首先要搜集数据，一定要围绕核心业务的核心痛点搜集数据，例如一家陶瓷膜生产企业，国内同行不多，生产过程要求很高，如何提升陶瓷膜的质量是难点，在建新工厂时，从泥料开始一直最后成品，每道工序都有数据自动采集，特别地，在每根膜管上都有二维码，因此可以质量追溯到每根膜管，通过大量项目现场的应用数据和详细的生产数据，可以推算出是泥料问题、是流转模具问题、还是烘干问题等，只有找到问题的具体根源，才能进一步改进提升(设计、原料、工艺、设备、人员等)。当然数据收集都有成本，不能不管三七二十一，什么数据都搜集，要根据具体情况具体分析，有时在过程中，也要适当调整采集点、采集频次、或采集方法。

其次是算法，算法就是数学模型，尽量购买成熟的算法，如ERP系统、MES系统、CRM系统、大数据算法、AI算法等。特殊情况下，需要自建算法时，不能一味求全求快，要有逐步迭代的过程，甚至要有试错的思想准备。

企业数据管理存在的问题

数据处理这一块，一般情况下常见的几个问题：

数据不在线，很多数据没有采集，没有进系统。大部分企业都有ERP系统，因此三大订单(销售订单、采购订单、生产订单)、存货、和财务数据都有了，但在数字化转型的今天，这些数据远远还不够，远远不能满足日益提升的管理需求，比如零售企业没有足够的用户数据，尤其是快消品行业，不知道自己的客户画像，即不知道购买产品的是什么样的人，年龄层次、文化层次、性别、区域、渠道、购买时间等等，但如果有新零售系统，就能采集到这些数据，分析结果可以供市场精准推广、供营销分析得失、供研发有的放矢。再比如制造企业没有足够的生产过程管控数据，就无法有效保证交期，无法控制质量和成本，无法实现智能制造。

数据不集成，通常讲信息孤岛，系统与系统之间没有打通。同一数据多个源头，数据定义不明确，甚至数据编码不统一，即使数据再多，也无法有效地进行分析，甚至系统之间的数据相互矛盾。此外，数据不集成也增加很多重复的手工劳动，而系统之间的数据传输本该系统自动完成，一旦有差异，会自动报警，而人工处理难免差错，这也是导致系统间数据相互矛盾的主要原因之一。

数据不利用，有很多企业积累了大量的数据，但是数据分析不够，只做了基础的业务分析报表。对数据要有挖掘利用能力，全员推行数据说话的文化，不但能从数据中找到亮点和不足，还能从数据中找到机会，甚至通过数据赋能业务。比如某家具企业，基于大量的历史数据和人工经验，建立了包装规划模型，不管什么家具，不管什么形状，不管大小，通过模型就知道这套家具一共几包，每包里有哪几块板件。

再比如某酒企，生产原浆酒的工序以前完全依赖工人的经验，后来增加了大量的传感器、控制器、机器人，实现原浆酒生产智能化，自动添加酒糟，自动识别原浆酒的级别，不但稳定了原浆酒的质量，同时还扩大了产能。

数据不安全，我经常比喻建大楼必须要有消防系统，实际上数据安全跟消防安全很类似，大楼失火的概率很小，但一旦失火除了社会影响，对企业来说往往是无法承受之痛，企业的数据安全也是一样，要么不出问题，一旦出问题就是大问题。但建大楼的时候，国家强制要有消防系统的验收才行，而企业的数据安全没有强制规定，只是上市公司有IT审计稍微好点。