作者：赵兴峰
出版社：电子工业出版社
格式: AZW3, DOCX, EPUB, MOBI, PDF, TXT
企业数据化管理变革——数据治理与统筹方案试读：
前言
很多企业热衷于谈论大数据，却忽视企业内部的基础数据管理和内部管理团队的数据思维训练。不重视数据，就不会有数据；没有数据、也没有具备数据思维的管理团队，大数据跟你的企业就不会有任何关系。
目前关于大数据的讨论都还停留在概念的层面，且对大数据的定义本身都存在各种各样的理解。但有一点是肯定的，无论是大数据还是小数据还是微数据，作用都越来越大，影响着企业的经营管理决策，而且数据技术的应用水平直接影响着企业的综合实力。
大数据改变了我们的生活
如果把互联网技术看作是信息传播方式的技术，它经过20多年的应用和创新发展，改变了我们获取信息的方式，也改变了我们人与人之间的沟通方式，和做生意的方式，即商业模式，衍生了大量的电商、微商、共享经济和O2O经营模式，使我们的生活方式发生了翻天覆地的变化。
大数据技术则可以看作是信息加工方式的技术，目前数据技术因数据量的积累和增加，逐渐受到人们的重视并开始发展。数据技术之所以受到比初期的互联网更多的关注，是因为大数据技术作为信息加工技术，本质上是认知技术、智能技术，它延伸了我们大脑的思考能力，从而影响着我们的决策能力，决定我们认知世界的水平和能力。人类之所以能够站在食物链的顶端是因为我们大脑的思考能力超越了其他的动物，如果一个国家的“思考”能力在大数据技术下得到发展，则国家实力也将迅速发展，这也是为什么大数据技术被很多国家上升到国家战略层面去发展的原因。而对于企业来讲，大数据技术也会影响着企业的“思考”能力，决定着企业决策的合理性，以及企业的经营和管理水平。水平高的企业就能够战胜水平低的企业从而赢得市场竞争的胜利。任何一个企业都必须重视大数据技术，特别是当你的竞争对手和潜在市场进入者已经行动时。
大数据技术影响企业的发展
中国工业化进程非常短，对比欧美几百年的工业化发展历史，无论在技术上、方法上还是管理上，中国的工业化还在复制与创新相结合的阶段。回顾中国经济发展史，自1979年改革开放以后，我们企业的发展靠的是计划经济向市场经济转型过程中释放的机会红利；10年后机会红利消失，经济下滑，大量劳动力闲置，社会开始变得不稳定。于是1991年邓小平南巡划定经济特区，开始放开出口，并鼓励出口，大量的出口企业获得更多订单，让更多的劳动力得到就业机会，人口红利促进了企业的发展；又是10年左右的时间，人口红利逐渐弱化，为了刺激经济，2001年中国加入WTO，在关贸总协定的政策红利下，中国经济迎来第三轮的发展；但好景不长，2008年席卷全球的金融危机爆发，严重影响了中国出口型的经济，于是中国推出4万亿元投资计划，延缓了经济的下滑，但资本红利对经济的促进作用是有限的，也是难以持续的措施。为此，在经济逐步下滑的今天，我们必须通过技术红利来实现经济再次增长，这也是为什么我们要强调“供给侧”改革的原因，只有技术创新才能挽救下滑中的中国经济，而大数据技术是影响未来经济发展最重要的技术。
但中国的企业家不太重视数据，管理者也缺少使用数据决策的习惯。过去30年，我们习惯了机会红利，习惯了人口红利，习惯了政策红利，也习惯了资本红利，但是我们对技术红利，特别是数据技术，并没有积累，我们在技术上的创新少之又少。但数据技术是我们回避不了的竞争要素，没有数据技术的支持，无论是国家之间的竞争还是企业之间的竞争，就如智者与愚者的竞争，还没开始竞技，胜负已经确定，竞争已经结束。
为什么撰写本书？分享经验，助推发展
笔者在国内为企业提供专业咨询服务近10 年了，亲历了中国咨询服务业的三个阶段。
第一个阶段：机会探寻式的战略咨询盛行期。2000—2007 年，全球金融危机之前，受中国经济高速发展之后的“机会红利”下降的影响，企业急需专业人士为自己寻找更好的商业机会。此时，战略项目需求最多，而大多数所谓的战略规划项目，不是真正地去规划企业的发展战略，而是在为企业寻找新的发展机会和空间。第二个阶段：以提高人的积极性为主的“洗脑期”。2007—2012 年，以执行力、影响力、领导力、成功学、教练技术为代表的“洗脑式”咨询服务盛行。此时，市场机会越来越少，“人口红利”也在下降，而企业自身的业务还有空间，就看谁做得更好，这个时候给员工打打“鸡血”，业绩就有了提升。
第三个阶段：精细化管理阶段，也就是现在这个阶段。这个阶段的机会红利和人口红利已经消失，“打鸡血”不再管用，因为如果不从根本上解决企业的经营和管理精细化的问题，不从管理体系上入手解决企业经营、管理效率和企业竞争力的问题，那么即使找到了“好”机会，大家也会蜂拥而上。这个时候，企业家需要冷静下来，从内部管理的精细化上提高企业的竞争能力和客户服务水平，从制度、流程等体系上解决管理的问题。
于是，笔者想写一本具有实践指导意义的书，为中国的企业推进大数据应用提供一些个人的想法，分享一些经验，让读者能够逐步建立数据思维，提高数据意识，再让其了解数据化管理基础上的精细化管理，提升其所在企业的精细化管理水平，哪怕提升一点点，都是有价值、有意义的。
当然，企业经营大数据方面的理论和知识还是非常缺乏的，因为这是一个比较新的概念，从国际上的大咖，到我们这些从事数据分析的“菜鸟”，都在探索中实践着，在实践中探索着。本书也仅仅是一个具有尝试性意义的书，算是一本启蒙式的书。或者说是数据化管理和应用实践过程中的阶段性思考，有些假设性的结论也还需要实践的检验。但这是一个有意义的尝试。
目前在国内，有很多人像笔者一样在从事着数据分析的工作，也在实践中不断总结，形成了自己的想法和看法。希望有更多的人能够把想法和经验通过出书或者发布博文的方式分享出来，让企业经营大数据的管理和应用经验，以及理论体系能够获得更加突飞猛进的发展，从而为推动并加快民族产业的转型升级发挥集体的力量。作者第1篇数据源头篇1你了解企业中的大数据吗
什么是企业大数据
企业大数据从哪里来
数据将成为像石油一样宝贵的资源
数据系统是企业的神经系统
企业大数据有什么用
大数据成了热门的词汇，从2012年开始到现在，其实这还仅仅是开始，未来10年绝对是大数据技术普及应用的最好时机。这与10年前比较火的“商业智能（BI）”不同，大数据的应用真的在发挥作用，影响我们的生活，甚至惊动了各国的国家领导人。奥巴马在2012年成立了大数据研究与发展局（Big Data Research and Development Institute）来研究大数据如何更好地推进政府治理工作；2015年9月6日，李克强总理签发了《促进大数据发展行动纲要》；各国政府也在不断地构建数据开放平台。
而大数据是什么？与我们企业有什么关系？很多人还存有疑问，或者概念模糊。本章会探讨什么是大数据，什么是企业大数据，普通的企业与大数据有什么关系，以及为什么说企业大数据是企业宝贵的资源等。1.1 什么是企业大数据
1.1.1 大数据的概念
首先我们先来了解一下大家常说的大数据是什么。
大家常提到的大数据，一般来讲是指企业外部的大数据。随着智能终端设备的普及、互联网技术的升级、移动互联网的快速应用以及数据存储、数据处理和数据分析与挖掘技术的革新，我们身边的各种数据都以“数字化”的形式被记录下来，从而产生了大量的数据记录，这个数据量级之大，超乎一般人的想象，因此就有了大数据这个说法。所以，一般意义上的大数据是指，数据量级非常大，以致我们常规的数据处理、数据存储以及数据分析能力无法满足要求，因而我们称其为大数据。
数据的处理能力是相对的，也是在不断发展和变化的。技术每天都在进步，经过一段时间之后回溯去看，我们会惊讶于其发展速度之快。随着技术的快速进步，包括数据记录技术、数据存储技术、数据传输技术、数据分析技术以及数据挖掘技术等的发展，我们之前无法处理的数据量级，现在来看就会觉得非常小，甚至可以用微小来形容了。
20年前，我们还在使用286、386、486、586的PC机器，100MB对于我们来讲就是一个天文数字，而现在电脑的存储容量都是用GB来衡量的，一台普通的笔记本电脑都有500GB以上的存储容量，甚至有些智能手机都有超过100GB的存储容量。10年前我们处理1MB的数据，计算机需要运行很长一段时间，而现在大型电商像淘宝、京东都已经进入了上百PB级别，百度的数据量更是接近EB。大多数部署了管理信息系统的企业，数据量级都在TB以上级别。而亚马逊的AWS云服务器超过300万台，在全球共分布有几十个数据中心，这些在20年前都是无法想象的。所以说数据处理能力是一个相对的概念，其依然在高速发展，大数据的概念也会不断地演变，今天的“大数据”在不远的将来可能会被看作是“微数据”。
大数据的应用越来越普及，我们常常听到的应用大数据的企业多是互联网企业、电信企业、电商以及金融服务企业，这些企业所在的行业本身就是“富数据”行业，企业自身的经营特征决定了能够存留大量的数据。比如，百度的主营业务就是通过后台的数据搜索服务器来收集互联网数据供用户查询；在UGC（User Generated Content，用户产生内容）的时代，各种社交媒体，包括微博、微信、QQ等，存留了大量的用户活动数据；电信运营商本身就在为客户提供各种数据传输服务，因而能够存留大量的客户沟通和传输的数据；亚马逊、淘宝、京东等电商企业，本身的客户数量庞大，加上所销售的产品种类繁多，也存留大量的交易活动记录数据；金融服务企业，例如银行，为巨量的用户提供资金的转移服务，拥有大量的交易记录信息数据。
这些都是我们常说的大数据，这些数据当中，有些是开放的，可以通过技术手段来获取和使用。比如，我们可以使用程序爬取微博数据，来分析微博用户的行为和其对企业、品牌或者某些产品的看法；可以通过搜索引擎来提高企业品牌的曝光率或者被网络用户搜索到的概率；通过爬取电商平台上的信息来掌控产品的销量及价格的走势。有些富数据的企业，也在利用其所拥有的数据为自己和客户提供数据分析和挖掘的服务，甚至有的企业将数据作为自己的产品或者服务，销售给需要数据的企业。
现在所说的大数据几乎无处不在，可以是任何事情的记录，也包括任何智能数字化终端的数据记录。仅北京市，每天各种视频监控可以产生大概0.6PB的视频记录数据。而北京市的2000万市民拥有的近1000多万部智能手机的GPS产生的数据可达到上百GB，如果包括智能手机中的微信、微博、QQ等各种社交软件所产生的数据，则可以达到上百TB。这些数据都是大数据的组成部分。现在，我们会利用清明上河图来了解那时的社会情景，而未来几百年之后，我们的后代在研究现在社会历史的时候，会利用更多的图文史料来研究这个时代。
1.1.2 企业大数据的概念
以上所提到的这些大数据，对产生数据的平台本身来讲是内部的大数据，但对多数企业来讲，这些是外部大数据。现在大多数人口中所说的“利用大数据来做某某事”，基本上指的是利用外部大数据。
利用外部大数据的案例有很多，一般都需要专业的数据人员，并需要投资足够的设备、网络带宽来实现对外部大数据的获取。对于大多数非“富数据”行业的中小企业来讲，利用外部大数据还是比较难的。同时，探讨外部大数据应用的书已经非常丰富了，也有很有趣的案例可供大家参考，但本书将不再重复这些例子，本书将从与每个企业都非常相关的内部大数据的视角来看企业的大数据治理和应用。
每个企业在日常经营和管理中都在产生数据。员工上下班打卡、销售人员销售产品、客户经理同客户通电话、生产线上在生产产品、公司财务在收款和付款、采购人员在同供应商询价及人力资源的员工在进行着招聘、面试、培训、考核、发工资等活动，这些都是企业经营管理的日常活动，只要企业还存续，这些活动就会持续不断地发生着，如果这些活动被记录下来，就形成了企业的内部数据。有些公司会比较重视数据的记录，有些公司并没有把这些活动记录下来留存成数据。大多数企业会对财务、人员工资、销售、采购等经济往来有相对明确的数据记录和管理。有些公司的数据量级非常小，有些公司则非常庞大，区别在于公司的规模、经营模式和业务内容。
我们把以上这些数据叫作企业大数据，给一个明确的定义就是：企业大数据是指全面记录企业经营和管理活动的数据。这个定义是从企业实践应用的角度出发的，不过多地强调数据量级的大小，即使是一个非常微小的数据，也是企业大数据中的一部分。该定义更强调数据涉及范围的全面性。在企业经营和管理过程中，单独的数据或者孤立的数据价值会大打折扣。只有全面记录数据和信息并实现相互间的关联，才能够使其更好地发挥作用。
如果充分且有效地记录公司人、财、物各种资源以及资源的活动，形成数据库，并长期坚持采集记录，那么这个数据的量级对中等规模以上的企业都不是小数据。几百人的企业，规模虽然小，每个员工的活动和每个客户交易的活动、每次市场调研、每次产品推广等，如果能够详细记录，形成完整的数据库，经过几年，即使不计算图片、音频、视频等多媒体数据，这个数据量级也可以达到TB级别。
1.1.3 数据的价值密度概念
数据的价值在于挖掘，但数据本身对于不同的对象，也有不同的价值。作为外部大数据的微博数据信息量非常大，因为微博来自于千千万万兴趣不同的用户，记载着不同的内容，表达着对各种事物的看法和想法，这些内容因为不够聚焦，所以对单个企业来讲，其价值含量就非常低。但因为数据量级的巨大，可以通过在上亿条记录中找出部分与企业业务相关的信息，就能够帮助企业了解客户需求、了解客户对产品或者竞争对手产品的评价，从而帮助企业随时了解外部动向，这是有意义的，只是数据的价值密度低而已。
而企业大数据则不同，每一条信息记录都是与企业相关的，每一条信息都可能蕴含着巨大的信息量。所以说，其数据的价值密度就很高。一个公司月度销售额数据一年12个月的数据才12条，可这12条数据能够反映企业每个月的销售额变化以及企业环比增长情况；加上每个月的销售目标情况才24条数据，但能够反映出这个企业每个月完成销售目标的情况；如果把几年的月度数据叠加对比，就会反映出这个企业所在行业的季节性变化情况。所以，微量的数据可能蕴含着大量的信息。这些高价值密度的内部数据，需要企业更加重视起来。
1.1.4 开始积累企业大数据
很多企业在谈大数据时，艳羡外部大数据的量级，以及部分企业从对大数据应用中所获得的利益与价值，却并未重视内部经营和管理活动的数据采集。很多有价值的数据并未在历史的过程中记录下来，甚至有些上规模的企业仍然舍不得在管理信息系统上进行投资，主要的原因还是没有充分认识到这些数据的价值，也不知道这些数据有什么用。
受实用主义理念的影响，当企业的管理者看不到数据的价值的时候，就不会注重对数据的收集和管理，因而很多企业在发展过程中，并没有将上面谈到的各种数据记录在一起，这就有了部分企业觉得自己的企业中没有数据这样的想法。其实企业不是没有数据，而是没有记录、整理，或者说没有对数据进行管理。
我们不可能分析和挖掘没有的数据。如果我们现在不记录下企业经营管理活动所产生的数据，以后肯定无法再找到这样的数据，靠回忆是无法将数据记录得完整、全面和准确的。没有数据就无从分析，也就无从挖掘数据的价值，而挖掘不到数据价值的时候，就更不会去注重数据的收集和管理，这就演变为一个“先有鸡还是先有蛋”的问题争论。
未来的市场竞争环境和过去已经完全不同，依靠经验做出的判断往往是有非常高的风险的，没有数据的企业就像没有昨天、没有历史一样，无法“以史为鉴”，曾经缴纳的“学费”还要继续去缴，甚至还会犯同样的错误，走同样的弯路。现在的市场竞争环境越来越复杂，瞬息万变，企业如果没有历史数据，就无法做到心中有数，而“心中有数”这句古语本身就在强调数据的重要性。
企业最大的经营风险来自于外部和内部环境的不确定性，越是在复杂多变的市场环境下，企业要想持续经营就越加需要注重确定性，而提高企业经营和管理确定性的基础就是数据。大多数企业的灭亡都是因为管理决策失误造成的，而管理决策的准确性依靠对内外部环境准确地判断，如果我们能够有明确的数据，判断的准确性就能得到大幅度的提高，决策失误概率就会大大降低，企业持续时间就会更长久。由于数据化管理或者是说数据思维在发达国家企业的普遍性，其企业平均持续时间就会更长久些，根据财富杂志的研究表明，美国企业的平均寿命在7年左右，而中国企业的平均寿命不到3年。
一件事情做不成有两个原因，一个是“不会”，另一个是“不为”，“不会”可以通过学习来解决，而“不为”则需要转换理念，改变习惯。企业的数据化管理也需要从“不会”和“不为”两个方面去诊断。
企业大数据的概念还非常新，相关的知识也比较匮乏，市面上能买到的书也比较少，管理学院的课程也待开发，“不会”的问题肯定是存在的，而制约企业数据化管理方式推进的更大阻力则来自于“不为”。“你不可能叫醒一个装睡的人”，数据化管理方面也一样，你不可能教会一家不愿意推进数据化管理的企业；将视角放到企业内部也一样，企业的大数据积累和沉淀都需要企业全员的数据思维和数据意识，如果中层管理者和基层员工都没有数据意识和数据思维，企业高层也无法推动。1.2 企业大数据从哪里来
随着大数据概念的火爆和普及，每个人都逐步意识到大数据的重要作用，都开始思考企业大数据的问题。有些公司的高层开始请外部的大数据专家来讲课，希望内部的员工能够开始使用大数据。而中层的管理者总是一头雾水：“大数据在哪儿呢？”
1.2.1 企业大数据来自我们的日常工作活动
其实每一位管理者仔细思考一下自己日常的工作，就会发觉自己日常接触到的内部数据其实有很多。在这里简单罗列一下，以下这份清单几乎是所有的企业都应该有的，即使不保存在公司电脑里或者是说存储在企业管理信息系统里，各个岗位的管理者也应有一份自己的数据清单，以方便自己的工作。续表
以上只是从三个部门的角度出发列出了一些基本的数据表，这些基本数据表的完整程度、管理的规范程度直接反映了企业基础数据管理的完善程度和规范程度，这些数据表中的数据质量也会直接体现出这个企业所拥有的内部数据的质量。因此，在判断企业目前数据化管理程度时，笔者一般会直接让企业相关部门提供以上清单中的几个数据表，就能快速做出相对准确的判断。
企业的每个岗位、每个人员都在进行着与企业相关的经营和管理活动，都在掌握着企业相关资源，拥有这些资源的信息和记录，这些资源与资源转换活动就是企业大数据的发源地。只要每个岗位的员工都能参与到数据采集和数据记录的过程中，或者配合着相关的设备完成对数据的采集工作，企业积累自己的大数据就是一件非常容易的事情。
1.2.2 企业数据源头管理需要系统化
从前面这份数据表清单示例中可以看到：有的数据是基本的信息表，有的数据是活动的记录表，会形成一个流水清单；有的数据是主动记录下来的信息，有些数据是机器自动采集完成的；有的不是公司内部的资源，但是需主动采集的信息。可以说，数据源头是各种各样的，有的信息比较容易管理，比如说公司安装了门禁和指纹考勤机，要求每个员工上下班打卡，就能够自动记录考勤情况。
而有的信息，比如竞争产品信息数据、竞争对手活动数据、潜在客户名单等相关的数据表，就需要销售部门的人员主动去外部采集，数据的质量和数量都与销售人员的积极主动性直接相关。员工自己比较主动、勤快，或者说有数据意识，就会去收集整理这些数据，如果公司不要求，基本很少有人去做，即使要求了，应付差事的情况也很多见。
企业大数据管理不能依赖于个人的积极性和主动性，因为不同的员工会带来不同的结果。要想构建比较完善的企业大数据，就需要系统化地管理。为保障源头数据的质量，企业需要明确什么源头需要什么样的记录，在数据信息字段的采集、数据的格式、数据记录的载体、数据的存储和传输形式等方面形成规范性的要求，并对相关源头数据的负责人提供足够的培训，在过程中进行监督检查。
比如，最基本的《员工个人基本信息登记表》是基础数据表，人力资源部对该表所采集数据的质量，包括数据的全面性、准确性、及时性和完整性负有管理责任。人力资源部在入职管理或招聘岗位相关人员时，需在人员招聘面试、入职等时间节点上对该数据进行采集，让每个新员工填写完整的《员工个人基本信息登记表》，并在日常工作中，随着员工个人情况的异动，定期进行更新。比如说，每个季度需要员工填写个人信息异动表；在某些管理工作节点发生异动后，及时更新信息库，如员工请婚假，需要及时更新员工的婚姻状况、家庭成员状况的信息；员工请产假，需要及时更新员工的子女状况信息；为员工开具个人收入证明，其买房时，需要更新员工个人资产、个人居住地址等相关的信息。一方面，需要数据负责人对自己所负责的数据有质量意识；另一方面，在内部管理上，需要建立并不断完善这种活动与数据更新的联动机制。这需要在内部管理制度、岗位说明、任务说明、流程要求等方面做出数据管理的规范性要求。
系统化的数据管理制度与流程能够保障企业大数据的质量：在数据采集的全面性上、在数据的完善程度上、在数据的准确性上、在数据采集的及时性上、在数据积累的持续性都要有保障；同时，系统化的管理能够将以上各种数据关联到一起，形成高度关联的大数据集合。
1.2.3 企业大数据的分类
本章探讨的企业大数据会将重点放到企业内部大数据上，这里的“内部”更多的是从数据拥有方式上定义的，指企业所能够自主拥有的大数据，具有“自主产权”的数据，包括企业主动采集或者采购的外部数据。
从数据所描述的“主体”上，我们把企业大数据分成两个大类，一类是资源信息数据，另一类是资源活动记录数据。
第一类，资源信息数据。资源信息数据是静态数据，记录企业相关内外部资源主体的相关信息，企业的资源包括人、财、物和信息四大类资源，其中的信息资源包括企业的无形资产、技术专利、经营诀窍、客户关系以及内部的数据等资源。
比如，人这个资源，指所有与企业经营活动相关的人，包括公司的领导者、管理者、员工，还包括与公司经营有利益关系的人，例如客户、供应商、竞争对手、政府、社区、协会等。
资源信息类的数据相对于资源活动记录数据来讲，具有相对的稳定性，对即时性要求相对较低。比如，对人这个资源的描述信息相对是固定或者稳定的，但内部员工会随着岗位变迁、人员流失、招聘等活动而发生变化，但人的基本信息变动频率不像资源活动记录那样有着非常高的时间节点性，对记录的即时性要求不高，即使事后补充记录，对数据质量的影响也不会太大。
对资源信息的记录，比较强调信息记录的全面性。但受限于法律规定、信息获取手段等，数据的完整性不见得都能得到保证。比如，收集内部员工的个人信息受隐私法保护的限制，有些信息比较敏感，可能无法强制获取；对客户信息的收集，受客户提供信息的意愿和采集数据的手段限制，对客户信息的采集往往难以保证完整性。这里就需要把握一个度，通过长期的坚持和积累，实现数据的不断丰富。
对资源信息类数据源进行系统性梳理时，常常会采用一些卡片工具进行采集或者诊断现有数据信息的完整性，如下图所示。信息字段定义卡片工具
第二类，资源活动记录数据是指公司经营和管理活动所必然牵动的数据。比如，员工的考勤数据，跟客户进行的买卖交易活动，这些都是资源的活动，具有非常敏感的时效性，所以可以称之为“动态数据”。根据笔者在实践中的观察，企业对活动的记录往往是比较缺乏的，容易发生“事情做了，但没记录下来”这样的情况。为了更好地保留企业内部各种经营管理活动所带来的资源活动数据，需要建立严格的管理流程和制度，并配以足够的技术手段，实现活动记录的即时记录。在宝洁公司，为了追求数据的即时记录，内部流行一句话：“没有记录下来的事情都没有发生过。”就是说，如果不记录下来形成数据，你的工作相当于没有做。
在对动态数据进行梳理的时候，笔者经常采用的是表格工具，如下表所示。表格的左边是梳理企业所有相关资源的企业资源列表，右边是资源对应的活动，这样就将活动对应应该记录的内容进行了明确化。因为不同的公司有不同的业务特征，信息记录字段的要求也不同，此处仅仅作为示例。从数据结构的角度讲，注意不要有太多重复的记录，这样会加大以后进行数据校验时的工作量。比如，员工上下班打卡记录，只要有员工编号即可，不需要员工的姓名、性别、年龄等字段，因为这些字段可以通过唯一的员工编号追溯得到，这个对应的是员工基本信息数据表中的数据。资源活动记录字段定义工具表续表
之所以要把数据分成静态数据和动态数据，主要是为了企业能够系统化地梳理数据源头，解决“数据从哪里来”和数据记录全面性的问题。即在对企业大数据进行系统性地梳理时，首先要梳理企业所有的相关资源，然后再对资源的活动进行梳理，这样就能够全面地、系统地梳理企业所有的大数据，然后再根据技术条件（可获取性）、经济条件（成本投入高低）和数据本身价值进行分类，将最紧迫、最重要、高价值密度的数据优先获得，并逐步纳入数据库中，从而构成企业的大数据源头。
1.2.4 企业大数据的六大主要来源
为了更加全面地梳理或者评测企业大数据的源头，需要从企业经营活动主体边界角度再进一步看企业大数据的来源，从而为企业构筑更加完整和全面的数据源头提供思路。
从数据描述对象与企业的关系角度以及动态和静态信息来分类，企业大数据的来源主要有六大类（如下图）：（1）企业资源的信息数据（静态数据）；（2）企业资源活动的记录数据（动态数据）；（3）企业经营活动所接触外部资源的信息数据（静态数据）；（4）企业观测到相关资源活动的记录数据（动态数据）；（5）企业主动采集或者采购的外部数据（静态+动态数据）；（6）外部开放数据和公共数据资源（静态+动态数据）。企业大数据的六个主要来源
以上分类中，通过1.2.3节中梳理数据源头的方法基本可以梳理清楚，这里重点介绍一下第5类和第6类。
企业主动采集或者采购的外部数据是企业根据经营决策需要，采用数据采集的手段和方法，成立数据采集项目，完成数据采集的工作。比如，公司为了了解市场中消费者的分类，为公司选择目标客户群体，并定位关键细分客户群体重点研发新产品时，可以发起消费者研究活动，通过市场研究项目，定性或者定量研究消费者的需求，然后形成数据分析报告。这样采集的数据就是企业跨出自己的经营边界所能够接触到的资源，属于主动采集数据。
如果企业能够坚持每年做一次市场调查，经过几年的跟踪、监控，就能掌握消费者对产品需求的变化线路，从而敏锐地感知到消费者需求的变迁，及时根据消费者需求的变化调整自己的产品线和品牌路线，让产品能够更好地满足消费者的需求，保证最佳的客户体验，公司就能在市场上一直保持较好的竞争优势。国内的企业能够坚持这样做的不多，大多数是跟随企业领导做出产品线的调整，或者看到市场上哪一类产品开始受欢迎就跟进模仿，而不是自己花费人力和物力去研究、创新。宝洁公司和惠氏制药公司每年都有很多这种市场研究项目，其主要的目的是不断感知外部市场需求的变化，随时对公司的产品线和品牌策略做出调整。因为有了类似的主动采集外部数据的举措，所以这些大公司对市场需求的变化能够做到“春江水暖鸭先知”，大而不僵，是敏感的“巨人”。给予大型企业敏锐感知力的就是主动的外部数据采集和分析。
1.2.5 外部数据源的管理也非常重要
还有一类重要的企业大数据来源，不是来自内部经营管理活动，可以将其算到第7类中，即外部公共开放数据资源，包括政府公布的人口数据、经济数据以及权威机构发布的研究数据等。这些数据是企业从战略制定、投资研究的角度考虑需要深度分析的数据，这些数据一般都有固定的开放平台，包括国家统计局网站、权威数据机构网站、官方媒体等。现在各国都在建立公共数据服务开放平台，有些有了开放接口，通过接口可以实现数据的即时获取或者更新。中国政府也在推进数据开放和共享平台的建设，地方政府如上海就首先成立了政府数据公开的服务平台。
人口数据对于公司制定发展战略，确定年度目标有重要的参考意义。如果是一个婴幼产品供应商，那么每年各地的出生人口数据就是非常重要的；如果是一家婚庆产品相关的公司，那么每年各地的结婚人口和离婚人口数据就非常有价值；如果是一家大型的劳动密集型制造企业，用工需求量大，那么劳动力人口的迁移情况就是非常重要的数据。
外部公共开放数据虽然每年都在增加，但基本保持相对平稳，统计方法也基本不会有太大的变化，企业只要需要，就可以通过各种手段去权威发布机构查询。企业需要做的就是积极主动地去使用这些数据而已。上海开放大数据网站首页截图（日期：2015年10月25日）1.3 数据将成为像石油一样宝贵的资源
1.3.1 数据将从信息工具逐渐成为生产资料
2013年年初，《哈佛商业评论》和《MIT斯隆管理评论》都聚焦探讨大数据这个话题，众多学者提出一个观点：在未来，数据将会像土地、石油和资本一样，成为经济运行中的根本性资源，数据科学家被认为是下一个10年最热门的职业。人类已经由IT时代进入了DT时代，数据取代了石油成为最核心的资源。在未来，数据会成为像水、电、石油一样宝贵的公共资源。
可能很多人不理解，数据为什么会成为生产资料，为什么会成为像石油一样宝贵的资源？数据是虚的，大多数的企业还仅仅停留在将数据作为了解事物发生和发展的工具性信息，甚至有的企业“因为业务太繁忙”，还没来得及记录、收集、整理自己内部的数据。
人作为重要的劳动力，在60多年前，德鲁克在其经久不衰的《管理实践》一书中明确提出了“人力资源”的概念，他认为人力资源拥有当前其他资源所没有的素质，即“协调能力、融合能力、判断力和想象力”，是一种特殊的资源，必须经过有效的激励机制才能被开发利用，并会给企业带来可见的经济价值。
人力是资源，从传统意义上讲，劳动力制造出生产资料，带来生产资料的增值溢价，企业获得利润。而优秀的人力能够产生更多的附加价值。
技术在生产过程中很重要，邓小平说科技是第一生产力，有了技术，产品就有了竞争力，就能够获得溢价，就能够产生利润，技术是重要的生产资源。
数据也具有类似的特征，它是一种特殊的资源。数据通过被深度挖掘和分析，能够为企业经营和管理活动带来可见的经济价值增值，能够更加有效地发挥其他资源的创造力，提高其他资源的产出效率。
有了数据，就能够更好地了解客户的需求，生产客户所需要的产品，从而让产品有更高的溢价能力，有了更高的溢价就有了更高的利润空间；有了数据，就能够更加清楚地知道公司内部的经营活动，从而更好地优化内部的资源配置，提高内部的运营和管理效率；有了数据，就能够更加清楚地认知外部环境，做出更好的管理决策，降低决策风险，减少决策失误，能够让公司更加持续；有了数据，就能够更加熟悉竞争对手的日常活动和行为模式，提出更加正确的竞争策略，减少竞争损耗，提高商战胜算率，从而让公司持续发展。数据作为任何企业经营活动的“晴雨表”，还可以利用其不断总结出市场规律，指导企业实践。
所以，数据是未来企业竞争的重要资源，并逐步成为战略资源的一部分。
1.3.2 用数据预测产品上市收益，控制市场风险
宝洁公司在每个新产品上市之前都要做未来销售额和销售量的预测，根据预测测算销售收入和利润收入，如果达不到预期，则终止上市或者再继续改进，只有达到上市要求的新产品才被通过上市审议。而这个新产品的销量预测和利润测算都是在大量的数据基础上，结合长期探索出的数学模型做出的。
一般情况下，新产品上市审议会由产品研发部提出，由市场部、市场研究部、财务部以及产品供应部共同完成。生产供应部需要确认在既定的计划成本下能够保质、保量地满足产品预测销量的供应；财务部对所有的成本和利润核算的准确性和真实性负责；市场研究部对市场预测模型的准确性和本产品的销量预测负责；市场部则确定在营销支持、渠道分销支持等方面能够按照既定计划完成，并对该新产品的最终市场表现负责；而产品研发部是新产品上市的发起人，并对配方、产品功能、产品性能方面负责。
笔者曾经负责多个国家的新产品开发，包括越南、印度、马来西亚、菲律宾和中国，当时主要负责洗衣粉产品的研发和上市工作。我们在预测每个市场新产品销量的时候，采用的都是雷同的模型，但是在每个数学模型中，各个国家测试结果都会根据不同的经验系数进行修订。
比如，同样的购买可能性条件下，中国消费者对产品的整体评价会相对较低，而印度的消费者对产品的评价分值会高很多，这主要与消费者在面对陌生人访问时的文化有关系。因为地区差异不可比，我们就需要针对消费者对新产品的整体评价做出一个修正系数，不同的市场系数不同；同时，这个修正系数在不同的市场竞争状况下也是不同的。在早期，中国的洗发水市场刚刚开始起步，好的洗发水就是宝洁公司的海飞丝，这个产品就非常容易得到很高的购买意愿分和整体评价分。而随着洗发水市场的成熟，消费者给出的评价会逐渐降低，这种变化也考虑在内，这些经验系数也是随着预测模型在市场的实际情况不断修正的。
宝洁公司在推出每款新产品或者每次产品改进时都要做大量的市场调研、产品测试、消费者评估，并在产品上市之后不断收集消费者对产品的评价，随时调整公司的市场策略。这些都是基于大量的数据研究和持续不断地对各种预测模型进行修正、改进甚至改良的基础上的，所以其产品销量和赢利预测模型会非常精准。在这种情况下，新产品上市成功的概率得到了大大的提高。笔者在宝洁公司工作的那段时期，其产品上市成功率预估能够达到70%。
70%的成功率看上去不高，误差仍然很大，但是没有人能够保证新产品上市之后100%成功？特别是在快速消费品领域。你可以看到在一个不足100平方米的小超市中有上千个产品，经过3个月之后，这上千个产品大概能够消失30%，经过一年，能够继续留在货架上的产品不足10%。如果能够保证公司上市新产品的70%都能够成为这保留下来的10%中的一员，这才是一个公司的强大之处。而这个强大的背后需要大量的市场研究和数据分析的支撑，量化各种市场活动，保证公司持续地成功经营。
可能会有读者对这个销售额预测模型长什么样子感兴趣，其实它并不复杂，但是经验修正系数则是这个预测模型非常核心的地方。不同的公司、不同的客户定位、不同的产品品类、不同的市场竞争环境、不同的营销力度、不同的市场覆盖率都直接影响着这个模型预测的准确性，没有5年以上的持续摸索，用这个模型来决策新产品的上市，仍然会存在巨大的风险。
这个预测模型大概的样子示例如下：
预测产品销售额=目标市场总量（即目标消费者总数×目标消费者的人均消费量）×市场覆盖率×现阶段该产品市场份额（即零售检测数据）×广告和营销力度等级系数×消费者购买意愿修正系数×竞争对手响应预测调整系数……
以上的模型仅仅是一个示意，在实际工作中其要复杂很多。考虑各方面的因素，比如，广告和营销力度等级系数是按照常规市场内媒体检测各家公司的广告力度、促销力度等数据形成的具有经验值成分的修正系数，并且是非线性的调节系数，即不同的广告力度下会有不同的系数。
市场千变万化，本质上是很难准确预测的，就像天气一样，你无法精确预测未来的天气如何，但只要采集大量的数据，构建数学分析模型，持续分析数据背后的逻辑关系，并随着对数据的积累、经验的积累、模型的不断修正和完善，我们对未来市场预测的准确性就会逐步提高。现在气象局对未来7天内天气的预测准确度已大大提高，虽然还不够精确，但对生产安全、环境安全预警起到举足轻重的作用。在你感叹“奥运蓝”、“APEC蓝”和“阅兵蓝”的时候，你会发觉国家对天气状况控制的准确性已经非常高，这些都是常年积累的经验和数据在发挥着作用。就像有了数据，我们就可以预测并控制天气一样，有了产品、客户和市场的数据，你就能够控制市场销售额的多少，最初程度可能很弱，只有很小的影响，但随着数据完善程度、分析经验、模型准确度的提高，可控范围会增加，你对产品控制的准确性也会提高。
如果你的公司已经经历了5年以上的快速发展，仍然没有建立甚至还没有开始建立自己的预测机制的话，随着未来市场竞争越来越激烈，靠概率来生存或者靠拍脑袋来做决策，肯定不利于公司的发展。现在数据采集、存储、处理的成本不断降低，而你所需要做的就是行动起来。
1.3.3 用数据精细化成本核算，优化产品、订单、客户结构
笔者曾经服务过一个生产制造企业，主要制造塑料工业中间品，也就是塑料片材，产品的主要用途是通过模具压制塑料包装，客户订单从几百公斤到几百吨不等。因为企业所使用的原材料很通用，如果出现质量问题，只需要将塑料切碎，再加热成型即可，不会有太多的“浪费”。而从常规的加工制造过程来看，只要是每吨销售单价高于采购材料单价2500元/吨，就能够赚钱，所以该企业也一直未建立数字化管理，也未精细化核算相关成本和费用。不过市场一直不错，公司经过十多年的发展，也逐步达到年销售收入近10亿元的规模。
但是，该企业近3年业务发展却停滞了，每年增长率不足5%，甚至有时候还出现了负增长，公司利润大幅下滑。分析原因的时候，客户归结于劳动力成本上涨过快，其实工人工资在整个销售收入中占比不足6%，对利润的影响不是很大。
在我们要详细分析利润下降的主要原因时，发现这个公司基本没有数据管理。原材料买来就放到一个露天的仓库中，使用的时候就由工人开着叉车一袋子一袋子地往车间送；产品生产出来之后就放到露天的成品仓库，由工人装上车就拉走了，只有在采购的原材料进厂和成品出厂时才会通过地磅测量重量，之后物料的管理记录非常有限。因为在老板的概念中，只要原材料进厂、成品出厂两个关口把控好了，原材料还在厂里，成品只要不出厂门口，按照他的原话说：“好肉烂肉都在锅里，只要不出厂门，就还是我们的。”
没有数据，我们就不知道去哪里找原因，找不到原因，也就无法改善公司的管理。如果能够精确地计算出每一个订单的成本和费用，就能够知道哪个订单在赚钱，哪个订单在亏钱，哪些订单贡献的利润最大，哪个订单分摊的固定费用最大。由此就可以对订单进行选择，优化订单结构；在对订单分析的基础上，就可以优化客户，哪些客户给公司赚钱了，哪些客户虽然很大，但可能是亏钱的。
比如，一个500公斤的订单和一个50吨的订单，量差了100倍，但销售人员跟踪客户签订单所需要的时间差异不大、厂里排产计划安排所消耗的时间差异不大、配方调配所需要的时间和材料消耗差异不大、工艺调试稳定所需要的时间差异不大、厂里的跟单员跟踪客户订单所需要的时间和耗费的精力差异不大、其他的管理成本分摊也差异不大，而分摊到每公斤产品，这个差距就大了。而现在该企业仅仅诊断500公斤订单每吨上调400元价格，这200元的上调幅度是否能够支撑以上这些固定发生的费用？因为没有数据，所以无法核算。
随着这几年中国经济增速放缓，客户的日子也不好过，订单平均需求量越来越小，订单平均成交金额由原来的上百万元逐渐到了十几万元，而定价策略没有调整，甚至价差也在缩小，客户的回款周期在变长。为了能够利用剩余产能，有些时候差价从原来的2500元/吨变到差价1500元/吨的订单也接，否则厂房空闲、设备空闲、工人空闲都是很大的问题。工人工资标准不断上调，员工收入只能增加不能减少，能源费用、环保费用、税收等都在上涨，而原材料价格波动越来越快，一个订单生产完成后，已经又是另外的价格了，每次价差超过3%就有可能吃掉公司所有的利润，当然有些时候本来不赚钱的订单，因为价格波动原因也可能成为赚钱的订单。
1.3.4 用数据赢得竞标成功
建筑园林在生产管理上比地产建筑要复杂得多。地产建筑所需要的钢筋、水泥、玻璃、门窗、火电、弱电、水暖管材等，标准化程度非常高，有大量的产品是大宗商品，从采购到生产过程都有相对标准的规范。而每一个地产园林项目都需要各种不同的原材料来满足不同的风格要求，每个项目基本上都需要采购上千种原材料，而这上千种原材料可能会有上万家供应商在供应。所以采购价格弹性非常大，一棵5年的绿色树木，3000元/棵或者5000元/棵都有可能。自然生长的树木形状不同、风格不同、高度不同，即使通过标准化的修剪，仍然不能造就标准化的产品。正是这种形状各异的产品，构成了不同地产园林独特的风格，即使是同一个地产公司的相同地产项目品牌，每次都会有不同的风格。产品缺少标准化，而原材料的标准化程度也非常低，导致这个行业内的企业毛利空间差异非常大。
这样的企业，在具备一定的规模之后，如果不建立自己的数据库去跟踪，即使发展多年，仍然是“新手”，每次更换一个采购经理都要重新去采集数据，而每次投标都要重新在市场上询价，一方面在投标时间上会严重滞后，另一方面，大量的工作在重复着，重复询价、重复核算、重复寻找新的供应商。更为严重的是，如果监管不严，在采购权力下放之后，会导致各种腐败，而监管人员在面临着频繁变动的上千种原材料和上万家供应商之后，也将会有非常繁杂的工作，不可能监管到每棵树的定价。
该行业发展初期，毛利空间可以达到50%甚至以上，粗放式的管理问题也不大，交付每个项目都能够赚钱，只是赚多赚少的问题。而现在不同了，随着地产商集中度的提高，涌现了大量的大型地产商，他们集结人力和物力，构建了其建筑和园林两大行业的大型原材料价格数据库，从而在项目设计和施工过程中，严格把控生产成本，严重挤压了这两大行业的毛利水平，有些项目给的毛利空间不足10%。而这些建筑和园林行业的企业面临巨大的利润空间压力，因为毛利空间只有10%，做不好肯定亏钱。
如果企业构建了这几千种原材料和上万个供应商的产品供应数据库，常年积累，精细化管理，并动态调整和更新数据库中的数据，对产品的价格形成标准化的规范，并在长期积累的价格数据的基础上进行精细化的价格预测，企业在招标、投标的过程中，就能够对项目进行更加精细化的核算，精准地定价，在投标过程中更加精准地获得标的，也能够在项目执行过程中严控项目成本，保障最终利润。
而大型的企业，包括万科、万达这样的下游企业开始重视数据、收集前段的建筑材料价格、有强大的数据库的时候，他们会比一个实际采购原材料的企业更加懂得原材料的价格、一个项目的成本，更加了解一个项目应该有哪些费用，这个时候采购原材料企业就失去了议价能力，丢掉了溢价的空间，如果不能更加精细化地核算出什么样的资源配置能够更好地完成一个园林项目，那么企业在精细化生产的今天终将失去竞争优势。
数据给企业带来的不仅仅是信息，更为重要的是这些数据像技术资料、技术能力、专业知识等资源一样，是企业竞争优势的核心。同样两个企业竞标，谁能够更加清楚这个标的物的成本，且能够更好地控制这个成本，谁就能够有更高的概率获得这个标的，也就能够在直面的竞争中获胜。
1.3.5 用数据找到最合适的人才
在企业内部的大数据中，有一部分数据是员工活动的记录，这部分数据包括员工的行为数据、工作成果数据、参与公司活动的数据等，这些数据就如外部的大数据一样，是员工所有活动的信息记录。这些记录是员工在企业这个领域范围内非常精准、详尽且有效的数据，这个数据比采用外部各种社交网站或者各种电商网站上的数据更紧密且连续。
比如，员工上下班的打卡数据、门禁数据、参与生产或者经营活动的数据、登录公司信息系统的数据、参与会议或者培训的数据、提交的各种报告数据、给员工发工资的数据等，甚至还可以直接采集员工性格特征数据，可以对员工进行任职资格和能力考试、对员工进行定期体检、心理测评。可以说，只要是企业的员工，如果想收集以上相关信息是非常容易的，而这些数据又是非常精准的高价值密度数据。
对这些数据进行充分利用，通过深度挖掘和分析，就可以形成每一个员工非常精准的员工画像，对员工的能力、性格、行为习惯、健康状况、心理状况、心态等进行长期且持续的检测，然后再同企业内部各个岗位员工的输出绩效结果进行关联，就会发现优秀员工所应该具备的特征、特点、能力要求、特质要求等，从而形成最佳员工画像、最佳岗位匹配模型。然后人力资源再按照这个画像去招聘最合适的人选，就可以组建最适合公司经营和管理的最佳团队。
虽然以上的描述带有理想化的成分，但优秀的公司其实就在做这样的事情，而且已经做了多年。在大数据概念兴起之前，这些优秀的公司已经形成了本公司所需要的人才模型，进而根据企业发展和社会变革，不断修正或者优化最适合公司的人才模型。比如GE、IBM、摩托罗拉、宝洁等公司都有自己的领导力模型和人才选任模型。领导力模型用来选拔和培养公司的领导人选，而人才选任模型用来招聘最适合的员工。
摩托罗拉虽然没落了，但其在管理上给我们留下了很多启迪，影响着一大批优秀的公司。摩托罗拉对于内部的领导力评判有个“5E模型”，即在摩托罗拉，一个优秀的领导者应该具备5个方面的特质，这5个特质分别用5个E开头的英文字母组成：Ethics（职业操守，处于中心）、Envision（高瞻远瞩）、Energize（激情互动）、Edge（果断决断）和Execute（执行力），如下图所示。摩托罗拉的领导力模型
而GE的杰克·韦尔奇认为，领导人应该具备的关键素质可以用“4E+P”来概括，也是“GE领导力模型”的主要内容，与摩托罗拉的领导力模型稍有不同。分别是：Energy（活力），也就是现在经常说的每日充满正能量；Energize（鼓动力），即能够激励身边的人完成更艰难的工作；Edge（决断力），即能够迅速做出决断，在不确定的情况下识别出机会或者风险，具有快速决断的能力，也代表着能够承担责任的能力，这在摩托罗拉的“5E模型”中也有体现；Execut（执行力），即完成结果的能力，做事追求结果，从而能够有效达成目标；Passion（激情），对工作有一种衷心的、强烈的、真实的兴奋感。如下图所示。GE的领导力模型
IBM则用一个“三环模型”来解释自己公司的领导力模型，强调“对事业的热情”，类似于GE的Passion，以此为核心，外层分别是“致力于成功”、“动员执行”和“持续动力”，如下图所示。BM的领导力模型
宝洁公司的领导力模型在笔者在职期间曾经做过一次调整，由最初的“3E模型”变革为“5E模型”，这个模型的变革是在一群社会学教授和管理学教授共同研究之后做出的建议。最初的“3E模型”仅仅包括Envision（远见）、Energize（激发）和Enable（使之能），这3个单词的含义就是作为一个领导者需要看到行业和公司的未来，有对市场和行业的洞察和对消费者需求变革的洞察，从而能够洞见未来的状况，并激发团队实现这个远景梦想。在具体的日常工作中能够为执行者提供各种方法和支持，从而让执行者能够实现公司的目标。在2001年前后，为了适应越来越激烈的本土市场竞争，宝洁公司将“3E模型”扩展到了“5E模型”，在原有的“3E模型”基础上扩展了Engage（全情投入）和Execute（执行力）。
一个公司优秀员工的画像是本公司的领导力模型或者优秀人才模型制定的数据基础，如果没有实践检验，拿来主义的领导力模型或者自认为的领导力模型都存在问题，适合一家企业的员工不见得适合另外一家企业，在一家公司中表现优秀的员工到了另外一个公司可能会非常不适应，甚至成为无能的员工，这就需要以事实和数据为基础，然后提炼出优秀员工的画像。
1.3.6 用数据沉淀完成核心竞争能力的培育
数据为最适合本公司员工特质的提炼提供了基础，也为公司最佳实践提供了基础。所谓最佳实践，就是在本公司内部做某项工作，最好的做法是什么，然后让公司的其他员工遵照执行。有些公司把最佳实践管理得非常细致，并形成公司的业务执行指导方案，甚至一件非常小的事情都有作业指导书，有的指导书被做成了“傻瓜书”，大大降低了对人才能力的要求，即使一个刚毕业的大学生，也能够遵照这个“傻瓜式”的作业指导书将任务完成得非常优秀。
宝洁公司除了对员工有业务的绩效要求之外，还有非常高比例的“组织发展贡献”的评价，这是纳入到人事考核的。组织贡献包括对人才的培养、对制度流程的贡献、对最佳实践（又叫作SOP，Standard Operation Procedure，标准操作规程）的贡献，这些贡献在组织发展过程中发挥了巨大的作用，能够让公司的体系不依赖于个人能力而存在，并能够因为个人的优秀而让组织变得更加优秀。
在宝洁，任何一项新业务的操作，在“第一人”操作之后都要把相关的操作规程记录下来，形成作业指导书，又叫作CBA（Current Best Approach，即目前最好的操作方法），当这个方法成熟之后，会形成标准操作规程。以后每个人做类似的工作时，都必须按照这个SOP来操作。因为SOP的书写非常规范和细致，所以后来人能够非常容易地遵循这个标准流程有效地完成相关工作。
当然，如果你觉得这个流程不合理或者有更好的优化方法，就可以按照优化的方法来进行，并对你的行为做出解释。当实践证明你的方法更加有效，那么，你就可以在原有SOP基础上做出一个修正版，根据改动幅度的大小，再按照软件升级的命名方式来定义新流程文档的版本号。比如，你做出了巨大的改动，就可以定义这个SOP的版本是从V1升级到了V2；如果仅仅是修补式的改动，就可以定义这个SOP版本是从V1.0升级到了V1.1。
每年做绩效考核的时候，这种SOP的修订都会被计入到个人“组织贡献”中，组织贡献和业绩贡献一样，是KPI考核的重要指标，根据岗位不同，组织贡献有的占比达30%甚至更高。
这种最佳实践沉淀的活动虽然跟企业大数据貌似没有关系，实际上，这些就是公司内的流程大数据。这个数据的变化可以反映出很多问题：如果SOP修改的版本多了，说明外部环境变化很大；如果SOP修订少了，也可能是内部激励不足，或者团队氛围缺少创新。
有了流程数据，公司就有了经验。有了经验数据，掌握了周围的环境，公司就可以比竞争对手更容易到达目的地，得到想要的结果。
试读结束[说明：试读内容隐藏了图片]