数据建设成熟度评估模型！

作者：帆软数据应用研究院 x 帆软数字制造事业部

全文共2390字，建议阅读7分钟

参考国家发布的《制造业信息化评估体系》、《数据管理能力成熟度评估模型》 , 我们制定了《数据建设成熟度评估模型》，供制造企业对自身的数据建设情况进行自我诊断。

01

传统阶段：信息碎片化

内部环境：

• 企业文化：只有少数核心管理人员能够意识到数据的重要性，大部分员工处于数据启蒙阶段

• 企业投入：几乎不关注数据建设，在数据建设方面的资金投入非常少

• 组织人才：IT部门人员较少且职能单一，只能保障企业基本的T基础支撑；业务部门全部由业务人员组成

• 基础设施：基础设施非常薄弱，几乎没有部署信息系统

数据融合：

• 业务管理：数据通过层层上报的方式汇集到企业中高层处，用于支持企业管理层进行简单的产能分析、财务分析等：数据应用方式单一、传统

• 组织协同：企业内部的协同主要依靠电话、纸质表单等传统方式：而且由于信息的分散性，内部的即时协同会面临一定挑战

数据管理：

• 规范体系：缺少标准的数据建设流程规范，或既有规范不成体系

• 数据质量：整个企业的数据缺乏统一的管理，具有零散、滞后、格式不一致等特点，质量比较低

• 数据安全：只依赖人力对数据进行初步管理，没有统一的数据安全管理体系，数据安全等级非常低

02

起步阶段：业务数字化

内部环境：

• 企业文化：部分核心部门意识到了数据的重要性，开始尝试进行数据建设
• 企业投入：开始关注数据建设，开始投入金钱和人力进行企业的数据建设
• 组织人才：IIT部门内人员职能逐渐健全，如数据工程师、系统工程师、网络工程师等，企业信息化能力逐渐健全；但缺少具备业务和技术双重知识的人才
• 基础设施：只有几个核心的信息系统，仍需完善

数据融合：

• 业务管理：数据开始与业务管理进行融合，数据用来处理业务流程，支持业务流转
• 组织协同：在信息系统的支持下，部门内部的协作流程简化，协作效率提高

数据管理：

• 规范体系：已建立主要业务的数据建设流程规范，跨部门的数据建设标准仍需梳理
• 数据质量：开始制定部分业务的数据质量标准，部分业务的数据质量开始可控；数据质量中等
• 数据安全：开始利用系统对部分数据进行管理，逐步建立数据安全管理体系；但仍有一些数据靠人工简单管理；数据安全等级中等

03

加速阶段：数据价值化

内部环境：

• 企业文化：企业内大部分员工认可数据的重要性，数据文化蓬勃发展；用数据汇报工作已逐渐成为员工习惯
• 企业投入：十分重视数据建设，并且有了可持续性投入计划
• 组织人才：IT部门招募了具有业务和技术双重知识的人才，如数据架构师、B!工程师等，推进企业数据建设业务部门设置了专门负责数据建设的岗位
• 基础设施：不仅部署了基础的业务系统，而且还部署了数据分析软件

数据融合：

• 业务管理：数据与业务管理的融合逐渐紧密，数据不仅用来处理流程，还能够用来支持企业的决策、进行简单的异常状况预警等
• 组织协同：打通了部分有业务关联的部门之间的信息系统，实现了部门级协同

数据管理：

• 规范体系：随着数据建设进程的发展，跨部门的数据建设标准逐步建立，规范体系逐步健全
• 数据质量：随着数据建设进程的发展，扩充完善数据质量标准，数据质量已基本可控，数据质量中等偏上
• 数据安全：数据安全管理体系逐步健全，系统能够根据企业的组织架构设定权限，能够对数据进行存储和备份，数据安全等级中等偏上

04

成熟阶段：数字平台化

内部环境：

• 企业文化：企业全体员工都能够意识到数据的重要性；企业不仅充分利用数据、发展数据文化，还将数据视为重要的资产
• 企业投入：立足企业全局规划数据建设的资金投入、人力投入和时间投入
• 组织人才：引入首席数据官CDO（或兼任），从企业全局规划数据建设、相关岗位职能和角色要求；业务部门和IT部门紧密配合
• 基础设施：信息系统部署实现了企业内部全业务覆盖

数据融合：

• 业务管理：数据的价值被进一步开发，数据的用途被进一步拓展，数据不仅用来处理流程、支持决策等，还能够对业务发展进行简单预测、支撑企业未来发展战略的制定
• 组织协同：企业内的所有系统都能够互联互通，各部门之间的协作效率大大提高，实现了企业级协同

数据管理：

• 规范体系：规范较全面，并且逐步系统化自动化，能通过良好定义的流程控制纠正异常，能够识别出信息流中的问题并能够提前预防和处理
• 数据质量：建立企业级数据质量评估体系(准确性、完整性、一致性等)，保证数据持续可用，数据质量较高
• 数据安全：建立企业级数据安全管理体系，有完备的数据应急方案，数据安全等级较高

05

智慧阶段：智能生态化

内部环境：

• 企业文化：企业内部、企业与上下游生态伙伴之间形成了充分利用数据资源，让数据创造价值的良好文化氛围
• 企业投入：重点在企业的智能化建设、与外部的生态建设方面投入资金、人力和时间
• 组织人才：IT部门仍有精通技术的专业人才，并且分工合理、职能明确：业务部门不再单独设置负责数据建设的岗位，不懂技术的业务人员能够有效利用数据建设的成果，并且积极投入数据建设中
• 基础设施：基础设施非常完善，能够支持企业内部的智能化运营以及与外部的生态建设

数据融合：

• 业务管理：部分数据从企业内部，有秩序地流入上下游产业中，数据价值与上下游伙伴共享：企业借助其他伙伴共享的数据进一步为业务发展赋能：数据建设智能化，实现了智能预测、智能决策、智能预警等
• 组织协同：在同一个生态中的企业，实现了企业之间目标、需求、合作等的协同

数据管理：

• 规范体系：数据建设的纲领、架构等规范完备，各部门（包括上下游生态伙伴等）都能清晰了解相关规范并有序遵循；系统能支持规范的运行，规范标准能做到定期迭代
• 数据质量：与上下游生态伙伴共建统一的数据质量管理体系，数据能够实现互通互联；数据质量非常高；数据质量管理实现了智能化
• 数据安全：与上下游生态伙伴在数据安全管理方面达成共识，明确哪些可共享的数据范围；数据安全等级非常高；实现数据安全管理智能化，能够进行自动化安全审查

根据《数据建设成熟度评估模型》，制造业数据建设可以划分为以下五个阶段。

至于，关于不同阶段的制造企业如何继续推进数据建设，我们在下篇文章中给出了参考。

本文节选自《制造业数据化建设白皮书》，该书由帆软数据研究院携手数字制造事业部打造，旨在帮助制造型企业更高效、更科学地打造企业数字建设的航船，以更快地驶向未来工业！

如需阅读全书更多内容，可点击文末 “阅读全文” ，免费领取全文阅读。