陈红：数据资产只有与算法结合才能产生价值
在刚刚闭幕的“两会”上，工业互联网、
等词的热度进一步提升。各地两会也释放出加快
的新信号。作为企业
的根基，数据的重要性不言而渝，被称为企业的核心资产之一。数据基数及质量等也成为企业数字化成功与否的关键因素。
那么，数据资产跟其他资产有何不同，在以往的企业数据管理中存在哪些问题，如何进行数据管理。在“数据&数字化”线上系统对话中，共享CIO陈红，结合多年来于家电、家具、珠宝、环保、教育、医疗等不同行业的数字化经验积累，就数据管理存在的问题、数据管理及治理的方法等进行了深入的分享。本文为第一节。
数据资产与其他资产的不同，从底层逻辑归纳了四点：
一、数据资产易于透明共享。我非常赞同一位老师的观点，企业管理普遍存在一个“不对称”痛点，即信息不对称、能力不对称、价值观不对称。相比于实物资产，数据天生就有透明共享的特性，只是控制好数据安全和权限即可。例如客户有问题，相关部门立即同步知晓。再比如新品发布或产品升级，所有营销机构，包括门店，也是第一时间同步获取。
二、数据资产易于传播，跟实物资产不一样，数据可以秒级传遍全球。我们打开手机，能看到某个大山深处特产营销的直播，也能看到来自全世界最新的新闻报道。
三、数据资产易于传承，实物资产都有寿命，长短不同而已，数据资产只要存储得当，理论上无限存在。比如CRM系统，不管销售人员更替多少次，新人都能从系统中了解到客户本身的详细信息、以前交流的详细信息、问题的详细信息、交易的详细信息等。再比如知识库，所有的知识(设计、问题、方案、协议、检测、调试、其他资料等)永久保存，同时还有版本控制。
四、数据资产易于复制，这也是不同于实物资产的典型特质，大家都知道文件的复制，但系统的复制对企业更有价值，比如ERP系统，不需要从头开始开发，只要购买一套成熟的系统实施即可。网上商城目前也有成熟的平台，可采用SaaS模式，也可私有化部署，企业可以快速开通电商业务。再比如MES或门店管理，如果增加新工厂，或增加新门店，一般在系统中扩展配置即可，不需要从新实施。
数据资产的价值，对企业来说分为内部价值和外部价值。数据本身没有价值或价值很小，只有结合算法才能体现出价值，因此数据资产的核心是算法。
ERP中的数据很多，主数据、三大订单、应收应付总账等，但真正的价值在MRP运算和成本核算。互联网中数据量很大，首先要有数据清洗的算法，其次要有标签的算法，最后再有推送的算法。大家都喜欢看头条，很重要的一个原因就是，它总是总能推送一些你感兴趣的话题。
比如，零售企业发布了线上推广软文，就可以抓取到哪些人打开过，看了哪些内容，看了多长时间，哪些人是会员，哪些人是非会员，如果及时把这些信息通过算法梳理出来交给导购，针对不同的情况采取不同的打法，针对成交用户，还可以进一步自动推送同系列的产品软文，这就是精准营销的价值。
制造企业拥有大量生产过程数据，通过建立数学模型实现自动化、智能化，APS运算实现智能排产，实际产能推算出设备的运维保养期，全链路的质检数据整合和控制以提升产品质量等等。
陈红：如何积累数据资产
首先要搜集数据，一定要围绕核心业务的核心痛点搜集数据，例如一家陶瓷膜生产企业，国内同行不多，生产过程要求很高，如何提升陶瓷膜的质量是难点，在建新工厂时，从泥料开始一直最后成品，每道工序都有数据自动采集，特别地，在每根膜管上都有二维码，因此可以质量追溯到每根膜管，通过大量项目现场的应用数据和详细的生产数据，可以推算出是泥料问题、是流转模具问题、还是烘干问题等，只有找到问题的具体根源，才能进一步改进提升(设计、原料、工艺、设备、人员等)。当然数据收集都有成本，不能不管三七二十一，什么数据都搜集，要根据具体情况具体分析，有时在过程中，也要适当调整采集点、采集频次、或采集方法。
其次是算法，算法就是数学模型，尽量购买成熟的算法，如ERP系统、MES系统、CRM系统、大数据算法、AI算法等。特殊情况下，需要自建算法时，不能一味求全求快，要有逐步迭代的过程，甚至要有试错的思想准备。
企业数据管理存在的问题
数据处理这一块，一般情况下常见的几个问题：
数据不在线，很多数据没有采集，没有进系统。大部分企业都有ERP系统，因此三大订单(销售订单、采购订单、生产订单)、存货、和财务数据都有了，但在
的今天，这些数据远远还不够，远远不能满足日益提升的管理需求，比如零售企业没有足够的用户数据，尤其是快消品行业，不知道自己的客户画像，即不知道购买产品的是什么样的人，年龄层次、文化层次、性别、区域、渠道、购买时间等等，但如果有新零售系统，就能采集到这些数据，分析结果可以供市场精准推广、供营销分析得失、供研发有的放矢。再比如制造企业没有足够的生产过程管控数据，就无法有效保证交期，无法控制质量和成本，无法实现智能制造。
数据不集成，通常讲信息孤岛，系统与系统之间没有打通。同一数据多个源头，数据定义不明确，甚至数据编码不统一，即使数据再多，也无法有效地进行分析，甚至系统之间的数据相互矛盾。此外，数据不集成也增加很多重复的手工劳动，而系统之间的数据传输本该系统自动完成，一旦有差异，会自动报警，而人工处理难免差错，这也是导致系统间数据相互矛盾的主要原因之一。
数据不利用，有很多企业积累了大量的数据，但是数据分析不够，只做了基础的业务分析报表。对数据要有挖掘利用能力，全员推行数据说话的文化，不但能从数据中找到亮点和不足，还能从数据中找到机会，甚至通过数据赋能业务。比如某家具企业，基于大量的历史数据和人工经验，建立了包装规划模型，不管什么家具，不管什么形状，不管大小，通过模型就知道这套家具一共几包，每包里有哪几块板件。
再比如某酒企，生产原浆酒的工序以前完全依赖工人的经验，后来增加了大量的传感器、控制器、机器人，实现原浆酒生产智能化，自动添加酒糟，自动识别原浆酒的级别，不但稳定了原浆酒的质量，同时还扩大了产能。
数据不安全，我经常比喻建大楼必须要有消防系统，实际上数据安全跟消防安全很类似，大楼失火的概率很小，但一旦失火除了社会影响，对企业来说往往是无法承受之痛，企业的数据安全也是一样，要么不出问题，一旦出问题就是大问题。但建大楼的时候，国家强制要有消防系统的验收才行，而企业的数据安全没有强制规定，只是上市公司有IT审计稍微好点。
