一. 项目背景
随着大数据时代的来临，大数据分析应运而生。大数据作为时下最火热的IT行业词汇，其爆炸式增长在大容量、多样性、高增速方面，也全面考验着现代企业数据处理和分析能力。同时，也为企业带来了获取更丰富、更深入、更准确的洞察市场行为的大量机会、也为企业的精细化管理指明方向。
这里，问题出现了，让涂料行业人事困惑不已的是，大数据时代主要不是针对IT行业、互联网行业的吗？它何时跟涂料行业扯上关系了？其实，与其说“大数据”是是一个数据库、是数据集合，倒不如说“大数据”更是人类行为、企业行为趋向的分析和总结。大数据之于涂料行业，重要的是消费者的行为和习惯，很大程度上左右着企业涂料产品的研发方向和营销策略，分析企业自身数据，可以清晰认识运营中的不足，为领导在进行企业决策时提供更好的依据。
越来越多的涂料企业开始涉足数据分析平台，利用数据精准的分析能力，对企业自身的营运情况和市场发展动向进行整体把握。对于涉足电商领域的涂企而言，通过对大量的用户行为数据的分析，可以更好地掌握用户需求，涂料企业便可以对关注度高的产品加大研发投入和产品推广。
与此同时，随着“智能制造”、“中国制造2025”等概念的提出，企业越来越关注生产过程的精细化、自动化、智能化。现代化工业制造生产线安装有数以千计的小型传感器，来探测温度、压力、热能、振动和噪声。因为每隔几秒就收集一次数据，利用这些数据可以实现很多形式的分析，包括设备诊断、用电量分析、能耗分析、质量事故分析等。
制造企业中生产线处于高速运转，由工业设备所产生、采集和处理的数据量远大于企业中计算机和人工产生的数据，从数据类型看也多是非结构化的数据，生产线的高速运转则对数据的实时性要求也很高。
随着信息化和工业化的深度融合，信息技术渗透到了制造企业产业链的各个环节，条形码、二维码、RFID、工业传感器、工业自动控制系统、工业物联网、ERP、CAD/CAM/CAE/CAI等技术在工业企业中得到广泛应用，尤其是互联网、移动互联网、物联网等新一代信息技术在工业领域的应用，制造企业也进入到了互联网工业的新的发展阶段，制造企业所拥有的数据也日益丰富。因此，涂料行业大数据应用所面临的问题和挑战并不比互联网行业的大数据应用少，某些情况下更为复杂。
大部分企业现阶段已在布局建设MES、DCS、EMS等系统，并且在过程管理上力求精细化管理，但是对于分析能力、整合能力还是比较薄弱。比如设备在出现故障时，难以给工程师提供检修建议，零件耗材的更换主要还是依靠供应商的建议，却是忽略了实际生产环境对零件的耗损速度，基于生产、设备、能耗的数据分散在各个系统平台上面，难以有效的进行整合，全面分析，当出现生产上的问题时，难以快速定位原因所在，出现工作上的扯皮事情，这些现象对实际工作都是很不利的。我们希望通过本次项目，改善这些问题，通过对大数据的分析，找出自身规律，摸准脾气，对症下药，提升预测预防的能力。降低设备异常停机几率，提升产品合格率，降低能耗，保障安全生产。
二. 数据分析探索方向
2.1 加速产品创新客户和企业之间的交互和交易行为将产生大量数据，挖掘和分析这些客户动态数据，能够帮助客户参与到产品的需求分析和产品设计等创新活动中，为产品创新做出贡献。
2.2 工业物联网生产线的大数据应用现代化工业制造生产线安装有数以千计的小型传感器，来探测温度、压力、热能、振动和噪声。因为每隔几秒就收集一次数据，利用这些数据可以实现很多形式的分析，包括设备诊断、用电量分析、能耗分析、质量事故分析（包括违反生产规定、零部件故障）等。首先，生产工艺改进方面，在生产过程中使用这些大数据，就能分析整个生产流程，了解每个环节是如何执行的。一旦有某个流程偏离了标准工艺，就会产生一个报警信号，能快速地发现错误或者瓶颈所在，也就能更容易解决问题。利用大数据技术，还可以对工业产品的生产过程建立虚拟模型，仿真并优化生产流程，当所有流程和绩效数据都能在系统中重建时，这种透明度将有助于改进生产流程。再如，在能耗方面，在设备生产过程中利用传感器集中监控所有生产流程，能够发现能好的异常或峰值情形，由此便可在生产过程中优化能源的消耗，对所有流程进行分析将会大大降低能耗。
2.3 生产计划和排程大数据可以给予我们更详细的数据信息，发现历史预测与实际的偏差概率，考虑产能约束、人员技能约束、物料可用约束、工装模具约束，通过智能的优化算法，制定预计划排产，并监控计划与现场实际的偏差，动态的调整计划排产。报我们规避“画像”的缺陷，直接将群体特征直接强加给个体（工作中心数据直接改变为具体一个设备、人员、模具等数据）。通过数据的关联分析并监控它，我们就能计划未来。虽然，大数据略有瑕疵，只要得到合理应用，大数据将变为强大武器。
2.4 产品质量管理与分析传统制造业，在产品研发、工艺设计、质量管理、生产运营等方面都迫切期待着有创新方法的诞生，来应对工业背景下的大数据挑战。
2.5 提升人力资源管理能力 人力资源作为企业发展的最重要一项资源，对人力资源的有效管理显得尤为重要。对人力资源的管理主要反映在数量和质量方面。企业会制订战略层面发展目标，相对应的，对人力资源也会提出对应的储备要求。企业各岗位人力储备、关键技术人才配备和培养进度将直接影响企业的战略发展。
2.6 提升营销管理能力 营销管理是指在市场行为中，制订相应的营销目标，并以此制订相应的一系列的营销行为。这其中关键点就是营销行为的有效性管理，通过对过程数据进行分析挖掘，将能够直观反映行为价值。同时，对市场、客户大数据的收集整理分析，可以对营销策略的选择提供方向。
2.7 提升供应链管理能力 供应链主要是指从采购开始，到最终的产品交付。供应链管理的目标是将运作达到最优化，成本降到最低。有效的供应链管理可以帮助实现：缩短现金周转周期、降低企业面临的风险、实现盈利增长、提供可预测收入。从数据分析指标监控角度来看，制订各环节的考核指标，从服务、及时、节约、规模、库存等环节监控实际执行情况，及时作出策略调整。
2.8 提升品牌企划能力 品牌企划主要指加深企业形象和产品品牌在消费者脑海中的印象，并使消费者与企业品牌和产品品牌之间形成统一的价值观，以提升企业知名度和市场竞争力。通过对市场大数据的总结分析，将能够很好的认识市场的诉求以及趋势，借此，优化企业自身的产品价值，对于品牌推广方面将更容易深入消费者内心，搭建起个中价值链。
2.9 提升财务管理能力 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。企业营运数据是企业运营行为最真实的体现，通过营运数据的分析将能够全面、清晰的反映经营现状、以及产生各类问题的原因，为优化管理提供清晰的方向和空间。
三. 建设思路3.1 切入点分析
| file:///C:\Users\lixijue\AppData\Local\Temp\ksohtml\wps4439.tmp.png
| | 1. 目前以满足公司以及各职能部门统计报表为导向，缺少整体业务分析体系的规划； | | 2. 分析技术手段不足，如动态图表、数据整合、消息预警等； | | | |
3.2 提升方向 |
| | | | | | | | | | 3. 采用智能的灵活的分析方法，图表结合，多维展现 | | | 4. 整合企业数据，实现数据自动获取，建立企业统一数据视图 | | | | | | 6. 建立数据管控体系，以提升数据质量、数据标准与共享和数据安全能力 |
3.3 整体架构
3.4 数仓架构
以成熟的软件产品为基础搭建企业数据仓库，通过ETL过程，将现有的供应链数据、财务数据、人力资源数据、协同OA等数据资源定期抽取存放至数据仓库，通过前端设置填报界面，用于部分手工数据（外部竞品数据，手工业务数据）维护。当然，随着信息化建设不断完善，控制系统覆盖业务板块的比例不断提升，将逐渐减少手工数据的维护，自动化系统数据获取将成为主要方式。
3.5 分析平台板块构建 | | | 战略地图 · 公司级战略地图 · 中心级战略地图 · 部门级战略地图 | | 经营仪表盘 · 财务驾驶舱 · 营销驾驶舱 · 运营驾驶舱 · 人资驾驶舱 | 经营指标库 · 财务指标库 · 营销指标库 · 运营指标库 · 人资指标库 | | · 市场与竞争对手分析 · 区域网点与招商分析 · 市场活动分析 · 营销费用与业绩对比 · 工程漆与客户推广 · 客户拜访分析 · 客户满意度分析 · 新业务市场拓展分析 | · 销售渠道分析 · 销售网点分析 · 产品品类销售分析 · 销售预测分析 · 销售订单多维分析 · 产品包装分析 · 新品销售分析 · 产品销售组合分析 | · 供应商管理分析 · 采购价格分析 · 采购返利分析 · 新供方开发分析 · 仓储数量流分析 · 存货分析 · 货损/质量分析 · 采购预测分析 | · 产品质量分析 · 生产力分析 · 专利与论文发表分析 · 价值链分析 · 供应链分析 · 运营成本分析 · 产品预测分析 · 配方降本情况分析 | · 财务法定报告及分析 · 资本性支出分析 · 营业费用分析 · 管理费用分析 · 财务预算分析 · 业绩指标分析 · 盈利能力分析 · 经营现金流量分析 | · 员工薪酬福利分析 · 招聘管理分析 · 培训管理分析 · 员工成本分析 · 全方位考核分析 · 员工管理分析 | | · 市场活动查询 · 客户参观接待查询 · 现有大客户信息查询 | · 销售订单查询 · 产品配送查询 · 产品价格/折扣查询 · 销售预测查询 | · 采购订单查询 · 采购物料信息查询 · 库存查询 · 采购预测查询 | · 生产订单查询 · 物料账查询 · 产品供应链查询 · 生产预测查询 | · 会计核算查询 · 成本预算控制查询 · 产品利润查询 · 现金和票据查询 | · 员工招聘查询 · 员工培训查询 · 员工考核查询 · 员工激励查询 |
3.6 KPI展现准则 针对每类指标的特点，应用恰当的分析方式和展现类型，将指标信息呈献给决策者和管理者。
3.7 DEMO事例
3.6 规划建议
3.6.1 遵循原则· 管理决策类需求优先原则 数据分析平台旨在为管理决策提供依据，进而提升管理决策能力。而后为企业各层人员提供统一的分析查询平台。所以，建议以管理决策类需求优先。即以管理金字塔的上层为优先原则。 · 以业务KPI考核为推动 以量化的考核指标为基础，进而从中挖掘分析主题。 · 以数据完整性为原则 分析也好，查询也罢，均是以数据作为基础，所以，优先考虑数据完整、准确的模块。
3.6.2 阶段性建设规划· 第一阶段 数仓搭建和战略层可视化
设计并搭建企业级数据仓库，并制定相应的数据规范性； 完成战略层、经营层绩效可视化呈现； 销售模块、采购模块、库存模块。
· 第二阶段 完善及深化数据分析平台建设
完成第二批各模块指标建设，打通第一阶段战略管理层综合管理驾驶舱，有决策层延伸至业务岗位。建议数据质量较差的模块暂不考虑。
· 第三阶段 持续优化
优化前两阶段展现模型，随着信息系统的建设完善，逐渐将前面阶段中手工部分的数据转化为系统获取，补充之前因数据不完备而暂缓的模块。
四. 项目进度安排及保障
4.1 项目推进计划 根据内容相关性和递进性，将整体项目分为四个阶段，每个阶段设立完成标准并且形成相关文档，对阶段性成果进行备案保存。 l 第一阶段 业务需求调研 设计调研模板，对相关生产单位进行业务需求调研，明确他们现阶段基于数据的需求以及痛点，按照岗位角色的区别将需求分为决策层、管理层、业务层。为了让业务部门需求描述更有方向性，我部将事先准备相关案例以及属于注解，方便理解。需求调研完成，将形成需求文档，并再由需求提供者确认。待完成后，将需求分解成数据层、架构层和展示层。 l 第二阶段 ODS库设计和数据ETL 根据调研结果中涉及到的数据层，对现有系统进行梳理，明确数据质量，初步评估数据共享的可行性，根据评估结果重新匹配业务需求，找出奇异点，找业务部门确认，并更新需求文档。 基于雪花模型设计ODS库，通过相关技术将MES、DCS、EMS等系统中数据经过ETL过程抽取到ODS库，并设置合理频率。待模型设计完，进行测试，从数据准确性、完整性、模型稳定性几个方面进行测试。生成技术文档，备案保存。 l 第三阶段 需求开发 通过第一阶段的需求收集、第二阶段的数据收集，本阶段将进入需求开发阶段。首先，设计开发文档，根据调研到的需求，将本阶段进行细化，再细分成若干阶段，明确各阶段内容，形成开发计划文档。会议讨论，工作分配到人，多头并进。 本阶段是将理论需求变为现实的过程，是本项目的核心，因此占用的项目时间也最多。项目经理将严控本阶段的各分阶段目标，定期与需求提供部门测试确认。 本阶段除了要实现PC端的效果，同时针对移动展现、电子大屏的需求要一并开发。涉及到的内容较多，所以会采取落地即测试的方式，避免成果与需求偏离的情况。待开发完成，形成开发文档，备案保存。 l 第四阶段 测试并上线 经过前面三个阶段的工作开展，本项目已经基本落地，本阶段主要工作便是对成果进行测试。这里会分成技术层测试和业务层测试。 技术层测试主要是对各种环境下的稳定性进行测试以及系统安全性测试，测试工作由相关技术测试专员完成。业务层测试主要是由相应的需求提供者或者项目用户进行测试，包括数据准确性测试、呈现效果测试以及功能测试。业务专员模拟实际操作，对系统进行操作测试，找出其中不足，整理交由项目组，待确认后进行优化调整。 测试完成后，搭建正式环境，交付给用户，进入正式运营阶段，组织操作培训，敲定项目维护专员。最后整理完成整体项目文档，备案保存，本项目结束。
4.2 项目成功保障措施成立项目委员会，委员会设立需求设计组、数据组、开发组、测试组等各小组，各组指定负责人，负责相关事宜。同时配备普元技术顾问，已作协助指导。 整个项目采用分工模式实施，分为负责（R）、执行（E）、配合（C）、参与（P）四类责任： 项目完成后，需要提供交付文档，包含项目设计文档，数据库设计文档，操作手册、项目验收文档、测试报告等，各阶段均有对应文档交付。通过各种有效方式以保障该项目的顺利进行。
五. 投资估算及效益预测
5.1 项目投资估算
第一阶段 项目 | | | | | | | | | | 测试优化（数据准确性、算法合理性、终端可视化效果） | | | | | |
第二阶段 项目 | | | | | | | | | | 测试优化（数据准确性、算法合理性、终端可视化效果） | | | | | |
第三阶段属于优化阶段，不确定因素较多，暂不做评估。
5.2 效益预测项目成功后将在企业数据平台统一化方面大大提升，为企业决策管理提供很好的数据支撑。对增销降本方面提供强有力的依据。具体体现在以下几方面：
1） 实现企业各类型数据整合，大大提升企业数据完整性、准确性、规范性； 2） 搭建一套企业级的统一的数据分析、查询平台，满足企业从战略决策到业务操作各级岗位的数据应用需求； 3）通过对数据的合理应用，提升企业运营能力、决策依据、利润提升空间、降本空间，提升数据分析能力，挖掘数据价值。
帆软软件 化工行业顾问 朱超 2016 年7月20号（初稿）
| 
