艾聚文苑 | 从流程中来，到流程中去

     管理的核心价值其实就是：将资源的能量转化为更有价值的目的或者目标，并在这个过程中实现熵（shāng）减，管理的本质就是对抗熵增。

     如何对抗组织的熵增呢？这里就要再提到另外一个重要的科学家：普利高津。他认为，在非平衡系统中，因为存在耗散结构，所以它可以对抗熵增。

     耗散结构有两个最为重要的特性，一是开放性；二是非平衡。当一个系统具备了“耗散结构”后，它就能够有效对抗熵增。 

     华为总裁任正非先生说：华为发展的过程就是对抗熵增的历程，组织的发展就是建立一系列耗散机制来化解熵增，否则组织越来越臃肿庞大，效率也会越来越低下。华为的做法总结下来就两点：远离平衡性和保持开放性，也就是厚积薄发和开放合作。

     企业在建立对抗熵增的耗散架构时，需要战略的指引，而落地实施就需要有对应的流程作为管理的基础。企业的管理需要简单、标准、流程化，才能让每个人按照最优秀的方法来工作。

     数据管理的目的是为了充分有效的发挥数据的价值。广义的数据治理是对数据管理的规划与监管制度：一方面监督数据管理的过程，另一方面指导数据管理的方向。 

     其中需要特别注意的是：元数据、主数据和参考数据。 

     在企业中元数据、参考数据、主数据，与其它一般数据的数据量、质量需求、更新频率、数据生命周期的关系大致可以参考以下图示说明：

     例如元数据，它的数据量少、更新频率低，但是数据质量要求高、数据生命周期一般较长，而主数据则相反。

     现阶段，数据已成为所有企业的重要资产，如何对这些数据资产进行解构分析，使其真正能够帮助我们进行流程和指标改善，促使其发挥价值，就是至关重要的问题。

     首先从数据流应用的整体架构来看，数据从底层抽取，可能来自企业的人、设备以及信息系统，经过传输和存储流入数据平台进行分析，再流入数据应用来指导管理决策，而决策过程又会产生新的数据流。 

数据分析的价值就是服务于管理决策

     数据分析是在提升我们改善问题的能力和效率。多维度的数据协同分析，更能让我们快速的发现数据之间的相关性，找出更多的改善方向与突破口。

     举一个生产中的实际案例：我们收集了每个作业人员每个小时的产出状况以及良率状况，如果仅从速度或良率单一维度来解析，那得出的结果必然是片面的，比如速度快的良率不一定好，良率好的又不一定能达到产出需求。但是把这两个维度的数据放在一起，我们就能用四象限散点图很清晰的看出哪些人做的又快又好，哪些人做的又慢又差，这样我们改善的方向自然也就一目了然了。 

     在做数据分析之前，我们一定要三思而后行。我们要清楚企业的战略目标是什么、分析的目标和现况是什么以及如何通过闭环控制来使改善持续进行与发效。 

     数据分析是数据分析师的主要工作，他是衔接 OT 与 IT 协同管理的关键。数据分析师的定位就是以价值为主导的数据挖掘者，而数据分析的关键是数据分析师的多维能力培养。

     数据分析平台建设的最终目标，是要打造一个数据预控平台，可以做到数据预测预控的智控中心。

     想要达到这个目标，就要从基础开始着手。

     首先需要构建基础能力，主要包含：数字化人才的培养和数据价值流梳理的能力。具备这些基础能力和正确的目标方向，再结合先进的信息化工具，才能打造出适合企业发展需求的数字化运营体系。

     有了运营体系就使我们初步具备了识别有价值数据的能力，从而促使我们采集更多缺失的、有价值的数据，实现各个信息系统的互联互通，来完成我们的数字化流程再造。

     要想达到智控中心的预测预控，就要借助智慧化的系统以及模型平台来实现。

     上图所示是艾聚达大数据团队依据场景化管理需求打磨的可以对外输出的系统与平台模块，可以更好的帮助企业来完成智控中心预控平台的搭建。当然，大家也可以依据自己的场景需求，来创建自己的预测与预控平台。