一、BI的優勢和重要性
BI工具通過提供及時、準確的數據分析，使企業管理層能夠基於數據做出更加科學合理的決策。傳統的固化式分析雖然能展示一些基本的數據，但無法滿足企業日益增長的深度分析需求。比如，當企業主管發現利潤不高時，他們需要分析具體是哪些產品線或客戶的利潤貢獻不足，或是哪一天的利潤表現不佳。這種深入分析要求BI工具能夠提供自助式、敏捷式的分析方式，幫助管理層快速定位問題並找到解決方案。
此外，BI工具還能幫助企業實現全方位的數據分析，覆蓋生產、研發、資金管理、人效、品質、售後服務、供應鏈採購、倉儲、庫存、物流等各個領域。通過BI工具，企業可以構建完善的數據體系，包括前期的準備階段、中期的開發階段以及配置和運維階段。在這個過程中，企業可以梳理業務流程，明確分析需求，開發業務包和數倉，確保數據品質和數據安全。
更重要的是，BI工具能夠培養企業的數據分析能力，構建數據分析人才體系。這包括底層數據的開發人才，他們負責數據的清洗、加工和維護；以及數據營運人才，他們基於數據分析發現業務問題，並形成業務數據產品或數據流。通過這些人才的培養，企業能夠形成濃厚的數據分析氛圍，提升整體的數據分析能力和水準。
二、數據分析模式的轉變
目前，BI工具主要分為兩類：固化式分析和自助式分析。固化式分析主要適用於處理複雜邏輯的場景，包括數據填充、數據比較以及明細查詢等。而探索式分析則更多地應對那些不確定、靈活多變的場景，以及需要敏捷開發的場景。這些分析工作通常需要通過BI工具，或者Fine BI這類工具來完成。傳統的固化式分析，如使用分析性看板和駕駛艙大屏，雖然能展示數據，但已無法滿足企業主管對深入洞察和靈活分析的迫切需求。
比如，如果企業主管發現利潤不高，他就會想要分析是哪些產品線或客戶的利潤貢獻不足，或者是哪一天的利潤表現不佳。他可能會進一步深入，查看是成本過高還是售價過低導致的利潤下降。接著，他還會分析具體是哪些區域的售價過低，哪些產品的成本過高，而成本又可以細分為材料、人工和費用等多個方面，這就需要更深入的分析。
隨著企業主管對數據深度洞察的需求提升，傳統的固化式分析方式逐漸顯得力不從心。未來，隨著AI技術如Chat GPT等的發展，數據分析將邁入一個全新的階段。設想當企業面臨利潤下滑時，主管只需簡單地向內部AI工具提問，它便能迅速解析出背後的原因，從多面向、深層次揭示問題所在。然而，值得注意的是，儘管AI工具能提供強大的數據解析能力，我們仍需保持審慎態度，不完全依賴AI做出所有決策。最終，數據分析和決策制定的關鍵仍在於人的判斷與把控。因此，在享受AI帶來的便捷與高效的同時，企業應構建以人為核心、AI為輔助的數據分析體系，確保決策的準確性和有效性。
三、配合模式的轉變
當我們談到數據分析模式的轉變時，那不得不提及配合模式的轉變。傳統的數據分析模式中，IT人員主要承擔數據準備和報表開發的角色，而業務部門則更多地是報表的查看者。然而，這種模式往往導致報表使用率低下，因為業務部門在查看報表後可能發現數據不符合實際需求或難以直接應用於業務決策。
為了提升數據分析的效率和效果，配合模式需要發生轉變。這種轉變的核心在於讓業務部門更多地參與到數據分析的過程中來，從而實現更精准、更及時的數據洞察。在這個過程中，IT人員的角色也需要相應調整，他們不再僅僅是報表的開發者，而是成為數據準備和基礎數據處理的專家，為業務部門提供高品質的數據支撐。
然而，製造型企業中的業務人員在使用BI工具進行數據分析時，常常會遇到數據品質不佳的問題。這要求IT人員必須重視數據的準備和清洗工作，確保底層數據的準確性和完整性。同時，IT人員還需要構建業務包體系和數據體系，為業務人員提供易於理解和操作的數據分析環境。
通過這種配合模式的轉變，業務部門能夠更充分地發揮他們的主動性、靈活性和探索性。他們可以根據自身的業務需求，利用BI工具進行自助分析，從而發現更多的業務機會和價值。這種轉變不僅提升了數據分析的即時性和靈活性，還增強了數據分析的整合性和深度。
在初期，企業可能主要是業務部門查看由IT部門製作的報表，但這種模式存在諸多弊端。例如，IT部門可能無法時刻緊跟業務需求的變化，也無法完全掌握業務的敏感度，導致製作的報表難以滿足業務部門的實際需求。因此，我們需要培養具備數據分析思維的業務人員，讓他們能夠自己通過拖拉拽等方式製作看板。隨著優化的深入，業務人員還應該掌握一定的數據處理能力。
在更先進的製造型企業中，如上汽集團的上汽乘用車部門，他們會設立專門的數據分析師崗位。這些數據分析師既懂業務又懂技術，他們作為業務部門的BP，協助業務部門實現數據分析。然而，對於大多數製造型企業來說，業務部門直接大量使用BI工具製作看板仍然是一個挑戰。
首先，業務部門的人員非常忙碌；其次，相應的數據環境、數據工具的能力，包括個人習慣，以及當前團隊成員的素養，可能都還不完全具備，因為很多時候，比如銷售人員，他們的工作方式可能更加靈活多變。比如，對於生產部門而言，特別是執行層的員工，直接讓他們利用Fine BI工具可能不太現實。此時，更需要的是生產營運人員，比如主要營運部門、生產計畫部門、營運部門或是車間班組長等角色，來負責實現相關報表和數據看板的開發。這樣，IT部門就能更專注於數據處理工作。而具體到每一個業務部門，情況又有所不同。以行銷部門為例，他們每個月都會召開這樣的會議。而籌備這樣的會議，特別是製作會議報告，本身就需要花費大量的時間。
第二個問題是，很多時候並沒有進行後續的跟蹤管理。第三個問題是，當前的分析維度還不夠細化。以前可能只分析到月度數據，但現在需要進一步細化，比如細化到日度數據。這不僅僅是看結果數據，還要關注過程數據。以電子電氣行業為例，在召開月度會議時，通常只能看到銷售結果、重要指標如回款、客戶訂單退貨情況、客訴情況、逾期情況以及客戶信用情況等宏觀數據。然而，這些數據背後隱藏著更多細節，比如每個小組、每個人的客戶拜訪次數、供應商培訓次數、客戶關係維護情況等重要行為是否到位，這些都會影響最終的結果。
除了外部環境因素外，還能通過提升內部管理效率來優化這些方面。如果能在會議中呈現這些細節內容，那麼會議將更具針對性和實效性，也能更清晰地列出待辦事項。對於生產部門也是如此，需要關注人機料法環以及S、Q、D、C、P等各個方面，比如設備的OEE較低時，需要深入分析哪些設備經常出現故障、故障維修時效性如何、保養是否到位等問題。這些問題做到位了，可以進一步關注換線時間、開通率、生產計畫變更率等重要指標，從而提升設備綜合效率。
四、製造型企業如何構建自助分析模式
這個體系主要包括三個部分：數據體系、人才體系和流程體系，這三者缺一不可。
（一）數據體系
在流程體系的構建過程中，企業要實現先進的自主分析，確實需要超越傳統的固化式分析模式，構建一個全面且靈活的數據體系。這一體系不僅涵蓋了從前期準備到中期開發，再到後期配置與運維的完整流程，還注重了數據的分層管理、許可權控制以及業務需求的精准對接。
前期準備階段的核心在於明確分析需求與參與部門。通過梳理企業業務流程，識別出對自主分析有高度需求的業務部門，如營運、生產、供應鏈、售後、財務和行銷等，作為試點先行。這些部門因其業務的複雜性和動態性，對數據分析的靈活性和即時性要求較高。
進入業務分析需求調研階段，重點在於構建數據架構。從ODS層開始，數據被拆解為維度表和事實表，形成大寬表以支持多維分析。同時，利用Fine BI6.0的“我的主題”功能，實現了公共數據分析資源的共用，提高了數據利用效率。
數據開發階段則聚焦於數據品質的提升與業務包、數倉的建設。通過清洗、加工數據，確保數據的準確性和完整性；開發業務包，將複雜的數據處理邏輯封裝成易於使用的工具，便於業務部門快速獲取所需數據。同時，業務包的存儲於數倉中，保證了數據的安全性和可管理性。
在配置與運維階段，許可權管控是關鍵。通過精細的許可權設置，確保各部門只能訪問其許可權範圍內的數據，既保護了數據安全，又促進了跨部門協作。此外，數據的分發與管理也是這一階段的重要任務，確保數據能夠及時、準確地傳遞給需要的用戶。
以家電行業為例，其業務包體系的構建過程展示了從ODS層到DM層的逐步深化過程。原始數據被拆解為維度表和事實表後，在DM層構建基礎表和分析表，形成了一套完整的數據分析體系。這一體系不僅支持了總體的數據分析需求，如每日粉絲營運效果、門店線索KPI等，還允許用戶深入探索每一條線索的詳細資訊，滿足了業務部門對數據深度的追求。
在Fine BI6.0中，業務包由基礎表和分析表構成，分別面向業務部門和IT部門。這種分層設計既保證了數據的專業性和可用性，又促進了部門間的溝通與協作。IT部門負責從原始資料庫中同步數據、進行數據治理和清洗；業務部門則利用這些經過處理的數據進行主題建模和深入分析。這種合作模式使得數據能夠真正為業務服務，推動企業實現數據驅動的決策和增長。
最後，數據體系的成功構建離不開人才的支持。底層數據的開發人才、數據層的營運人員以及業務部門的數據產品經理共同構成了企業的人才體系。他們各司其職、緊密合作，共同推動了企業數據能力的不斷提升。
（二）人才體系
在自主分析領域，企業對於人才的分類和培養策略展現出了高度的靈活性和針對性。針對業務部門的需求，企業既可以直接培養自主分析人才，也可以在人才不足時引入數據營運人才作為補充。這兩類人才雖然職責有所重疊，但各有側重：自主分析人才更側重於業務洞察和決策支持，而數據營運人才則更擅長於數據管理和分析技術的實施。
通過專案實施來培養底層數據開發人才，是一種行之有效的策略。在與企業共同開發數據業務包的過程中，不僅能讓技術人員深入瞭解業務需求，還能在實踐中學習和掌握數據分析的各個環節。這種“做中學”的方式，對於提升技術人員的實戰能力和團隊協作能力具有重要意義。
對於營運人才和自主分析人才的培訓，企業採取了多種形式的活動。比如組織比賽、挑選課題進行實踐、培訓產品使用以及傳授業務分析思路等。這些活動不僅激發了員工的積極性和創造力，還幫助他們將所學知識應用於實際工作中，為企業帶來有價值的業務分析看板。
陝汽集團和重汽集團舉辦的“數據江湖”和“我的數據我做主”等活動，更是將企業對數據分析的重視和投入推向了新的高度。這些活動不僅提升了相關部門在數據分析方面的意識和能力，還營造了一個濃厚的數據分析氛圍。通過廣泛的參與和深入的學習，企業逐漸構建起了完善的數據人才體系，為業務的持續發展提供了強有力的支持。
在活動過程中，企業高層對數據分析的重視程度令人印象深刻。他們不僅關注數據分析的結果和價值，更關注業務人員是否具備了數據分析的能力和意識。因為在他們看來，這些業務人員就是企業內部的數據人才，他們的成長和進步將直接推動企業的數位化轉型和智能化升級。
通過歷時三個多月的活動，企業不僅為員工提供了豐富的培訓和學習資源，還幫助他們逐步培養起了數據文化、提升了數據能力和數據運用意識。在後續階段，每個參賽隊伍都圍繞自己製作的BI看板進行了講解和展示，這些看板不僅展示了數據分析的成果和價值，還為企業帶來了實際的業務改進和效益提升。
總之，企業對於自主分析人才的培養和投入是其數位化轉型和智能化升級的重要一環。通過靈活的人才分類和培養策略、豐富的培訓和學習活動以及濃厚的數據分析氛圍的營造，企業可以逐步構建起完善的數據人才體系，為業務的持續發展和創新提供源源不斷的動力。
（三）流程體系
以往，將數據先分配給各個業務部門，以便它們能夠基於數據進行工作；然後業務部門將實際工作中的需求匯總並上報給IT部門；接著是各種業務活動的執行，這些活動共同構成了整體的業務流程。具體而言，過去的業務部門產生需求後，會上報給IT部門，隨後IT部門根據這些需求進行報表的開發。然而，現在需要轉向自主分析流程，即IT部門專注於數據開發，而業務部門則負責看板的製作。這樣就形成了一個閉環：底層數據的更新優化由IT部門完成，業務部門則進行基礎數據分析、自主分析以及基於分析結果的業務動作改善和流程優化。
以倉儲為例，有時可能會發現存在呆滯物料的問題。這些物料可能是原材料或成品。為了解決這個問題，需要從多個維度進行分析。第一個流入流出，第二個異常物料，比如說檢查出來有問題，放在一邊就不管了，這種隔離物料有沒有及時處理？如果經常忘掉，那它就變成了呆滯物料。第三個是先出先入有沒有做好，對呆滯物料有沒有及時處理。然而有一些物料就是因為經常沒有及時上架，總是堆在那邊，後來就被人忘了，變成了呆滯物料。針對這類問題，需要加強物料上架的監控流程，確保每天來料的及時上架，並對未上架的物料進行跟蹤和提醒。這就是一個典型的流程優化案例，它展示了數據如何在製造型企業中發揮作用，幫助企業進行需求的收集和梳理，並推動業務流程的改善和優化。比如車企的行銷部門，如果今年決定關注線索管理，那麼他們就可以向IT部門提出需求，要求準備與線索相關的所有數據，並基於這些數據建立分析模型來優化線索管理策略。
第二個方面，關注線索的轉化率，第三個則是線索的營運效率。通過這種方式，構建一個線索分析模型。在有了基礎數據和模型之後，數據分析的操作就變得相對輕鬆了。這個時候，甚至可以將這項工作交給實習生來完成。因此，最重要的步驟在於前兩個環節，以及後續的開發工作，比如開發移動端應用或推送服務，以便為管理人員和外出人員提供更加便捷的數據支持。
五、自助分析的常見場景
首先通過一個具體的案例來闡述製造業中的成本分析。在製造業領域內，成本分析是一項核心任務，它緊密圍繞著物料、人工和費用三大要素展開。這一分析過程之所以重要，尤其是在當前疫情持續影響的背景下，是因為它直接關係到企業的整體營收和盈利能力。特別是在市場銷量波動或物流供應鏈受阻導致訂單交付受阻時，有效的成本控制成為了企業生存與發展的關鍵。
另外，隨著市場競爭的加劇，如特斯拉降價等事件，各車企也面臨著降價壓力。售價降低意味著需要更加嚴格地管控成本。那麼，如何進行成本分析呢？要通過深入分析物料、人工和費用等相關因素，來找出影響利潤的重要點，並制定相應的行動方案。剛才提到，企業的成本主要由生產成本、資金成本和報廢成本三大塊構成。為了進行成本分析，我們需要向IT部門提出需求，由他們準備相應的數據。這涉及到範圍調研和數據開發等一系列流程。
在成本分析的過程中，我們會接觸到兩種類型的業務表：基礎表和匯總表。基礎表包含了生產過程中的實際執行情況、訂單數據等原始資訊；而匯總表則是基於這些基礎數據整理出的成本分析報表。通過分析表可以構建出成本分析看板。在看板中可能會發現一些異常情況，比如12月份銷售額很高但毛利率卻低於全年平均值。這時就需要深入分析問題所在。
為了找出問題的根源，我們可以圍繞該月的產品結構進行分析。如果發現某產品的毛利率低於10%，而我們的平均毛利率是15%，那麼就需要進一步定位該產品的問題所在。通過下鑽分析可以發現，該產品涉及的不同物料編碼或產品類型中，哪些具體產品或物料出現了問題。這時，就可以針對這些具體問題展開深入分析。
針對這些出現問題的物料，我們需要查詢生產業務部門系統中的領料情況。通過對比實際領料量和標準領料量或市場價格等資訊，我們可以判斷是領料過多還是採購成本過高導致了毛利率下降。這時，帆軟的數據解釋功能就派上了用場。通過點擊數據解釋按鈕可以快速查看到影響當前數據的關鍵因素、重要貢獻者及其比例等資訊，從而幫助我們更準確地定位問題並制定解決方案。
接下來看一個具體的案例。在這個案例中某產品的編號對應的領用量異常，竟然達到了3000多。我們自然需要找出背後的原因，為什麼這款產品的生產成本會過高，而毛利率又過低呢？經過調查，發現是領用異常導致的。這時，就可以具體到某一天的生產記錄，或者找到負責該批次的班組長詢問，為什麼領用了這麼多材料，這是否屬於異常情況？這樣，問題的根源就顯現出來了。
如果問題並非僅由量差引起，那麼我們就需要進一步分析價差因素。通過對比這些物料每個月的採購價格與平均價格或環比價格，我們能夠及時發現價格波動的情況。當發現價格環比上升時，立即採取預警措施，並通過標注和通知相關負責人，如採購負責人、生產負責人或財務部門，確保他們能夠及時介入，增設關卡，對問題進行深度查詢和追責。這樣的預警機制不僅提高了問題的回應速度，還有助於減少因價格波動帶來的不必要成本。
在分析了“料”的問題之後，我們還將目光轉向了“工”的方面。我們注意到，在12月，車間的生產效率出現了明顯的下滑。為了找出原因，我們從合格率和工時數據兩個維度進行了深入分析。通過查看合格率數據，發現12月份出現了大量負值情況，這直接反映了生產過程中的品質問題。隨後，結合生產部門的品質管理系統，進一步挖掘問題根源，並制定相應的改進措施。
接下來是“費”的部分，這包括報廢成本。對於報廢成本，我們會特別關注產生的損失情況。通過分析產品報廢損失的量和價發現，某款產品的報廢量和領用量都很高。這時，需要進行相應的品質問題處理和工藝改善，以定位並解決問題。
此外，“費”還涉及到其他費用，如水電燃氣、折舊等。對這些費用進行排行分析，查看哪些費用占比較高。以水電費為例，如果占比高，我們可以進一步下鑽查看其同比和環比情況，以便進行更深入的原因剖析。
在成本分析中還提到了“三座大山”：庫存成本、周轉成本和資金成本。其中，資金成本特別關注存貨即“兩金”問題。在“兩金”中，我們首先關注的是存貨。以原材料為例，我們會將所有相關原材料的數量和零庫存天數進行分析，找出哪些原材料明顯超出了正常範圍。將這些原材料用紅色標誌進行標注，並觸發數據預警推送給相關人員。這樣，業務人員就能清楚地知道哪些原材料的庫存天數已經過長，並採取相應的處理措施。例如，可以召開會議協調採購和生產部門的工作，避免在原材料已經過剩的情況下還繼續下單採購，從而降低整體庫存水準。現在，“零庫存”概念在製造業中備受關注，我們也應該積極應對這一挑戰。
價值總結就是，從各個方面去尋找與生產成本相關的分析，捋清思路、抓住重點，然後一步一步地層層推進。
接下來，再談談在售後方面的情況。這是某個車橋廠商在售後業務中的流程。具體來說，如果車輛出現問題，車主可能會將車輛送到服務站進行維修。如果服務站發現問題是由於產品品質問題，他們就會進行索賠。這裡需要明確的是，服務站會向主機廠索賠，然後主機廠再向我們索賠，這個過程中就產生了服務費或管理費用。那麼，如果零配件廠商能夠直接與服務站建立聯繫，進行直鋪銷售，是不是就可以省去中間這筆費用呢？在這樣的背景下，主要關注三個點：第一，整體費用支出的控制；第二，配件直鋪的優化問題；第三，由於重型汽車或商用車在路上出現問題時通常需要現場維修，這部分費用也需要關注。
這部分我們稱之為“出車”，出車也涉及相關費用。我們能否對這部分費用進行管控呢？管控的關鍵在於防止一些服務站為了多賺錢而虛報出車情況。對於這種情況，如何監管，從而削減出車費用，降低整體成本？我們來看一下，雖然內容較多，但也是剛才提到的內容。關於售後費用的進度管控，以往傳統的方式都是月底才能給出數據，我們能否在中途就進行數據的預警？及時與預算目標掛鉤，以便我們掌握相關的執行進度。
關於配件直鋪的問題，能否進行一些優化呢？比如，我會去查看哪些服務站經常出現故障維修，然後與他們建立聯繫，以減少中間的管理成本。
第三個是關於出車費用的監管。這涉及到人員的配合，之前也提到過，IT經理負責基礎數據支撐，售後經理負責構建數據模型並製作看板。這裡主要涉及三個點：第一，如何進行售後費用的預算監控。可以通過大屏查看整體月度費用趨勢，包括故障費用等，還可以細化查看三包費用、非三包費用、原廠協助費等，並從零部件和區域維度分析費用分佈，以便定位異常點。第二個議題是如何進行配件的直鋪，以降低過單成本，也就是之前提到的管理費用，這部分費用是通過主機廠產生的。首先，會關注那些使用數量較高、經常出現換件或索賠的服務站，以及那些經常出現索賠的零部件。通過分析這些數據，我們可以選擇性地進行直鋪銷售，從而節省過單費用。
這是一個相應的過程。在這個過程中，我們可以看到服務站的排序、故障的排序和零部件的排序，這些都可以作為決策的依據。第三個方面，以往可能需要通過主機廠來進行某些操作，但現在可以直接繞過這個角色，直接與廠家聯繫。
長期來看，我們還可以通過售後服務的分析來發現哪些零部件在哪些區域經常出現問題。比如重慶由於山地較多，制動器可能更容易磨損。這時可以向客戶提供更耐磨的配件推薦或主動推廣以增加銷量。這些都是可以通過數據分析來實現的事情。
第三個議題是如何進行出車費用的監控。首先，需要查看整體出車占比以及哪些服務站的出車費用或單次出車費用最高。通過計程車總表、服務站排名、出車總費用、單次費用以及故障費用的拆解等資訊，我們可以更好地監控出車費用。
通過這些數據，我們可以深入分析出哪些服務站是異常的。比如，利用年度出車總表，我們能夠觀察到哪些服務站的出車費用占比異常高，特別是當其主要費用集中在出車費用上時，這些服務站就被視為異常服務站，需要進一步分析。如何分析呢？首先，查看這些服務站的費用結構，包括外出費、故障費等各項費用的占比情況。第二個，從時間維度上進行考察。第三個，將各個服務站進行排名或比較，以識別出確實存在問題的服務站。此外，關注出車費用與出車次數及故障次數之間的匹配度，進行更深入的第二輪分析。如果發現某服務站的出車次數少而費用高，且費用占比也高，這顯然是不正常的，此時派遣人員前往現場稽查，核查每次費用的報銷單據等。
另外，有些故障其實並不需要出車解決，這些服務站如果仍然選擇出車，就要提醒他們通過遠程方式解決，並可能採取警告或管理措施。同時，關注哪些零部件經常需要出車維修，特別是那些理論上不需要出車的零部件。將這些結論與前面的分析相結合，進一步分析那些出車次數多、費用高的服務站是否主要集中在這些零部件上，並與整體或平均情況進行對比。通過對比分析，可以更準確地判斷哪些服務站是異常的。
一旦找出了問題所在，就可以制定相應的解決方案。比如，如果單一服務站服務範圍過廣，我們可以考慮增設服務點。如果是過度出車的情況，我會明確服務點的出車規範，鼓勵通過遠程方式解決問題或引導客戶進站維修。比如對於壓力開關這類問題，完全可以避免出車，而是引導客戶進站或遠程解決，以節省出車費用。
最終，通過這些數據分析，能夠實現對整個費用支出的總體把控，並準確識別出異常費用。同時，也能夠進行費用直鋪和出車費用的監控，實現從總體到細節、由淺入深的分析。這種探索式、自主式的分析方式具有業務價值。
熱門文章推薦
免費資源下載