【转】【汽车企业数据治理】--- 从汽车产业看数据治理实践中的痛点

原文连接 https://baijiahao.baidu.com/s?id=1683934359558418571&wfr=spider&for=pc

江科平 ｜ 上海市海外经济技术促会浦江学术委员会委员，企业架构师

首先感谢各位老师能够抽时间分享各自的真知灼见，尤其是刘总跟马老师做得介绍。之前礼立秘书长给我出了一道题，希望我结合汽车行业的特点，思考一下在数据治理方面有哪些痛点。我想先从几个小故事开始。

01 汽车行业数据治理痛点案例

第一个故事是关于数据维护的 。国家的电动汽车监控平台要求每一台车都应有真实的车主信息，而且必须保证准确。因为早期电动汽车的销售特殊情况，有一部分在平台上登记的车主信息不是最终用户，4S 店卖给车主之后，再在我们 DMS 系统里录入具体的车主信息。到了第二年我们发现大约有 2000 条不到的信息需要到台上更新，但一算成本吓一跳。因为每一条信息都要通过车架号来追溯，一线销售人员卖新车已经忙不过来了，现在还要加班加点一条一条地搜，搜出来之后再回到销售公司，销售公司再回到电动车监控平台项目组这边来。基本上一条信息从 4S 店销售到 DMS 系统检查，然后到录入做更新，再做复核，再上传到 RMS 平台，人工成本大约是 500 块钱，这一个返工就是 100 万人民币，还不包括由此产生的其他可能的风险，比如罚款、销售损失等等，这是一个相当昂贵的数据维护费用。

第二个小故事是关于数据对项目的影响。国家规定电动汽车的电池也必须监控，电池监控产生的是海量数据（电压、电流、温度、使用状态等）。为了让这些数据成为有价值的信息，我们想到利用监控数据来预测这个电池什么时候应该更换，这样我们能够在电池彻底报废前提前通知用户更换电池。用户可以在方便的时候顺带着把将要衰竭的电池，而换下来的电池可以及时回收，适当维修后另作它用。当时初步测算经济效益大约只有1亿人民币左右。POC 相当成功，再立项，目标就定在 2019 年 10 月份。但等到真正要做项目的时候，问题就来了。因为电池监控产生的数据，理论上不属于 IT，对这些数据的使用牵涉到许多部门：研发、法务、销售等等。等方方面面协调好了，差不多就是国庆节了。项目组无奈之下只能先用 PPT 来展示各个模块功能，向管理层汇报这个项目将为公司创造多少多少价值。老总说谢谢，我不听了，我还是要看你们的实际系统。

第三个故事与数据展示有关。销售公司市场部的 BI 利用搜集的销售线索和数据，用 PowerBI 去做了一个很漂亮的、很详细的市场分析。我们主要的客户群在哪里、客户画像是什么，他们的使用习惯等等。做了大概60多页，要汇报给我们亚太区的老总。亚太老总看了几眼之后说，PPT 很漂亮，分析得很有道理，但是你能告诉我，你有什么建议能帮公司多卖几台车吗？

这些事情相信我们平时在用大数据在工作当中都会碰到。回过头来再看下汽车企业有哪些特点。这些特点刚才马老师有提到过，这里跟大家分享下我的体会。

02 汽车行业特点

第一个特点，汽车行业是重资产行业。有一个数据可以跟大家做对比。大家都知道芯片制造业是一个比较重资产的行业。临港新片区芯片制造项目据报导总投资约 1600 亿元，涉及厂商 40 个，平均下来一家芯片制造商是 40 个亿。而大众在安亭的一个 MEB 工厂的投资就是 170 亿人民币。

第二个特点，汽车行业具有超长的生态链。刚才说的区块链，也提到了汽车企业供应商的供应链是一个很大的挑战，为什么？它的供应链是很长的，它的生态链也是很长的。从最初车型外观的设计，一路到后续整车性能、机械部件、电子电气。再到后面的制造、物流，然后销售，最后售后客户关系维护，以至于新的业务机会，如电子商务等等，它这个生态链可以说涵盖了整个社会生态系统。

第三个特点，汽车制造业的生产是离散型生产。离散型生产决定了汽车公司在系统设计、数据产生搜集等方面有其特点。比如传感数据对状态的反应速度 ，MES与数据平台的匹配关系等等。

第四个特点，整体性。一台车是一个整体，一个汽车公司从设计到销售是一个完整的生态链。不是说做车身的光把车身做好就可以了。做底盘的，我只做底盘就可以。做内饰的，跟车身没关系。同样的研发生成的数据，采购要用到，生产制造要用到，售后也会用到。而采购与物流、质量控制的数据又有着紧密的联系。销售端的数据直接影响生产和物流业务。汽车企业业务上的整体性也决定了数据流的特点。

第五个特点，是中央集权与区域自治。汽车企业，尤其是跨国车企都是巨型的，一般都是中央集权。但是各个市场的销售相对都是独立运作的。总部可以决定品牌战略、制定全球的营销计划，规划整体的电子商务发展方案。但具体到各个销售区域，比如在中国或亚太，美国或北美，具体的市场推广、促销手段、电子商务平台等等，还是需要各个区域自行设计实施。还有分散在各地的制造工厂，它有自己很强大的独立性。它的产能安排受到相关市场跟当地政府支持的影响，所以中央集权跟区域自治在车企里面，是一个长期需要协调，需要花大力气去平衡的。这两者的平衡对我们下面将要讲到的数据治理的数据流也是有关系的。

第六个特点，车企组织结构的高维度与单向的授权结构。对车企来说组织结构的维度有很多，比如地理分布、职能条线、功能条线等等。从地理分布来说，一般整车厂选址都要贴近主要市场，各个主要市场都会建立相应的销售公司等等。这样一个企业就按区域，亚太、欧洲（中东）、美洲，或者再下一级按国家分别有管理机构。而与此同时，按业务职能有研发、制造、销售等条线，这些条线有全球化垂直管理的趋势。

这意味着企业运营和管理结构高维化，不能用简单的二维树状模型或矩阵结构来分析，实际的运营和管理结构需要用三维或更高的视角来观察。而汽车公司的授权结构一般是单向的，都是从董事会到高级管理层，再到中层，再到基层，从上到下逐级授权。而如果我们要共享数据，要打破信息孤岛，就需要横向跨过一维一维的权力线条，让数据真正流动起来。

最后一个特点，（第七个特点）快速升级换代的需求与极低的产品缺陷容忍度。现在新的经济社会对我们产品的升级换代的要求是很高的。像互联网企业，他们出的产品基本上是可以做到每周更新，甚至一到两天就更新。但是对车企来说，它这么频繁地更新换代的同时，它又牵扯到使用车辆的人的生命，它对产品缺陷的容忍度是很低很低的。

互联网公司我可以用什么方法呢？我可以很明确告诉客户，我这个产品是有缺陷的。你可以试用我，你发现缺陷，你告诉我，我来通过快速迭代的方式把这个缺陷弥补掉。但是对车子来说，当你发现缺陷的时候，有可能就是你的生命受到重创的时候了，已经来不及了。所以对车厂来说，它的遗传基因里面，就是对质量的一个极度的追求。对质量的追求，也就是对生命的尊重，对用户价值真正的保护。

讨论完汽车企业业务上的特点，让我们再来看看车企在数据治理方面的一般情况。这张示意图是从一家数据治理公司拿来的，我觉得它写得比较全面，把数据治理方方面面的工作都写上了。这里顺便说一下我对数据治理和数据管理概念的理解。数据管理是在数据生命整个周期中的适当的架构、策略、实践和程序，不直接涉及具体操作，而是着重于对数据变化的管理，或者说是针对描述数据的数据（元数据）的管理。而数据治理更多的是一种体系，是一个关注于信息系统执行层面的体系。从范围来讲，数据治理涵盖了从前端事务处理系统、后端业务数据库到终端的数据分析，从源头到终端再回到源头形成一个闭环负反馈系统。从目的来讲，数据治理就是要对数据的获取、处理、使用进行监管，也就是我们在执行层面对信息系统的负反馈。监管的实现通过以下五个方面的执行力来保证：发现、监督、控

对汽车行业来说，一般来说都是数字化改革倒过来逼着它开始重视数据管理、数据治理。

这两个概念有区别，也有联系。这里我们讨论的内容更偏向于数据治理方面，或者说是更狭义的数据治理的概念。汽车行业的数据治理应该说是随着数字化转型的浪潮而兴起，随着大数据的洪流而成为 IT 业务的焦点。目前看来，汽车行业所有的数据管理，或者说数据治理，基本上还处于应对型的数据治理阶段，不是主动型治理。现在有的企业开始探索主动型治理，不过还是方案设计阶段，或者做一些小范围论证。基本上都是从售后客户关系这一端，通过销售公司来拉动的。对前端的研发、制造来说，他们对主动型治理基本上兴趣缺缺，原因的话，如果时间来得及，大家可以讨论，后面也会有一点点分享。

另外汽车企业都认识到了传统的业务模式正在进入长尾阶段，传统业务对公司的价值会越来越小。大家因此都在寻找新的业务方向和业务模式，比如转向出行服务、转型科技公司等等诸如此类的。而这些探索中的新型业务模式，跟数据治理可以说是互相依靠的。新业务模式需要有良好的数据支持，同时又是数据治理的理想实验对象。因为这些新兴业务相比于传统业务规模很小，同时新业务大多是伴随着数字技术、信息技术的发展而出现的。

另外从我们工作实践当中来说，我们发现要打破这些数据壁垒，要能够真正的实现数据共享，实现它的价值，中间件跟系统集成技术是一个很好的缓冲手段，预期会在很长的时间内成为主要的技术手段。尤其是integration，相信它会成为我们以后长期的数据共享的桥梁。

03 汽车企业数据有特点

第一，数据从上游（研发）到下游（客户关系）时间周期长。由于企业的生态链很长，数据从上游，我写的是研发，实际上更准确地说应该是从设计开始。就是跑到4S店一看，这个车很酷，这是设计部门的功劳，他把这个车的外形设计得很漂亮。然后后面所有的动作都是根据这个设计定的，从研发一直到下游，已经有了客户，我怎么维护这个客户，让他能再次到我这边来接受我的服务。时间周期是很长的。

第二，数据流歧路多，依赖度高。对销售这个环节来说，相对好一点，我们有 DMS，有一些订车系统、销售平台等等诸如此类的。客户订一台车，数据要流转几个系统，这已经是很简单的了。我们如果去看一下制造环节，对整车厂来说，它内部的生产管理系统 MES、ERP、财务系统、质量管理系统、测量系统等等，各种应用系统如果打在一张 A0 图纸上，再把数据流标出来的话，还可以分辨。而如果打到一张 A4 纸上，那就成为一片墨团了，没有办法看清。所以，它的歧路很多，偏偏各个数据流之间的依赖度很高，就是牵一发动全身。

比方说在后视镜上面加一个转向灯。有的车型转向灯是跟前灯后灯做在一起的，我酷一点在后视镜上做一个转向灯。你加这一个转向灯，事情不得了。首先是电气部门的事情，接着内饰要来找你了，因为接你这个转向灯是要接线的，影响到内饰，本来做的严丝合缝的，现在护板里面多了一根线。然后车身总成要来找你，因为接线要在车身上穿孔，孔一打，整个力学结构全部变了，安全不安全。成本要来找你，财务要来找你，质量要来找你。所以牵一发动全身，你动一个地方会产生很多问题。

所以我们平时做 Agile 的时候，一个 PI 的标准时间是两天。这两天的时间里面差不多有一天半是各个小组都在串来串去地互相问，我这边动了，对你有什么影响。或者我跑到其它组去问，你这边有什么要做，我来看看对我有什么影响。部门之间、功能团队之间，依赖度很高。

第三，数据孤岛化，数据分享更多地依靠技术手段（比如中间件、API）来实现。孤岛化，可想而知地，是由各种各样的原因造成的。如前面分析过的组织结构上的高维度加上单向的授权方式，中央集权与区域自治，等等。从实践来看，最终有效的解决方案还是中间件、API。通过政治途径解决的时候，有可能菜都凉了。

第四，数据质量即使在组织内有不同的标准，整体管理困难。对于数据质量的标准，各个部门有各个部门自己的定义。研发部门说我有我的定义，销售公司说要听我们一线的。我们最早开始准备数据管理时做元数据设计，元数据就是大家定义格式，统一数据、统一说法。对于在中国的销售公司该起什么名字，英文缩写怎么写，各个部门都有各个部门的说法。中国的老大说我叫China Sales Office，就是 CSO。总部的销售老大说不对，应该叫VCDC，就是某汽车销售中国中心。即使是这样最简单的东西，都会扯出一堆事情来。

第五，数据安全性（合规性）除了组织内部要求外，还要受到外部的法律法规影响。汽车行业刚才也说到他牵涉的面很广，除了自己内部的合规、流程要求之外，还必须接受外部法规条例的监管。这一点在电子商务和车联网业务上体会尤其深刻。大到工信部、发改委、国资委，小到网信办、网安、银监会，相应的法规条例都必须了解、遵守。

最后的最后，跟各位老师汇报一下工作中体会到的痛点。

04 数据治理工作痛点

第一，整体设计与快速交付。数据治理是一个整体性的工作，需要完善的洞察 (Insight) 和架构 (architecture)。由一个架构图开始往下走，我找到一个突破点，我再去做。具体实现过程中牵一发而动全身。即使是一个局部性的项目（比如电池数据的利用），也需要跨部门、跨年度地实施。但是在实际工作当中，领导是等不及你这样的，他们希望项目能够快速交付，在几个月甚至几周内看到成果。

解决之道可能在于，一是采用敏捷开发方式和组织形态，学习互联网公司采用 Agile 快速迭代、快速交付的方式。二是适度控制项目规模，比如只对有限地区、有限车型、有限时间段进行试点。三是交付方式多样化，比如PPT演示、单功能 Demo、小样本试运行等等

第二，全链共享与数据治域。数据产生价值的一个重要途径是共享。数据治域是我自己想出来的，指拥有数据所有权、治理权的一个独立域。一般来说数据生成者有着天然的治理需求，但是数据的所有权基本集中在总部相关的部门。与此同时，各个部门、各个功能自成体系，又互相依赖着。这样就引起一个矛盾，数据可以在部门内分享，部门外则很难接触到这些数据，数据无法在整个公司层面上共享从面产生价值。这个矛盾对于全球性企业来说尤为普遍。

解决之道可能一是沟通和双（多）赢策略，二是建立跨部门的治域。也就是打破现有的组织常规，比方说成立一个数字部门。这个数字部门有可能是业务部门来的，也有可能是 IT 过来的，也有可能是外部招聘过来的专家，各种各样的方式。我通过数字部门去处理问题，来打通全链的问题。

第三，数据治理跟价值变现。我们说了半天数据治理有许多大数据，说得很热闹，说得天花乱坠，也画了很多的饼，也告诉领导有很多的好处。最后被老总问一声，你能帮我卖多少台车，你的价值能变现吗？你真金白银给我看。这实际上不仅仅是 IT一家面临的问题，几乎所有部门都会面临类似的挑战。我们在实际工作当中最常用的方法是投资回报分析。首先我们会分析它的成本，包括硬成本和软成本，硬成本包括直接的投资、开发的费用。软成本是指由于协调工作产生的成本、由于一些风险而产生的成本等等。

然后我们要仔细地分析一个项目能够带来的硬收益跟软收益。软收益是指那些隐性收益，比如由于品牌形象的提升带来的售价平稳。硬收益就是真金白银的收入。你可以直接告诉领导，通过市场分析，我能够更精准去找哪些例子，就是销售线索。通过销售线索，我的变现能够从原来的 7% 提高到现在的 12%。我变现之后，这个 5% 变现的销售线索能够给你带来多少台车。这些都是很重要的准备工作，需要自己一个数据一个数据地分析提炼，而不仅仅是通过 BI 工具，抓一些源数据抓来，然后生成几张图而已。

以上是我的一些想法和思考，分享给大家，谢谢各位。

（本内容为作者独立观点，不代表海促会立场。）