程
科目数据	财务系统	模型单一，业务系统管理细致
项目数据	专业项目管理系统	模型单一，建档前有审查流程
合同数据	专业合同管理系统	模型单一，建档前有审查流程
设计BOM	PDM/PLM	模型单一，业务系统管理细致
工艺BOM	CAPP	模型单一，业务系统管理细致
生产BOM	ERP	模型单一，业务系统管理细致
……	……	……

综上所述，我们的数据交换治理应该是可以同时实现数据的采集和分发两个功能，而不是单一的数据分发功能。要有专业的数据交换平台来支撑，而不是简单的用ESB替代，一定要能够实现前台可视化的自定义配置，因为未来我们信息化的快速发展决定了我们信息系统的频繁变化，如果不能实现简单方便的运维拓展，主数据治理后的运维成本将是制约我们未来信息化发展的一大因素。

数据交换规范标准界面：

图4-21 数据交换对接示例

前台可视化的自定义配置：

图4-22 数据交换自定义配置示例

4.5.7日常管控治理

说到数据的日常管控，估计大家会比较亲切，我们所感受的数据问题基本都是在这体现出来的，因此一提到数据的日常管控也是大家最头疼的地方。那么，我们怎么样才能非常好的进行数据日常管控的治理呢？针对这个问题，我们开始仔细的分析一下吧！

其实，数据的日常管控治理应该是我们进行主数据治理的目标之一，我们前边说的数据环境治理、体系落地治理、数据交换治理、历史主数据治理等都是为了未来更好的进行数据的日常管控做准备的，因此，未来数据的日常管控如果能治理好，后边的业务管理以及数据分析等都会很顺畅的走向成功。

另外，所谓的数据日常管控的治理其实也就是把数据的日常管理制度、流程、方式、内容等从不好到好的改变过程。但是，要想进行改变，首先我们要知道现在的不足是什么，我们要达到的目标又是什么，这样才能让我们有的放矢，最终达到完美的结局。

1.管理制度方面

数据管理制度现状	数据管理制度改善目标
没有专业的数据管理组织及数据专员	建立专业的数据管理组织，并设立专员。
有数据管理章程，但执行力度差	制定科学完善的数据管理制度、考核机制等，实现最大化的系统固化，强化执行力。
没有严格的数据管理考核机制	制定科学完善的数据管理制度、考核机制等，实现最大化的系统固化，强化执行力。

2.数据管理流程方面

数据管理流程现状	数据管理流程改善目标
线下流程	利用企业数据治理平台中和数据验证紧密结合的自定义工作流程。
借用OA或者BPM流程	利用企业数据治理平台中和数据验证紧密结合的自定义工作流程。
数据新增时单点流程	拉长数据维护流程，由单点变多点。

3.管理方式

数据管理方式现状	数据管理方式改善目标
手工传统编码	使用最先进科学的组合式立体编码器，可以轻松固定编码长度。
借用ERP或者PDM等业务系统编码器	使用最先进科学的组合式立体编码器，可以轻松固定编码长度。
单人维护数据信息	多人协同维护，强化责任，提高准确率。