1 企业简介 拓峰科技由杭州自动化技术研究院有限公司投资组建,是集科研开发、设计咨询、集成制造、工程成套(实施)和技术服务于一体的国家高新技术企业。作为数字化、自动化、电气化解决方案提供商,公司秉承“以客户需求为导向,做客户身边自动化专家”的核心理念,为客户提供全系列、全方位、全周期的智能制造整体解决方案,努力实现“打造一流品牌、创建百年拓峰、成为中国杰出的自动化技术服务商”的宏伟愿景。
2 项目背景 拓峰的信息化建设围绕着数字化建设同步进行,ERP、WMS、OA、CRM、eHR、电商平台、项目管理、电子订单交换等10余个系统相继上线,包括和供应商之间也做了EDI接口的开发,形成了供应商管理-订单运作-业财融合-项目生命周期管理-出入库管理-仓储管理-物流对接等全方位的供应链体系。但是随着系统越来越多,系统之间的数据孤岛也是越来越明显,大量系统需要做对接,业务部门也提出了许多需求,再加上数据分析缺乏联动性和整体性,数据报表工具各自为政,重要的数据处理还是以线下为主,BI建设已经刻不容缓。
3 解决方案 通过建设BI及数据仓库体系,形成数据围绕业务的闭环系统,系统总体分为3大层面构建,包括数据底层、数据仓库层和应用层。
数据底层主要包括数据源和数据获取两部分,数据源既有来自拓峰自有的信息化系统,也有来自外部合作伙伴、厂商、客户等一些数据,面对不同的数据库和不同的表结构,将这部分数据通过ETL工具进行抽取、转换和加载。
数据仓库层是基于OLTP的数据源,包括面向操作性数据的ODS层和面向不同主题的DW层。ODS层主要针对查询即时性较高的交易数据,同时转移业务系统的部门查询压力,DW层面主要向分析主题的历史汇总数据,多维度、多指标,在确认主题后进行分类,使每一个指标成为元数据存在。数据仓库中的数据是经过数据清洗和数据分类的,供应用层和第三方的数据服务调用,同时储备成为未来的数据资产。
应用层也包括管理决策层和操作计划层,管理决策层主要针对管理层的报表和看板,并进行决策模型的构建;操作计划层主要包括业务中产生的过程数据查询,并形成底层的建模数据参考,比如概念建模、逻辑建模、物理建模、数据算法等。
4 项目成果
1、 BI的构建,使得企业的数据成效有了质的飞跃,不仅表现在对数据本身的实时性、精确性上,也表现在数据分析上,对数据的预警和业务趋势判断有了真实的参考依据; 2、 提升了20%公司数据工作处理的效率,降低了80%业务人员与数据人员之间的沟通成本,报表准确率实现99.8以上。 3、 企业的数据文化向前推行了一大步,数据工作融入每一个员工的工作思路中、融入每一个工作汇报中、融入每一次理性分析中; 4、 数据逐渐成为企业的数据资产,从来自于经营、财务等各类分析主题中提炼出来,并进一步沉淀; 4.2 典型场景 (1)场景一:仓库看板数据引发 人员货物大调配 痛点: 在围绕WMS和ERP数据看板建设过程中。在上看板之前,仓库每天的收发货情况是看不到的,员工工作量也难以考证。仓库人员反映工作量大,需要加人;而在如何提升仓库的工作效率方面,仓库人员也不清楚有什么比较好的方式。
解决过程: 信息部门做了每小时发货情况的报表看板,结合仓库人员的平均工作量,可以看到仓库的发货高峰期主要集中在下午三四点钟,而在其他时间其实是相对空余的。仓库人员认为的“工作量大”主要就是这段时间,那么最好的解决方式就是将仓库工作量平均分配到各时间段。
如何平均分配到各时间段?于是开始了一系列的分析,追本溯源,首先仓库的发货任务都是由ERP的出库单派生的,ERP的出库单由商务助理发起,换言之,商务助理能否调整出库单的时间?发现只有一小部分的期货制物料是可以由商务助理掌控时间的,大部分出库时间并不是商务助理说的算的,那是谁说的算,答案就是业务员。业务员在和客户承诺交期的时候并没有约束这方面的沟通,于是就变成习惯上午谈业务,下午发货,再进一步分析,发现那些在3-4点出库的往往都是电商业务员的单子,电商出库的数量最大,又是款到发货,款到了已经是下午了,再给仓库发货,这样大部分时间都集中在3-4点钟。
所以最根本的源头找到了,电商业务员和客户协商,把发货放在上午或者次日,再加上刚才说的期货流程供应链的优化,仓库的出库峰值就削平了。仓库的工作量大问题也就解决了。
场景价值: 通过看板图形的变化发现,进行连锁改善,包括从仓储到物控,从物控到销售,从销售到客户的一系列递进,最终仓库人员的峰值工作量得到释放,整体提高了供应链效率。
(2)场景二:数据不再滞后,数据人员得到“解脱” 痛点: 公司有一个财务数据人员,在没有上帆软BI系统前,每天大量工作都是在取数,通过Excel做各种各样的报表,每天加班加点,年年模范员工。
虽然财务人员运用Excel非常娴熟,但是部分领导依旧对他的数据有所质疑,因为数据的来源五花八门,滞后性比较严重。以月报为例,基本上要到次月中旬才能拿到所有的数据。比较急的数据可能在月初就能提供,但是最准确的数据还需要财务数据人员进行校对与审批。
同样,在销售助理端,也有相应的数据岗人员,每天统计各种不同维度的报表进行数据采集,大部分时间都用在如何取数和统计格式上,真正分析和思考的时间精力有限。
解决过程 :BI建设中加强对财务报表的构建,增加财务分析模块,包括经营利润表、费用汇总统计表、资金计划表、库存周转情况统计表、绩效查询表、利息计算表、银行分类表等,每张报表都能够汇总到部门,部分能够下钻到个人层面的颗粒度。核心财务数据都在BI报表上呈现,财务人员要做额外的分析取数,可直接从BI上获取,不用再通过原始信息化系统中excel导出的方式。
场景价值: 经营利润表解决了以往财务部门数据和销售部门数据口径不统一、数据不准确的问题,节省了销售数据人员每月4.5天和财务人员每月3天的工作量,让数据人员有更多的时间去处理更有价值的分析模型。
费用汇总统计表满足了销售员实时查询个人费用统计述求,解决了以往月中无法查看当月个人实时费用统计的问题,帮助销售员及时调整费用开支,间接起到了费用预警的作用。另外也减少了财务人员每月1天的工作量。
利息计算表和银行分类表满足了销售员移动端实时查看承兑汇票利息计算诉求,销售员不用再联系财务人员协助查询,大大降低了沟通成本。
(3)场景三:决策驾驶舱应运而生 BI赋能领导和管理层的运营分析是各种报表中应用最多的,最具代表性的就是运营驾驶舱、经营总表、供需看板、销售看板等,通过看板自上而下分析,逐级钻取,颗粒度逐步细化,能够通过一个指标,下钻到具体的报表,无论从报表对数据实时性还是准确率上都提高了一个台阶。
比如从供需看板的“香奈儿”模型,可以直观的看到供需匹配情况,通过两端拉动的情况判断当前供货能力、市场需求能力和库存量,进而判断当前资金是否充裕,供给侧管理是否要调整等。这里可以聚焦从某一条产品线的产品交付能力结合供需匹配能力来分析交付问题背后产生的原因,也可以预测未来一段时间内的走量趋势。 5 项目总结 5.1CIO/项目负责人点评 (一) BI数据怪圈
高价值的业务专家离不开对数据的分析,高效的数据专家离不开对业务的精深,因此业务和数据工作者相互迈一步,数据工作就到位了。 (二)BI带来的蜕变 1、 BI赋能业务部门 利用报表和看板工具在日常管理中的比重加大,通过BI作为抓手去促进日常的管理,并且逐渐成为日常管理的习惯之一。 2、 理念上的转变 大家都用数据说话,BI逐步改变中层的管理习惯,减少感性的分析,这需要有灵活的报表取数来支撑 3、 业务人员和数据人员耦合 BI建设不再是信息化人员和数据人员的工作,业务部门也会不断反馈意见和建议,业务部门都参与进来,形成业务和数据两条线同步前进,逐步形成良好企业的数据文化。 5.2 经验心得 1. FineRoprt整体易用性较好,可视化素材丰富: a. 类excel的java报表设计器 b. 简单的SQL语句编写,JS语句优化 2. 各项功能强大 a. 支持多数据源报表 b. 自定义规则分组,单元格处理强大 c. 填报功能丰富 3. 客服响应速度较快,能及时处理问题 4. 通过帮助文档、论坛知识库分享,自学能力持续提高 5. 具备帆软各类证书考试,能够提升各类技能 6. 每月有定期线下的初级基础培训班,也有不定期线上直播课,对于公司新人培养能够持续输出学习资源
|