股票配资是一种杠杆投资方式，投资者通过配资公司获得一定倍数的资金，用于投资股票。配资公司提供资金，投资者提供股票作为抵押，并支付一定的利息。
2023年12月31日,国家数据局等17个部门联合印发《“数据要素×”三年行动计划(2024—2026年)》(下文简称《行动计划》),旨在落实《中共中央国务院关于构建数据基础制度更好发挥数据要素作用的意见》,充分发挥数据要素乘数效应,赋能经济社会发展。
《行动计划》指出,实施“数据要素×”行动,就是要发挥我国超大规模市场、海量数据（603138）资源、丰富应用场景等多重优势,推动数据要素与劳动力、资本等要素协同,以数据流引领技术流、资金流、人才流、物资流,提高全要素生产率。
数据要素×工业制造
七大难题需关注
工业制造是“数据要素×”的关键领域之一。《行动计划》提出,重点行动包括:
“推进产品主数据标准生态系统建设,支持链主企业打通供应链上下游设计、计划、质量、物流等数据,实现敏捷柔性协同制造”,“支持企业整合设计、生产、运行数据,提升预测性维护和增值服务等能力,实现价值链延伸”。
而由于数据具备不同于其他生产要素的种种特性,工业制造企业在数字化实践过程中,往往会面临以下难题:
l海量数据存算,支撑难
对于工业制造企业而言,数据不仅来自信息化时期建立的数百套业务系统,伴随着自动化、智能化程度不断提升,遍布世界各地的车间都在生产数据——机器设备规律性、不间断生产的数据量已经远超想象。进一步,经过各业务环节的透传和分析,加工后的数据量更是倍增。
相应的,过去建立的大数据技术栈也正面临海量数据存算带来的挑战。
l数据多源分散,汇聚难
“全球几十个基地,各建一套机房,各有一个MES”,“数据分散在各个单位,各自独立建库,没法统一盘点”,这样的情况在大型工业制造企业尤为常见。
多云、多系统、多组织…当企业开始建立和管理全域数据资产,最先会面临数据多源、过于分散的问题。
“多源”往往也会带来“海量”,而更多的难题在于其复杂性,例如:同一个指标在MES和ERP各有数据,且质量不同,应该取哪个?它不仅需要一个支持对接多云、多系统的数据平台,也需要IT和业务部门投入,将业务流和数据源梳理清楚。
l数据种类多样,处理难
工业制造企业需处理的数据种类多样,除了大数据领域最常见的结构化数据,也包括日志、图片、视频等半结构化和非结构化数据。例如,生产设备的传感器产生时间序列数据,质检报告是表格数据。而传统的数据技术栈往往难以处理如此丰富多样的数据种类,更无从追求效率。
l安全合规要求,保障难
相较消费零售,工业制造企业面临的个人信息保护合规问题并不突出。但仍应注意数据合规,例如,在境外设厂,数据通常应在当地完成存算,如果需要跨境传输,必须符合当地的数据安全管理条例。
除了合规问题,企业对数据泄露、破坏、窃取等安全风险的重视度往往相对较低。然而一旦关键数据遭到破坏,可能面临业务中断等严重后果,重要数据的泄露也将给企业带来经济损失。
相应的,企业数据系统不仅要在安全合规上有保障(例如支持分类分级、风险监控等),还必须具备合规要求的跨云多域管控等能力。
l实时数据洞察,服务难
越实时的数据,越能反映生产和经营情况,越能更及时地支持决策、调整计划、预警风险。而实时的技术方案也往往伴随着更多的存算成本、更高的性能挑战。
因此,对于工业制造企业而言,达到实时或近实时不仅需要现代的流批技术架构,也需要选择合适的应用场景,打通数据链条,让实时数据洞察的结果真正为企业所用。
l系统上线多年,治理难
“脏乱差”的数据,将降低企业使用数据的效率,甚至对业务产生负面影响。
数据平台建设初期,完成了业务流程的梳理和数据标准的建立,数据准确性往往不成问题。而伴随着数字化深入,如果没有相应的机制和标准来保障,行动易出现变形,数据质量不达标准。
好的数据平台应该是“业务系统的一面镜子”:通过“监控—问题分发—整改”的闭环机制,对核心数据进行质量监控,识别反推业务问题、系统问题,确保数据准确性始终达标。
l数据断点异常,拉通难
数据缺失,可能让数据分析结果产生偏差。例如,对产品在企业供应链的执行效率展开分析,除了需要产品本身特点属性的数据,还需要产品执行过程的全生命周期数据,包含所有关键的事实和维度数据,才能形成立体、多维的画像。
数据完整性问题在企业实践中并不少见,但它不是一味“能采尽采”。企业需要从业务场景出发,盘点业务流程、梳理系统和盘点数据,识别出数据断点并补齐,分析完整、全面的数据来还原业务、反哺业务。
“四横十纵”
找到典型应用场景
《行动计划》的目标包括“到2026年底,数据要素应用广度和深度大幅拓展,在经济发展领域数据要素乘数效应得到显现,打造300个以上示范性强、显示度高、带动性广的典型应用场景”。行动基本原则包括“需求牵引,注重实效”,“试点先行,重点突破”等。
可见,《行动计划》看重落地实践的成效,不要求“一口气吃成大胖子”,也不鼓励只能看、不中用的“面子工程”和只有理论价值的“空中楼阁”。
工业制造企业往往有广泛的业务范围和复杂的业务流程,数据的“用武之地”也非常多,究竟应该从哪里“重点突破”?
大数据基础软件厂商奇点云综合“分析主线”和“业务域”双视角,把工业制造数字化转型的路径归纳为“四横十纵”:
l四横:即“订单到回款拉通”、“产品全生命周期”、“业财经营一体化”、“产业链外延协同”共四条主线,企业可以优先择其最关注的一条主线,端到端建立分析链路并横向贯通,达成目标结果;
l十纵:即从研发、营销、运营、供应、生产、物流、质量、售后、人资、财经十个业务域,选择与业务痛点最为紧密或分析链路上出现断点的业务域,纵向单点切入,拆解为若干分析主题,搭建数据指标体系,实现对每个业务域的深度洞察,从而实现数据赋能管理决策与业务运营。
在制定数字化转型战略规划时,企业常常遇到“大而全”的困境。在初期阶段,奇点云更推荐从上述“四横十纵”中择其一切入,在攻克痛点、看到数据价值、帮助组织建立转型信心的同时,逐步带动企业数据能力提升,形成全域数据资产。而对于数字化建设已经较为完善的企业,也可以对照“四横十纵”进行全局盘点,“查缺补漏”。
关于奇点云:
奇点云是独立第三方的大数据基础软件提供商,成立于2016年,旗下有“奇点云”、“GrowingIO”两大品牌,主力产品包括数据云平台、数据存算引擎、数据安全引擎、增长分析、客户数据平台等。除了提供专业技术产品为数据“生产—消费”提质提效,奇点云也提供咨询、运营、运维等企业级的服务支撑,助客户攻克数字化不同阶段的各项难题。
目前配资股票平台,奇点云已服务制造、消费零售、金融等领域1500+客户,协同客户构建其自有的数据能力,全场景赋能商业决策。
文章为作者独立观点，不代表北京配资网观点
