数据驱动业务对于企业的重要性毋庸置疑，但其实现过程却极具挑战性。本文讲述了一个典型的数据驱动业务的企业实践案例，分享给大家。

1、从一个业务问题开始

在企业中，设备投资规划虽然通常属于顶层设计的范畴，但其具体过程往往始于对一线需求的收集。

一般来讲，规划部门通过设计各种表格来让一线单位填写设备需求，然后对这些表格进行汇总统计，利用环比、同比等方式评估需求的合理性。

如果发现问题，则会退回一线重新提交，通常，只要上报的需求与往年数据的波动不大，符合相关管理要求，还是比较容易被接受的。

但是，这些一线提交的设备投资需求到底是否真实?其数据的来源是否可靠?这就打了大大的问号。

事实上，由于实际设备运行、状态等数据的缺乏，一线很多时候得靠个人经验来进行需求预测和提报。在资金充足的情况下，这种经验决策尚可勉力维持。但当企业资金紧张时，这种模式便会面临挑战。比如真正需要扩容的区域得不到足够投资，而不需要扩容的区域却产能过剩。

近些年，由于整个行业环境的变化，公司逐步进入了过紧日子的阶段，规划部门也“没余粮了”，数据驱动决策作为一剂降本增效的“解药”，被摆上了日程。

2、领导的执着和决心

实施数据驱动的规划意味着要改变一线需求收集的传统模式，转而依赖系统记录的设备数据作为规划依据。

这一变革涉及流程、数据获取方式以及一线单位的利益，尤其是在各级人员已有路径依赖的情况下，需要公司领导的强力支持。这种强力支持不能仅停留在口头层面，更需要领导的身体力行。

领导要求规划部门拿出方案，令大家吃惊的是，这个窗口期非常短。没过多久当我去参加某次规划汇报会时，发现领导已经在询问规划部门提交的报表数据是否直接来源于系统，数据是否准确，为什么前后不一致等等。

那个时候，规划部门同事的工作负荷骤增，每天都在跟数据团队核对系统数据。

那些从系统中取出来的从未被使用的数据，由于没有人验证过可用性，数据质量自然无法保障。规划部门不仅要搞清楚统计口径，还要同步解决数据质量问题。

每当发现系统数据与经验数据存在差异时，大家就要一起核实这是系统数据问题还是一线经验的问题，工作量很大，经常陷入“汇报-分析数据-再汇报-再分析数据”这个循环中。但只要这些基础性的数据问题不解决，规划的数据驱动无从谈起。

当时领导的一句话也令人印象深刻——通过错误倒逼源头数据质量的改善，显示出很大的改革决心。

3、数据基础设施的完善

数据驱动科学规划的实现，当然也离不开强有力的数据支撑。

为此，我们组建了专门的数据支撑团队来满足规划的要求，人员规模一度达到XX人，领导启动了专门的项目包来解决资金问题。

与规划相关的数据由于与传统业务关系不大，因此几乎从未采集。但这次通过与规划部门的协同，我们大幅扩展了数据采集范围，数据资产猛增上千张。

为更好地满足规划数据需求，我们还为规划部门打造了专属的数据集市，构建了规划的融合模型，并将大量数据提取固化为报表，奠定了快速数据分析的基础。

随着数据支撑体系的建立，规划部门对数据的理解也更加深入，数据分析的广度和深度在不断提升。从单纯的报表拓展到科学预测、智能稽核、智能设计、自动预警等等。这些衍生的东西，在我们当初起步的时候，是完全没想到的。

我印象最深的就是建设了智能化规划应用，就是可以基于X资源数据进行管道路由的智能生成，相较于人工有几十倍的速度提升。

4、规划流程的重构

应该来讲，我们以往的规划工作虽然实现了线上化，但仅限于数据上传和审批，真正的规划工作依旧在线下进行。领导深知规划变革的核心在于流程，因此要求对整个规划流程进行全面数字化改造，这算是踏入了深水区。

华为对数字化如何开展做了精辟总结，即对象数字化、过程数字化和规则数字化。我们基本也是沿着这种思路开展工作的。

在对象的数字化上，以前人工上报设备的属性较少，但随着规划需求的增加，设备的属性也大量增加，这些属性全部被结构化并嵌入到上报流程中。例如，以前填写设备位置只需提供地址名称，如今不仅需提供经纬度，还要求实现可视化展示。

在过程的数字化上，领导要求实现从设备投资规划到最终部署的全过程记录和追溯，确保规划与实际部署一致。这一流程涉及到规划、采购、工程实施、上线交维、设备转资等多个环节，整个过程的数字化难度非常高，尤其在设备规划时其ID尚未生成的情况下。

在规则的数字化上，以往的需求审核依赖人工，现在则通过在线智能稽核规则来提前过滤不合理需求。例如，重复上报的管线需求或负荷低的设备需求。仅在1年内，通过自动退回机制筛掉的不合理需求金额超过了X亿元。

由于规划工作极度依赖数据质量，领导还推动了设备数据录入方式的优化，从原来施工时的人工录入改为传感器自动定位录入，从而大幅提高了数据质量。

可以看到，要实现流程重构，对IT的挑战非常大，不仅体现在数据支撑上，更是体现在系统改造和贯通上。

由于当时我也在负责一些业务系统的建设和运营，因此数据和系统的衔接相对顺利，比如一些数据稽核模型很容易集成到业务流程上。

当然，由于系统众多(如资源管理系统、项目管理系统、工程管理系统、资产管理系统、运维管理系统、在线设计系统等)，再加上业务规则复杂，部分工作推进还是比较困难，光是一个物资统一标识就够大家喝一壶的了。

5、数据素养的提升

实现规划的数据驱动决策，还有一个关键就是提升各部门的数据素养，包括领域知识、数据字典、数据处理、使用和分析的能力等等。

就拿数据团队来讲，我们要做好数据支持，首先需要熟悉规划业务，其次是熟悉规划的相关系统，最后是系统中的数据。通过规划等部门的帮助，我们在比较短的时间熟悉了大量的领域知识，奠定了开展工作的基础。

这也得益于公司近些年在数据中台和数据团队上的投入。否则，我们在短时间内不可能拉起一支精干的数据支撑团队。

数据分析的核心在于指标。因此，我们与规划部门协同设计了一套分层分级的规划指标体系。为确保新旧指标顺利衔接，我们进行了大量的数据稽核校对工作，最终这套指标体系还是建立了起来，涵盖从宏观到微观的指标数据，所有指标数据均来源于系统。

这些指标包括整体资源利用率、设备运行状态等宏观指标，以及设备故障率、平均修复时间等微观指标。通过这些分层次的指标，能够更加全面地支持规划工作的开展。

为了让规划部门能够快速查看数据，我们还搭建了可视化的规划管理平台。通过该平台，规划部门不仅可以直接查看报表和指标，还能进行设备资源的多维分析和资源异常的自动预警。

结语

这次改革只涉及规划领域，但即便是这样，也耗费了2年时间，因此，数据驱动业务真的是任重而道远。

但这次实践却覆盖了一个企业数据驱动业务需要做的所有基本动作，可以说是“麻雀虽小，五脏俱全”，启示意义还是很大。以下是我从这次实践得出的几点感想：

1、非原生数字企业的历史包袱很重，没有领导的强力支持是很难成功的，领导要给钱，给人，给机制，给时间。

2、数据驱动业务非常复杂，涉及组织、机制、流程、业务、系统和数据，一般的IT部门或数据团队是做不动的，可能某些数据团队觉得自己可以，那可能是已经站在了巨人的肩膀上。

3、数据驱动业务的起步，首先必须基于一个清晰的、真实的业务问题。如果一句话都说不清楚业务目的，什么都要的，多半是伪命题。

4、在数据驱动业务的技术上，企业不应盲目追求最先进的工具，对于大多数企业或者部门来讲，传统的数据仓库时代的工具已经足够。只要能够汇聚数据，快速生成报表和指标，关键是业务流程的重塑。现在发声的大都是大厂，存在幸存者偏差。

希望对你有所启示。