跨界初期的思考

十年的金融行业经历,无数次摒弃了互联网行业高薪的诱惑,本以为会持续做到退休了,却有些意外地回到了制造行业。制造业对我来说并不陌生,十年前参与了建造世界最先进之一的流水线和制造ERP系统。曾记得玩出的一个PLC到Oracle的数据流控制模块,连骄傲的日本同事也厚着脸皮要去了源代码,其酸爽至今回味。

十年对制造行业来说,变化不算太大,即便是工业4.0和中国制造2025概念盛行的今天,大数据技术与应用,也百变不离其宗。在近一个多月的时间里,走访了N多优秀制造企业及相关服务企业的CIO和CTO,以及数据相关业务领导。听行业大咖讲行业数据和大数据故事,从各维度更新了对工业和制造业的认知。线下也参阅了N多同行业的咨询材料和各类报告,算是给自己一些培训吧。立足于金融行业,去看待制造业,会有很多问题想不通,没有充分的行业认知,不论做出什么都会水土不服。就好像立足于互联网去融合工业,那阿里最大的贡献也就只能是马云这个人了。

思考之后,决定做一个里程碑,同样是主观态度的,非官方的,没有废话的,不希望有任何的转载。也许在不久的将来,自己都会推翻这个里程碑,但是这个里程碑记录下跨界初期的思考。

一、大数据认知

先来说说对大数据的认知吧,一切工作都将从认知开始,工作的质量与高度都将取决于认知。下图是国外某咨询公司对传统制造型企业的现状调查图,个人认为不甚合理,亦或许是外国人比较诚实。

kjcqdsk1

而中国的制造企业中,大家对大数据的认知至少是超乎我想象的。不论是技术部门还是业务部门,其认知程度都可谓专业,都能侃出一套理论和自我认识。因此,我对这个图进行了一些修正,如下图,试图来表示一下我看到体会到的情况吧。在一定程度上来讲,这也许是得益于新闻联播的宣传吧?亦或许是我看到都是中国最优秀的制作企业之一和之二。

kjcqdsk2

影响认知的另一个重要因素就是立足点了,立足点不同直接影响到思考的方式。屁股决定脑袋,每个人都习惯于从自己熟悉的领域为出发点,并以自己熟悉的方式放散思维。大数据只是一个概念,概念的落地与应用完全以思考为导向。谈行业立足点和公司立足点其实很空,首先还是要关注人的立足点,因为任何事情都是人做出来的。而人的立足需要理清双脚的立足点和思想的立足点,往往双脚与思想的距离比梦想与现实的距离还要遥远。下图是阿姆斯特丹大学提出的一套大数据体系架构,也得到业界较为广泛的认可。

kjcqdsk3

二、目标与执行力

I have a dream!这大概也是我近来走访过程中,听到的最多的一个声音。有梦想固然是好的,但是任何不以落地为目的的梦想都是空想。在明确实际的立足点之后,就需要制定一个目标,可以细分为短期的和长期的。围绕着目标的另一个问题大概就是要分清want与need了。Want是梦想,而need是需求,是可以落地可以成为目标的实体。

梦想与目标其实是没有绝对的界限的,当实力达到相当程度之后,梦想是可以实现的,有实体、可以量化、可以落地的梦想就是目标。而在此之前,就需要克服种种挑战,如若不能,所谓的梦想与概念只能称为“吉祥物”。

如下图所示,在制造企业的大数据建设过程中,其主要的挑战是缺乏真正意义上的大数据业务需求和相关数据的获取。这两者存在一定的关联性,因为不明确需要大数据干什么,更多的时候业务需要的可能只是一个报表系统或者一个ERP系统,而非大数据平台,更不用说IoT了。没有明确的目标,自然无法获得充分的支持,就如海上漂泊的小船,没有目标,那任何方向都将是错误的。如此以获取相关数据,当然也就很难进行下去了。

kjcqdsk4

说完目标,另一个就是执行力了。在执行之前,要明确角色,在大数据领域有标准的三个角色:数据提供者、数据技术提供者、数据服务提供者。相信没有谁愿意只扮演第一个角色,当然有实力是可以三个角色通吃的。当然,这是很难的,我们更多时候需要与不同的角色进行合作,在不同的合作方式中,我们所扮演的角色也随时可能转换。但是,不论角色与合作方式如何的变化,做到“三者三赢”才能保证可持续性的发展,才能保障大数据最终获得成功。

立足于制造行业来看,直接影响到大数据成功与否的因素大致如下图所示。数据集成,也可以说是多方数据平台化的汇总吧。对于强执行力世界500强企业来说,这个过程只需要6个月,当然这依赖于超强的自上而下的执行力。这一点可能不是制造行业所特有的。

kjcqdsk5

另外一点,也是我切身体会最深的,就是数据质量。如果说我习惯了金融行业的数据质量,那么制造行业的数据质量足以让我抓狂。数据质量如果不能得到保证,所有的目标只是空谈。如果对比金融行业与制造行业在数据质量的差异,我大致可以从如下两点对比:

  • 阶段控制:以数据生命周期为主线,从源头到尽头,金融行业的数据各个阶段都有严格的规范审计与流程控制。
  • 人工干预:金融行业的数据较制造行业存在更少的人工干预机会,即便是有人工干预,也会存留完善的数据接触历史,以便后期稽核与追溯。

如果预期得到有质量的大数据应用,首先要考虑让数据变得更有质量。基于制造行业的现状,不得不完善数据清洗策略与具体落地方案。

三、落地有声

      以数据生命周期为主线,先平台,后产品,治理规范贯彻始终。

Trackback

no comment untill now

Add your comment now

切换到手机版