业务数据化管理助力企业实现业财融合？

二十一世纪属于大数据引领风骚的时代，一个企业拥有的无形财富就是数据，数据可以反映企业经营的方方面面，大到公司战略，小到业务管理，如果以数据为基础作为决策的依据，企业风险将会大大降低。对数据的敏感性和应用效率更是衡量财务总监能力的基础指标，靠数据说话，赢在当前！

一、业务数据化管理概述

1、业务数据化管理定义和现状

业务数据化管理是指将业务工作通过完善的基础统计报表体系、数据分析体系进行明确计量、科学分析、精准定性，以数据报表的形式进行记录、查询、汇报、公示及存储的过程，是现代企业管理方法之一。数据化管理的目标在于为管理者提供真实有效的科学决策依据，宣导与时俱进的充分利用信息技术资源，促进企业管理可持续发展。

业务数据化管理是继改革开放以来，国内企业对精细化管理、丰田生产方式、JIT、质量体系认证、绩效管理等先进的管理方式进行广泛学习并运用过程中逐渐形成的一种新的管理模式。同时，也是行业间频繁的信息交流、人才流动过程中，普通企业充分利用了现代金融企业一切立足于数据信息所进行的管理方法的广泛传递而形成的一种管理模式。

但是，目前此种立足于数据进行管理的模式并未完全形成简明的体系，一切都是在摸索过程中，并未得到广泛地深入研究和推广普及。数据化管理是对传统的账簿式（并非只是财务账簿，如管理者笔记等）管理的深化，是随着计算机技术的发展及普及、随着财务、金融等以数据作为操作基准行业的发展演化而来。目前，多个行业的很多企业都在开始运用数据对业务发展状况进行监控，并指导管理工作的开展。分析数据从基础数据库中选取有关联的数据，通过常规的数据统计分析方法形成特定报表予以呈现。

2、数据化管理分类

数据化管理是指运用分析工具对客观、真实的数据进行科学分析，并将分析结果运用到生产、营运、销售等各个环节中去的一种管理方式。根据管理层次可分为业务指导管理、营运分析管理、经营策略管理、战略规划管理四个由低到高的层次。根据业务逻辑还可以分为销售中的数据化管理、商品中的数据化管理、财务中的数据化管理、人事中的数据化管理、生产中的数据化管理、物流中的数据化管理等。数据分析工具主要有Excel、SAS、SPSS、Matlab、Data Analytics等。

3、为什么要做数据化管理

从数据化管理的流程来看，应用是数据化管理的核心。这也是数据化管理和数据分析最大的不同，不能应用到业务层面的数据分析是没有意义的。

1）量化管理：无论是传统零售还是电子商务，大部分管理工作都是可以量化的。绩效KPI（关键绩效考核指标）就是对日常业务的一种量化管理。

2）最大化销售业绩、最大化生产效率：数据分析本身不能带来最大化的业绩或效率，只有将正确的分析结果用最实际的方式应用到业务层面才能产生效益，只有持续不断地产生效益才能称之为数据化管理。

3）有效地节约企业各项成本和费用：每个业务中心都可以建立独立的数据化管理体系，建立自己部门的追踪及预警机制，从而达到节约成本和费用的目的。

4）组织管理、部门协调的工具：同样一个指标，不同的部门提供的数据可能不一致，这既浪费资源，又不利于标准化管理。日常和数据有关的信息传递尽量按如下的原则来做，这样会大大提供组织及部门间的效率：①提供正确且有效的数据给对方；②不仅提供数据，还尽可能提供数据结论；③对结论进行必要的补充说明，将你的论证逻辑告诉对方；④建立业务管理模板共享机制。

5）提高企业管理者决策的速度和正确性：我们习惯给管理层扣一顶”拍脑袋”的帽子，其实”拍脑袋”并不是一件容易的事情，它是基于经验、深思熟虑之后的一种结论。不是每个人都有资格”拍”的。当然如果管理层在”拍脑袋”决策的过程中能够参考必要数据的话，这将是极好的。

4、数据化管理层次

数据化管理的四个层次根据业务逻辑，数据化管理分为四个层次。

1）业务指导管理：通过数据收集、数据监控、数据追踪等手段透视业务，通过数据分析、数据挖掘等方式搭建业务管理模型来提升业务。业务指导管理的范畴包括销售、人力资源、生产、财务、客服等业务单元。主要管理模块有目标及预测管理、利润及费用管理等。

2）营运分析管理：是对人、货、场、财的分析管理。包括绩效考核管理、库存分析管理、供应链分析管理、客流分析管理、资金分析管理、客户关系管理（CRM）等。

3）经营策略管理：是指通过对经营环节进行对应的数据分析来达到制定或修改策略的目的，数据化的策略管理是企业策略合理化的一个保证。包括消费者购买行为分析、会员顾客策略、商品定价策略、品牌定位策略、竞争对手策略管理、资源分配策略等。

4）战略规划管理：是通过企业内部和外部数据，制定企业的长远规划的过程。包括宏观经济分析、行业环境分析、内部资源分析、企业竞争力分析、战略目标规划管理、战略可操作性评估等。

二、数据化管理流程

数据化管理流程分为8个步骤，它和常规数据分析最大的不同就是强化应用，要求应用模板化、模板智能化。实施数据化管理之后，每个层面看到的不再是枯燥的数据，干巴巴的表格。受众看到将是简洁的可视化图表，傻瓜式的业务诊断，智能化的应用提醒，高互动性的使用界面。

1、分析需求

分析需求又包括收集需求、分析需求、明确需求三个部分。收集需求的方法主要有：和使用对象进行访谈、市场调研、走访专家等。分析需求推荐利用思维导图来整理收集的信息，思维导图的逻辑可以参考使用5W2H分析法、人货场等概念。

2、收集数据

收集数据是根据使用者的需求，通过各种方法来获取相关数据的一个过程。数据收集途径包括公司数据库、公开出版物、市场调查、互联网、购买专业公司数据等方法。数据收集是数据分析的基础环节，在收集过程中需要不断地问自己，数据来源是否可靠？我收集数据的方法是否有瑕疵？我收集的数据是否有缺失？

3、整理数据

整理数据是对收集到的数据进行预处理，使之变成可供进一步分析的标准格式的过程。需要整理的数据包括非标准格式的数据、不符合业务逻辑的数据两大类。非标准格式数据例如文本格式的日期、文本格式的数字、字段中多余的空格符号、重复数据等。在零售行业中不符合业务逻辑的数据非常多，比如为了冲销售额可能会有不真实的销售数据进系统，大量虚假的会员购买记录，电子商务中的虚假点击，等等。数据整理的好与坏直接决定了分析的结果。整理数据的方法主要有：分类、排序、做表、预分析等；逻辑有理口径、看异常、查大数、观趋势等。工具可以利用Excel中的分列、删除重复项、透视表、图表、函数等功能来辅助整理。

4、分析数据

分析数据是指在业务逻辑的基础上，运用最简单有效的分析方法和最合理的分析工具对数据进行处理的一个过程。没有业务逻辑的数据分析是不会产生任何使用价值的，对分析师来说，熟悉业务、有业务背景是非常重要的。分析方法简单有效就可以，实用为最高准则。对工具熟练掌握的深度决定了你分析的高度。对分析师来说，工具不在多而在精。当然片面强调对工具的掌握或对业务的理解度都是不对的，我们可以用一个四象限图来展示二者的关系，只有均衡发展才是真正的数据分析师。懂数据分析的人很多，懂业务的人更多，但是既懂业务又懂数据分析的人却非常少。

5、数据可视化数据

可视化是将分析结果用简单且视觉效果好的方式展示出来，一般运用文字、表格、图表和信息图等方式进行展示。Word、Excel、PPT、Data Analytics、Tableau、Power BI等都可以作为数据可视化的展示工具。现代社会已经进入一个速读时代，好的可视化图表可以自己说话，大大节约了人们思考的时间。用最简单的方式传递最准确的信息，让图表自己说话，这就是数据可视化的作用。在数据可视化过程中需要注意的事项：①数据图表主要作用是传递信息，不要用它们来炫技，不要舍本逐末般过分追求图表的漂亮程度；②不要试图在一张图中表达所有的信息，不要让图表太沉重；③数据可视化是以业务逻辑为主线串起来的，不要随意地堆砌图表；④不要试图用图表去骗人，否则你的结果会很惨。

6、应用模板开发

对于那些标准化程度比较高的数据以及使用频率比较高的分析文件，可以开发成一种固定的模板格式，这样的好处是标准化、程序化，并且会大大节约时间。

7、分析报告

分析报告是数据分析师的产品，可以用Word、Excel、PPT作为报告的载体。写数据分析报告就犹如写议论文。议论文有三要素：论点、论据、论证，数据分析报告也必须要有明确的论点，有严谨的论证过程和令人信服的论据。虽然在报告中不一定都要将三者呈现，但是论点是一定要有的。其次在写分析报告之前，一定要弄清楚你是在给谁做分析报告，对象不同，关注点自然不一样。

8、应用数据

分析报告并不是数据化管理流程的终点，它反而是数据化管理流程的另一个起点，数据化管理的目的是为了应用，没有应用的流程是不完整的。应用就是将数据分析过程中发现的问题、机会等分解到各业务单元，并通过数据监控、关键指标预警、对趋势进行合理判断等手段来指导各部门的业务提高。

三、数据化管理实施

1、销售数据化管理

1）没有目标管理就没有销售的最大化

销售追踪普遍存在的误区是只追踪销售不好或销售权重大的组织或个人，其实销售追踪的目的是让落后的组织或个人改变直到好一些，让销售一般的好起来，让销售不错的变得更加卓越！销售追踪和目标管理是一对亲兄弟，目标通过追踪得以完成得更好，追踪又必须以目标为依据。销售目标有销售额（量）目标、销售费用目标、利润额（率）目标、新增客户目标等，对于电商还有流量和转化率的目标。

2）没有标准就没有追踪的依据

销售追踪必须有理有据，必须用数据说话。要有一个数据化的标准，标准既可以是人为确定的，也可以是客观存在的。而数据间的对比就是销售追踪的标准，通过对比分析、找到差异，从而找到追踪的依据。对比分析的标准有4项：时间标准、空间标准、特定标准、计划标准。

①时间对比同比就是与去年的同一个时间段进行对比分析，可以是季、月、周、天；环比就是和上一个时间段来对比（也有和下一个时间段对比的，也叫后比），例如本月和上月，本周和上周对比；定基比是和某个指定的时期进行对比分析，比如2013年每个月都和2013年1月的销售额进行对比取值。

②空间对比就是不同空间数据的对比，比如华北区和华南区对比，北京和上海，上海古北店和成都春熙路店进行对比。相似空间的对比对象必须是形态上比较接近，先进空间则是和同一种形态中的优秀空间进行对比，与扩大空间的对比，比如北京和全国的数据对比，北京王府井店和全北京的数据对比，和竞争对手的对比也在此列。

③计划标准是一种认为标准，和计划标准的对比是销售追踪中非常重要的一环，所有的绩效考核都是计划标准，例如实际销售额和销售目标的对比等。

④特定标准:其中的经验标准是在大量的实践过程中总结出来的值，而理论标准则是根据理论推断出来的值，平均值则是某一空间或时间的平均值。销售对比往往不是单一标准的对比，有时候既要看同比又要看环比，既要看销售完成率还要看利润完成率。对比的目的是找到被追踪对象的差距，也就是找到一个追踪它的借口。

3)如何用数据化追踪销售

销售追踪不只是打电话，发邮件这么简单，它也是一门技术工作，销售追踪是建立在大量数据分析的基础上的。利用数据追踪主要有如下几种形式：

①数据对比。对比产生差距，对比产生压力，对比产生问题。对比分析的形式有绝对值对比和相对值对比两种。我们常用的城市销售额排行榜就是绝对值对比，而销售贡献度排行榜则是相对值对比。

②有效地利用极值来追踪销售。销售中有很多极值（包括极大值和极小值）可以用来追踪销售，比如店铺日/月销售额最高纪录，黄金周销售高峰值，店庆销售最大值，历史最低销售额，等等。

③利用单位权重曲线来追踪销售。单位权重这种概念是属于零售业中比较精细化的管理概念，是日销售额与日权重指数的比值，它有效解决了时间标准有时没有可对比性的原则。权重曲线犹如一个监视器，随时监控销售额、人流量、网站点击量等的异动。

④用预测值来追踪销售。我们常常习惯于用销售完成率来追踪销售，但是完成率的缺陷是同一个时间节点在不同的区域的完成率很可能没有可对比性（因为销售节奏可能不一样）。完成率是历史数据的对比，预测是对未来的预估。月销售额预测，可以利用周权重指数法来预测月销售；年销售额预测：零售业常用的是月销售占比法，利用利用数据中每个月占年度总量的百分对比来做预测，这个百分比就是一种销售规律。为了预测的准确性，历史数据通常用3年。

4）销售追踪注意事项

销售追踪是一个很苦很累但却很重要的工作，只靠人是绝对不行的。这是一个系统工程，最好是让它”程序化”。销售追踪的注意事项如下：

①追踪表格化，系统化。一定要用一套表同一套逻辑，否则就会陷入无谓的争论之中，同时”双规”很重要，在规定的时间内，上传规定格式的追踪数据；

②充分发挥人，特别是直线汇报经理的追踪作用，层层追踪；

③利用销售会议来追踪，晨会、周会都是很好的追踪时机。每次会议务必预留一定的时间来回顾前一段时间项目的执行状况；

④利用科技手段来追踪销售。将部分商业逻辑植入公司系统软件中，当数据异常时，被追踪的相关人员都可以收到一封邮件、短信或者微信等；

⑤将结果过程化更有利于追踪，例如不直接追踪销售额，而是把销售额分解成进店人数、成交率、客单价、连带率等分别追踪，这样更有效果；

⑥追踪必须要有结果，只”追”不”终”没有意义。

2、业务数据化管理案例1：物流集团数据整合

公司背景：以物流为核心产业的多业态集团，它的传统业务物流、仓储、机场、货运还有通关报关进出口贸易这五大业态，其中供应链是他们希望整合的业务。

业务目标：半年内完成集团业务整合；一年内打通多业态业务；上线整合型产品。

数据原则：数据为先，利用户数集成整合业务，数据探索推动创新。

三步走：数据资产梳理。数据共享开放。数据场景创新。具体包括：

1）数字化转型的培训，企业的高层、首席信息官，首席创新官全部参加，一起拉通企业的愿景，制定整个转型的方案，围绕数据用数据去集成整合业务，用数据从数据当中去探索，确定整合型后的新产品在哪里。

2）构建数据资产目录

数据资产的梳理，它不仅仅是原系统的数据，企业二次加工过的数据集、数据应用、数据报表，都是数据资产。梳理数据资产的第一件事情是构建数据资产目录。

它是一个抽象过的，同一个业务域的数据资产的一个目录一个结构。那么这个数据资产目录的一个节点，它可以挂接多个数据源，梳理数据资产目录的过程，不用去真实的去看数据，它实际上是一个物理业务在数据世界里的建模。举例：这种企业的物流业务，它可能有多家公司都在做同样的业务，有多个地区的公司、多个不同的主干物流和支线物流，它是不同的数据集。就是说去看这些企业、业态，他们现在都有什么数据？这些数据在哪里？这些数据质量如何？然后在这个基础之上，构建一个数据资产平台，然后把一些优质的数据（当时这个企业数据质量比较好的是物流和货运，有一定的基础数据）挂接到数据资产平台。

3）数据用户分类。

①业务用户：他们不具备使用数据仓库、数据报表这样的能力，他们只熟悉常用的拖拽式数据工具，他们不会使用复杂的工具，比如说有的可能只熟悉excel。

②具备高级数据分析的用户：这样的平台里面，他们跟数据资产直接挂钩，同时跟授权挂钩，授权所有的东西议题都会被记录。那么当他们探索这些数据发现了有价值的数据集，发现了有意义的数据创新的时候（这就是所讲的数据场景创新），它就可以快速的把这些数据及数据价值发布成服务，然后这些服务可以快速地提供给业务用户和业务系统去使用。

4）数据运营小组改进

如这个项目在机场货运端有一个场景，货物分类都是由人工去标注的。但有的时候去标注货物类型的时候也不准确，而且非常的不规范。如果数据归类不规范，就很容易造成货物在检验和收纳带来隐患，把不应该放在一起的货物放在了一起，把一些对时效性要求比较高的货物安排到了时效性比较差的序列里面去。

为了解决这样的问题，需要建立自动识别和优化文字标签。通过建立一个模型当人工去输入的时候，会通过这个模型去对标签进行优化。同时配有专门的数据运营小组，不断的去分析这些数据，然后发现一些有价值的场景和有价值的数据集，然后把数据通过数据中台去发布成服务。

5）工作结果

通过这三步数据资产的梳理构建，数据的共享开放以及数据探索服务数据工具的整合，提供了一个方便快捷完整全集成的数据服务的数据场景的探索平台，这些数据场景和数据能够快速的发布成服务，让公司员工高效使用。

把所有的不同公司的这些交易进行集成，围绕用户进行集成，就知道同类型的物流订单，以及所有的支付记录数据，通过这样的一个数据资产平台说，打通了用户订单和支付构建了新的产品。开会不再需要PPT、excel，每次打开数据资产创新平台，每一个数据故事对应到开会时的一个主题，而且这些数据是实时的，十分实用。

3、业务数据化管理案例2：零售型企业数据中台建设

公司背景：全球化的企业，它的信息化都是全球的系统，要从总部的SPA拿数据回来很麻烦，但中国的业务需要做连接设备和客户的IT系统，有大量的数据分析和应用的需求，不知道怎么去落地，无本地IT能力、无数据平台、有大量数据分析、应用需求。

业务目标：跨数据业务共享；建立数据应用和决策能力；整合行业数据。

数据原则：业务价值优先：数据服务优先，数据平台随后。

三步走：数据价值探索；数据资产盘点；数据服务构建。具体包括：

1）现状：该公司销售型的企业，BtoBtoC模式，找了一堆做excel分析的表哥表姐，然后每天去做各种报表，各种数据的分析，他们有大概二十几张非常复杂的表，不同的部门有不同的表，但这些表之间不拉通，表的含义只有各个部门自己才能理解。

当业务越来越竞争越来越激烈的时候，公司面临着巨大的数据分析的需求，希望跨业务要共享，需要建立数据应用和决策的能力。但当时IT预算有限，都是从各部门里挤出的一笔钱，希望整合一些行业的数据。

在最早公司根本不知道产品通过渠道商卖给了哪些门店和哪些消费者，相当于闭着眼睛卖东西，但是当互联网企业介入后竞争强烈，还不能了解这些情况的话，业务就抓瞎了，可以说失去了洞察能力。

所以数据的分析整合拉通变成了公司巨大的诉求，但这种情况不适合去做一个大而全的平台。原因是预算有限，把预算花没了这种情况下，它就没有办法产生业务价值，业务场景并不清晰，如做一个大大而全的平台，很难产生去找到对应的场景去解决问题。先拿excel作为数据。

2）数据价值探索

第一件事先做数据价值探索，把很多部门整合在一起，分析公司的数据需求，从数据当中得到价值，再通过数据探索的方法论，把这些数据价值场景进行了排序，找出优先级最高的场景，然后针对这些场景去进行数据资产的盘点，再构建数据服务。

3）以业务应用、数据应用去立项目：在构建数据应用的时候，把平台能力和应用能力分开，在应用不断的升级的时候，平台也在不断的完善。

四、财务管理业务数据应用路径

1、财务预测

定性分析、定量分析是预测阶段的两种方法，前者适合进行长期预测，以经验判断为主，后者是通过相应手段进行详细分析，进而对财务进行短期预测。

时间序列、回归分析是定量预测的主要方法，回归分析就是在现有数据基础上建立相应的函数模型，对变量间的线性关系加以分析。时间序列预测是将时间作为变量，整理各阶段数据，根据数据的大致走向进行预测。

预测结果受样本数据的影响很大，但企业可将这一缺陷变成优点，例如在开发某一新产品时，在设备中嵌入数据采集系统，尤其是电子类产品，消费者使用时系统会自动记录其使用习惯，如用户浏览某个网页信息，网站会根据用户爱好推送相应内容。

2、财务决策

首先利用大数据进行定量分析，将企业经营的历史性财务数据整合到一起，挖掘各阶段数据关系，做出历史财务曲线图，分析数据关联性，从而对企业未来的发展走向做出决策。

定量分析只能判断出财务数据间的相关性，并不能判定数据间存在的因果关系，因此要采用定量分析辅助完成企业决策。除去使用大数据，分析过程还要充分考虑社会、政治等因素，确保企业决策与社会大环境吻合。

3、财务控制管理

转变传统的经验管理方式，对企业的整个业务过程进行把控和管理，业务开始前根据大数据和经验，对财务风险进行评估。

业务进行中，对风险进行量化管理，对企业运营数据进行动态化监测，保证上下级、各部门间信息交流畅通。在业务活动结束后，总结该次的财务风险点，为下次业务实施提供参考资料。

4、风险管理

1)利用数据挖掘技术

将企业数据全部搜集到一起，并整理相关度较高的市场数据，分析数据关联程度，从而筛选出有利于企业发展的信息。

在完成分析的基础上，建立财务管理模型，识别模型中存在的风险点，并挖掘管理中的潜在风险，组建对应的风险预警模型，当系统挖掘到风险时，预警模型会提醒管理者优化管理方案。

2)利用数据库技术

主要是对历史风险数据的存储分析，财务管理比照现有数据库，数据库系统对业务流程进行风险识别分析，若存在风险需跟踪业务流程，便于及时处理突发类风险问题。数据库将跟踪收集到的资料进行分类，按照风险评估模型给出的结果，划分风险级别。

数据库通过对风险点的分析，初步拟定应对策略，并将策略共享到各个部门，为部门降低自身运营风险提供借鉴。此外，各部门定期将工作数据上传到数据库，保证上级管理者掌握部门新动态，且加快上下级间的信息流通。

5、创新财务人才管理机制

现代化的财务任职人员，不仅要具备计量、核算财务数据等能力，还要熟练运用信息技术完成财务信息处理工作，实现财务资源的合理分配。对财务人员的创新管理可从以下几方面入手：企业内部开设专业课程，让财务工作者接受二次培训，让财务人员充分掌握大数据特征，并运用云计算完成财务数据整理;定期举办知识竞赛，让财务工作者参与其中，对表现优秀者予以嘉奖：创新人才招收机制，面试用实力说话，同时企业对优秀人才要给予优厚待遇。

6、实际案例-海尔

海尔成为全球大型家电第一品牌。这无不预示着中国企业已经登上国际舞台，成为全球企业学习的标杆。　　

随着海尔集团战略的变化与”人单合一”双赢模式的推进，2006年，海尔集团高级副总裁、CFO谭丽霞主导了海尔的财务变革，其目标是：传统的财务要向价值创造型财务进行转变，并为财务确定一个新的定位，即”规划未来、引领价值、事前算赢、创新增值”。　　

当时把海尔集团所有组织、业务当中的财务全部划分到了集团的财务团队当中，并将1800多人进行了收编(但保留每个财务自身的功能)。之后再按照”让集中的更集中、让分散的更分散”原则，将集团的财务划分成了三类，即融入财务、生态财务和共享财务。然后再按照CFO谭丽霞制定的”润物细无声”原则，将所有的财务人员都”搬”到业务当中，实现业务财务共享。　　

可以用一句话来表述海尔的财务变革，就是传统的财务要转换成规划未来、引领双赢的价值创造型财务。这其中，规划未来是指要创造价值，引领双赢则是指所有的财务都要与业务融为一体，并要成为战略的引领者和业务发展的引领者。　

这种共识和定位形成之后，海尔财务人员的功能发生了很大变化，其表现有三：

一是财务人员从财务会计转到了管理会计，这相当于从企业的后台走向了前台；

二是整个财务功能结构发生结构性颠覆，海尔2006年的业务财务人员只占5%的比例，大部分财务人员都在做核算财务，变革之后，其业务财务人员占比已经有了非常大的提升，核算财务也大规模减少；　　

三是财务人员从独立的组织融入到了业务，比如前端的融入财务人员主要做事先算赢，他们基本上不做账、不报表、不管钱，只是从各个角度，比如从机会角度、从战略角度、从整个财务分析角度以及从预算角度等等，与业务人员一起创造价值，洞察机会。

目前，海尔财务共享中心是全国交易处理效率最高的财务共享中心。海尔的业务量不断增长，但整个财务体系的人员反而从原来的2000人降至现在的800多人，其中，财务共享中心的200多人承接了当年1800多人才能完成的核算工作。海尔财务共享服务中心共建立了12个版块，服务于600多家公司，并且成为集团核心数据源，推动了整个集团战略的实现。　

五、业务数据化管理注意事项和管理架构搭建要点

1、数据战略规划非常重要，不存在完美的数据基础，数据思维要从最早建立

每个公司都有各自不同的情况，不存在完美的数据基础，在公司里面收集数据时会遇到没有数据、数据质量很差的情况。所以在最早期建设应用的时候，要从数据的视角去思考，数据思维要尽早的去建立，同时对数据进行战略规划设计。

如把企业的业态重要数据资产结构梳理出来，当有新的并购、新业务，不会距离最早的数据资产的规划有很大的差异，这就避免了数据孤岛的发生。

没有数据平台，没有数据仓库，甚至没有业务数据库，也可以做数据服务，哪怕只是excel，都能完善后台的服务。

2、从业务场景出发，围绕业务进行建设（来自业务，高于业务）

数据中台的建设要从业务场景出发，要从业务场景出发，要找到具体的场景，建设的时候不能只针对一个场景，要把它的场景抽象出来，要抽象它的共性，要抽象那些跨场景的需求，才能支持未来更多的场景，支持的场景越多，数据中台发挥的作用越大。

前期的时候要考虑数据的利用，数据的规划和全景蓝图。你不能只盯着一个场景，一定要把多个业务场景都识别出来，哪怕这些场景现在还不具备实施的可能性，但是你要把它识别出来。只有这样，你才能在早期就把这个数据的大的框架，数据的利用之间的关系，应用之间的数据调用的关系，都梳理出来，有一个大的全景图，避免未来建设的时候的数据孤岛。

3、严格按数据化管理，按基本流程进行数据管理。

收集数据将业务领域类的一切活动进行计量，然后由专人进行管理。计量的前提是要设计与业务活动实际相符合的表格单据（文件记录）。数据记录一般由一线的业务操作人员填写完成，最终通过各基层管理干部逐级上交。整理数据将收集完毕的数据进行归类，对有效的数据进行统计，剔除无效数据。

整理数据中需要注意数据的真伪、时效等。记录数据，是指将一切有效的数据记录在特定形式的数据文档中。在这个环节，需要设计一套适合业务实际的数据统计表格，命名为”业务名称+基础数据库.xls”的形式，存储在固定的硬盘存储区域。此环节尤其要注意数据保存，切忌不能因重装系统、电脑损坏等造成基础数据遗失，因此，需要操作者进行必要的数据备份。

4、快速的数据服务构建和消费，形成数据资产目录。

这个数据在原来是给人看的，那么数据中台建设以后，数据是给系统用的，从人机接口到机器与机器之间的接口，这就是Data API最大的价值。

业务价值要尽快的展现出来，否则会失去业务的支持，业务部门要有对应数据的接口人和业务需求人参加到这个项目组里面来。

数据结构的共享和开放是数据应用的基础，要严格按照数据资产目录进行日常管理。内外部数据结合，建立企业自己的用户画像库。

5、持续的数据运营是数据中台项目成功的关键，持续的数据运营需要耐心

当时这个企业的领导是承担了很大的压力的，那么我们如何去推动、化解这样的压力，我们成立了一个数据运营部，在没有数据的时候，在数据平台建设还没开始的时候，我们就把数据运营部成立了，然后由数据运营部去做数据战略的规划。

当数据平台建设的过程当中，已经有采集了一些数据，那么就让数据运营部发现数据的价值，然后每个礼拜每个月给集团的领导做汇报，让他们看到你这样一个技术性的平台，在建设的过程中已经解决了一些实际的技术问题。

所以一定要有持续的数据运营，边建设，边运营，边建设平台，边发现价值，只有这样，你的数据平台类这种技术类型的项目才能得到业务和领导的支持，才能让大家看到价值，才能不被质疑你的投资花到哪里去了。

6、业务数据管理架构搭建要点包括：

1）全面数据化，数据越全利用效率越高。

“数据化”浪潮是整个大数据时代的起点，它强调数据就是资产，记录一切可以记录的数据，并相信这些数据一定会在某一天产生巨大的价值。显然，数据化是一个企业能够通过深入数据分析，实现自身优化的基础。全面数据化要求企业采集并存储企业生产经营中的一切数据，形成企业数据资产的概念。

2）整理数据资源，建立数据标准，形成管理规范

很多企业已经有了一些数据储备，或者通过第一步，开始快速积累了一些数据。但是企业管理层，尤其是跨业态拥有多家子公司的集团运营的企业，一般而言，对于自己到底有哪些数据资源是没有清晰认识的，更拿不出一张较完备的数据目录。企业要做的第一步，就是通过自顶向下的方式，成立数据委员会，在有必要的时候借助外部合作方的帮助，进行全面的数据调研，了解数据资源的整体情况并建立数据资源情况更新的流程和规范。

数据资源最基本的呈现方式是一个数据目录，企业管理团队至少要掌握整个企业数据的3级目录，而企业的主要技术团队应该掌握到4级目录。但数据资源又不仅仅是数据目录，因为还涉及到每一个数据项的完备性、更新程度、有效性和噪音源等描述。掌握了数据资源后，企业要根据自己业务发展的需求，建立数据标准，使现有数据和未来所有的新增数据都能够在同一个标准下统一管理，避免”信息系统建设越多，未来数据整合越难”的困境。

业务中涉及大量数据的企业，尤其是涉及到用户隐私数据、国家安全数据和具有重要商业价值数据的企业，要形成数据全流程管理的规范，因为绝大部分数据隐私和数据安全的事件，都不是从外部由黑客或者敌方特定人员通过技术手段获得的，而是本单位人员蓄意或无意泄露的。数据全流程管理的规范就是要做到企业能够对数据进行分级分权限的管理，随时了解敏感数据存储在哪些服务器和终端设备上，对于敏感数据的任何处理，都能够留下数据日志并打上唯一的数据水印，使任何可能的数据泄露之后，都能够追根溯源知道是哪一位员工在什么时间点在哪一台设备上运用何种权限下载的。对于一些操作过程中出现的风险点，良好的管理规范也能够实时发现，防患于未然。

3）建设数据管理平台

数据管理平台肯定要有数据中心的存储灾备功能，但是它的作用远不止此。

首先，数据管理平台要为企业量身定做一套数据组织和管理的解决方案，特别是企业各部门之间数据的共融共通，以及企业数据怎么样进行索引和关联。很多大企业，各部门之间数据的格式、形态和ID系统都不一致，部门之间无法交换数据，甚至大部分的数据表连主键和外键都没有，数据之间不可能形成有效的组织。这些都是数据管理平台要做的事情。

其次，数据管理平台是由业务所引导的，先进的物流数据智能处理系统，要为业务提供直接的支撑。很多时候，数据管理平台怎么搭建，需要深度了解企业最重要的核心业务，通过有重大价值的示范性应用来牵引数据管理平台的建设。例如针对零售类的企业，就应该形成以消费者为中心的索引和画像系统，主要支持精准广告、智能客服等核心业务，其次才是以商品为中心的索引系统，主要支持物流和仓储优化等业务。

最后，数据管理平台的建设要量体裁衣，强调鲁棒性和可扩展性，没有必要一开始就投入大量经费。因为硬件成本的下降也很快，不用想太多半年甚至一年以后的事情，只要架构设计合理，到需要的时候扩充硬件是容易的。

4）建立海量数据的深入分析能力

要想建立针对多元异构、跨域关联的海量数据，通过深度分析挖掘获取价值的能力，主要培养两个方面的能力。

第一，非结构化数据的分析处理能力。包括文本、音频、图像、视频、网络和轨迹等数据。受过传统商务智能和统计学训练的人，对于处理结构化数据非常在行，但是处理非结构化数据往往比较头痛——比如分布好做抽样，网络怎么进行抽样？所以，对于常见的，特别是和企业自身业务有密切关系的非结构化数据，一定要有一支队伍能够挖掘其间价值，甚至将其转化为结构化的数据。

第二，大数据下的机器学习的能力。绝大部分我们可以想象到的应用问题，其本质都是分类或者预测问题，包括个性化推荐、精分营销、员工绩效管理、银行信用卡征信、小微企业贷款、生产线控制、精准广告和网点选择，等等。解决这些问题最有力的武器就是机器学习！特别是在大数据环境下，很多高阶的核函数慢得不行，大量的学习都必须采用线性学习器；而且数据非常多，很多时候都是在强噪音环境下寻找弱信号，单一分类器往往效果一般，必须要做集成学习。

最后，企业怎么建立这样的能力呢？首要办法是能够招聘到一流的大数据人才——多花点钱和股票。第二选择是以项目为牵引，通过外部合作，培养自己的数据分析团队，既解决问题，又学习能力。企业做这类的合作，不要老想着一次性把所有东西都外包出去，要探索新方式，看看能不能成立联合小组共同进行研发，多投入一些人去学习。有一些供应商，特别是在某些方面有专长，但是还不属于国际一流的供应商，在发展过程中是能够接受企业这种要求的。

5）建设外部数据的战略储备

很多大数据的重大创新，都是来源于把数据放在产生数据的业务体系之外去应用。企业要有意识地开始建立自己的外部数据战略储备，不要”数”到用时方恨少。一方面，企业可以自建具备采集、清洗、存储和索引等功能的自动化系统，自动积累外部数据；另一方面，企业可以通过和数据供应商合作，得到一些亟需的数据。

6）建立数据的外部创新能力

企业很容易局限在自己的业务中不能自拔。所以，让企业理解外面的数据能够帮助解决自己业务遇到的问题比较容易，因为企业主和员工们每天都在想怎么解决这些问题，反过来，让他们去思考自己业务的数据能不能在其他地方产生重大价值，帮到其他企业，他们就没有那么敏感了。其实，这些创新性的想法往往能够带来新的巨大价值。企业通过智能终端、传感网络、物流记录、网点记录和电子商务平台，等等，获得的第一手数据，很多都可以用于支持在跨领域交叉销售、环境保护、健康管理、智慧城市、精准广告和房地价预测等方面的创新型应用。把握住这些机会，就能够放大企业当前业务的价值，带来持久可观的收益。

7）推动自身数据的开放与共享

伟大的企业懂得如何把最聪明的人集合起来，为自己服务。企业有了大量数据和一定的分析能力后，不能故步自封，而要充分借助社会的力量，尽最大可能发挥数据潜藏的价值。企业通过数据开放计划，可以学习最先进的算法和最具创新性的数据应用思路，实现自身数据的价值最大化。

8）数据产业的战略投资布局

企业有了一定的规模，光靠自己的能力还不够或者还太慢，就可以考虑通过投资的方式迅速形成自己的大数据能力甚至大数据产业布局。这类战略型的投资，有三个可能的出发点：①产业集成。从投资方原有优势产业或大数据前景广阔的重点产业入手，进行全产业链布局，集中力量。②技术集成。以数据采集、存储、计算、分析和可视化的创新型工具为主要投资对象，提供具有普适性的解决方案。③数据集成。以数据流动共享，发挥外部价值为理念，投资一批能够紧密合作、数据互补和可控性强的企业。对于原来没有从事过数据密集型和信息技术密集型行业的企业来说，第二类投资方向的风险特别大，建议主要从①③两类考虑。这种投资有别于财务投资，主要是考量被投资企业与投资方的整合能力，以及所能提供数据的稀缺性、独立性、多源性、流动性和互补性。

六、结束语

阿里现在常讲的一句话：”一切业务数据化，一切数据业务化”。大数据时代的到来，是企业发展的重要机会，也是对企业转型的严峻考验，若企业固步自封，大数据和财务管理仍是两张皮，其发展无疑会受到严重阻滞，利用好大数据，企业财务管理工作会更上一个台阶，其发展也会越来越好，发挥出大数据的正面作用，结合相应的管理措施，企业将会走出一条全新的发展之路。

作为财务人员，尤其是财务总监，不但要从财务管理方面入手实现业财融合，更要从公司战略角度如何进行企业业务数据管理架构搭建，充分利用公司的无形资产实现更多的增值管理。

附：经典案例分享：”业务数据化、数据业务化”-齐鲁石化智能工厂建设案例

齐鲁石化作为中国石化智能工厂第一批推广企业，时任齐鲁公司总经理的凌逸群同志，亲自为智能工厂定目标、把方向，多次组织会议对智能工厂进行研讨，明确了智能工厂建设要与生产经营相结合、与专业管理相结合、与系统优化相结合，提升各专业领域的感知、预测、优化分析和协同能力，用信息化全面提高生产经营管理水平。要”建成一个平台、解决两个问题、实现三大目标”：加强基础建设，建设全公司统一的集成平台，解决信息”孤岛”和应对迟缓两大问题，实现全公司信息共享、业务协同、过程控制，从而实现三大目标:

1）运营决策科学化，通过深化信息集成和大数据分析等应用，做到事前科学预测、事中动态改进、事后全面分析；

2）运营管理协同化，通过完善生产经营大指令和大优化机制，做到流程高度集成、业务高度协同、价值全局最优；

3）运行操作自动化，通过提升生产自动化控制和指挥中心监控协调等水平，做到过程自动控制、操作实时优化、指挥高效快捷。

在此大时代的背景下，齐鲁石化在不断推进智能工厂建设的基础上，结合企业实际，注重顶层设计，不断优化和完善智能工厂总体设计方案，在理论研究和具体实践两个方面都有所斩获，提出了”业务数据化、数据业务化”智能工厂建设总基调，对能源化工行业智能工厂建设具有一定的参考价值。

1、能源化工企业智能工厂全要素解读

能源化工企业智能工厂的六大特征要素分别是一个目标、两个支撑、三条主线、四项能力、五化特征及六项核心业务域。

1）智能工厂特征要素两个支撑体系：技术支撑体系、信息标准化体系。

2）三条主线：面向石化价值链的石化供应链协同一体化、面向炼油和化工生产管控一体化、面向石化工厂生命周期的设计运营一体化。主要分为三个过程域：一是从采购、制造、销售到配送的企业供应链全流程，包括从原油资源采购、原油配送、炼油加工、化工生产、成品油配送、化工产品配送及销售的供应链全过程；二是从经营管理、生产管理到自动化控制的企业管控一体化，涉及多个专业管理领域；三是从设计、工程到运营的工厂全生命周期，涵盖整个工程项目设计、工程、运营涉及的全生命周期。

3）四项能力：全面感知能力、优化协同能力、预测预警能力、科学决策能力。

①全面感知：通过现场各类仪表、传感器等技术手段，实现对生产设备、生产业务各环节、人员、环境等各类信息的泛在感知能力，达到准确、动态、实时的洞察。

②协同优化：数学模型、经验模型、大数据技术为基础，以工艺分析技术应用为基础，挖掘隐藏的工厂运行规律和关联关系，具备即时发现改善生产和优化决策的关键要素的能力。

③预测预警：在数字化的基础上，通过数据深度分析挖掘技术，建立分析预测模型，对潜在的问题和风险能够预判,将内外部各类数据转换为经营生产决策信息的能力。

④科学决策：构建在线和统一的工厂知识共享中心，集成和自动化调用各类优化模型和专家经验指导工厂运行，将知识作为工厂重要、核心资产。

4）五化特征：数字化、集成化、模型化、可视化、自动化。

①数字化：借助于感知网络、软件和模型计算等手段，实时感知和获取工厂内外部生产、经营相关的各类环节信息，拓展对工厂现状的数字化认知和监测能力。

②集成化：与现有工艺过程和管理业务流程高度集成，实现生产、经营各个管理环节和各工序间紧密衔接与集成，提高各业务间的协同能力，确保从全局角度实现整体优化。

③模型化：将工厂生产、经营管理的行为和特征理解固化成业务模型和行为规则，根据实际需求，调度适用的模型来适应各种生产、经营管理活动的具体需要。

④可视化：利用行为模型或三维模型建立动态的”虚拟工厂”或”电子沙盘”，为操作和决策人员提供直观的工厂真实场景，实现工厂运作”透明化”，确保迅速准确的掌握所有信息，以便快速决策。

⑤自动化：依托知识自动化技术，实现生产和经营管理活动中”异常”事件的自动预警分析与预案推送、变化趋势的自动”预测”，减轻人的工作量，提高工作效率。

6）六大核心业务域：生产管控、供应链管理、设备管理、能源管理、安环管控、辅助决策。

①生产管控：实现协同一体化生产管控；提升生产操控优化及自动化水平；推动生产工艺技术持续改进。

②供应链管理：监控分析供应链各环节信息；实现计划生产协同优化；实现供应链的高效协同。

③设备管理：实现设备的全生命周期规范管理；实现故障自动诊断及预知性维修；实现维修策略从制度、管理、执行、评估、优化的闭环管理。

④能源管理：实现产能与用能的在线优化；建设能源管理的评价与分析体系。

⑤安环管理：实现作业现场主动监控；实现联动的应急指挥；实现全生命周期的环保管理。

⑥辅助决策：达到企业日利润有效快速分析；实现生产经营绩效全面监控；实现企业风险管控预测分析。

2、齐鲁公司智能工厂建设之路

1）早期研究与应用

本世纪的第一个十年，是齐鲁石化信息化快速推进的十年，遵循ERP-MES-PCS三层应用架构，不断推进经营决策、生产管理、装置控制三个层面的信息化建设与深化应用工作，成效显著，基本建成了”四大平台”、”十大信息系统”，其中，四大平台包括”以ERP为核心的经营管理平台”、”以MES为核心的生产营运平台”、”以RTDB（实时数据库）和APC（先进控制）为中心的过程控制平台”和”信息基础设施与运维平台”；十大系统包括”ERP系统”、”MES系统”、”操作管理系统”、”能源管理系统”、”计量管理系统”、”炼化一体化LIMS系统”、”合同管理系统”、”财务共享与费用报销系统”、”协调办公与移动应用系统”、”生产装置先进控制系统”，为炼化一体化的协同发展、生产运营提供有力支撑。

2）当前及未来的规划与设想

近几年来，齐鲁公司作为中国石化智能工厂第一批推广企业之一，按照”总体规划、分步实施、技术领先、重在应用”的建设思路和”融入生产经营找痛点，助力提质增效解难点”的工作方针，确定了”推广项目”和”自建项目”两条并行实施路线。形成了”1+2+6+18+N”（1个平台，2个体系，6个业务域，18个核心应用，N个重点应用）的实施方案。

其中，”1个平台”是指要建立统一的集成平台；”2个体系”是指要建立技术标准体系和数据标准体系；”6个业务域”是指要紧紧围绕计划管理、生产管理、安全管理、能环管理、设备管理、辅助决策六大核心领域开展智能工厂建设；”18个核心应用”是从公司当前生产经营管理实际出发，从”稳定生产”、”助力安全”、”提高效益”、”优化人力资源配置”等四个方面优先要开展实施的智能化建设项目；”N个重点应用”是为企业适应改革发展需求随时可能增加的智能化项目留出空间。

①智能工厂总体思路

②智能工厂总体规划

③智能工厂实施方案

3、重点突破

对能源化工企业来说，智能工厂建设的核心是计划调度一体化优化，也是智能工厂建设的重点和难点，计划调度一体化协同优化是齐鲁公司重点研究的课题之一。

1）研究背景

生产计划和调度是石油化工企业生产和经营管理的重要环节之一。制定计划和调度方案的水平决定了企业的经济效益，石油化工企业的生产经营过程实际上就是一个不断谋求计划和调度方案优化的过程。计划经济时代，企业利润与计划的好坏关系不大，企业计划是侧重于上级任务和指令的完成，对计划与调度优化方案的需求不大。在市场经济时代，原料和产品的价格受市场因素影响巨大，企业的利润与企业的各类计划和执行密切相关，以经济效益最大化为目标，如何应对外部市场、内部各生产要素的变化，及时调整各类计划，是当前企业生产计划和调度方案优化（作业计划）的主要任务。在上述背景下，石油化工企业的计划和调度业务，普遍形成了一种分层次的计划和调度应用模式。

智能工厂中计划调度一体化优化的目标：实现企业整体优化与控制，即实现计划和调度协同优化，使企业运行在最佳状态是炼化企业的发展方向。基于PIMS的计划优化与传统相比较转变比较大，起步比较早，成效也很明显。而调度优化技术，目前还远没有达到成熟的程度，短期生产计划或生产作业计划仍处于手工操作阶段。在世界范围内研究的比较多，但定型的方法和技术还没有出现，导致手工完成作业计划不仅劳动强度大，无法让管理人员将精力放在从经济效益角度进行方案决策上面。

2）研究内容

近几年来公司探讨了”引导式+模拟+优化”的调度优化解决方案，为当前技术条件下的计划调度一体化优化提出了一种比较切合实际的解决方案。该方案既包含了传统技术的传承，又有新技术的探索。其中，”引导式”实际是就是提醒式，通过”日效益测算看绩效””日效益分析找问题”为”日优化订措施”提供第一手真实的信息；”模拟”是通过建立生产过程的机理和半机理模型，对优化后的作业方案进行仿真，分析其可行性及执行后的效果；”优化”是建立滚动优化机制，不断发现问题不断改进问题，从而实现方案最优。

1 智能工厂中计划调度一体化优化图例一

2 智能工厂中计划调度一体化优化图例二

3 智能工厂中计划调度一体化优化图例三

④智能工厂中计划调度一体化优化图例四

4、应用成效

两年来，齐鲁公司智能工厂建设快速推进，某些业务领域重点突破，取得了较好的应用成效。

1）一体化智能视频监控助力安全生产。为解决公司视频监控系统历史上形成的集成度不高、信息孤岛现象严重的现象，我们立足于整合公司现有和未来的各种视频资源，搭建了公司一体化安全生产监控智能分析系统，形成了全公司”一套网络、两级平台、三层服务”的视频监控架构体系，形成了集视频监控、视频分析、应用集成、应急联动等为一体的智能化应用平台，具备智能化功能实现能力，如图像分析、视频诊断、报警联动、三维融合、大屏调度、应急指挥、智能定位、门禁管理、危化品监测、重大作业监控等功能。

2）衡器无人值守集中管控助力人力资源优化配置。为解决衡器分散管理难度大、司磅员老龄化严重、防作弊手段少、信息系统集成度不高、计量纠纷难以取证、人工操作劳动强度大等现象，在试点基础上，不断推进全公司衡器无人值守智能集中管控系统的建设，通过打通不同专业（产品销售、物资配送、经济保卫、过衡管理）之间的工作流程、打通不同信息系统（销售IC卡、ERP、MES、智能仓储系统等）之间的数据流程，实现了全公司几十个点关键业务的集中管控，提高了自动化水平：人工操作转变为自助操作、自动计量、不同系统间自动集成，规范了业务操作、提高了工作效率。提高了智能化水平：多种智能化手段的应用，规避了计量风险。为人力资源优化配置决策提供了支撑：区域集控及公司级集控，改善了现场计量人员的工作环境，同时为解决人员不足问题的方案决策提供了有力的支撑。

3）工业大数据分析助力设备运行状态预警预测。目前生产过程中的动设备（如大机组）运行维护中存在的两大难题：一是不能事前预警。现有在线监测系统都是越限报警，且都是单参数的高低限报警，只有越限发生了才报警，在达到报警限之前（有事故苗头的时候）不报警；二是缺少异常事故定位分析手段。一旦设备出现故障，只能是依靠人工根据表现出的症状，进行分析和故障定位，事故分析周期长、异常定位困难。针对以上两大难题，利用当前人工智能（AI）的前沿技术——大数据驱动预警预测技术，建立了齐鲁公司设备运行状态预警预测系统。该系统具有高效挖掘、分析和学习能力，能够发现事故前兆，并给出故障查找方向，帮助技术人员及时对潜在的问题进行深入分析，提高了设备管控力度。从项目一期的运行情况来看，该技术能够提前8天对设备的异常提前预警，为技术人员提前制定应对措施赢得了时间，可最大程度地避免停车事故的发生。

4）炼化一体化日效益优化助力生产管理的提升。目前影响和制约流程行业经营管理水平提升的几个关键因素：缺少生产日绩效的定量分析手段和监控手段、日常排产方案的调整经济因素定量测算不足、装置操作优化没有抓手。针对上述情况，齐鲁公司炼化一体化项目正在不断推进中，该系统具备四个方面的功能：日效益测算看绩效、日效益分析找问题、日优化订措施、指令执行保落实。”日效益测算”是系统可每天早上计算前一天装置日效益，由装置效益汇总成车间效益、厂效益、板块效益、公司效益；”日效益分析”是通过与月度预算效益的日历进度进行比对，找出效益变动差异原因；”日优化”是以效益最大化为前提，根据日效益分析结果，结合装置实际，利用装置排产模型自动生成新的日排产方案；”指令管理”是依据优化结果，自动生成优化指令，并自动下发、人工接收、线下执行、自动跟踪、自动分析。该系统的实施，实现了计划、调度、装置操作三个层面的信息共享；实现了计划优化、调度优化和操作优化三块业务之间的协同，提高了工作效率，最大限度地使生产方案能够跟上内外部条件的变化，实现经济效益最大化。

5）先进控制技术助力装置平稳增效。生产装置先进控制（APC）技术是一种基于模型的预测控制技术，有人比喻其为”最佳操作员”，该技术的实施，能够平稳装置操作、提高装置处理量、提高高附加值产品的收率、降低能耗、提升产品质量。近几年，随着智能工厂项目的推进，齐鲁公司加大了先进控制技术的推广应用力度，截止目前，炼油、化工主装置都实施了先进控制技术，年增效益6000万元以上，APC系统运行水平已连续30多个月在系统内排名第一。

6）黑客行为特征大数据分析技术助力网络安全。”没有网络安全就没有国家安全”揭示了网络安全的政治地位，各个国家都高度重视网络安全问题。但多年来，网络安全技术管控中存在着一个怪圈：大家都很重视、网络安全产品也很多，但总是防不住，大家总是处于被动应付状态。为解决这一问题，我们抛弃了传统的基于病毒特征库的侦测技术，建立了黑客行为特征库，利用大数据分析技术对网上的大量信息开展行为特征分析，建立了齐鲁公司上下一体化的网络安全态势智能预警系统，一旦有某些特征符合黑客行为特征，马上实现预警。该系统的实施是石化系统内首家实施，上线运行一年来，成效显著，预警性能超过了目前市场上一些知名安全产品。2017年发现并消除企业网内的网络威胁行为3000余项，预警并处置了隐蔽病毒传播以及”飞客蠕虫””挖矿”病毒等在内的200多台终端的网络安全隐患。总结创新和智能工厂建设是实现基业长青、创造美好生活的”助推器”，谁先占据制高点，谁就能掌握先机。展望未来，如何牢牢把握行业发展大势，积极应对”电动革命”带来的结构性矛盾日益突出的挑战、”市场革命”带来的市场竞争趋势日益加剧的挑战、”数字革命”带来的经营方式变革日益加快的挑战、”绿色革命”带来的资源环境约束日益从严的挑战，是对能源化工行业的巨大考验。企业应坚持把创新驱动摆在公司发展全局的核心位置，不断集聚新动能、持续释放新动力，以科技创新和智能工厂建设支撑引领公司提质增效升级、持续健康发展。

好了，这篇文章的内容营销圈就和大家分享到这里，如果大家对网络推广引流和网络创业项目感兴趣，可以添加微信：Sum8338 备注：营销圈引流学习，我拉你进直播课程学习群，每周135晚上都是有实战的推广引流技术和网络创业项目课程分享，当然是免费学！