|
BI工具通过提供及时、准确的数据分析，使企业管理层能够基于数据做出更加科学合理的决策。传统的固化式分析虽然能展示一些基本的数据，但无法满足企业日益增长的深度分析需求。比如，当企业领导发现利润不高时，他们需要分析具体是哪些产品线或客户的利润贡献不足，或是哪一天的利润表现不佳。这种深入分析要求BI工具能够提供自助式、敏捷式的分析方式，帮助管理层快速定位问题并找到解决方案。
此外，BI工具还能帮助企业实现全方位的数据分析，覆盖生产、研发、资金管理、人效、质量、售后服务、供应链采购、仓储、库存、物流等各个领域。通过BI工具，企业可以构建完善的数据体系，包括前期的准备阶段、中期的开发阶段以及配置和运维阶段。在这个过程中，企业可以梳理业务流程，明确分析需求，开发业务包和数仓，确保数据质量和数据安全。
更重要的是，BI工具能够培养企业的数据分析能力，构建数据分析人才体系。这包括底层数据的开发人才，他们负责数据的清洗、加工和维护；以及数据运营人才，他们基于数据分析发现业务问题，并形成业务数据产品或数据流。通过这些人才的培养，企业能够形成浓厚的数据分析氛围，提升整体的数据分析能力和水平。
目前，BI工具主要分为两类：固化式分析和自助式分析。
固化式分析主要适用于处理复杂逻辑的场景，包括数据填充、数据比较以及明细查询等。而探索式分析则更多地应对那些不确定、灵活多变的场景，以及需要敏捷开发的场景。这些分析工作通常需要通过BI工具，或者Fine BI这类工具来完成。传统的固化式分析，如使用分析性看板和驾驶舱大屏，虽然能展示数据，但已无法满足企业领导对深入洞察和灵活分析的迫切需求。
比如，如果企业领导发现利润不高，他就会想要分析是哪些产品线或客户的利润贡献不足，或者是哪一天的利润表现不佳。他可能会进一步深入，查看是成本过高还是售价过低导致的利润下降。接着，他还会分析具体是哪些区域的售价过低，哪些产品的成本过高，而成本又可以细分为材料、人工和费用等多个方面，这就需要更深入的分析。
随着企业领导对数据深度洞察的需求提升，传统的固化式分析方式逐渐显得力不从心。未来，随着AI技术如Chat GPT等的发展，数据分析将迈入一个全新的阶段。设想当企业面临利润下滑时，领导只需简单地向内部AI工具提问，它便能迅速解析出背后的原因，从多维度、深层次揭示问题所在。然而，值得注意的是，尽管AI工具能提供强大的数据解析能力，我们仍需保持审慎态度，不完全依赖AI做出所有决策。最终，数据分析和决策制定的关键仍在于人的判断与把控。因此，在享受AI带来的便捷与高效的同时，企业应构建以人为核心、AI为辅助的数据分析体系，确保决策的准确性和有效性。
配合模式的转变
当我们谈到数据分析模式的转变时，那不得不提及配合模式的转变。传统的数据分析模式中，IT人员主要承担数据准备和报表开发的角色，而业务部门则更多地是报表的查看者。然而，这种模式往往导致报表使用率低下，因为业务部门在查看报表后可能发现数据不符合实际需求或难以直接应用于业务决策。
为了提升数据分析的效率和效果，配合模式需要发生转变。这种转变的核心在于让业务部门更多地参与到数据分析的过程中来，从而实现更精准、更及时的数据洞察。在这个过程中，IT人员的角色也需要相应调整，他们不再仅仅是报表的开发者，而是成为数据准备和基础数据处理的专家，为业务部门提供高质量的数据支持。
然而，制造型企业中的业务人员在使用BI工具进行数据分析时，常常会遇到数据质量不佳的问题。这要求IT人员必须重视数据的准备和清洗工作，确保底层数据的准确性和完整性。同时，IT人员还需要构建业务包体系和数据体系，为业务人员提供易于理解和操作的数据分析环境。
通过这种配合模式的转变，业务部门能够更充分地发挥他们的主动性、灵活性和探索性。他们可以根据自身的业务需求，利用BI工具进行自助分析，从而发现更多的业务机会和价值。这种转变不仅提升了数据分析的即时性和灵活性，还增强了数据分析的整合性和深度。
在初期，企业可能主要是业务部门查看由IT部门制作的报表，但这种模式存在诸多弊端。例如，IT部门可能无法时刻紧跟业务需求的变化，也无法完全掌握业务的敏感度，导致制作的报表难以满足业务部门的实际需求。因此，我们需要培养具备数据分析思维的业务人员，让他们能够自己通过拖拉拽等方式制作看板。随着优化的深入，业务人员还应该掌握一定的数据处理能力。
在更先进的制造型企业中，如上汽集团的上汽乘用车部门，他们会设立专门的数据分析师岗位。这些数据分析师既懂业务又懂技术，他们作为业务部门的BP，协助业务部门实现数据分析。然而，对于大多数制造型企业来说，业务部门直接大量使用BI工具制作看板仍然是一个挑战。
首先，业务部门的人员非常忙碌；其次，相应的数据环境、数据工具的能力，包括个人习惯，以及当前团队成员的素养，可能都还不完全具备，因为很多时候，比如销售人员，他们的工作方式可能更加灵活多变。比如，对于生产部门而言，特别是执行层的员工，直接让他们利用Fine BI工具可能不太现实。此时，更需要的是生产运营人员，比如主要运营部门、生产计划部门、运营部门或是车间班组长等角色，来负责实现相关报表和数据看板的开发。这样，IT部门就能更专注于数据处理工作。而具体到每一个业务部门，情况又有所不同。以营销部门为例，他们每个月都会召开这样的会议。而筹备这样的会议，特别是制作会议报告，本身就需要花费大量的时间。
第二个问题是，很多时候并没有进行后续的跟踪管理。第三个问题是，当前的分析维度还不够细化。以前可能只分析到月度数据，但现在需要进一步细化，比如细化到日度数据。这不仅仅是看结果数据，还要关注过程数据。以电子电气行业为例，在召开月度会议时，通常只能看到销售结果、关键指标如回款、客户订单退货情况、客诉情况、逾期情况以及客户信用情况等宏观数据。然而，这些数据背后隐藏着更多细节，比如每个小组、每个人的客户拜访次数、供应商培训次数、客户关系维护情况等关键行为是否到位，这些都会影响最终的结果。
除了外部环境因素外，还能通过提升内部管理效率来优化这些方面。如果能在会议中呈现这些细节内容，那么会议将更具针对性和实效性，也能更清晰地列出待办事项。对于生产部门也是如此，需要关注人机料法环以及S、Q、D、C、P等各个方面，比如设备的OEE较低时，需要深入分析哪些设备经常出现故障、故障维修时效性如何、保养是否到位等问题。这些问题做到位了，可以进一步关注换线时间、开通率、生产计划变更率等关键指标，从而提升设备综合效率。
这个体系主要包括三个部分：数据体系、人才体系和流程体系，这三者缺一不可。
在流程体系的构建过程中，企业要实现先进的自主分析，确实需要超越传统的固化式分析模式，构建一个全面且灵活的数据体系。这一体系不仅涵盖了从前期准备到中期开发，再到后期配置与运维的完整流程，还注重了数据的分层管理、权限控制以及业务需求的精准对接。
前期准备阶段的核心在于明确分析需求与参与部门。通过梳理企业业务流程，识别出对自主分析有高度需求的业务部门，如运营、生产、供应链、售后、财务和营销等，作为试点先行。这些部门因其业务的复杂性和动态性，对数据分析的灵活性和实时性要求较高。
进入业务分析需求调研阶段，重点在于构建数据架构。从ODS层开始，数据被拆解为维度表和事实表，形成大宽表以支持多维分析。同时，利用Fine BI6.0的“我的主题”功能，实现了公共数据分析资源的共享，提高了数据利用效率。
数据开发阶段则聚焦于数据质量的提升与业务包、数仓的建设。通过清洗、加工数据，确保数据的准确性和完整性；开发业务包，将复杂的数据处理逻辑封装成易于使用的工具，便于业务部门快速获取所需数据。同时，业务包的存储于数仓中，保证了数据的安全性和可管理性。
在配置与运维阶段，权限管控是关键。通过精细的权限设置，确保各部门只能访问其权限范围内的数据，既保护了数据安全，又促进了跨部门协作。此外，数据的分发与管理也是这一阶段的重要任务，确保数据能够及时、准确地传递给需要的用户。
以家电行业为例，其业务包体系的构建过程展示了从ODS层到DM层的逐步深化过程。原始数据被拆解为维度表和事实表后，在DM层构建基础表和分析表，形成了一套完整的数据分析体系。这一体系不仅支持了总体的数据分析需求，如每日粉丝运营效果、门店线索KPI等，还允许用户深入探索每一条线索的详细信息，满足了业务部门对数据深度的追求。
在Fine BI6.0中，业务包由基础表和分析表构成，分别面向业务部门和IT部门。这种分层设计既保证了数据的专业性和可用性，又促进了部门间的沟通与协作。IT部门负责从原始数据库中同步数据、进行数据治理和清洗；业务部门则利用这些经过处理的数据进行主题建模和深入分析。这种合作模式使得数据能够真正为业务服务，推动企业实现数据驱动的决策和增长。
最后，数据体系的成功构建离不开人才的支持。底层数据的开发人才、数据层的运营人员以及业务部门的数据产品经理共同构成了企业的人才体系。他们各司其职、紧密合作，共同推动了企业数据能力的不断提升。
在自主分析领域，企业对于人才的分类和培养策略展现出了高度的灵活性和针对性。针对业务部门的需求，企业既可以直接培养自主分析人才，也可以在人才不足时引入数据运营人才作为补充。这两类人才虽然职责有所重叠，但各有侧重：自主分析人才更侧重于业务洞察和决策支持，而数据运营人才则更擅长于数据管理和分析技术的实施。
通过项目实施来培养底层数据开发人才，是一种行之有效的策略。在与企业共同开发数据业务包的过程中，不仅能让技术人员深入了解业务需求，还能在实践中学习和掌握数据分析的各个环节。这种“做中学”的方式，对于提升技术人员的实战能力和团队协作能力具有重要意义。
对于运营人才和自主分析人才的培训，企业采取了多种形式的活动。比如组织比赛、挑选课题进行实践、培训产品使用以及传授业务分析思路等。这些活动不仅激发了员工的积极性和创造力，还帮助他们将所学知识应用于实际工作中，为企业带来有价值的业务分析看板。
陕汽集团和重汽集团举办的“数据江湖”和“我的数据我做主”等活动，更是将企业对数据分析的重视和投入推向了新的高度。这些活动不仅提升了相关部门在数据分析方面的意识和能力，还营造了一个浓厚的数据分析氛围。通过广泛的参与和深入的学习，企业逐渐构建起了完善的数据人才体系，为业务的持续发展提供了强有力的支持。
在活动过程中，企业高层对数据分析的重视程度令人印象深刻。他们不仅关注数据分析的结果和价值，更关注业务人员是否具备了数据分析的能力和意识。因为在他们看来，这些业务人员就是企业内部的数据人才，他们的成长和进步将直接推动企业的数字化转型和智能化升级。
通过历时三个多月的活动，企业不仅为员工提供了丰富的培训和学习资源，还帮助他们逐步培养起了数据文化、提升了数据能力和数据运用意识。在后续阶段，每个参赛队伍都围绕自己制作的BI看板进行了讲解和展示，这些看板不仅展示了数据分析的成果和价值，还为企业带来了实际的业务改进和效益提升。
总之，企业对于自主分析人才的培养和投入是其数字化转型和智能化升级的关键一环。通过灵活的人才分类和培养策略、丰富的培训和学习活动以及浓厚的数据分析氛围的营造，企业可以逐步构建起完善的数据人才体系，为业务的持续发展和创新提供源源不断的动力。
以往，将数据先分配给各个业务部门，以便它们能够基于数据进行工作；然后业务部门将实际工作中的需求汇总并上报给IT部门；接着是各种业务活动的执行，这些活动共同构成了整体的业务流程。具体而言，过去的业务部门产生需求后，会上报给IT部门，随后IT部门根据这些需求进行报表的开发。然而，现在需要转向自主分析流程，即IT部门专注于数据开发，而业务部门则负责看板的制作。这样就形成了一个闭环：底层数据的更新优化由IT部门完成，业务部门则进行基础数据分析、自主分析以及基于分析结果的业务动作改善和流程优化。
以仓储为例，有时可能会发现存在呆滞物料的问题。这些物料可能是原材料或成品。为了解决这个问题，需要从多个维度进行分析。第一个流入流出，第二个异常物料，比如说检查出来有问题，放在一边就不管了，这种隔离物料有没有及时处理？如果经常忘掉，那它就变成了呆滞物料。第三个是先出先入有没有做好，对呆滞物料有没有及时处理。然而有一些物料就是因为经常没有及时上架，总是堆在那边，后来就被人忘了，变成了呆滞物料。针对这类问题，需要加强物料上架的监控流程，确保每天来料的及时上架，并对未上架的物料进行跟踪和提醒。这就是一个典型的流程优化案例，它展示了数据如何在制造型企业中发挥作用，帮助企业进行需求的收集和梳理，并推动业务流程的改善和优化。比如车企的营销部门，如果今年决定关注线索管理，那么他们就可以向IT部门提出需求，要求准备与线索相关的所有数据，并基于这些数据建立分析模型来优化线索管理策略。
第二个方面，关注线索的转化率，第三个则是线索的运营效率。通过这种方式，构建一个线索分析模型。在有了基础数据和模型之后，数据分析的操作就变得相对轻松了。这个时候，甚至可以将这项工作交给实习生来完成。因此，最关键的步骤在于前两个环节，以及后续的开发工作，比如开发移动端应用或推送服务，以便为管理人员和外出人员提供更加便捷的数据支持。
在制造业领域内，成本分析是一项核心任务，它紧密围绕着物料、人工和费用三大要素展开。这一分析过程之所以重要，尤其是在当前疫情持续影响的背景下，是因为它直接关系到企业的整体营收和盈利能力。特别是在市场销量波动或物流供应链受阻导致订单交付受阻时，有效的成本控制成为了企业生存与发展的关键。
另外，随着市场竞争的加剧，如特斯拉降价等事件，各车企也面临着降价压力。售价降低意味着需要更加严格地管控成本。那么，如何进行成本分析呢？要通过深入分析物料、人工和费用等相关因素，来找出影响利润的关键点，并制定相应的行动方案。刚才提到，企业的成本主要由生产成本、资金成本和报废成本三大块构成。为了进行成本分析，我们需要向IT部门提出需求，由他们准备相应的数据。这涉及到范围调研和数据开发等一系列流程。
在成本分析的过程中，我们会接触到两种类型的业务表：基础表和汇总表。基础表包含了生产过程中的实际执行情况、订单数据等原始信息；而汇总表则是基于这些基础数据整理出的成本分析报表。通过分析表可以构建出成本分析看板。在看板中可能会发现一些异常情况，比如12月份销售额很高但毛利率却低于全年平均值。这时就需要深入分析问题所在。
为了找出问题的根源，我们可以围绕该月的产品结构进行分析。如果发现某产品的毛利率低于10%，而我们的平均毛利率是15%，那么就需要进一步定位该产品的问题所在。通过下钻分析可以发现，该产品涉及的不同物料编码或产品类型中，哪些具体产品或物料出现了问题。这时，就可以针对这些具体问题展开深入分析。
针对这些出现问题的物料，我们需要查询生产业务部门系统中的领料情况。通过对比实际领料量和标准领料量或市场价格等信息，我们可以判断是领料过多还是采购成本过高导致了毛利率下降。这时，帆软的数据解释功能就派上了用场。通过点击数据解释按钮可以快速查看到影响当前数据的关键因素、关键贡献者及其比例等信息，从而帮助我们更准确地定位问题并制定解决方案。
在这个案例中某产品的编号对应的领用量异常，竟然达到了3000多。我们自然需要找出背后的原因，为什么这款产品的生产成本会过高，而毛利率又过低呢？经过调查，发现是领用异常导致的。这时，就可以具体到某一天的生产记录，或者找到负责该批次的班组长询问，为什么领用了这么多材料，这是否属于异常情况？这样，问题的根源就显现出来了。
如果问题并非仅由量差引起，那么我们就需要进一步分析价差因素。通过对比这些物料每个月的采购价格与平均价格或环比价格，我们能够及时发现价格波动的情况。当发现价格环比上升时，立即采取预警措施，并通过标注和通知相关负责人，如采购负责人、生产负责人或财务部门，确保他们能够及时介入，增设关卡，对问题进行深度查询和追责。这样的预警机制不仅提高了问题的响应速度，还有助于减少因价格波动带来的不必要成本。
在分析了“料”的问题之后，我们还将目光转向了“工”的方面。我们注意到，在12月，车间的生产效率出现了明显的下滑。为了找出原因，我们从合格率和工时数据两个维度进行了深入分析。通过查看合格率数据，发现12月份出现了大量负值情况，这直接反映了生产过程中的质量问题。随后，结合生产部门的质量管理系统，进一步挖掘问题根源，并制定相应的改进措施。
接下来是“费”的部分，这包括报废成本。对于报废成本，我们会特别关注产生的损失情况。通过分析产品报废损失的量和价发现，某款产品的报废量和领用量都很高。这时，需要进行相应的质量问题处理和工艺改善，以定位并解决问题。
此外，“费”还涉及到其他费用，如水电燃气、折旧等。对这些费用进行排行分析，查看哪些费用占比较高。以水电费为例，如果占比高，我们可以进一步下钻查看其同比和环比情况，以便进行更深入的原因剖析。
在成本分析中还提到了“三座大山”：库存成本、周转成本和资金成本。其中，资金成本特别关注存货即“两金”问题。在“两金”中，我们首先关注的是存货。以原材料为例，我们会将所有相关原材料的数量和零库存天数进行分析，找出哪些原材料明显超出了正常范围。将这些原材料用红色标志进行标注，并触发数据预警推送给相关人员。这样，业务人员就能清楚地知道哪些原材料的库存天数已经过长，并采取相应的处理措施。例如，可以召开会议协调采购和生产部门的工作，避免在原材料已经过剩的情况下还继续下单采购，从而降低整体库存水平。现在，“零库存”概念在制造业中备受关注，我们也应该积极应对这一挑战。
价值总结就是，从各个方面去寻找与生产成本相关的分析，捋清思路、抓住重点，然后一步一步地层层推进。
这是某个车桥厂商在售后业务中的流程。具体来说，如果车辆出现问题，车主可能会将车辆送到服务站进行维修。如果服务站发现问题是由于产品质量问题，他们就会进行索赔。这里需要明确的是，服务站会向主机厂索赔，然后主机厂再向我们索赔，这个过程中就产生了服务费或管理费用。那么，如果零配件厂商能够直接与服务站建立联系，进行直铺销售，是不是就可以省去中间这笔费用呢？
第三，由于重型汽车或商用车在路上出现问题时通常需要现场维修，这部分费用也需要关注。
这部分我们称之为“出车”，出车也涉及相关费用。我们能否对这部分费用进行管控呢？管控的关键在于防止一些服务站为了多赚钱而虚报出车情况。对于这种情况，如何监管，从而削减出车费用，降低整体成本？关于售后费用的进度管控，以往传统的方式都是月底才能给出数据，我们能否在中途就进行数据的预警？及时与预算目标挂钩，以便我们掌握相关的执行进度。
关于配件直铺的问题，能否进行一些优化呢？比如，我会去查看哪些服务站经常出现故障维修，然后与他们建立联系，以减少中间的管理成本。
可以通过大屏查看整体月度费用趋势，包括故障费用等，还可以细化查看三包费用、非三包费用、原厂协助费等，并从零部件和区域维度分析费用分布，以便定位异常点。
也就是之前提到的管理费用，这部分费用是通过主机厂产生的。首先，会关注那些使用数量较高、经常出现换件或索赔的服务站，以及那些经常出现索赔的零部件。通过分析这些数据，我们可以选择性地进行直铺销售，从而节省过单费用。
这是一个相应的过程。在这个过程中，我们可以看到服务站的排序、故障的排序和零部件的排序，这些都可以作为决策的依据。
第三个方面，以往可能需要通过主机厂来进行某些操作，但现在可以直接绕过这个角色，直接与厂家联系。
长期来看，我们还可以通过售后服务的分析来发现哪些零部件在哪些区域经常出现问题。比如重庆由于山地较多，制动器可能更容易磨损。这时可以向客户提供更耐磨的配件推荐或主动推广以增加销量。这些都是可以通过数据分析来实现的事情。
首先，需要查看整体出车占比以及哪些服务站的出车费用或单次出车费用最高。通过出租车总表、服务站排名、出车总费用、单次费用以及故障费用的拆解等信息，我们可以更好地监控出车费用。
通过这些数据，我们可以深入分析出哪些服务站是异常的。比如，利用年度出车总表，我们能够观察到哪些服务站的出车费用占比异常高，特别是当其主要费用集中在出车费用上时，这些服务站就被视为异常服务站，需要进一步分析。
1、查看这些服务站的费用结构，包括外出费、故障费等各项费用的占比情况。
3、将各个服务站进行排名或比较，以识别出确实存在问题的服务站。此外，关注出车费用与出车次数及故障次数之间的匹配度，进行更深入的第二轮分析。如果发现某服务站的出车次数少而费用高，且费用占比也高，这显然是不正常的，此时派遣人员前往现场稽查，核查每次费用的报销单据等。
另外，有些故障其实并不需要出车解决，这些服务站如果仍然选择出车，就要提醒他们通过远程方式解决，并可能采取警告或管理措施。同时，关注哪些零部件经常需要出车维修，特别是那些理论上不需要出车的零部件。将这些结论与前面的分析相结合，进一步分析那些出车次数多、费用高的服务站是否主要集中在这些零部件上，并与整体或平均情况进行对比。通过对比分析，可以更准确地判断哪些服务站是异常的。
一旦找出了问题所在，就可以制定相应的解决方案。比如，如果单一服务站服务范围过广，我们可以考虑增设服务点。如果是过度出车的情况，我会明确服务点的出车规范，鼓励通过远程方式解决问题或引导客户进站维修。比如对于压力开关这类问题，完全可以避免出车，而是引导客户进站或远程解决，以节省出车费用。
最终，通过这些数据分析，我能够实现对整个费用支出的总体把控，并准确识别出异常费用。同时，也能够进行费用直铺和出车费用的监控，实现从总体到细节、由浅入深的分析。这种探索式、自主式的分析方式具有业务价值。
🔻扫描下方二维码获取制造业案例集和数字化建设白皮书
|
