江科平 ｜ 上海市海外經濟技術促會浦江學術委員會委員，企業架構師
首先感謝各位老師能夠抽時間分享各自的真知灼見，尤其是劉總跟馬老師做得介紹。之前禮立秘書長給我出了一道題，希望我結合汽車行業的特點，思考一下在數據治理方面有哪些痛點。我想先從幾個小故事開始。
第一個故事是關於數據維護的 。國家的電動汽車監控平臺要求每一臺車都應有真實的車主信息，而且必須保證準確。因為早期電動汽車的銷售特殊情況，有一部分在平臺上登記的車主信息不是最終用戶，4S 店賣給車主之後，再在我們 DMS 系統裡錄入具體的車主信息。到了第二年我們發現大約有 2000 條不到的信息需要到臺上更新，但一算成本嚇一跳。因為每一條信息都要通過車架號來追溯，一線銷售人員賣新車已經忙不過來了，現在還要加班加點一條一條地搜，搜出來之後再回到銷售公司，銷售公司再回到電動車監控平臺項目組這邊來。基本上一條信息從 4S 店銷售到 DMS 系統檢查，然後到錄入做更新，再做覆核，再上傳到 RMS 平臺，人工成本大約是 500 塊錢，這一個返工就是 100 萬人民幣，還不包括由此產生的其他可能的風險，比如罰款、銷售損失等等，這是一個相當昂貴的數據維護費用。
第二個小故事是關於數據對項目的影響。國家規定電動汽車的電池也必須監控，電池監控產生的是海量數據（電壓、電流、溫度、使用狀態等）。為了讓這些數據成為有價值的信息，我們想到利用監控數據來預測這個電池什麼時候應該更換，這樣我們能夠在電池徹底報廢前提前通知用戶更換電池。用戶可以在方便的時候順帶著把將要衰竭的電池，而換下來的電池可以及時回收，適當維修後另作它用。當時初步測算經濟效益大約只有1億人民幣左右。POC 相當成功，再立項，目標就定在 2019 年 10 月份。但等到真正要做項目的時候，問題就來了。因為電池監控產生的數據，理論上不屬於 IT，對這些數據的使用牽涉到許多部門：研發、法務、銷售等等。等方方面面協調好了，差不多就是國慶節了。項目組無奈之下只能先用 PPT 來展示各個模塊功能，向管理層匯報這個項目將為公司創造多少多少價值。老總說謝謝，我不聽了，我還是要看你們的實際系統。
第三個故事與數據展示有關。銷售公司市場部的 BI 利用搜集的銷售線索和數據，用 PowerBI 去做了一個很漂亮的、很詳細的市場分析。我們主要的客戶群在哪裡、客戶畫像是什麼，他們的使用習慣等等。做了大概60多頁，要匯報給我們亞太區的老總。亞太老總看了幾眼之後說，PPT 很漂亮，分析得很有道理，但是你能告訴我，你有什麼建議能幫公司多賣幾臺車嗎？
這些事情相信我們平時在用大數據在工作當中都會碰到。回過頭來再看下汽車企業有哪些特點。這些特點剛才馬老師有提到過，這裡跟大家分享下我的體會。
第一個特點，汽車行業是重資產行業。有一個數據可以跟大家做對比。大家都知道晶片製造業是一個比較重資產的行業。臨港新片區晶片製造項目據報導總投資約 1600 億元，涉及廠商 40 個，平均下來一家晶片製造商是 40 個億。而大眾在安亭的一個 MEB 工廠的投資就是 170 億人民幣。
第二個特點，汽車行業具有超長的生態鏈。剛才說的區塊鏈，也提到了汽車企業供應商的供應鏈是一個很大的挑戰，為什麼？它的供應鏈是很長的，它的生態鏈也是很長的。從最初車型外觀的設計，一路到後續整車性能、機械部件、電子電氣。再到後面的製造、物流，然後銷售，最後售後客戶關係維護，以至於新的業務機會，如電子商務等等，它這個生態鏈可以說涵蓋了整個社會生態系統。
第三個特點，汽車製造業的生產是離散型生產。離散型生產決定了汽車公司在系統設計、數據產生搜集等方面有其特點。比如傳感數據對狀態的反應速度 ，MES與數據平臺的匹配關係等等。
第四個特點，整體性。一臺車是一個整體，一個汽車公司從設計到銷售是一個完整的生態鏈。不是說做車身的光把車身做好就可以了。做底盤的，我只做底盤就可以。做內飾的，跟車身沒關係。同樣的研發生成的數據，採購要用到，生產製造要用到，售後也會用到。而採購與物流、質量控制的數據又有著緊密的聯繫。銷售端的數據直接影響生產和物流業務。汽車企業業務上的整體性也決定了數據流的特點。
第五個特點，是中央集權與區域自治。汽車企業，尤其是跨國車企都是巨型的，一般都是中央集權。但是各個市場的銷售相對都是獨立運作的。總部可以決定品牌戰略、制定全球的營銷計劃，規劃整體的電子商務發展方案。但具體到各個銷售區域，比如在中國或亞太，美國或北美，具體的市場推廣、促銷手段、電子商務平臺等等，還是需要各個區域自行設計實施。還有分散在各地的製造工廠，它有自己很強大的獨立性。它的產能安排受到相關市場跟當地政府支持的影響，所以中央集權跟區域自治在車企裡面，是一個長期需要協調，需要花大力氣去平衡的。這兩者的平衡對我們下面將要講到的數據治理的數據流也是有關係的。
第六個特點，車企組織結構的高維度與單向的授權結構。對車企來說組織結構的維度有很多，比如地理分布、職能條線、功能條線等等。從地理分布來說，一般整車廠選址都要貼近主要市場，各個主要市場都會建立相應的銷售公司等等。這樣一個企業就按區域，亞太、歐洲（中東）、美洲，或者再下一級按國家分別有管理機構。而與此同時，按業務職能有研發、製造、銷售等條線，這些條線有全球化垂直管理的趨勢。
這意味著企業運營和管理結構高維化，不能用簡單的二維樹狀模型或矩陣結構來分析，實際的運營和管理結構需要用三維或更高的視角來觀察。而汽車公司的授權結構一般是單向的，都是從董事會到高級管理層，再到中層，再到基層，從上到下逐級授權。而如果我們要共享數據，要打破信息孤島，就需要橫向跨過一維一維的權力線條，讓數據真正流動起來。
最後一個特點，（第七個特點）快速升級換代的需求與極低的產品缺陷容忍度。現在新的經濟社會對我們產品的升級換代的要求是很高的。像網際網路企業，他們出的產品基本上是可以做到每周更新，甚至一到兩天就更新。但是對車企來說，它這麼頻繁地更新換代的同時，它又牽扯到使用車輛的人的生命，它對產品缺陷的容忍度是很低很低的。
網際網路公司我可以用什麼方法呢？我可以很明確告訴客戶，我這個產品是有缺陷的。你可以試用我，你發現缺陷，你告訴我，我來通過快速迭代的方式把這個缺陷彌補掉。但是對車子來說，當你發現缺陷的時候，有可能就是你的生命受到重創的時候了，已經來不及了。所以對車廠來說，它的遺傳基因裡面，就是對質量的一個極度的追求。對質量的追求，也就是對生命的尊重，對用戶價值真正的保護。
討論完汽車企業業務上的特點，讓我們再來看看車企在數據治理方面的一般情況。這張示意圖是從一家數據治理公司拿來的，我覺得它寫得比較全面，把數據治理方方面面的工作都寫上了。這裡順便說一下我對數據治理和數據管理概念的理解。數據管理是在數據生命整個周期中的適當的架構、策略、實踐和程序，不直接涉及具體操作，而是著重於對數據變化的管理，或者說是針對描述數據的數據（元數據）的管理。而數據治理更多的是一種體系，是一個關注於信息系統執行層面的體系。從範圍來講，數據治理涵蓋了從前端事務處理系統、後端業務資料庫到終端的數據分析，從源頭到終端再回到源頭形成一個閉環負反饋系統。從目的來講，數據治理就是要對數據的獲取、處理、使用進行監管，也就是我們在執行層面對信息系統的負反饋。監管的實現通過以下五個方面的執行力來保證：發現、監督、控制、溝通、整合。
對汽車行業來說，一般來說都是數位化改革倒過來逼著它開始重視數據管理、數據治理。
這兩個概念有區別，也有聯繫。這裡我們討論的內容更偏向於數據治理方面，或者說是更狹義的數據治理的概念。汽車行業的數據治理應該說是隨著數位化轉型的浪潮而興起，隨著大數據的洪流而成為 IT 業務的焦點。目前看來，汽車行業所有的數據管理，或者說數據治理，基本上還處於應對型的數據治理階段，不是主動型治理。現在有的企業開始探索主動型治理，不過還是方案設計階段，或者做一些小範圍論證。基本上都是從售後客戶關係這一端，通過銷售公司來拉動的。對前端的研發、製造來說，他們對主動型治理基本上興趣缺缺，原因的話，如果時間來得及，大家可以討論，後面也會有一點點分享。
另外汽車企業都認識到了傳統的業務模式正在進入長尾階段，傳統業務對公司的價值會越來越小。大家因此都在尋找新的業務方向和業務模式，比如轉向出行服務、轉型科技公司等等諸如此類的。而這些探索中的新型業務模式，跟數據治理可以說是互相依靠的。新業務模式需要有良好的數據支持，同時又是數據治理的理想實驗對象。因為這些新興業務相比於傳統業務規模很小，同時新業務大多是伴隨著數位技術、信息技術的發展而出現的。
另外從我們工作實踐當中來說，我們發現要打破這些數據壁壘，要能夠真正的實現數據共享，實現它的價值，中間件跟系統集成技術是一個很好的緩衝手段，預期會在很長的時間內成為主要的技術手段。尤其是integration，相信它會成為我們以後長期的數據共享的橋梁。
最後回到題目上，首先梳理一下汽車企業數據有哪些特點。
第一，數據從上遊（研發）到下遊（客戶關係）時間周期長。由於企業的生態鏈很長，數據從上遊，我寫的是研發，實際上更準確地說應該是從設計開始。就是跑到4S店一看，這個車很酷，這是設計部門的功勞，他把這個車的外形設計得很漂亮。然後後面所有的動作都是根據這個設計定的，從研發一直到下遊，已經有了客戶，我怎麼維護這個客戶，讓他能再次到我這邊來接受我的服務。時間周期是很長的。
第二，數據流歧路多，依賴度高。對銷售這個環節來說，相對好一點，我們有 DMS，有一些訂車系統、銷售平臺等等諸如此類的。客戶訂一臺車，數據要流轉幾個系統，這已經是很簡單的了。我們如果去看一下製造環節，對整車廠來說，它內部的生產管理系統 MES、ERP、財務系統、質量管理系統、測量系統等等，各種應用系統如果打在一張 A0 圖紙上，再把數據流標出來的話，還可以分辨。而如果打到一張 A4 紙上，那就成為一片墨團了，沒有辦法看清。所以，它的歧路很多，偏偏各個數據流之間的依賴度很高，就是牽一髮動全身。
比方說在後視鏡上面加一個轉向燈。有的車型轉向燈是跟前燈後燈做在一起的，我酷一點在後視鏡上做一個轉向燈。你加這一個轉向燈，事情不得了。首先是電氣部門的事情，接著內飾要來找你了，因為接你這個轉向燈是要接線的，影響到內飾，本來做的嚴絲合縫的，現在護板裡面多了一根線。然後車身總成要來找你，因為接線要在車身上穿孔，孔一打，整個力學結構全部變了，安全不安全。成本要來找你，財務要來找你，質量要來找你。所以牽一髮動全身，你動一個地方會產生很多問題。
所以我們平時做 Agile 的時候，一個 PI 的標準時間是兩天。這兩天的時間裡面差不多有一天半是各個小組都在串來串去地互相問，我這邊動了，對你有什麼影響。或者我跑到其它組去問，你這邊有什麼要做，我來看看對我有什麼影響。部門之間、功能團隊之間，依賴度很高。
第三，數據孤島化，數據分享更多地依靠技術手段（比如中間件、API）來實現。孤島化，可想而知地，是由各種各樣的原因造成的。如前面分析過的組織結構上的高維度加上單向的授權方式，中央集權與區域自治，等等。從實踐來看，最終有效的解決方案還是中間件、API。通過政治途徑解決的時候，有可能菜都涼了。
第四，數據質量即使在組織內有不同的標準，整體管理困難。對於數據質量的標準，各個部門有各個部門自己的定義。研發部門說我有我的定義，銷售公司說要聽我們一線的。我們最早開始準備數據管理時做元數據設計，元數據就是大家定義格式，統一數據、統一說法。對於在中國的銷售公司該起什麼名字，英文縮寫怎麼寫，各個部門都有各個部門的說法。中國的老大說我叫China Sales Office，就是 CSO。總部的銷售老大說不對，應該叫VCDC，就是某汽車銷售中國中心。即使是這樣最簡單的東西，都會扯出一堆事情來。
第五，數據安全性（合規性）除了組織內部要求外，還要受到外部的法律法規影響。汽車行業剛才也說到他牽涉的面很廣，除了自己內部的合規、流程要求之外，還必須接受外部法規條例的監管。這一點在電子商務和車聯網業務上體會尤其深刻。大到工信部、發改委、國資委，小到網信辦、網安、銀監會，相應的法規條例都必須了解、遵守。
最後的最後，跟各位老師匯報一下工作中體會到的痛點。
第一，整體設計與快速交付。數據治理是一個整體性的工作，需要完善的洞察 (Insight) 和架構 (architecture)。由一個架構圖開始往下走，我找到一個突破點，我再去做。具體實現過程中牽一髮而動全身。即使是一個局部性的項目（比如電池數據的利用），也需要跨部門、跨年度地實施。但是在實際工作當中，領導是等不及你這樣的，他們希望項目能夠快速交付，在幾個月甚至幾周內看到成果。
解決之道可能在於，一是採用敏捷開發方式和組織形態，學習網際網路公司採用 Agile 快速迭代、快速交付的方式。二是適度控制項目規模，比如只對有限地區、有限車型、有限時間段進行試點。三是交付方式多樣化，比如PPT演示、單功能 Demo、小樣本試運行等等
第二，全鏈共享與數據治域。數據產生價值的一個重要途徑是共享。數據治域是我自己想出來的，指擁有數據所有權、治理權的一個獨立域。一般來說數據生成者有著天然的治理需求，但是數據的所有權基本集中在總部相關的部門。與此同時，各個部門、各個功能自成體系，又互相依賴著。這樣就引起一個矛盾，數據可以在部門內分享，部門外則很難接觸到這些數據，數據無法在整個公司層面上共享從面產生價值。這個矛盾對於全球性企業來說尤為普遍。
解決之道可能一是溝通和雙（多）贏策略，二是建立跨部門的治域。也就是打破現有的組織常規，比方說成立一個數字部門。這個數字部門有可能是業務部門來的，也有可能是 IT 過來的，也有可能是外部招聘過來的專家，各種各樣的方式。我通過數字部門去處理問題，來打通全鏈的問題。
第三，數據治理跟價值變現。我們說了半天數據治理有許多大數據，說得很熱鬧，說得天花亂墜，也畫了很多的餅，也告訴領導有很多的好處。最後被老總問一聲，你能幫我賣多少臺車，你的價值能變現嗎？你真金白銀給我看。這實際上不僅僅是 IT一家面臨的問題，幾乎所有部門都會面臨類似的挑戰。我們在實際工作當中最常用的方法是投資回報分析。首先我們會分析它的成本，包括硬成本和軟成本，硬成本包括直接的投資、開發的費用。軟成本是指由於協調工作產生的成本、由於一些風險而產生的成本等等。
然後我們要仔細地分析一個項目能夠帶來的硬收益跟軟收益。軟收益是指那些隱性收益，比如由於品牌形象的提升帶來的售價平穩。硬收益就是真金白銀的收入。你可以直接告訴領導，通過市場分析，我能夠更精準去找哪些例子，就是銷售線索。通過銷售線索，我的變現能夠從原來的 7% 提高到現在的 12%。我變現之後，這個 5% 變現的銷售線索能夠給你帶來多少臺車。這些都是很重要的準備工作，需要自己一個數據一個數據地分析提煉，而不僅僅是通過 BI 工具，抓一些源數據抓來，然後生成幾張圖而已。
以上是我的一些想法和思考，分享給大家，謝謝各位。
（本內容為作者獨立觀點，不代表海促會立場。）