|
企业简介
京东方科技集团股份有限公司（BOE）创立于1993年4月，是一家领先的物联网创新企业，为信息交互和人类健康提供智慧端口产品和专业服务，形成了以半导体显示为核心，物联网创新、传感器及解决方案、MLED、智慧医工融合发展的“1+4+N+生态链”业务架构。
作为全球半导体显示产业龙头企业，BOE（京东方）带领中国显示产业实现了从无到有、从有到大、从大到强。目前全球每四个智能终端就有一块显示屏来自BOE（京东方），其超高清、柔性、微显示等解决方案已广泛应用于国内外知名品牌。全球市场调研机构Omdia数据显示，2023年BOE（京东方）在智能手机、平板电脑、笔记本电脑、显示器、电视等五大应用领域液晶显示屏出货量均位列全球第一。
BOE（京东方）在北京、合肥、成都、重庆、福州、绵阳、武汉、昆明、苏州、鄂尔多斯等地拥有多个制造基地，子公司遍布美国、加拿大、德国、英国、法国、瑞士、日本、韩国、新加坡、印度、俄罗斯、巴西、阿联酋等20个国家和地区，服务体系覆盖欧、美、亚、非等全球主要地区。
1 业务需求/挑战（面临的挑战/痛点/问题，或由此带来的数据/BI应用需求）
在制造业中，随着市场竞争的加剧和客户需求的日益多样化，企业面临着前所未有的挑战。如何高效地利用和解析庞杂的数据资源，以支持业务决策，成为制约行业发展的重要因素。京东方作为制造业显示产品龙头企业，在信息化建设过程中建立了ERP、MES、APS、MRP、FGMS、MI等诸多系统，但这些系统产生的数据并没有发挥出应有的价值，具体问题如下：
数据分散：京东方在生产运营过程中积累了很多数据，数据种类繁多，包括设备运行状态、产出实绩、产品质检结果、不良率等生产类数据，财务、人力、采购、销售等管理运营类数据，同时还有市场需求、行业趋势、竞争对手等外部市场类数据，这些数据分散在多个系统中，难以统一管理和分析。
口径不一：针对同一指标，不同部门或团队存在不同定义和解读，有可能同一指标来自不同数据源，不同的数据源在数据质量、数据结构、更新频率等方面均存在差异，导致同一指标反映出的业务现象不一致，影响用户对业务状况的全面了解和准确判断，导致决策效率底下，甚至误导决策。
数据应用难：很多用户习惯于使用纸质报告或电子表格进行数据呈现和业务决策，业务系统产生的数据与业务之间无法形成合合力；同时，由于IT/业务人员本身缺少数据分析思维，当前建设的很多报表均为描述型报表，诊断型、预测型甚至指导型报表少之又少，无法与业务场景深度融合，发挥数据价值。
2 解决方案（业务/管理挑战下，解决业务/管理需求、建设业务/管理分析或数据应用平台的思路、方法、架构、过程等）
在数字化转型的大背景下，BOE针对公司内部存在的困局和痛点，以“聚焦业务”为核心，从以下四个层面实现企业内部整体的价值化转型。
（一）打破数据壁垒，实现数据融合：
搭建数据仓库，将业务系统数据、外部数据、手工填报数据等统一汇聚至ODS层，在此基础进行加工，建立通用模型与指标计算模型，在最上层集市层面向业务场景进行建模，支撑上层PC和移动端应用，本次项目总计完成200+模型设计和建模，实现了数据自动化融合，提升了数据处理和应用的效率与准确性。
（二）规范指标标准：
指标口径不一、缺乏统一管理会导致指标错误理解、不同团队拉通困难、重复设计、重发开发建设等问题。针对这种现象，项目组规范了指标命名规则、定义规则，同时对指标属性进行了标准化建设，如下图所示。另外，设立指标owner，统筹拉通指标口径。本次项目总计拉通指标257个，涉及产销、SBU、库存、供应链等多个主题。
（三）搭建指标体系&分析体系，实现全景洞察：
借助平衡记分卡、价值树拆解等方法从战略层、运营层全面梳理核心业务，逐一进行价值链条拆解，识别关键驱动因素，针对关键因素匹配衡量指标，形成指标体系。在指标体系基础上，结合重点业务场景，设计统一的、整体的运营分析体系，从CEO到执行层纵向贯通，支撑管理运营，实现全景洞察。
3 典型应用场景（按照问题—解决过程—价值的逻辑，介绍几个项目中典型应用场景和取得的成果）
3.1 场景一：计划与运营指标墙
问题/痛点/需求/驱动因素：
计划与运营中台在企业中扮演着重要的角色，用户需要根据企业战略目标和市场环境，制定长期/短期计划，协调各部门资源，确保计划的有效执行，并根据其他业务的反馈（如产能情况、交付风险等）持续调整计划。在此过程中，用户需要整合来自不同部门/系统的数据，对数据进行深度分析。随着企业规模的扩大和业务的复杂化，传统的人工处理方式已经难以满足快速决策需求，亟需将各部门的关键指标集中展示，形成指标墙，帮助用户了解业务状况，及时发现潜在风险和问题，快速跟进并解决。
解决方式：
- 运营指标墙：将计划与运营涉及的关键指标集中整合在一起，按照不同分类（LCD/OLED/智慧终端）区分展示。其中，客户需求满足度属于直接衡量客户服务质量的关键指标，影响客户满意度和市场份额；预测销量达成率能够反映出计划制定是否合理；PNL产能利用率/MDL产能利用率/成品产能利用率可以反应不同生产线的实际运行状况，高产能利用率意味着生产线高效运转，设备闲置现象低，低产能利用率则需要考虑是否要进一步调整产线排产计划；另外，整个运营指标墙还会关注交付风险量指标，当交付风险量较高时，用户可以快速采取措施如加强物流监控、调整生产计划或与客户沟通协商等，以降低交付风险。
- 红绿灯预警：针对每个运营指标均设置了不同的监控阈值，将指标实际数值与阈值进行对比，按照不同颜色呈现指标状态。绿色展示灯，表示正常，指标的各项数值处于正常区间，相关业务工作运行正常；黄色展示灯，表示指标部分数值出现异常，需要相关负责人进行问题的排查；红色展示灯，表示指标全部数值出现严重异常，需要相关负责人立即行动制定解决方案。
- 指标详情页：针对异常指标，可下钻至指标详情页进一步分析。如LCD-预测销量达成率，在指标墙页面呈现黄灯状态，证明部分数据存在异常，下钻至详情页查看各SBU预测销量达成率对比图，可进一步定位出某SBU指标异常。基于SBU按照客户-产品维度继续下钻，最终定位出影响整体预测销量达成率的TOP3机型。
场景价值：
将计划与运营关键指标整合在一起，节省了用户收集数据、跨部门沟通、手工整合数据时间，平均周期从2周缩短至1天；指标红绿灯预警机制，提前将异常指标高亮突出，节省了用户核对数据时间，问题定位周期从1周缩短至1h。
3.2 场景二：市场洞察分析
问题/痛点/需求/驱动因素：
对于公司而言，市场洞察分析的驱动因素是多方面的，它们共同构成了公司理解市场动态、把握市场机会的基础，甚至直接关系到企业的生存和发展。例如，就竞争对手而言，通过深入分析竞品动态、市场份额变化以及产品技术创新等方面的信息，企业能够更准确地评估自身在市场中的地位，进而制定出更具针对性的竞争策略，确保市场地位的稳固。然而市场洞察信息的来源是多样的，有的来源于外部市调报告、网站，有的来自内部系统，目前缺乏有效的可视化看板对市场信息进行综合分析。
解决方式:
结合BOE本身的制造业特性，打造市场洞察分析看板。其中出货、市占、库存板块数据来源于第三方市调机构，通过帆软填报方式，由业务人员自行填报；价格看板数据来源于第三方市调机构和内部ERP系统，通过帆软填报和系统集成的方式，将BOE内部价格和外部市场价格进行对比分析；情报板块数据来源于外部第三方网站，借助爬虫工具将数据采集至数据中台，并进行前端展示。
- 出货板块：展示了竞争对手不同时间阶段的出货实绩情况，以及同环比变化情况。当某竞争对手的出货量增长迅速，会进行高亮显示，企业可以快速捕捉到这一信息，采取措施积极应对。
- 市占率板块：展示了不同产品分类下不同产品线BOE的市占率及同环比，同时在备注部分展示了与BOE最接近的竞争对手市占率情况，帮助用户快速分析最具竞争力的产品&亟需改善产品。
- 库存板块：分析竞争对手库存周转情况，为BOE库存管理策略提供参考。
- 价格板块：将BOE产品价格与市场最高和最低价格进行对比，并按照月度进行价格趋势分析。当企业价格趋势与市场趋势一致，则说明企业价格策略得到市场认可；当趋势不一致，则需要考虑调整价格策略，以更好的适应市场需求和竞争环境；业务可根据价格波动情况快速做出应对策略。
- 情报板块：展示了竞争社的情报内容，包括但不限于出货情况、产品规划、产线规划、财报数据等，通过分析这些数据可以为企业提供关于市场需求、消费者偏好以及产品创新等方面的洞察。企业可以借鉴竞争对手的成功经验，了解市场趋势和消费者需求，优化自身的产品与服务策略。
场景价值:
利用爬虫技术自动获取不同网站的新闻数据，节省人均1天/周工作量；通过分析竞争对手的出货周转情况，企业可以优化自身的库存管理，预计每年可降低库存成本5%；价格模块可实时监测价格变化，提前2天发现价格异常波动，减少因价格变动而遭受的损失。
3.3 场景三：工厂对标分析
问题/痛点/需求/驱动因素：
随着市场竞争的加剧和成本控制的压力增大，如何在确保生产安全的前提下，进一步提升生产效率、降低运营成本，成为各工厂面临的重要挑战。
BOE作为一个拥有多工厂的企业，跨工厂的数据比较分析显得尤为关键，通过对标分析，企业能够实现不同工厂之间的信息共享，从而促进最佳实践和经验教训的传播。然而，不同工厂间仍然存在数据不互通、不共享的情况，即使工厂内部已经实现了数字化管理，但不同工厂间的数据仍然无法有效整合和对比，导致对标分析难以进行。
解决方式：
借助数据中台将不同工厂的数据进行统一整合和转换，针对同一指标制定相同的指标标准，搭建工厂对标分析平台，助力业务实现工厂对标分析，具体如下：
- 核心指标对标：选取财务、生产、产销3大类共计16个指标，运用热力图对各工厂进行对比分析，指标数值较大的排名在前。财务模块聚焦营收、利润、成本等关键指标，帮助工厂评估自身在创效、减费等方面与排名第1工厂之间的差距；生产模块聚焦OEE（设备综合效率）、Loss、UPPH(人均时产能)等关键指标,帮助工厂分析自身在技术能力、工艺操作、生产管理等方面的差距和不足；产销模块聚焦产能利用率指标，帮助工厂评估自身生产效率的高低，了解是否存在生产资源浪费或产能不足的问题。当工厂发现指标排名靠后，可进一步跳转指标明细页进一步分析差异详情。
- 特定产品对标分析：除了对整体关键性指标进行对比外，针对特定产品，选取7个关键指标进行对比分析，帮助工厂全面了解产品在生产、销售、成本、质量等各方面的表现，发现自身产品在各个环节上的优势和不足，从而制定针对性的改进措施。
场景价值：
实现各工厂之间信息共享，帮助工厂之间进行对比分析，快速找出生产过程中的瓶颈和低效环节，效率提升预计50%；同时，对标分析可以帮助用户发现物料使用上的不合理之处和成本节约的潜力，识别出产品质量问题的根源，并采取相应的改进措施，直接降低了不良品率和生产成本。
3.4 场景四：IC供应预测分析
问题/痛点/需求/驱动因素：
IC（集成电路或驱动芯片）是LCD液晶显示面板不可或缺的关键部件，主要用于控制液晶分子的排列和光线的通过，实现图像的显示，其供应情况直接影响到产品的质量；在日常生产采购IC的过程中：IC短缺、IC过剩等情况时有发生，给产线造成一定的影响，故而在供应链领域对IC的分析至关重要。然而传统的纸质报告或电子表格虽然可以呈现数据，但难以提供直观的可视化图表和动态数据展示，不便于决策者快速捕捉关键信息；且线下手段在数据处理、分析和报告制作过程中往往需要花费大量时间，导致决策效率低下。
解决方式：
基于以上问题，结合FineReport实现了IC供应预测分析看板。
- 供需分析：从应用类别、现地等维度分析IC供需情况及整体满足度，异常值高亮标红，帮助决策者快速捕捉供需未达标的应用类型或现地。
 
- 供应预测：除分析当前月IC供需情况外，会预测未来6个月的IC走势，业务人员可以根据预测的短缺/过剩情况提前采取行动手段。
- 供应短缺/过剩情况分析：分为整体概览和型号短缺详情两部分，整体概览可查看所有IC型号供应短缺/过剩情况，通过面积大小快速了解哪些型号短缺/过剩最严重，哪些型号相对较好；点击某型号，可进一步查看当前型号短缺/过剩详情信息，包括短缺/过剩时间、短缺/过剩数量、当前库存以及受影响的SBU和产品，帮助决策者进一步判断短缺/过剩的规模和紧迫性，以便采取应对策略。
 
场景价值：
- 通过供需情况和预测分析、IC供应短缺、过剩情况的分析，帮助业务快速捕捉供应风险，快速调整应对策略，减少不必要的采购成本、库存成本等。
- 线上看板建设减少了线下数据处理、分析和报告制作时间，大大提升了决策效率。
3.5 场景五：SBU业绩分析
问题/痛点/需求/驱动因素：
SBU（Strategic Business Unit）作为企业与市场对接的桥梁，不仅承载着企业的销售策略，更是实现销售目标的关键执行者，其核心使命在于与销售环节紧密相连，驱动销售业绩的持续增长。通过与业务用户进行深度调研，了解到当前用于衡量SBU业绩的指标相对局限，无法全面反映各SBU经营情况，同时对业绩变动的分析缺乏足够的下钻深度，未能精确识别影响业绩变动的关键因素。
解决方式：
基于以上痛点采用2个解决方案：
- 经营业绩情况：针对衡量SBU总体经营情况的关键指标（收入、利润、销量等）按月度进行趋势分析，并对未来3个月趋势做出预测（对应看板中收入考核利润趋势、产品形态销量占比趋势），以评估SBU整体盈利能力和市场表现；通过分析单位面积内的业务规模和质量变化（对应看板中单平米数值趋势），洞察SBU运营效率和市场响应能力的改进情况；针对单个SBU，分析各类产品的占比变化（对应看板中产品边效等级占比趋势），支持钻取至产品边效明细，帮助业务迅速识别性能或市场表现不佳的产品，并直接锁定其生产工厂，以便进行针对性的管理与优化调整；对客户贡献情况从销量和净利润两个维度进行占比分析，比较不同客户群体的贡献度，支持钻取至客户明细，以深度洞察每个客户在在业务运作中的具体角色及潜在影响力，识别出对业务至关重要的客户，并制定相应的策略来优化客户关系。
- 业绩变动分析：通过销量、收入等数据在相邻月份的对比分析，捕捉业绩的增减态势；另外按照产品别、客户别两个维度向下钻取，展现对业绩影响较大的TOP10产品和客户，为业务采取下一步决策提供支撑。
场景价值：
- 通过集中展示SBU收入、利润、销量等业绩信息，帮助高层领导全面、实时地掌握SBU的经营情况，替代以往线下收集整合工作，节省人力1人/单个SBU。
- 业绩变动原因支持从客户和产品两个维度下钻分析，帮助用户快速定位top10影响因素，提高工作效率50%。
4 总结与展望
本次项目的成功实施，为企业带来了显著的变革和价值。首先，通过对业务场景的深入剖析，我们精准地识别了企业运营中的关键问题和瓶颈，为管理层的决策提供了有力的数据支撑。其次，项目的实施促进了企业内部的数字化转型，提高了数据处理效率和决策效率。
在项目实施过程中也积累了一些宝贵的经验技巧。首先，我们注重团队之间的沟通与协作，确保项目信息的及时传递和共享。其次，我们采用了先进的数据分析工具和方法，提高了数据分析的准确性和效率。此外，我们还注重与业务部门的紧密合作，确保数据分析结果能够真正满足业务需求。
在项目实施过程中，我们也深刻体会到了数字化转型的重要性。数字化转型不仅可以帮助企业提高运营效率，还可以为企业创造更多的商业机会。因此，我们将继续加大在数字化转型方面的投入，推动企业的持续发展。
后续，我们将在此项目基础上继续深化。首先，我们将进一步优化数据分析工具和方法，提高数据分析的准确性和效率。其次，我们将加强与业务部门的合作，确保数据分析结果能够更好地服务于企业的业务需求，同时持续不断的完善指标体系。此外，我们还将关注新兴技术的发展趋势，积极探索人工智能、大数据等技术在企业业务运营及分析中的应用。
| 
