这几年，大数据的概念很火，上至国家下至企业，席卷全球到处都在讲大数据，可落到很多企业头上却无所适从，不知该怎么办大数据。也难怪，笔者从业才锻短短22年里，信息科技新概念新术语层出不穷，很多新概念仿佛是一夜之间突然不知从哪里冒出来，常常还没搞清这是什么东西，却已经铺天盖地的都是它的标签和广告了，连我这个一直还在IT业内挣扎的老兵常常有被out了感觉。

企业信息化和大数据，如果从两者所采用的信息技术集合的角度，交集的部分是很多的，而且随着进一步的发展，这个交叉集合的成员还不断增加，并且后者把前者看成一种数据的来源，前者把后者看成自己的发展方向，各自有向对方融合的趋势。但是笔者认为，两者之间还是有很大本质上的区别，而要理解这些区别，则还是要从其各自诞生和发展的历史背景来分析。

话说企业信息化的起源，应该可以回溯到20世纪50-60年代IBM公司所推出系列商用大型计算机产品，回顾IBM的发展历史，早期的IBM公司是一家机电商业机器生产企业，并没有专注于计算机领域。在20世纪40年代，IBM的首席执行官老Thomas Watson曾说过，计算机的市场也就能卖出五台，但他的儿子小Thomas Watson后来却领导IBM进入这个领域并且取得了一系列的杰出的成果而获得巨大的成功，让IBM一直雄霸企业信息化行业霸主地位至今。在IT界，与企业信息化这个说法相对应的是个人电脑或者其他个人数字化终端所代表的个人信息化，虽然IBM一度也以IBM PC激活并加入了这个市场，不过后来成为霸主的是苹果、微软、戴尔这些以生产零售消费型个人IT产品的公司，IBM也在2004年把其PC业务卖给联想后退出了这个市场。这里啰嗦一句，很多外行人误以为这笔交易让联想买下了IBM，虽然IBM个人笔记本产品ThinkPad大名鼎鼎，但其实IBM当年在这块PC业务收入占公司总收入不到5%的份额，而且这块业务对IBM来说利润太薄而成本很高，对IBM公司来说就是一块鸡肋，而联想花了十八亿美金买下来对IBM来说是很划算的小买卖，而同年IBM却花了四十亿收购普华永道的咨询业务部才是大买卖，笔者曾任职的全球企业咨询业务部(GBS)就是IBM在这笔收购后在其咨询团队基础上成立的新部门，单单华为公司就曾经给IBM的咨询业务贡献了二十二亿美金的学费，可见这才是大买卖。

我们结合第三次工业革命来理解企业信息化这个概念，计算机结合网络通讯技术在企业中的应用是第三次工业革命的代表之一。以往，人们主要是依靠提高劳动强度来提高劳动生产率。在第三次工业革命条件下，主要是通过生产技术的不断进步、劳动者的素质和技能不断提高，劳动手段的不断改进，来提高劳动生产率，所以企业信息化的本质是把生产力要素通过电子化数字化而形成的信息资源，以支撑生产经营管理者能更好地根据市场需求来配置要素和资源，从而提高生产效率和效益。效率优先是传统工业时代大生产大营销的管理出发点，信息技术能够大大提升这方面的管理能力。企业信息化实质上是将企业的生产过程、物料移动、事务处理、现金流动、客户交互等业务过程数字化，通过各种信息系统加工生成新的信息资源，提供给各层次的人们洞悉、观察各类动态业务中的一切信息，以作出有利于生产要素组合优化的决策，使企业资源合理配置，以使企业能适应瞬息万变的市场经济竞争环境，求得最大的经济效益。从这个分析我们可以看到，企业信息化的出发点是企业，落脚点也是企业，所有系统的开发也是以企业为中心。在工业3.0时代，企业还是一个以自我为中心封闭的经济组织，有明确的边界区分组织内外的人或者物，在企业这种以自我为中心而且内外有别的思想指导下，每个企业的信息化应用都是自扫门前雪，建设需求基本上都是围绕者本企业业务活动以及本企业的人、财、物、流程、场所等生产要素展开，所以只会在企业自己所拥有的业务要素范围内考虑数据的问题，即使个别系统因业务需要和企业外部数据源有所交互，也是通过接口的方式把这些外部数据源作为输入转化成企业内部数据，与大数据概念相对应，企业信息化所积累的私有数据是小数据的概念，为了企业自身信息安全考虑，企业的私有数据大部分是存放在网络防火墙以内的内部信息系统里面的，对其访问和使用有严格的权限和制度的约束，这和大数据产业的概念本质上是不一样的，对于这部分数据，过去称之为企业数据。

谈到企业数据，就不能不还要专门谈谈企业信息化里面非常重要的一支，商业智能与数据仓库(BIDW)。从20世纪90年代起，商业智能和数据仓库成为一个越来越热门的细分技术领域，笔者是20世纪90年代末期根据工作安排进入这个领域，算是国内搞BIDW最早的一批人。对于企业信息化，BIDW是一个很重要的里程碑，过去的企业信息化是以计算机程序为核心的，数据结构是与程序算法结合一起考虑的，在这种以程序为核心的信息化建设思想指导下，数据充其量只是程序的一个附产品，用游客进公园的大门打比喻，公园的大门和验票人员是程序的组成部分，数据是门票，往往用一次就扔废纸箩了，一般也不想有什么后用，这种程序后来有个专门的称呼，叫联机业务处理(On-LineTransation Processing, 简称OLTP)。后来，越来越多的企业发现这些门票大有后用，比如想了解不同时段的客流量等等管理决策方面的信息，就是要从这些最基本的业务活动记录数据中汇总统计而成，而这类为了支持管理决策的数据应用需求被称为分析型需求。早期解决这类需求是先把数据存储到文件或者数据库，然后根据统计需求编写一些报表查询类的程序来满足，但渐渐地，用编程序的方式来满足管理需求明显是一件吃大力而极不讨好的事情，大量的临时性的重复开发让企业信息部门不堪重负。BIDW出现后实现这类需求的解决方案叫联机业务分析((On-LineAnalytical Processing, 简称OLAP)，如果我们把企业的业务活动简单看成是让轮子在不停地转啊转，OLTP是负责让轮子转起来，而OLAP则负责观察轮子转得怎么样，根据观察结果让控制者再根据实际需要调节一下转速什么的，这两者的结合才完成一个业务信息化的闭环。OLTP是OLAP的数据来源，OLTP记录下来的每笔业务的活动数据被称为源数据，对于处理一笔业务活动的信息需求来说，OLTP一般只会采集和保存和这个业务活动有关的信息项，而为了获得更高的处理效率和缩短处理时间，企业更会尽量减少业务过程的数据采集工作量，这样一来导致这些源数据必然是碎片化的；而OLAP服务于管理决策的支持，信息越充分则决策越有效，决策所涉及的数据面是很宽广的，而且还需要从多角度多层次来观察数据，直接访问OLTP的源数据明显无法满足这样的分析型需求，所以从OLTP产生的源数据到OLAP的分析型数据，数据仓库负责从各源系统抽取(Extral)转换（Transform)加工后再装载(Load)进来分门别类存放好，给后面的OLAP应用提供数据支撑。

业界大数据(Big Data)概念是始于2011年麦肯锡的报告，而这个概念是从整个人类社会所积累的数据总量的角度来论述的。如果单从数据规模增长的角度看，从20世纪50年代的六十年企业信息化应用发展时间里，积累的数据总量规模也一直都在倍速增加，而为什么到2011年才提出这个概念呢？业界用4个大V来定义大数据的特性，分别是大规模、多样性、价值和速度，并围绕这4方面给出很多种解读，这些笔者也认同，而要理解大数据这个大字，我认为还要从宏观经济的背景来看到大数据是什么，换句话我们可以这样理解，大数据就是范围超越某个社会个体（企业或者个人）的数据范畴。大数据和企业数据本质上属于不同的层面的概念，前者是宏观层面的、具有社会广泛性的；而后者是微观层面的、具体到某企业内部的。虽然业界把企业积累的私有数据也看成大数据的一种来源或者组成部分，但如果把企业数据混为大数据的一部分，我认为就不那么准确了。就好像大海里的水与自家水缸里的水，虽然物质成分主体都是水，甚至这缸水最后也会被倒入河流汇入大海成为海水，但是不能说这缸水是海水。缸水海水都是水，但所处的环境不同也决定了其概念上的不同，而这个不同是更本质的差别，其他什么规模啊、数据格式多样性啊之类的差别我认为倒是次要的了。比如很多企业的数据仓库这口水缸由于需要存储各种历史数据，所以也能做得很大，例如沃尔玛这样企业的数据仓库的体量规模也是很巨大的，但即使其量再大，也是他自家缸里的水，并未不是大数据海洋里的水。

紧接要讨论的是我认为业界目前还没有很明确，却偏偏是很重要的大数据的所有权问题，这个方面说法很多，有人认为谁用上了就是谁的，也有人认为大数据是属于全人类的，换句话说默认是共有的。这些观点虽有可取之处，但也有偏颇的地方，结合当下人类社会的发展阶段来看，如果一种能带来巨大市场价值的资源没有主权是不可想象的，即使是免费共享也不代表提供者放弃主张的权力。而企业数据就没这个问题了，企业数据没有离开企业自身的产权概念，其自然拥有其主权，这和签名肖像一样，起码可以归入IP（知识资产）的范畴。如果我们从这个层面来讨论业界大数据的概念，我认为本质上大数据是一种产业前沿发展思潮或者发展趋势，这种思潮所代表的是如何从现有的可以公开合法获取的外部数据资源中发掘出对自身企业发展有价值信息的一种新商业思维。在互联网之前这么多年，虽然很多有识之士早就在广泛呼吁数据的重要性，但由于没有出现明确的有利可图的商业模式，这种数据的价值也不能直接地兑现成商业利益，而大数据的提出，特别作为一种产业发展前沿来提出，无疑是社会上大量的数据资源的商业化时机已经成熟了。现在这些案例很多了，谷歌、亚马逊、百度、阿里、腾讯，这些利用大数据资源的公司不但股市估值上已经取得很高的溢价，而且这几年通过互联网+到处跨界传统产业，也在股市外的市场货币化兑现他们经营的大数据资产。

这里用这么多的文字论述两者概念的差别是为了让大家能更准确理解其概念和内涵，目的并不在于将两者拉开拉远，反而是希望从传统企业转型升级的角度，探讨如何建立企业信息化和大数据产业发展潮流的有效衔接，所以这里把本文的题目定为“从企业信息化到企业大数据”、而不是“企业数据到大数据”或者“小数据到大数据”等的用意。企业大数据-------这是笔者自己提出来的概念，有两方面含义：

• 一方面，在大数据前面加上企业两个字，是为了鲜明地表示笔者所谈论的大数据是从微观经济层面的研究，探究大数据思维和相关技术和资源如何落地到具体企业的业务发展战略之中，而非业界所谈的大数据定位在宏观产业角度的趋势分析和研究；

• 另一方面，“企业大数据”是一种新的思路，和传统一直沿用的“企业信息化”思路是很不相同的，从现实情况来看，当前我国企业按传统思路完成企业信息化建设、特别是达到信息化与工业化融合的目标还有很长的路要走，而”企业大数据“被看成企业信息化建设历程的一部分也是不恰当的，原因下文会给出解释，这里先给一个笔者的观察，我国很多企业会在一定时期内同时建设企业信息化与企业大数据两个体系，采用两个技术架构及技术队伍并行的策略。

我对这种局面打一个有些接近但不完全贴切的比喻，做企业大数据的应用是去海里打渔，而企业信息化的应用则是在自家的水缸里养鱼，数据是水，应用是鱼，如前文的比喻，大数据是海水，企业的“小数据”是缸水，两者的水质自然有很大差别，而最大的差别是缸水是由企业自己收集的，而海水则不是，因此也不能被企业自主控制，能不能在海里抓到大鱼就更不是可以企业控制的了，这是两者无论是数据来源还是应用方式都存在巨大差异的地方。

所以企业开展大数据应用的商业动机，一般是通过拥抱互联网实现获取倍增和跨界的业务发展机会，需要配套的是企业整个经营管理体系向适应互联网化运营的方向变革转型，并跨出组织边界主动出击对外部大数据资源的开发利用来创新（产品和服务)实现再创业,从这个角度我们可以明确企业大数据应用两大核心价值取向，一个是实现创新，另外一个就是支持变革。回顾业界对大数据的4个V特征基础上的定义，在此我们可以给出企业大数据更具体的定义：“企业培养快速处理大量的多种不同格式的内外部数据资源的能力，用数字化手段实现产品、渠道和服务方式的创新，并运用大数据思维和相关技术推动企业的变革”。

而企业信息化的任务是守土有责、修炼内功，一步步提高业务的数据化驱动能力和自动化程度。对于很多传统企业，我们看到如果企业信息化都没有做好就妄图一举成为一个顺丰一样顺水前行的大数据企业，无疑是本末倒置的，大数据海洋里毫无疑问是有鲸鱼这样的大价值可去追逐，但耕耘大海也需要有大海里的本事，如果在自家水缸游泳的功力都还没练好就贸然跳海里去，这毫无疑问是危险的。有人可能反驳说，你看那些互联网企业不是这样干的好好的吗？这里笔者还是要指出，即使互联网创业者有早期创业所谓的艰辛故事，而哪家互联网企业不是资本催生出来的怪胎？如果没有得天独厚的启动资本，这些互联网企业能短时间无所顾忌地烧钱闹这么欢？君不见乐视系的业务不都是先上市再创业的皮球吗，先不论这种皮球能吹多久，这种过于玩虚的商业发展模式是不可持续的，也不是正常的企业可以去玩的，好比买彩票总有人中大奖，可靠妄想靠买彩票来解决生计问题就很荒谬了。

既然我们不能靠运气来把握企业未来发展的机会，如何从做好企业数据这个一亩三分地的小池塘（或水缸）到耕耘大数据海洋、去抓大鱼发大财，放在新工业革命的角度来看，这事关企业的命运和前途，已经是躲不过去的宿命，这么长期而艰巨的任务，如果没有合适顶层设计进行总体谋划、周密安排来规划路径对于企业来说试错的成本就难以承受了，而完成这项顶层设计工作有一套知识完备而逻辑清晰的方法论作为参考对于迷茫其中的企业无疑是雪中送炭。而目前市场上关于大数据的书籍很多，关于企业信息化的书籍就更是汗牛充栋，而同时兼顾企业信息化和企业大数据的发展需要，能有效贯通两个关联密切却差异也巨大的信息化领域的方法建构方面的书籍比较稀缺，这是笔者开展这方面研究和开发培训产品的初衷，我认为零敲碎打的事情很多人在干了，我不去凑热闹也不少我一个，而试图在两座大山之间搭一个桥梁的事情很难，但能解决实际困难和落地实施，也更有意义，我愿意干。

最后，从企业信息化到企业大数据需要的不是分水岭，而是持之以恒的长期理论建构和实践探索的努力，为难于其易，为大于其细，圣人终不为大，故能成其大，能成就大数据的“大”也离不开这个“小”的道理。

延展阅读：传统企业里，如何让领导觉得数据分析很重要？

来源：帆软数据应用研究院

为什么传统企业的数据分析工作很难推动？

某数据大拿说过，数据分析实现价值的最好状态是“不仅仅得到有创造力的数据分析结果，还要能够运用策略和各业务部门合作”，但是现状是，大部分企业第一步都没做好，又怎么去做第二步。

如果说互联网的数据分析“短平快”，那传统企业的数据分析工作更需要一步一步来。

传统行业的数据应用并不是十分先进。一方面信息化程度并不是很高，底层基础还不扎实，业务系统没上全或没用起来，数据仓库还在建设中；另一方面，传统企业的业况很庞杂，大量的上下游，业务交叉，往往流程上还是混乱的状态。而IT部门或者数据中心并不是核心部门，大多是服务性质，有些改革一旦涉及战略，还会触动上层的利益。这都决定了企业数据分析是一个被动而长线的工作。

那这样的情况下，如何去推动数据分析工作并得到老板重视？

1、注意关注企业的痛点，对于那些高品、刚需的痛点，首先要去满足。

从以往的实践来看，为什么有的领导会逐渐觉得数据重要，实际上很大原因是做了运算管理以后，领导能对比分析中下层的管理情况，能看到关心的结果，逐渐看到数据的价值。

那么，如果要让数据分析产生成吨的效果，并为领导认可记住。那我们就在一些症结问题，棘手的问题上用数据分析去解决，优先满足眼下，高品刚需的痛点。

日常，我们就把关键指标、关键绩效通过仪表盘展示出来。领导往往更关注实在的指标，例如销售额、核心客户数、亏损量，围绕这些指标去做分析，去帮助做KPI管理，有时更能带来实效。

2、尝试用数据分析的过程去优化管理决策

决策过程是为分析提供场景。决策可以分为这样几个层面：最高的层面是战略决策，然后是战术决策，还有经营决策。它们的频度和影响是不一样的，战略层面上的影响非常大，一般企业每过5年、10年或者更大的一个周期，才会去做一个战略上的变化，战术的决策次之。数据分析先要服务好经营层面的决策，服务好每个业务部门的核心目标。

操作上，在前期建立数据平台时，可以不断定一些目标，定一些主题，做成果展示，经常让业务人员以及领导分享，让其参与评价和建议，不断优化和改善，当相关人员都有参与感时，数据平台才会持久发展。

3、学会告诉老板数据分析带给企业的效益

用一个有表现力的图表或报告让领导眼前一亮，也许背后开发的心血可能领导看不到，但是一个非常亮丽的报表尤其是在超越了领导期望的情况下才是IT的最高境界。数据分析要在领导下一个需求位置等而不是永远跟在他的需求后面跑，力求创新。

4、细节着手，潜移默化地培养领导和老板的数据化意识

• 首先，让数据快速地展现，创造方便，尽量少用邮件Excel以及纸质报表，可以用移动端把领导关心的指标展示出来，每天定时定点推送，培养这样的习惯。

• 还有，有的企业尤其是大型国有集团，会常常使用数据大屏（虽然有点泡沫但对于外行来讲是十分震撼的），一旦有政府领导或者合作方来参观的时候，领导会觉得倍儿有面子。其次，楼上说的竞品也是一回事，数据分析和大数据已经成为很多的共识，外界各行各业都有关于数据的大会，有特定的CIO圈，老板圈，比如地产界的明源。其实老板比任何人都重视效益和效率，可以说服他们经常参加这样的会议，看行业领先者如何做的，看竞品如何做的。

• 最后，汇报时强调这是数据分析带来的结果balabala，现在很多汇报都可以用电子的形式，总监可以直接用数据发报的功能跟领导汇报。

每个企业的老板不一样，管理方式不一样，信息化程度不一样，以下列举几个行业的例子，案例都是真实的，这里就做隐匿处理了。

案例一：某医药行业——数据决策应用于业务管理

医药商业作为供应链的中间环节，在发挥物流配送功能的同时，承担着资金周转的重要职能，因此对于医药企业利润最大化的关键因素是毛利水平的提升和费用成本结构的优化。公司运用全成本核算的方法，创新了CVP价值分析模型，精确测算客户、品种、供应商的净利润水平，并进行因素影响分析，通过挖掘利润增长点，提供营销决策参考。

那么这个对于整个医药运营来讲一个算输入一个算输出，围绕着输入输出我们开展了几个维度的分析，客户层面的和业态层面的，第二个是供应商层面的，第三个是品种层面，然后是业务人员层面。在这个模型中，有很多指标，很多关键项因素，我们要让大家知道每个指标之间的关系是什么，每一项指标的语意的定义是什么并且统一。

于是，我们建立了上下一致的对数据理解的过程，除此之外利用这样一个架构去完成几个场景的决策。

第一个是业务结构的优化。通过平台上的数据去分析什么样的品种可做什么样的品种不可做，哪些品种带来的利润收益最大，哪些不挣钱。目的是指导大家做业务的结构调整。

第二个就是谈判就是贸易。我们要去引进一个新的品种，这个品种能带来多少收益？我们通过数据平台的这些参数的关系，在每一次谈判之前由我们的财务部门做分析和策划。

第三个是经济化的预算。

第四个是对人员的考核，考核的指标来自之前提到的各个维度，比如说利润。

第五个是项目决策，每一次做项目投入，都通过数据平台来做支持。

案例二：某制造业——数据分析提高生产线的效率，实现生产可视化

制造业比较注重生产效率的提升，而生产效率受企业管理、制造、流程、创新等多因素的影响。比如在生产效率核算方面，通过记录考勤数据和生产线产量数据，导出各条生产线的实际消耗工时值，并通过实际与计划消耗工时的比值，计算各生产线的效率值。该效率值可用于合理安排各工段不同阶段的班次需求和人员配置方案。

案例三：某餐饮——数据分析帮助市场部门店选址

一家新餐厅的开设，前厅和后厨的面积应该是怎样一个比例？二人桌、四人桌、八人桌以及包间该怎么搭配摆设？这些信息在过去都是凭借经验去决定。通过对以往餐厅数据的统计和分析，可以得到一个准确的数据参考，降低开设的风险。

以往公司的领导比较热衷于大店的模式，但是到底适不适用，并没有一个准确的结论。后来针对这些门店做了一个评测方面的数据分析，分析每平方米可获得多少营收。最终发现小型门店所获得的效益要比大型门店高。因此针对这种情况，公司在战略上做出了相应的调整，降低部分大型门店的数量，增加小型门店。

案例四：某航空公司——数据分析与业务合作的操作思路

操作上，在前期建立数据平台时，可以不断定一些目标，定一些主题，做成果展示，经常让业务人员以及领导分享，让其参与评价和建议，不断优化和改善，当相关人员都有参与感时，数据平台才会持久发展。

• 确定数据平台技术架构与确定分析主题并行。

• 快速迭代，缓解业务部门手动分析压力。

• 先出报表，积累业务经验建立模型进行分析并不断改进。

• 注意技术准与业务知识准备，以备滞后的大数据分析平台和业务建模。

  
  

延展阅读：新城控股精细化数据运营案例

来源：帆软数据应用研究院 文 | 帆软数据应用研究院 陈陵志

新城控股概况

新城控股集团股份有限公司（以下简称“新城控股”）于1993年成立于江苏常州，业务涉及房产开发投资、商业管理等多个板块。经过二十多年的发展，新城控股已经成为跨足住宅地产和商业地产的综合性地产集团，并于2015年在A股上市；2016年公司全年合同销售金额达650.60亿，同比增长103.76%，跑赢行业平均40%的增幅。凭借优异的市场表现，新城控股荣升“2016中国房地产百强企业”第15位。

数据应用上升为集团战略

1、由粗放式经营进入精细化管理阶段

随着国家管控政策和市场的变化，整个地产行业利润目前呈现出逐年下滑的趋势。同时，业内巨头并购事件持续演绎，行业分化、企业整合速度和洗牌速度加快，中小型房企通过粗放式经营获得稳定发展的愿望化为泡影。

在这样的时代浪潮下，新城控股逐步关注企业利润和增长质量，将数据应用提升到了集团战略层面，为集团主营业务的持续跨越式发展赢得了契机，并于2016年凭借优异的市场表现，成功荣升“2016中国房地产百强企业”第15位。

2、“住宅+商业”的业务模式对数据应用提出了更高要求

在整个行业不看好商业地产的情况下，新城控股还在逐年加大商业地产项目的建设和投入。截止到2016年底，新城控股已经累计开业11个新城广场，全年实现租金及管理费收入4.41亿元，出租率达 98.96%，新城控股在向规模化商业运营的业务方向上，迈出了坚实的脚步。

相比住宅销售，商业运营无论是对内还是对外，都面临更高的管理要求。对内，财务的精细化运营、风险评估；对外，如何实现高质量的招商，如何提升消费者粘性，都是对集团信息化和数据应用提出的全新命题。

数据应用愿景

新城控股的集团数据决策平台建设，坚持以业务和需求为出发点、以数据为驱动的原则，所有的需求都是来自于业务部门，IT人员根据当前数据基础和质量等情况，构建数据仓库和数据集市，满足业务人员需求。

根据对当前业务现状和集团战略的理解，新城控股将集团数据决策平台的建设目标确定为以下两个主要方向:

1、 对内精细化运营：

• 整合企业内部各核心业务系统数据，打造内部经营分析平台。

• 用数据说话，辅助决策分析；

• 智能监测、风险评估，实现精细化运营。

• 并在此过程中沉淀企业数据资产。

2、 对外价值变现：

• 充分挖掘企业数据资产并与外部资源对接，跨界合作。

• 探索新的营销模式，寻找新的盈利点，进行数据资产价值变现。

在对项目目标进行了充分的理解和调研后，新城控股选择了帆软的两款产品。其中Finereport面向领导决策层，采用固定模板展示高度聚合的汇总指标数据，有效支持内部经营决策；FineBI平台面向业务人员，将企业的经营数据进行标准业务数据集整合，通过业务包的授权开放给相应的业务人员，支持他们通过自助式的定义可视化的界面，看他们需要的数据，及时了解外部变化。

数据驱动的全新运营思路

新城控股数据决策平台从业务发展的角度，全面整合集团各业态数据，构建业务模型，为实现集团大数据应用、寻找创新突破、进行数据资产变现，提供了平台基础。数据决策平台上的业务模型主要包含以下几块：

1、项目IRR模型

项目回收周期长、资金占用量大是地产行业评估项目收益时需要考量的特点。因此，项目IRR（内部收益率）成为所有地产企业老板最为关注的经营指标，同时也是项目跟投人决定是否跟投项目最重要的依据。

因为IRR指标的计算涉及到销售、财务、成本甚至项目交付等诸多方面，任何一个环节发生变化都可能造成IRR的波动。以往通过线下报表的方式统计IRR，进行层层数据收集和汇总，容易出现以偏概全的情况，另外，这样的数据时效性差，并不能准确说明当前项目准确的收益情况。

新城在数据决策平台上建立了IRR模型，通过对明源全面预算系统数据进行ETL处理，将IRR数据进行标准化存储。决策层可以获得及时、准确的IRR数据，制定有效的经营策略。同时，模型还结合了项目合伙人跟投系统，进行跟投收益率计算。按月动态监测项目IRR变化情况及项目跟投收益情况。

新城将IRR动态监控集成到了移动端，进一步放大了IRR模型的价值：通过移动端能够及时掌握每个项目的收益（和项目IRR绑定），提高了新城员工跟投项目的积极性。集团则可以通过IRR实时激励整个公司的运营和管控。

2、货值统计模型

对于房地产企业来说最重要的产出就是货值，货值的多少与动态变化过程实时地反映着企业的经营规模和经营状况。那如何动态地获悉销售总货值，及时精准的计算销售总货值与销售去化的情况？已成为房地产企业多年来一直在追寻的答案。

曾经国内某知名房企在年末的高层会议上要求精准地汇报本年的销售总货值、已售货值、入账货值、待售货值、未开工预计货值。但面对集团下属上百个项目，营销部门统计这些数据足足花了2周多的时间才完成收集统计，部分项目的数据还无法检验其真实性。

新城控股的数据决策平台，打通了包括主数据、生产计划、销售计划、销售数据以及财务经营指标等所有环节的过程数据，做到了全生命周期的统计。能够及时反馈包括未售、已推未售、预计推盘、剩余未推在内处于各个生命周期的货值统计。

通过这个平台，决策层可以通过时间轴来分析，哪一天库存卖完了，从而决策什么时候可以继续拿地投入新的项目，以发挥资金的最大价值。

3、动态利润和奖金测算模型

对于周期较长的项目，操盘手或者执行公司的领导，对于项目上的动态利润和奖金情况得不到准确的信息，就很难产生持续的动力投入项目。

新城控股通过数据决策平台建立了动态利润和奖金测算模型，作为项目的操盘手或者执行公司的领导，可以看到截止到当前可以拿到多少奖金，另外预测到年底可以拿到多少奖金，实现动态激励。

• 动态利润模型：整合多方数据源，从公司、项目、分期、产品、业态、日期构建数据分析维度。动态获取财务、营销数据每日进行销售净利润计算，匹配年度利润目标，进行实时动态监测，辅助决策分析。

• 奖金测算模型：整合项目回笼数据、签约利润、结转利润，按计奖公式进行奖金计算，从项目到城市公司进行奖金包合并测算。实现实时激励作用。

4、商业经营分析模型

近年来，国内大型购物中心数量增长加快，同质化竞争加剧，加上电商平台对实体商业的冲击，商业广场如何实现精细化招商，如何吸引消费者，走出经营困境……成为供过于求阶段商业广场运营者需要思考的问题。

新城吾悦广场的运营，在新城集团“住宅+商业”的业务模式中占有重要地位。围绕新城吾悦广场打造高质量的商业运营模式，能够有效提升品牌价值，促进整体销售。建立商业经营分析模型，则是提升新城商业运营能力的重要手段。

新城数据决策平台在商业运营分析模型建立方面，主要完成以下三点工作：

第一， 利用Finereport自定义地图功能建立商场模型，并与店铺数据进行绑定；

第二， 根据商业的客流还有租赁系统进行数据清洗和整合，实现了客流动态监测，包括租赁收入统计分析；

第三， 另外通过财务系统的数据抓举，实现了商业运营的投资回报率的查询分析。

5、客户分析模型

在新城控股“住宅+商业”的业务模式中，除了有限的购房用户，还有数量庞大的商场消费者用户。依托包括住宅销售、物业、商业和其他多业态在内的海量用户数据，新城控股构建了用户大数据平台，积极探索基于用户属性和用户行为的大数据应用，进行内部交叉运营、寻找创新突破、进行数据资产变现。用户大数据平台实践的主要内容包括：

• 客户数据的汇集，基于现有业务系统进行数据集成、数据模型搭建，完成客户数据的存储；

• 根据采集到的用户基本信息和行为信息数据，进行新城客户的全景画像，知道客户什么时候买了新城的房子，什么时候入住小区，小孩什么时候到我们的儿童乐园玩过，以及投资理财的情况等等；

• 做了一些数据应用的仪表盘，包括客户触达的环节，支持针对客户的精准营销。

本文系“产业智能官”（公众号ID：AI-CPS）收集整理，转载请注明出处！

版权声明：由产业智能官（公众号ID：AI-CPS）推荐的文章，除非确实无法确认，我们都会注明作者和来源。部分文章推送时未能与原作者取得联系。若涉及版权问题，烦请原作者联系我们，与您共同协商解决。联系、投稿邮箱：erp_vip@hotmail.com