企业如何高效管理多源运营数据

随着通信与数据采集技术的快速发展和智能移动终端的广泛应用，企业的生产与经营活动时时面对着源自于自身及外部的大量数据，称之为“企业运营数据”。数据已成为各个行业的核心资产和创新驱动力。现代企业的管理模式与决策方式正在从“业务经验驱动”向“数据量化驱动”转变。

但是，由于在网络时代背景下，企业运营数据具有来源的多样性、高维、海量、更新不及时、类别不平衡以及多标记等多种特殊性质。使得企业管理工作者普遍面临着“数据充足而知识匮乏”的问题。

因而，针对企业运营数据的特殊属性，研究面向企业多源运营数据的处理与管理知识挖掘方法，不仅仅是对数据挖掘技术研究的深化。更是为推动企业管理从“经验驱动”向“数据驱动”的范式转变提供有力的信息处理工具。

随着通信与数据采集技术的快速发展，以及智能移动终端的广泛应用，使得人类生活、组织运作及社会活动变得越来越数字化。对于企业来说，其在生产与经营活动中收集并存储了大量的数据，如生产过程监控数据、客户的订单数据、交易数据、市场行情数据、库存记录等等，这些数据反映企业内部的生产经营状况及管理状态，称之为企业内部数据。

同时，当代企业的经营活动也日益受外部环境的影响。而且这种影响在社交媒体和用户的广泛参与下日趋强烈，如微博、论坛及电商平台上的用户给出的关于产品及企业的各种评论、口碑等，构成企业的外部数据。这些来源于多种渠道、多种途径、多种形式的与企业生产、经营、销售、管理等相关的数据，称之为多源化的企业运营数据，或企业多源运营数据。

基于企业多源运营数据的分析与管理知识挖掘对企业的业务理解、绩效衡量、与客户关系改善及创造商业机会等方面具有重要作用。例如，通过对数据分析挖掘到的管理知识，可以帮助企业识别对产品质量影响的关键因素、归纳产品质量与生产流程之间的因果关系，进而规避潜在的风险。

可以帮助企业了解客户需求、加强客户的忠诚度、维持与客户的良好关系，进而在问题转化为危机前及时予以化解等。总之，有效地运营数据分析及管理知识挖掘工作，可以帮助企业从内、外部运营数据中获得可实施的、基于事实的信息与知识，使企业能够迅速且容易地作出正确的决策，使管理者更加清晰地了解业务状态，从而提高工作效率并发现新的商业机会。

在互联网和大数据时代，企业的市场竞争能力不仅仅是拥有数据的规模、质量以及收集的能力，还取决于对数据的分析、挖掘、提取以及利用的能力。原有以经验驱动的管理方式是存在不足的。数据体量的大幅度提高以及数据类型的多样化。给数据分析与管理知识挖掘工作提供了更加丰富、详细的信息，但同时也带来了巨大的挑战。

例如：维度与体量巨大，会极大地降低管理人员对于数据的理解及决策的效率，也会使数据带有噪声信息、冗余信息、不相关信息等特点。从而导致数据质量下降，进而造成后续的分析与挖掘方法速度慢、效果差，计算复杂度高等问题，严重地制约数据分析工作的效率及效果，影响企业的正确决策。

在企业的日常管理工作中，经常需要对各种管理问题进行因果关系的挖掘，做到既要知其然、还要知其所以然。但现有很多数据分析模型均是黑箱模型，追求的目标是准确率，即模型的分辨率很高、结果可靠。

但模型机理分析不足，可解释性不满足管理人员的需求，或者说对于管理问题，相较于模型的精度，管理人员更为关心的是该问题的背景知识，即管理规则与知识的提炼与凝聚，而非只是一个最终结果。可以有效地约简数据中的冗余因素与数据、降低条件因素间的耦合性。进而降低计算的复杂度、提升数据集的质量与可用性、提高后期分析与挖掘方法的效果及效率。

1.实践价值

实践价值为：通过数据缩减，可以增强后期挖掘的管理规则与知识的可用性与可解释性，便于企业管理人员的理解与使用，简化企业的决策过程、降低企业的时间成本。再有，以约简后的数据作为企业的核心数据，进行动态更新，可以降低企业的存储与维护成本、加速管理知识的更新。

相比于黑箱方法，可以得出用于管理与决策的规则集及每条规则的重要性程度等管理知识。可用性及可解释性更好，有助于企业管理者理解数据中蕴含的因果关系、为企业的评估与决策等问题提供技术方法及知识支撑。

2.质量分析

可以在保持甚至提高单体方法的效率的同时，明显地改善其性能，从而更加有效地面对大体量企业运营数据的分析与管理知识挖掘工作。同时，可以挖掘出更多的管理规则与知识，便于企业管理人员对于数据的理解与分析，与黑箱方法相比，有利于对企业运营数据中具备“多标记”特点的非结构化数据的分析与管理知识挖掘工作，可以给管理人员提供具备可解释性的管理规则与知识。

企业产品质量分析与管理研究，是企业内部数据的分析与管理知识挖掘问题的典型代表。其发展包括：质量检验、统计过程控制、全面质量管理、田口质量管理、计算机辅助质量管理五个阶段。其中，第一阶段的产品质量分析与改进主要以人工为主，第二、三、四阶段的产品质量分析则通过统计过程控制方法实现，而第五阶段主要使用基于数据分析与知识挖掘的方法实现。

3.数据时代

在“数据时代”下，直接利用体量巨大的数据集来训练复杂模型是不明智的，即对于大体量数据来说，并不是其中每个数据、每个维度都能增加训练模型的泛化能力。所以，需要通过数据缩减方法来降低数据的体量，而数据缩减技术又分为两类，一类是通过缩减维度，即降维方法来缩减数据，另一类是通过缩减数据数目，即降体量方法来缩减数据。

为提高自身的竞争力，企业往往需要对其生产、储存、销售等多个环节建立监控设备，实现问题及故障的及时感知并快速处理。为实现这一目标，智能化的数据采集设备与分析系统逐渐成为当今各种企业的重要组成部分、并得到广泛应用。

但是，随着射频识别、条码等实时监控技术在生产过程中的大量使用，采集的有关制造过程数据的粒度愈加细致，致使维度快速升高、且维度间存在耦合作用、关系复杂。这给现有的数据分析与管理知识挖掘方法带来巨大的困难，严重地影响分析工作的效果及效率。

长期监测与高频率采集工作随之带来的数据量增多，以及人为的不当操作、外来干扰等原因导致的冗余、噪声数据上升、数据质量下降，严重地制约数据分析工作的效率及效果。进而影响企业的正确决策；同时，采集到的大量数据占用大量的存储空间，增大企业的存储成本。

再有，大体量数据的更新成本也非常高，但数据更新慢导致的管理知识落后、决策失误，势必会极大地降低企业的竞争力。最后，企业生产过程中产生的与产品质量相关的数据，存在着严重的类别不平衡的问题，即管理者最为关心的、与不合格产品相关的数据所占比例极小，很难对其产生原因进行分析。（文章来源：临沂大学 胡浩祥）

关键词： 数据分析 产品质量 管理人员 因果关系 广泛应用