车企数据治理特点及方法探讨

数据要发挥价值，离不开准确、及时、完整的高质量数据。

 文|新葡的京集团3512vip首页创始人、董事长 张椿琳

数据，已成为企业除人、财、物之外的“第四生产要素”，可谓企业最核心的战略资产。

经过十多年的时间，数字经济的培育发展已经进入后半场，如何实现数据价值变现、挖掘数据潜能成为企业关注的重点。不论是造车新势力还是传统车企，都希望利用大数据来提高销量，为客户提供个性化服务，提升附加值，获取更高利润。数据要发挥价值，离不开准确、及时、完整的高质量数据，因此，提升数据综合治理能力成为企业数字化转型、构筑竞争优势的新动能。

在制约中国企业进行大数据分析和应用的诸多条件中，“缺乏高质量的数据”排在各项挑战之首，同传统数仓时代一样，“垃圾进垃圾出”如何破？这个问题由来已久，是所有大数据应用者最为期盼的改变，也是企业数据平台建设者面对的最具挑战性的难题。数据治理难的不是技术，而是标准，是协同，是管理！

车企数据治理具有典型的通用性和行业特殊性的双重特征，一方面，车企数据治理普遍面临着业务数据分散建设、数据资源多头管理、数据全生命周期管理不完整等痛点，所以，实现核心数据的可视、可管、可控、可用成为普遍诉求；另一方面，车企作为重资产、长生态链的离散型生产，在客户需求导向模式的冲击下，有三大矛盾越来越突出，同时也对车企数据治理提出了更高的要求。

第一，产品从研发到车辆交付给客户的花费时长与快速响应客户需求的矛盾。由于车企的生态链很长，从设计研发到发布上市环节多、周期长，而客户需求越来越多样化、个性化，以客户需求拉动生产的运营模式（C2M）对企业数据质量发起了更高的挑战。

第二，车企业务整体性与业务单元（系统）分散管理之间的矛盾。一台车是一个整体，需要供应链上所有环节通力协作才能产出高质量的汽车。一个汽车公司从设计到销售是一个完整的生态链，研发、采购、生产制造、质量、物流、售后等有着紧密的联系，销售端的数据直接影响生产和物流业务，主机厂与成千上万零配件的供应商团结协作保障生产，以及汽车企业业务上的整体性决定了数据一致性的特点。然而，工厂分散、部门隔离、系统孤岛等客观因素的存在，造成了车企内部流程冗长、系统之间存在断点、协作效率低下等问题，等到克服困难拿到数据的时候企业往往已错失良机，因此建立统一、高效、准确的企业级数据平台迫在眉睫。

第三，集中管理与区域自治之间的矛盾。汽车企业，尤其是跨国车企都是巨型的，一般都是“中央集权”。总部决定品牌战略和全球的营销计划，各个市场的销售单元相对独立运作，需要自行设计实施，而生产厂也分布于世界各地。分散的制造工厂都有很强的独立性，受到相关市场以及当地政府支持力度的影响，所以，于车企而言，中央集权和区域自治之间的矛盾是需要长期协调、花大力气去平衡的。由此，车企在设计数据体系、制定数据标准时，如何在统一性的基础上满足个性化要求也是企业管理者必须要考量的。

为解决以上矛盾，车企提高数据治理能力是很有必要的。通过数据治理，企业从使用零散数据变为使用统一数据，从数据混乱状况到数据井井有条，从具有很少组织及流程的治理到企业级综合数据治理，从数据少量应用到数据支持业务决策，在这个过程中，通过业务数字化、标准化，借助IT技术，实现上下游信息的快速传递与共享。

按照业界通行的数据治理成熟度评估模型，企业数据治理能力水平可划分为五个等级：初始阶段、被动管理级、主动管理级、可控管理级、有效管理级，相关等级标准及能力要求如下图所示：

按照以上等级划分，将数据管控体系、数据管理体系、数据应用体系的关键领域拆解为11项一级评估维度。针对一级评估维度，通过组织与职责、制度与流程、建设内容及技术支撑分别进行评价，得到88个三级维度和100个评估指标，据此对企业现状进行评估。

根据我们多年的经验，大部分车企的数据治理能力水平处于从被动管理级向主动管理级转变的过程中，少部分车企正在向可控管理级前进，总体来说，距离达到有效管理级车企还有很长一段路要走。

数据治理是以满足数据分析应用为目的，盘点数据资产以摸清家底，建立数据标准体系提升数据质量，从组织、流程、制度、系统四个方面保障数据治理工作。具体来说，数据治理工作包括：

l 立标准：制定集团统一数据标准体系，包括主数据、业务数据、指标数据、元数据等标准，提升公司内部数据的流动性、可用性，为数据资源的深度应用打好基础，夯实集团数字化转型的基础，做到“统一标准、数出同源”；

l 建资产：构建集团数据资产目录，包括业务主题域组、业务主题域、业务对象、数据项等，通过数据资产全面呈现企业投资、生产和运营的经营活动状况，支撑管理者自上而下地实时掌握企业经营状态。实现“我的资产我做主”。

l 搭组织：搭建数据管理组织及配套的制度、办法、流程等保障机制，辅以绩效考核，确保数据治理长效运行。这项工作对于数据治理十分重要，甚至可以说是数据治理工作成败的关键。

l 上系统：建设数据治理相关工具平台，如主数据、元数据、数据标准、数据治理、大数据平台、数据分析等系统，借助数据工具监控企业运营，控制运营风险，在关键流程和决策环节提供判断依据，实现主动监控、预警和控制，赋能业务、技术和管理。

车企在数据治理能力建设过程中，借助治理成果探索数据价值，已取得了显著成效，在降低成本、增加收入、提升效率方面获得了巨大的经济效益，进而促进业务创新和管理升级。有车企建立用户地图洞察发现新的市场机会点和价值增长点，通过用户标签定义、精准用户画像，实现宣传效果10倍提升、销售效果3倍提升，大大提高了营销效率——线上购买转化率提高50%、用户转化率提升20%、销售总额提升30%，拉通了线上线下业务流，整体运营效率得到提升。在某新能源汽车工厂，构建了数字化管理框架，以高度自动化生产为基础，获取了大量精准生产数据，实现了“云互联”的生产制造，通过“大数据”计算，给出了最优的生产方案和能源解决方案，生产效率提高了46%。企业借助于解决数据口径、标准的问题提高数据分析质量，从而更好地支撑业务运营，这方面的新葡的京3512vip官网有很多，并且未来的发展也会更加蓬勃。

我们整理了车企在数据治理过程中出现的一些经验教训，在这里给大家一些最佳实践建议，以避免车企多走弯路。

1. 坚持“以终为始，价值为先”。数据治理涉及的组织范围、系统、数据极为复杂，变革成本太大，大范围展开时难以全面推动，须先进行顶层规划，结合一些业务场景，有针对性地治理是较佳选择，“以管窥豹”，产生核心业务价值更有利于数据治理工作开展，否则，看不到成果的数据治理会影响士气，往往以失败告终。

2. 坚持“高层挂帅，加强宣贯”。数据治理涉及业务部门多，由于各种原因可能导致制定的标准无法严格执行，出现流程停滞或大量例外数据，而且数据治理会带来业务管理或系统升级的短期阵痛，受到的阻力较大。此时需要高层领导（通常建立数据治理委员会）进行拍板决策，起带头表率作用，加强管理执行力，可以说“数据治理的落地成效取决于管理层的决心和意志”。同时企业需加强宣传培训，指定各公司、各职能部门、各系统对接人共同推动。

3. 遵循“循序渐进，持续改善”。数据治理往往在总体规划的指导下分步推进，企业形成高效的数据治理能力非一个项目之功，不要期望数据质量一夜之间大幅改善，而是要落实到业务部门的日常工作中，严格执行标准，见错就改才能提升数据质量，利用“标准、发现、改正、优化”的管理闭环持续改善。