01
案例企业
某轻工制造企业（以下简称“A企业”）创立于1994年，主要制造经营生态用途性聚氨酯合成革和热固性复合材料，于2011年在深交所公开上市，是国家住建部认定的“全国生产业单项冠军示范企业”，连续多年蝉联“中国轻工业金属市场十强企业”且综合排序第一名。
截止现在，A企业拥有总资产约22.5亿元，拥有办公、厂房建筑周长40万立方米，干湿法生产线40条，具有年产聚氨酯复合材料8850万米、年产聚氨酯树脂7万吨的制造经营能力。
02
业务挑战
A企业过去始终重视企业信息化建设，注重对企业经营分析的应用价值，在管控实践过程中，存在财务数据采集、数据校验、报告制作等环节工具化、平台化的需求。
A企业当前已建设信息平台分为两个别，一部分是实业总部推进的NC财务、ERP、OA、HR等业务信息平台，另一个别是下属子公司的ERP、OA、HR等业务平台或者自主研发的信息平台。这些系统建设年代不一、厂家各异，导致平台之间烟囱化，数据整合难、共享难，无法产生数据资产模式为企业创造价值。
A企业已开发的一级表单超过500多张塑料包装行业erp解决方案，系统之间借助库表、接口及线下文件方式获得的数据源达到2000个，分析表的层级涵盖6级，且存在数据勾稽关系，管理构架有5级以上且存在交叉涵盖。
总的来看，A企业在数据方面存在下面6大难题，也是造成数字化改革失败的重要原因：
第一，数据安全隐忧。敏感数据缺乏管理思路，增加法律规章风险，制约数据服务普及。
第二，数据服务不易用。数据服务方式单一、开发强度低，不能迅速满足多样的数据需求。
第三，缺少数据运营架构。数据价值难表现，数据流转过程难管理，数据应用闭环不完整。
第四，数据能够统筹管理。数据孤岛普遍存在，对海量数据的管控缺乏完善的数据架构设计。
第五，报表需求难满足。现有报表主要以管控应用为主，内容相对固定，缺少自助式报表生成软件，无法满足基层生产员工个性化报表需求。
第六，数据问题难定位。诊断问题成本高，解决难题效率低。
为解决以上问题，A企业与亿信华辰合作，建设一站式数据应用系统，旨在借助数据收集、数据中心、数据预测、数据赋能推动数据全流程全方位管控，实现智能决策支持，具体来看：
数据采集：建立企业级数据收集服务系统，采集集团及各分子公司、集团业务平台的数据，做到“底数清、情况明”，为后续数据中心、数据仓库建设提供基础。
数据中心：构建企业级大数据中心，实现结构化、非结构化数据的储存和计算，同时建立企业数据仓库，按企业业务模式如财务、人力、项目、知识等主体进行模式化梳理，为数据预测提供支撑。
数据预测：一方面，通过领导驾驶舱实现对企业产值、利润、经营净现金流、应收账款余额、应付账款余额等关键指标的分析；另一方面产生专题探讨，按照企业完成的指标数据层层下钻，例如根据集团、分公司、部门、地市的粒度下钻，实现对数据的逐级追溯。
数据赋能：赋能企业业务变革，满足制造经营智能预测场景服务，按照高层决策、中层管理、基层执行，为各级角色开放数据权限，使用户可以使用数据，通过拖拉拽完成日常的数据预测应用。
03
解决方案
基于以上项目目标，亿信华辰一站式数据应用系统的总体架构如下：以数据仓库建设为基础，以应用报表平台和数据补录平台为支撑，进行报表分析、领导驾驶舱、数据补录等应用，为领导人员、业务人员、系统管控人员等提供统一的访问门户。
汇聚全局业务数据后关联打通，业务架构基于人、财、物、场景方式论，构建人才、项目、财务、客户等指标及KPI体系，从而完成数据收集、数据治理、数据预测到数据应用的企业数据服务全流程管控。
为了建立满足企业精细化管理规定的完整、集约、一致、多维、高效、易用、良好的数据基础，挖掘数据价值，促进数据管理及应用素养提升塑料包装行业erp解决方案，亿信华辰按照三步走途径论进行系统建设：
第一步，数据仓库建设，构建统一的数据视图，实现数据统一共享，同时对数据仓库进行全生命周期管理；
第二步，数据收集补录，按照数据标准和收集规范进行明细数据补录与统一存储；
第三步，提供多种数据预测应用，提供多效一致的数据应用和想法，满足多种灵活方便的数据获得方法，支持数据挖掘和多维度综合探讨，促进业务素质提高。
第一步：数据仓库建设
数据仓库分成4层进行建设：
第一层：数据源层。汇聚业务平台数据，包括人力、项目、财务共享、财务单据、安全生产系统、设备共享、OA、党建系统的数据源，通过GDBC、API接口、文件等方式对数据源进行连接。
第二层：ODS层。数据连接后进行抽取，形成ODS层，进行ODS层模型。
第三层：整合层。经过对数据的融合、处理、清洗等，形成融合层数据主题域，一级主题域包含制造管理、财务管理、商务管理、劳务人员管控、设备管理等。
第四层：集市层。构建人才、项目、安全、知识库等主题集市，为数据预测提供基础。
整个数据仓库建模建设秉承以下四大原则：
第一，模型中性原则。整合层模型方法上不为任何特定的应用进行对于性的设计，模型不会因为现有应用的变动以及对新应用的支持而在构架上构建；融合层建模对重要业务元素及业务规则进行完善化处理，例如所有个人用户、团体顾客、代理人等都统称为当事人，它是一个中性的概念，可以包括所有的个体或者各种可能的组合。
第二，模型一致性方法。作为数据仓库设计的基础，逻辑数据建模需要在设计过程中保持统一的业务定义，比如当事人的分类等需要在整个企业维持一致，将来各种预测应用都使用相同的数据；统一业务定义，使未来不同应用平台的研发人员在进行应用设计和展示时都使用相同的语言。
第三，模型灵活性方法。基础明细区模型是一个基本上满足第三模式规定的关系模型，这种建模方法可以最大程度上降低数据冗余；同时确保模型的灵活性和可扩展性，在建模设计过程中可以“想大做小”——在有一个全局规划的同时，选定这些个别入手，然后再逐渐加强。
第四，模型粒度性方法。为了满足未来不同的应用分析对数据的必须，基础明细区模型无法提供最小粒度的具体数据，以支持各类可能的剖析查询。
数据仓库建模建设的流程分为：调研与预测、逻辑建模设计、物理模型设计、数据映射和ETL开发检测。
其中，ETL开发制定映射文档中源表与目标表的映射关系，通过ETL开发软件进行落地开发。亿信华辰平台内置ETL开发软件、封装相关部件，通过插件拖拽的方法，就可以完成ETL过程流，完成数据的融合、处理和清洗。
业务数据经常造成，需要同步到对应的层，通过ETL工具控制ETL作业的执行时间、执行频次，进行数据的调度处理，调度结果可以借助邮件或短信的方法发送给负责人作出处理。
第二步：数据采集补录
数据补录是借助批量采集、实时收集、接口采集、填报采集、互联网收集等一系列方法建立数据仓库，搭建数据中心，通过数据中心成为统一入口，实现要素整合、数据共享及决策支撑。
数据补录平台可以便捷业务人员录入数据，实现经营概要表、设计填报表、工程填报表、成本填报表、销售&财务填报表、现金流表、损益表、增值税计算表的录入查询标准化、便捷化、准确化。
第三步：数据预测应用
数据预测是指用适度的统计预测方式对搜集来的长期数据进行预测，加以汇总和理解并消化，以求最大化地开发数据功能，发挥数据价值。
数据预测的方法分为下面6步：明确目标、收集需求、梳理指标、取数和模型、制作报表、展现结果。数据预测常见的应用方式分为数据模板、固定报表、即席分析、PC报表和大屏端分析。
方式1：数据模板
数据模板主要对于相对确定、指标相对固化的主题，例如财务主题、人力主题等，通过多元化数据模板，提供自助查询方式的多维查询、高级查询、结果编辑、信息展示功能。
方式2：固定报表
固定报表是对日常生产经营表格的展现，通过选取简单的查询参数（如机构、日期等），作为生成固定报表的参数输入，根据选取的报表参数，按照既定的报表模板，自动统计并展示固定格式的报表内容。
模式3：即席分析
在即席分析下，需要做到第一统一标准，统一定义管理信息的业务含义、统计口径、加工规则等，消除口径不一致；第二灵活用数，在满足信息安全的前提条件下，支持用户灵活自主用数，迅速响应外部监管和内部管控的统计需求，提高数据报送效率，降低数据统计成本，改善客户体验；第三用途拓展，支持管理信息的下钻与关联预测，提高数据品质，促进业务素质与数据管理能力提高，支持经营管理决策；第四效率提高，通过指标去重算法，实现全行指标的去重融合，释放系统功耗，提升管理效益，节约管理资源。
模式4：PC报表
PC端报表可以设计复杂的综合表格，通过图表方式呈现经营分析数据。
模式5：大屏端分析
通过大屏端可视化呈现，可以推动管理层决策驾驶舱/仪表盘，直观感受经营管理和风险动态，支持管理层经营管理决策。
在数据预测应用方面，A企业的第一个工程成果是推动数据预测可视化，根据不同的应用场景拆分为大屏端分析、PC端报表平台、PC端即席分析并且平台管理。
其中，大屏端分析主要应用于即时监视预警或在展厅汇报等场景；PC端报表平台主要是对于日常生产经营的报表进行统计预测，例如利润类、费用类、销售类等；PC端即席分析是在报表分析的基础上，将数据预测能力赋予企业中层或基层员工，可以迅速查看数据存在的难题，进行数据上报；平台管理提供基础的管控功能，包括客户管理、权限管控、门户配置等。
第二个项目成果是数据整合数据挖掘，通过多维度、多种类、深层钻取各式综合图表，形象展现A企业运行的关键指标，直观监测A企业总部及分子公司的营运状况，并可以对关键指标实现预警和下钻挖掘，为控股及业务、分子公司分管主管领导和各部委领导提供智能决策支持。
04
价值与效果
通过建设一站式数据应用系统，A企业推动对企业产值、利润、应收账款余额等关键指标的采集和预测，挖掘企业数据的核心价值，为企业组织改革、业务变革、决策支持提供相应的管控价值。
一站式数据收集与应用系统满足了A企业一站式数据采集、数据中心、数据预测、数据赋能的意愿，将基层人员从繁琐的数据统计工作中解脱出来，参与到数据预测和监管工作中，中层管理者依靠智能化、精细化的管理工具，辅助高层领导立即有效地进行风险管理和最后决策，实现内部财务运营的智能化。
