企业数字化转型的数据管理问题与对策分析

王宇冰， 马映冰， 高智伟， 刘 婷

（广州赛宝认证中心服务有限公司， 广东 广州 511370）

0 引言

《数字中国发展报告（2021 年）》数据显示，我国数据产量从2017 年的2.3ZB 增长至2021 年的6.6ZB，全球占比达9.9%，位居世界第二。《中国数字经济发展报告（2022 年）》指出，2021 年，我国数字经济规模达45.5 万亿元，占GDP 比重达39.8%，超出名义GDP 增长率3.4 个百分点，数字经济作为国民经济“稳定器”和“加速器”的作用更加凸显。产业数字化则是我国数字经济增长的主引擎，2021 年，其规模达到37.18 万亿元，占数字经济比重高达81.7%，占GDP比重达到32.5%。

伴随产业数字化的纵深发展，未来，企业间的竞争不仅局限于资本、人才等传统要素，更取决于企业掌握的数据量、数字技术应用程度等数字化能力。企业能否实现数字化转型并不断提升其数字化水平，不仅事关企业自身的战略发展方向甚至生死存亡，也关系到我国能否抢占数字经济时代“新制高点”和发展先机。

业务作业和运营模式的深刻变革与重构是企业开展数字化战略的必经之路。数字化作业能消除企业内部运作中业务量大、工作效率低下、涉及多角色相继作业的堵点，数字化运营能简化管理、精准指挥、高效决策。但业务领域海量数据存在的数据冗余和数据治理无序等问题，将严重制约业务模式转变进程。如何安全可靠地挖掘并释放数据内在闭环价值，支撑企业开展数字化转型，是每一位企业管理者值得深入思考的数字化命题。

1 企业数字化转型中的业务问题

1.1 业务决策方面

1.1.1 生产规模扩大导致错失决策时机

伴随生产规模扩大，企业引入大量装备、先进机器和流水线等硬件，相应的采购人员、维护人员、技术人员、管理人员、操作人员越来越多。人员多方沟通、流程多方协调和组织多方配合往往会造成信息传递障碍，信息失真和管理官僚化等弊端凸显，企业管理成本大幅增加、管理效率显著下降，贻误决策时机，导致市场需求响应不及时，逐渐丧失行业竞争力。

1.1.2 信息延迟失信导致运营预测困难

企业业务运营决策的制定，依赖于各部门在各自IT 系统中上传的数据及运营报告。各负责人往往按每周、每双周或每月等固定周期，并按市场分析、指标统计、销售情况、未来计划等固定模板提供与更新，导致高层管理者不能及时从不同维度灵活审视运营情况。同时，口径不同、对相同市场机会的识别和预估能力不同、真实情况告知程度不同等因素会导致高层管理者从不同渠道获得的数据与运营情况缺乏完整性、真实性与准确性，造成运营管理失效。

1.2 流程管理方面

1.2.1 信息传递不畅拉低业务流程整体效率

以电子信息产业为例，生产业务中，现场业务人员通过后台管理系统将生产线缺料预警反馈给管理人员，由管理人员与仓储管理系统后台人员协调，指定仓库人员的送料时间。产线、管理和仓库三方人员，通过信息的有效传递实现物料供应协同，避免产线缺料停机。但在实际工作中，经常会出现信息传递不清晰和不准确，需要管理人员和后台人员亲自到现场反复确认，效率低下。

运营业务中，运营报告以各业务人员在运营管理系统人工填写并申报的数据为基础产生。当运营管理人员开展运营过程计划、组织、实施等工作时，需要让各业务环节反馈相关数据，既对业务作业造成频繁干扰，增加业务人员的额外工作，又导致运营人员将大量时间耗费在多方沟通和等待上，降低工作效率[1]。

1.2.2 未知未定阻碍效率低下环节流程改进

企业业务流程中存在一些以线下手工作业为主、等待时间长、按固定方式重复作业等低效率环节，严重拖累业务整体实施效率和效果。但业务流程的改变存在未知性和不确定性，决策层、管理层和执行层都会担心改变将导致更糟糕的结果。是否需要改进流程、流程改变是否会影响当前生产力和效益、流程改变是否会提升工作量、对开展流程变化的人缺乏信心、企业曾有过失败的流程转变经历等，都是企业业务流程数字化变革的阻力。

1.3 系统建设方面

1.3.1 被动接受式建设导致系统与业务割裂

企业信息化建设过程中，为快速满足各部门业务需求，IT 系统的设计与开发通常是由项目触发且被动接受需求，以功能开发成功、系统验收并交付给部门线上使用作为建设完成标志。

而在企业数字化转型过程中，业务作业和决策对数据、算法与IT 系统的依赖程度大幅提升，业务部门的功能变革、优化和运营等全周期需求不断爆发，IT部门系统建设时间也被不断压缩。“业务想要什么，IT就做什么”的传统建设模式将导致系统与业务割裂运作，IT 部门永远只是需求接收方，而不能充分了解业务，主动感知业务数字化需求变化，并高效支撑业务开展[2]。

1.3.2 系统分散脱节导致数据不清操作复杂

企业各业务部门在信息化建设中积累了大量IT系统，但存在按项目需求或职能领域分散建设的问题，在软件使用和数据管理上相互独立。

以设备采购为例，研发部门至少需要完成预算审批、采购需求审批、招标申请报批、评标结果报批、采购合同评审、首期款支付报批六个流程，要相继在管理系统、采购系统、招标系统、财务系统等不同系统中填报。由于各系统数据导入导出口径各异，填报人员不得不在多个系统间来回切换，并手工调整数据格式，操作复杂费时费力。

同时，由于与研发设备采购交易流程相关联的数据分散存储在多个系统中，且各系统的数据类型、格式、填报口径等存在差异，管理人员在开展全流程管理时，会耗费大量时间寻找所需数据，甚至需要经过IT 人员和填报人员的人工转换和校验，大幅提升管理难度[3]。

1.4 人员能力方面

业务人员不懂数据制约数据增值利用。数据产生于业务流程，业务流程如何做、分几步做、能不能记录，决定了有哪些数据可以分析。业务人员缺乏数据能力，就会产生手动录入数据不准确和不真实、获取数据不能满足企业当下业务需求、未能识别并采集到具备引导企业创造新业务需求的潜在价值的数据等数据质量低下问题，增加数据清洗难度，影响数据在提高生产制造效率、提升售后服务质量、开发设计新产品和二次销售产品服务中的增值利用效果[4]。

2 企业数字化转型业务问题表象下的数据管理问题

数据从业务活动中产生，承载着丰富的业务信息，揭示了企业整体运行状况，数据管理问题才是导致企业在数字化转型中面临众多业务问题的根本。

2018 年，我国发布数据管理领域首个国家标准——数据管理能力成熟度评估模型（DCMM），包括数据战略、数据治理、数据架构、数据应用、数据安全、数据质量、数据标准和数据生存周期8 个能力域，旨在帮助企业利用数据管理理念和方法建立数据管理能力，并完善数据管理组织、程序和制度，充分发挥数据在促进企业向信息化、数字化、智能化方面发展的价值[5]。

如图1 所示，基于对百余家企业数字化转型过程的分析提炼，业务问题通常由多个数据管理能力域及能力项的缺失导致。整体而言，数据标准管理缺失是业务问题频发的核心原因，其次是数据战略管理不当和数据治理缺失问题。

图1 企业数字化转型中的主要业务问题及其数据管理能力域问题

2.1 数据标准方面

2.1.1 参考数据和主数据管理缺失

各系统、各部门的数据范围、属性、类别、格式、记录方式和编码规则等标准不统一，阻碍数据跨系统、跨部门共享使用；数据管理规范不清，造成数据流向不明、权威数据源不明、系统间集成关系不明等问题，不利于企业内各业务参考数据及主数据的整合、存储、维护和质量提升等。

对业务决策而言，参考数据和主数据管理不当，会导致数据在各部门人员间、系统间和流程间传递失真、流转延迟且共享受限，不能及时对企业总体业务运营展开数据分析，显著拉低决策效率，错失最佳决策时机。对系统建设而言，企业信息化进程遗留大量分散又独立的系统，叠加数字化转型中对参考数据和主数据的管理缺位，共同造就一个个数据孤岛。企业不明确其内部数据到底有什么、在哪里和谁管理，既导致数据不清，又使得数据调取操作复杂[6]。

2.1.2 指标数据管理缺失

企业内各业务部门对指标数据的定义、分类、计算公式、统计口径、统计方式等标准不一，未能形成并发布企业层面统一的指标库或指标字典，导致数据缺乏整体的全面性和分类的独立性；归口管理部门、管理职责和管理流程不清，导致相关应用系统和部门未能定期开展数据采集、生成、应用、监控和维护，指标数据的准确性与及时性得不到保证。

对业务决策而言，指标数据管理缺位，可能导致多部门重复采集并上报同类数据或所有部门均未采集并上报某种数据，同时也会因各自标准不同使数据存在差异，经营预测结果出现矛盾。存在不完整、失真和延时等问题的数据无法支撑进一步的数据分析，导致管理层在决策依据不够、决策把握不准的情况下，不得不全凭主观作出决策。

2.1.3 业务术语管理缺失

业务术语标准不一而未能形成企业级业务术语索引目录，导致内部对具体业务概念的理解存在偏差，不利于各业务数据的共享和应用；组织、人员职责、应用原则等业务术语管理制度不健全，缺少收集、审批、发布、检查和变更各业务领域业务术语的专职人员，对业务术语应用情况缺少了解。

由于缺少企业级业务术语目录为其提供标准参考，业务人员在对新业务数据创建新数据项目时，就会基于自身理解将其描述为已有业务术语，或自行新增一种业务术语用以描述该需求。与之配合的相关职能部门，会因业务术语的定义模糊、无法查询且管理欠缺，而不能调取准确的业务数据并掌握清晰的业务需求，导致新业务数据丧失指导业务改进的价值[7]。

2.2 数据战略方面

2.2.1 数据战略实施缺失

不能基于数据战略规划实施评估标准来分析和评估企业当前数据战略的落实情况，对比现状评估结果与规划预期目标，造成数据职能任务实施路径和资源保障不清，无法及时调整其后续实施方向。对系统建设而言，IT 部门并不理解业务部门需要什么数据、如何管理并利用数据，仅被动接受业务需求，导致其协助开展的平台开发或系统建设等数据管理项目的预期落实目标从一开始就不明确。业务部门又未能建立战略实施评估准则，开展差距评估、过程监控并明确后续方向，数据战略的落实情况经常违背战略愿景，导致IT 部门频繁重新开发建设平台或系统，却始终与业务割裂。

2.2.2 数据战略评估缺失

无法提供包含项目方案、目标、初始风险评估、期望价值和成本收益等内容的业务案例，导致管理层决策与执行信心不足。未建立投资模型则不能量化风险与回报之间的关系，无法对比各项目投资机会，合理分配有限资金，科学满足不同业务的数据职能需求。

对流程管理而言，对低效环节开展数字化改进，就是要判断解决相应问题的迫切程度，并明确开展何种任务能以有限资金解决问题。由数据战略评估缺失导致的数据变革任务认知不到位、实施流程不清晰、面临风险不分明、预期收益不精确、开展顺序不明确等正是阻碍改进的几个关键因素[8]。

2.3 数据治理方面

数据治理沟通缺失，无法定义跨部门的沟通计划及路径，导致数据未能按照一定流程在数据治理组织内部各层级间、各部门间或各岗位间实现有效获取、传递和沟通，不能确保各方数据利益相关者及时达成共识。同时因培训计划尚未制定，导致企业无法定期根据工作需要或针对某些共性治理问题，在内部统一开展对数据管理和应用的制度规范、实施要求、最佳实践、经验总结等内容的培训，消除分歧。

对流程管理而言，数字化改进需要持续协调业务人员、后台人员、运营人员和管理人员等数据所有者、使用者和处理者的多方复杂关系。数据治理沟通不清，不利于所有业务相关者和利益相关者及时知悉并理解相关政策、标准、规范、流程、角色、职责和计划的最新情况，并掌握数据采集、录入、传递和反馈等各项数据任务的进展状态，拉低业务流程效率[9]。

3 提升企业数据管理能力的对策建议

3.1 设立数据管理部门，统一数据标准管理

由数据管理部门统计企业内各部门的数据分析需求并汇总各部门数据，设计一套名称、定义、编码、值域、计算公式、统计口径等内容统一的标准，形成企业层面数据字典；制定一套统一的数据管理体系，按业务职能将数据划分为不同类别，明确其归口管理部门，并规范考核、专员、统计、发布、问题跟踪和更新等方面的管理规则。

由数据管理部门牵头，IT 部门协作建设数据管理系统平台，实现数据标准、数据资源目录、代码库和数据字典等内容的及时发布和更新；完成与ERP 系统、预算系统、OA 系统等集中系统的集成工作和接口开发，实现各系统数据的高效交互；开发在线查询、申请、审核、变更、发布、分发等数据全生命周期标准化管理功能，实现对各层级、各类型数据的抽取、转换和分析等管理。

3.2 完善评估准则与模式，落实数据战略管理

建立统一的数据战略规划实施评估准则，明确从业务战略匹配性、近远期收益平衡性、路径规划可行性、制度保障全面性、团队分工合理性等方面展开评估，规范评估过程和方法。基于评估准则获得数据战略规划实施的落地分析，为下阶段实施路径的制定提供依据，稳步推进数据能力建设。

在企业内明确数据战略评估的标准工作模式。在数据管理项目可行性研究报告中制定业务案例，详细分析项目建设内容、业务价值、技术方案、人员配置、经济效益和风险等情况，为项目的执行落地提供有效依据。建立任务效益评估模型，定期从建设质量、应用效果、运维水平、经济效益等维度对数据管理项目取得的阶段性成果开展后评估。同时明确管理部门、业务部门、数据管理部门等利益相关者在项目启动、案例制定、模型制定、项目审批等全过程中的职责，规范数据项目管理流程。

3.3 建设组织畅通沟通，完善数据治理管理

建立权责明确的数据治理组织。明晰各部门和各层级在治理组织中的职责界定，由企业管理层负责制定战略、审议重大事项、监督指导工作进行，对应决策层；由各部门领导组成管理层，负责数据治理体系建设并制定相关管理制度；信息管理部和各业务部门对应执行层，前者牵头制定数据治理方案并组织协调项目工作开展，后者负责各业务领域内的具体治理工作。明晰团队人员编制，设置数据架构师、分析师、安全工程师、运维工程师等岗位，并明确各岗位职责。

建立有效的沟通机制。构建企业部门内数据治理项目沟通计划和跨部门间数据治理职能工作沟通计划。根据沟通内容、目的、重要性和时效性差异，分别明确请示、报告、会议、通讯等不同沟通渠道，确保各岗位人员在职责和权限范围内有效及时沟通。定期发布数据治理工作报告和专项调研报告，帮助相关方掌握任务工作开展情况、目标完成情况、存在问题、下阶段工作计划等。

4 结语

随着数据逐步成为企业重要战略性资源，对数据标准、数据战略、数据治理等方面的管理缺位，抑制了数据对实现数字化转型目标的驱动，造成决策时机贻误、经营预测困难、业务流程低效、环节改进受阻、系统与业务割裂、数据分布不清、人工操作复杂和数据增值受限等诸多业务发展困境。

数据标准管理缺失是制约企业数字化转型的最大因素。原因在于，以制造企业为主的大量非数字原生企业是开展数字化转型的主体企业，线下业务链条长，各个流程节点中都沉淀着大量复杂数据，并在较长的发展历史中形成了各种版本的软件和不同类型的数据库，数据来源多样且独立存储，难以集中共享。只有先明确企业内部统一的数据标准，厘清已有数据，打通数据孤岛，才能推进数据分析、数据运维、数据安全等后续环节的开展，充分释放数据价值。