基于項目管理中心的數據一體化探索

葉興全 武漢第二船舶設計研究所

引言

這是一個信息爆炸的時代。阿爾文·托夫勒在《第三次浪潮》一書中將人類發展史的第三階段稱之為“信息社會”。維克托·邁爾·舍恩伯格稱“世界上的一切事物都看作是由數據構成的，一切皆可‘量化’，都可以用編碼數據來表示”。詹姆斯·格雷克在《信息簡史》一書中稱“萬物皆比特”。巴特·貝森斯在《大數據分析：數據科學應用場景與實踐精髓》一書中稱“數據無處不在”。全球知名咨詢公司麥肯錫研究報告稱：“數據，已經滲透到當今每一個行業和業務職能領域，成為重要的生產因素。人們對于海量數據的挖掘和運用，預示著新一波生產率增長和消費者盈余浪潮的到來”。

數據已然成為一種價值資源。克萊夫·漢比稱“數據是新時代的石油”。2020年國務院發布的《關于構建更加完善的要素市場化配置體制機制的意見》，將數據與土地、勞動力、資本、技術并列為五大生產要素。那些擁有先進經營管理理念和優勢數據挖掘技術的互聯網企業，憑借強大的技術優勢和敏銳的市場嗅覺，從數據的持續開發與利用中快速掘取高額的商業利潤。正如可口可樂歐洲公司首席信息官薩賓·艾爾瑞特所言“僅僅通過持續開發和利用海量數據資源，谷歌、臉譜網、優步、Waze、Zillow之類的互聯網公司，就動搖了眾多傳統行業的業務運營模式”。

有些企業仍停留于傳統的企業管理認知，對數據的價值功能尚未合理認識和充分重視。有些企業自身仍困囿于管理信息化的泥潭，卻一味追逐數字化與智能化的熱潮。筆者以為，信息化仍是數字化不可跨越的一個階段，是造就數據商業價值與管理價值的源泉。本文以數據的管理價值為研究目標，通過分析數據運用過程中的常見問題，研究提出以項目管理為中心的數據一體化思路，為企業構建一體化的信息管理系統提供應用啟發。

一、數據管理與運用的常見問題

任何一個相對規模的公司，經營管理中必然產生大量結構化、半結構化和非結構化的數據，但往往因忽視或不重視對數據價值的開發利用，或者缺乏對數據的統一治理和頂層管理，使得難以有效地識別和利用其中的價值數據以支持管理決策，常常導致市場響應不及時而丟失訂單或武斷決策而帶來經濟損失。究其因，常見于以下四種情形：

1.鮮于有效的數據治理。數據治理應基于統一的標準規范，對數據輸入到輸出的全生命周期進行管理，確保數據來源唯一、輸入輸出標準統一、數據存儲格式規則、數據分類管理科學等基礎上，借助數據抓取技術從海量數據中精準完整地挖掘有價值的數據，再通過計算機模型加以提煉分析，從而為經營管理者提供有效的決策支撐乃至智能輔助決策。然而，有些企業常忽視信息化的頂層規劃，缺乏一體化建設管理信息系統的理念，簡單交由信息化部門主導建設或任由業務部門自行建設，往往因懂信息技術者不懂業務或懂業務者不懂信息技術，使得企業信息化建設投入多見效少。也因此出現數據多源、基礎錯誤、標準不一、權限不清、難于流動等諸多問題，使得無從或難以掘取有價值的數據資源。

2.失之高格的管理境界。先進的企業管理工具和方法有很多，成功的企業運營也不在少數。有如：卡普蘭和諾頓的平衡計分卡，但有些企業僅將其作為部門或員工績效考核工具；稻盛和夫的阿米巴經營，但有些企業僅僅于依樣畫瓢而不知京瓷和KDDI運營成功背后的企業文化和企業家精神；現流行的卓越績效管理，但有些企業卻將其作為博取管理榮譽的敲門磚。相對落后的管理基礎，相對缺失的管理理念，相對較低的管理者格局，難以支撐起這些先進管理工具的有效運用，從而也導致數據管理中心的迷霧重障，如：有些企業倡導戰略管理中心，而自身戰略規劃卻流于紙面，欲建立以戰略為中心的數據一體化也隨之成為海市蜃樓；有些企業推崇財務管理中心，把企業的經營發展框限于財務績效而失了業務根本，所建立的以財務為中心的數據一體化也隨之成為一葉障目。

3.筑之高墻的信息壁壘。所謂巧婦難為無米之炊，失去數據本身這一基礎，再科學的管理思路和方法，再先進的信息技術和計算機模型，也無法讓數據發揮其應有的內在價值。正如維克托·邁爾·舍恩伯格所言“如果信息隔絕，就無法實現大數據帶來的洞見，因此要分享、開放、透明”。然而，因之于人之本位主義和私利主義的劣根性，長于蝸牛角上較雌論雄而罔顧企業整體利益，在企業內部數據領域肆意“跑馬圈地”，常常導致數據孤島而不能集中共享、系統孤島而不能交換共通、管控孤島而不能處理協同，由此形成的“數據豎井”無形增加了管理成本和削弱了數據價值功能。

4.自縛手腳的技術障礙。有些企業未能一體規劃管理信息系統建設，針對本應一體整合建設的合同管理、質量管理、供應鏈管理、財務管理等，采用不同的外部廠商軟件產品，不僅需要花費大量精力和高額成本進行二次開發、數據集成和數據交互等，而當自身集成能力不足時便造成了系統孤島，影響了企業整體信息化進程。有些企業所采用的軟件集成平臺的底層架構存在先天的技術缺陷，使得系統集成困難和軟件功能限制。從而導致數據分散于各個應用系統，而無法建立系統間的數據交換、數據共享與數據關聯等，很大程度限制了信息化應有的價值功能。

二、數據一體化設計與運用思路

一個架構科學、一體設計的管理信息系統，是企業從信息化邁向數字化的必備前提。筆者認為，堅持以項目管理為中心、以業務全鏈條運營為驅動，建立集營銷服務、研發設計等于一體的項目全生命周期管理信息系統，是實現數據一體化、集中共享和價值挖掘的最為實際可行的方法。

1.明確的數據一體化模型是頂層引領。設計科學的數據一體化模型，是確保數據架構合理的航標燈塔（見下圖）。可從以下三個層級加以設計：（1）業務層是底層的業務運營中心，是圍繞項目管理構建的全鏈條業務運營體系、業務管理體系和信息系統架構，也是最主要的數據來源和數據交互對象。（2）數據層是集中的數據處理中心，通過大量經過設計的計算機模型，對從業務層集合而來的各類數據進行定向分析、情景預測、即時監控、提前預警等，并向戰略層輸出所需的各項結果或結論等。（3）戰略層是頂層的管理控制中心，落腳于引領與反饋兩項功能，“四位一體”的戰略管理導向講究以戰略定計劃、以計劃編預算、以預算控考核，此四者的無縫對接是戰略有效落地的重要保障；管理駕駛艙則著重于運用數據分析結果輔助決策，是數據運用最為直觀的方式。

2.一體化的業務信息系統是數據源泉。一體設計的業務信息系統，是數據價值運用的工具基礎。應圍繞項目運營的主鏈條，以項目管理系統為中心，建立貫穿產品全生命周期的營銷服務、研發設計、生產制造、招標采購、質量檢測、財務管理、交付驗收等于一體、各模塊相互關聯、全鏈條貫通的業務信息系統，對項目的任務進度、經費使用、績效表現等各個方面，以及設計、制造、交付等各個環節進行全過程管理。從而使得項目管理系統能夠關聯項目運營鏈條上的其他各個業務信息系統模塊，即時匯集與項目相關的全鏈條數據，并從以下三個方面加以保障：（1）全面統籌業務信息系統開發，從頂層設計契合企業實際的系統架構，避免由各個部門自行主導開發所帶來的信息孤島等問題。（2）自主開發或者量身定制，避免因采購不同廠商軟件所帶來的集成困難、二次開發困擾、數據標準不一、后期運維不便等問題。（3）注重倡導職能管理服務于業務運營的企業文化引領，減少本位主義等形成的人為障礙。

3.有效的數據治理是基本規范。有效的數據治理，是數據運用的基本前提。應建立統一的數據分類、編碼、格式、范圍等標準，并作為各個業務信息系統數據輸入的控制規范，從源頭保證數據的規范性、唯一性、準確性和可用性，在規范新增數據同時追溯清理歷史數據。更為重要的是應制定企業層面的數據共享機制和共享規則，即要厘清各部門所產生的有價值的數據類型，明確哪些部門哪些人享有哪些數據的查閱、調取和使用等權利，再由信息化部門據此統一分配數據權限，從頂層避免各部門本位主義造成的信息壁壘。正如唐要家等在《數據價值釋放的理論邏輯、實現路徑與治理體系》一文中所述“數據的非競爭性和零邊際成本的結合內在地要求數據開放共享和接入再用，數據的多人應用和多場景應用會有助于最大化挖掘數據要素的價值”。

4.價值的數據挖掘運用是目標所在。價值的數據挖掘運用，是數據一體化治理的根本目標，需視不同的管理需求設計相應的數據分析模型，應著眼于數據的相關性而不必太在意其因果關系，在收集、整理、分析各項數據基礎上，提煉出有針對性的數據以服務相關商業行為和管理決策。數據管理價值體現為：（1）知識與洞察。即人在權限范圍內有目的地查閱、提取相關信息，再加以自主分析、總結提煉等，從而了解和掌握數據背后蘊含的經營情況、風險狀況等信息，以便做出判斷和決策，同時減少信息的不對稱。（2）預測與監控。即在信息系統中設置相關計算機模型，從數據中心抓取實時數據，自動分析預測事件發展趨勢，監控KPI、預算等事件發展現狀，預警可能突破風險閾值的未來事件，并向權限用戶自動推送相關結果，從而達到趨勢預測、績效跟蹤、風險預警等作用。有如：奧利·阿什菲爾特通過“12.145+0.00117×冬天降雨量+0.0614×葡萄生長期平均氣溫-0.00386×收獲期降雨量”方程式預測葡萄酒的品質。（3）分析與決策。即借助計算機模型對海量數據進行分析并列出多種情景及結果，以輔助管理者做出更好的選擇，減少依靠個人經驗和直覺的武斷決策，甚至于結合管理者決策習慣和風險偏好等給出相應的決策建議。例如：根據項目進度、客戶信用、應收賬款等數據，借助計算機模型對未來一段時間內的回款可能進行分析預測，并結合已有帶息負債、市場流動性及利率等信息，為管理者提供未來一段時間可能面臨的流動性風險和融資應對方案。

結語

本文在剖析數據運用常見的數據治理、管理格局、信息壁壘、技術障礙等問題基礎上，從數據一體化的模型設計、業務管理信息系統的一體化架構、數據治理的關鍵點和數據價值發掘的主要方式等方面入手，研究提出了以項目管理為中心的數據一體化設計與運用思路，為企業信息化建設、數據價值運用和經營管理提升等提出了一個應用方向，但在具體的數據挖掘分析模型設計等方面仍存在探索空間。