论文部分内容阅读
【摘 要】 本文通过对公司运监业务过程的深化研究,依据运监中心工作实际,从运营数据资产管理、全面监测、运营分析、协调控制等四个方面对运监核心业务的优化方向进行了探讨。
【关键词】 内部协作;横向协同;纵向管控;协调控制
近两年,运营监测(控)(以下简称“运监”)工作已经在总部、省(市)、地市蓬勃开展,在总结运行经验,发现运行问题后,针对“运营数据资产管理、全面监测、运营分析、协调控制”等核心运监业务的优化进行了探究。
一、运营数据资产管理
运营数据是反映公司运营状况的直接载体,是开展运监工作的前提;运营数据资产是企业运营管理活动中产生的具备使用价值的各类数据所形成的无形资产;运营数据资产管理是基于信息技术的广泛应用和大数据空前发展的背景下,针对数据信息管理而提出的新的管理概念,其管理的目的是实现公司运营数据资产价值的最大化。
运营数据资产管理内容一般包括数据源管理、数据标准管理、数据质量安全管理、数据技术支持等(见图1)。在其管理过程中集中出现的数据收集、数据质量、数据管理机制等问题,可以从运营数据质量管控和运营数据资产管理关键环节管控两方面着手进行解决。
1.加强运营数据质量管控
为达到将数据作为企业的核心资产来管理的目的,须将数据质量管控作为数据资产化全过程的核心。按照质量管控的一般方法,结合运监数据的特点和现状,从以下五个关键环节进行管控(如图2所示)。
(1)在“明确质量目标”环节,工作内容包括对数据质量管控目标制定,数据质量管控计划的制定,数据质量管控成效的评估指标设计等内容。
(2)在“问题发现与度量”环节,业务部门根据运监中心的数据需求,开放相关业务系统的数据接口。信息部门根据运监中心需求在实现数据接入同时,开展数据转换、抽取、清洗等工作。运监中心基于数据模型和业务规则,进行数据质量的检查,发现数据质量问题。实施关键是建立数据质量规则体系,参考数据的“创建、存储、应用、维护、迁移、报废”整个生命周期管理方法和经验,明确目前存在的各类数据质量问题及其原因,对照数据的“及时性、完整性、准确性”原则,在“数据选取、数据溯源、数据验证、关联稽核及资产加工”等数据资产转化过程中,明确数据的定义,制定统一的数据编码和质量规则,建立标准化的数据管理流程,按规则实施数据操作,确保为运监支撑系统提供的数据来源可靠、质量稳定。
(3)在“问题分析与解决”环节,针对发现的数据质量问题进行分析,制定相应的解决方案。该方案既包括对问题数据自身的调整,也包括对产生质量问题的数据模型和功能模型的改进。对于数据本身的问题,可以通过改善产生问题数据的源系统进行解决,对于数据模型和功能模型的改进,则可以借助模型开发环境进行解决。
(4)在“数据质量监测”环节,通过梳理三级运监数据质量管理需求,制定数据质量监测策略,在数据接入、数据抽取、数据监测等各环节,从系统性、完整性、准确性等方面,对“发现-分析-解决-验证”各环节进行数据监测,对所发现的数据质量问题进行研究和分析,开展相关源系统的必要整改,细化和补充数据。
(5)在“质量问题确认、评估与控制”环节,对数据质量问题及质量改进情况进行确认和评估,不断优化质量规则、质量管理流程和质量解决方案,实现数据质量的持续控制。这个阶段的实施重点是对数据质量的评估。首先,确立数据质量的评估标准,建立评估指标体系,制定评估办法;其次,组织数据质量评估,调动各方积极性,采用海量数据的分级管理策略,按频度、时间、单位等维度进行数据质量分析;再次形成数据质量报告,数据质量报告包括数据接入情况分析、数据质量情况分析、数据质量通报,最后对数据质量实施问责。
2.加强运营数据资产管理关键环节的管控
运营数据资产管理关键环节包括运营数据资产管控、运营数据资产增值、运营数据资产价值评估,通过对这些环节的管控,可以使运营数据资产管理得到迅速提升。
(1)在“运营数据资产管控“环节,重点关注“数据集中存放、统一管理、数据服务、数据监督”等活动。借助数据资产溯源模型,对关心的指标数据进行逐层数据钻取,分析数据特征,进而发现数据问题,或借此挖掘数据潜在规律,并提出整改意见。
(2)在“运营数据资产增值“环节,重点关注“关键监控点、关联分析、挖掘模型、组合计算”等活动。运监中心利用数据资产形成的全局视图,通过设置监督规则,进行异常预警等技术手段,发现哪些关键监控点存在管理漏洞,对这些关键监控点进行重点监测,当发现数据异常时,通过现场稽查,发现问题,解决问题等管理过程,提出整改建议,为提升公司管理服务,实现资产增值。
(3)在“运营数据资产价值评估”环节,建立数据资产价值评估办法,通过探索数据资产价值评估的实现模型,对数据进行可信度、使用度的评估,利用评估结果发现数据资产化过程中存在的问题,提出整改策略,逐步提高数据资产的质量,并寻找数据资产的增值途径。
二、全面监测
全面监测是运监中心业务开展的基础,围绕公司主营业务活动和核心资源,针对公司核心业务的流程效率、绩效、合规性等指标进行监测。全面监测工作包括监测主题库管理、监测指标体系管理、监测业务数据管理、监测报告管理等业务管理和外部环境、综合绩效、运营状况、核心资源、关键流程等监测场景,如图3所示。
图3 全面监测业务管理与监测场景
目前,全面监测业务已初步构建了以指标监测和流程监测为核心的运营监测体系,通过对前期运行过程的研究,以下方面还有待加强。
1.完善监测指标体系
运监中心作为第三方开展监测业务的前提是建立战略层、管理层、业务层三层逐级落实的指标体系。目前的战略层和管理层的指标体系建立相对完善,对“外部环境、综合绩效、运营状况、核心资源”的监测已开展,对业务层的流程监测指标体系,目前已开展的关键流程的监测,一些流程监测的功能,如流程的下钻、数据溯源还需完善,支撑流程监测的明细数据还需完备,需要进一步挖掘流程监测指标体系深度,拓宽监测流程的业务覆盖面,加强对明细业务流程运行的动态监测和运行评估。 (1)完善异动和问题判别规则,量化、细化异动及问题管理办法和分级标准。在对已有规则和标准细化的同时,根据监测业务需要,创建新的规则和标准,如为完善评价预警机制,创建“关键指标预警规则、指标分类规则、动态跟踪反馈规则和提升效果评估规则”,通过对预警指标的事前分析和处理,避免异动指标发展成为点评指标。通过指标的预评价,将指标分为弱项指标、协同指标、创优指标和攻坚指标,从而采取有针对性的措施实施重点改进。通过引入精益生产改善行动计划方案,统一指标分析模板,实现指标预警—异动分析—指标改进—落实跟踪—指标提升的闭环管理。
(2)建立动态流程监测指标体系。梳理企业流程与指标,梳理指标时充分考虑到业务的衔接,针对突出的核心和关键问题、建立覆盖范围全面的关键核心指标,实现重点监测。通过一段时间的监测和异动问题消除,需要重新梳理业务衔接,发现新的流程薄弱环节,设计新的流程监测指标,重新优化指标关联库和指标监测模型,进而建成一套动态、实用的流程监测指标体系。
(3)建立监测指标关联关系。明确流程与指标之间的关系,构建流程指标关联监测模型,建立相应的流程指标关联库,显化指标互动,固化指标内在的关联关系。在此基础上,进一步优化流程指标监测场景设计,监测流程指标的变化随动情况,丰富流程指标监测内容。
2.建立监测知识体系
虽然当前的监测指标体系在监测业务运行中,已发挥很大作用,但为了达到明细业务的实时在线监测、增强业务管理透明度的要求,需要进行监测知识储备和经验积累,构建应用于监测业务的需求库、场景库和知识库,完善监测知识体系。
针对公司经营目标、年度计划、重点工作和项目,结合相关考核体系、各专业部门监测需求,确立监测主题,完善监测指标体系,形成监测业务需求库。按照监测业务需求,整理和梳理一些新观测的视角和监测方法,构建统一的监测视图,设计和定期维护监测场景,形成不断完善的监测场景库。
从管理、业务、经验、企业文化等四个维度对监测知识系统化整理和分类。明确运营监测的对象、内容、方法和手段,明确运营监测的知识需求,知识表达和传递路径。根据监测需要,结合信息采集、阈值预警、关联监测、对比监测、穿透查询、按需调阅等监测活动,从多角度对监测知识进行分析,构建监测知识库,以支撑运监业务的安全稳定运行和高效持续发展。
三、运营分析
运营分析是围绕公司运营管理需要以及全面监测发现的重大异动和问题,通过构建分析模型、建立分析主题库等方式,综合应用公司运营数据资产,揭示问题成因、影响及风险,提出对策和建议,为公司经营决策提供支撑。运营分析工作包括:分析需求管理、分析技术管理、分析业务整合管理和分析报告管理(如图4所示),运营分析业务在以下方面还有提升空间。
图4 运营分析业务内容
1.加强运营分析支撑
(1)夯实数据基础,精准捕捉问题。依托数据资产管理成果,通过数据溯源和数据问责管理,提升分析数据质量。通过梳理指标之间的关联,通过指标与指标之间的关系映射,构造基于指标关系的纵横交错的指标关联网络,支撑穿透查询分析和分析模型应用。在对问题判别能力提升的基础上,拓宽分析需求源头,通过自主选题、主动寻求专业支撑,针对业务部门协同的盲区和问题进行分析、提出措施和建议,形成具有部门特色的分析成果。通过跨部门、跨专业的分析,实现差异化,突出综合管理部门的特点和价值。
(2)健全运营分析管理体系与业务体系。由于运营分析工作存在“边构思、边设计、边建设、边实施”的情况,亟需有一套科学、成熟的理论体系进行指导。如前瞻地规划企业级运营分析的长远发展方向,清晰地规划现阶段运营分析工作,设计完善运营分析业务,明确具体的工作思路和实施路径,完善提升分析工具、方法和手段。
(3)完善相关制度和团队建设。现阶段需要制定激励与约束专业部门参与协同分析的“协同工作机制”;支撑运营分析工作的“管理办法”,实现运营分析的规范化和有序化。从“建立运监业务专家库,开展业务培训,实施分析职业规划”等方面开展分析团队建设和人才培养。
2.增强运营分析能力
(1)研究应用实用高效的分析模型。加大“在线分析、在线计算”的分析模型的开发力度,在目前上线四个模型的基础上,完善模型数据校验、算法更新,扩大模型投运数量和应用范围,使运营分析的技术手段更先进,分析处理更及时;设计分析模型时应围绕重点分析内容,结合公司“一强三优”的战略目标,从“电网运营、资产质量、服务水平、业绩水平”多维度进行模型构建。
(2)丰富运营分析的技术和方法。联合支撑单位,组织试点单位、开展“大数据”关键技术研究,收集国内外分析研究成果和典型案例,积累分析方法、分析报告、分析素材等知识,完成分析技术的研究开发,开发动态计算模块,满足在线计算的需求,利用数据挖掘技术,分析数据信息之间的逻辑关系,开展在线分析工作,挖掘数据背后所反映的公司运营问题,从而提升分析成果的质量。
(3)深化分析主题库建设。运营分析主题库是运监中心的分析资源,是对分析主题和分析方法的集成,通过以下途径开展主题库建设。一是拓展多种分析需求收集渠道。二是按照“运营影响与对策”、“综合分析与诊断”、“效率效益评价”三方面设计主题库。三是明确“运营影响与对策分析类”、“综合分析与诊断类”、“效率效益评价类”主题。
四、协调控制
协调督办业务是基于全面监测与运营分析发现的异动和问题,以及公司决策层部署事项等,通过内部协作、横向协同、纵向管控,以及专项协调等方式,协调相关部门消除异动、解决问题、防范风险。协调控制工作内容主要包括横向异动处理、问题处理、专项协调、协同诊断、协同分析、数据需求、阈值调整、辅助决策、业务展示,以及纵向管控等(如图5所示),是运营业务“闭环管理”最重要的环节,从业务运行情况和平台使用来看还需要如下改善:
【关键词】 内部协作;横向协同;纵向管控;协调控制
近两年,运营监测(控)(以下简称“运监”)工作已经在总部、省(市)、地市蓬勃开展,在总结运行经验,发现运行问题后,针对“运营数据资产管理、全面监测、运营分析、协调控制”等核心运监业务的优化进行了探究。
一、运营数据资产管理
运营数据是反映公司运营状况的直接载体,是开展运监工作的前提;运营数据资产是企业运营管理活动中产生的具备使用价值的各类数据所形成的无形资产;运营数据资产管理是基于信息技术的广泛应用和大数据空前发展的背景下,针对数据信息管理而提出的新的管理概念,其管理的目的是实现公司运营数据资产价值的最大化。
运营数据资产管理内容一般包括数据源管理、数据标准管理、数据质量安全管理、数据技术支持等(见图1)。在其管理过程中集中出现的数据收集、数据质量、数据管理机制等问题,可以从运营数据质量管控和运营数据资产管理关键环节管控两方面着手进行解决。
1.加强运营数据质量管控
为达到将数据作为企业的核心资产来管理的目的,须将数据质量管控作为数据资产化全过程的核心。按照质量管控的一般方法,结合运监数据的特点和现状,从以下五个关键环节进行管控(如图2所示)。
(1)在“明确质量目标”环节,工作内容包括对数据质量管控目标制定,数据质量管控计划的制定,数据质量管控成效的评估指标设计等内容。
(2)在“问题发现与度量”环节,业务部门根据运监中心的数据需求,开放相关业务系统的数据接口。信息部门根据运监中心需求在实现数据接入同时,开展数据转换、抽取、清洗等工作。运监中心基于数据模型和业务规则,进行数据质量的检查,发现数据质量问题。实施关键是建立数据质量规则体系,参考数据的“创建、存储、应用、维护、迁移、报废”整个生命周期管理方法和经验,明确目前存在的各类数据质量问题及其原因,对照数据的“及时性、完整性、准确性”原则,在“数据选取、数据溯源、数据验证、关联稽核及资产加工”等数据资产转化过程中,明确数据的定义,制定统一的数据编码和质量规则,建立标准化的数据管理流程,按规则实施数据操作,确保为运监支撑系统提供的数据来源可靠、质量稳定。
(3)在“问题分析与解决”环节,针对发现的数据质量问题进行分析,制定相应的解决方案。该方案既包括对问题数据自身的调整,也包括对产生质量问题的数据模型和功能模型的改进。对于数据本身的问题,可以通过改善产生问题数据的源系统进行解决,对于数据模型和功能模型的改进,则可以借助模型开发环境进行解决。
(4)在“数据质量监测”环节,通过梳理三级运监数据质量管理需求,制定数据质量监测策略,在数据接入、数据抽取、数据监测等各环节,从系统性、完整性、准确性等方面,对“发现-分析-解决-验证”各环节进行数据监测,对所发现的数据质量问题进行研究和分析,开展相关源系统的必要整改,细化和补充数据。
(5)在“质量问题确认、评估与控制”环节,对数据质量问题及质量改进情况进行确认和评估,不断优化质量规则、质量管理流程和质量解决方案,实现数据质量的持续控制。这个阶段的实施重点是对数据质量的评估。首先,确立数据质量的评估标准,建立评估指标体系,制定评估办法;其次,组织数据质量评估,调动各方积极性,采用海量数据的分级管理策略,按频度、时间、单位等维度进行数据质量分析;再次形成数据质量报告,数据质量报告包括数据接入情况分析、数据质量情况分析、数据质量通报,最后对数据质量实施问责。
2.加强运营数据资产管理关键环节的管控
运营数据资产管理关键环节包括运营数据资产管控、运营数据资产增值、运营数据资产价值评估,通过对这些环节的管控,可以使运营数据资产管理得到迅速提升。
(1)在“运营数据资产管控“环节,重点关注“数据集中存放、统一管理、数据服务、数据监督”等活动。借助数据资产溯源模型,对关心的指标数据进行逐层数据钻取,分析数据特征,进而发现数据问题,或借此挖掘数据潜在规律,并提出整改意见。
(2)在“运营数据资产增值“环节,重点关注“关键监控点、关联分析、挖掘模型、组合计算”等活动。运监中心利用数据资产形成的全局视图,通过设置监督规则,进行异常预警等技术手段,发现哪些关键监控点存在管理漏洞,对这些关键监控点进行重点监测,当发现数据异常时,通过现场稽查,发现问题,解决问题等管理过程,提出整改建议,为提升公司管理服务,实现资产增值。
(3)在“运营数据资产价值评估”环节,建立数据资产价值评估办法,通过探索数据资产价值评估的实现模型,对数据进行可信度、使用度的评估,利用评估结果发现数据资产化过程中存在的问题,提出整改策略,逐步提高数据资产的质量,并寻找数据资产的增值途径。
二、全面监测
全面监测是运监中心业务开展的基础,围绕公司主营业务活动和核心资源,针对公司核心业务的流程效率、绩效、合规性等指标进行监测。全面监测工作包括监测主题库管理、监测指标体系管理、监测业务数据管理、监测报告管理等业务管理和外部环境、综合绩效、运营状况、核心资源、关键流程等监测场景,如图3所示。
图3 全面监测业务管理与监测场景
目前,全面监测业务已初步构建了以指标监测和流程监测为核心的运营监测体系,通过对前期运行过程的研究,以下方面还有待加强。
1.完善监测指标体系
运监中心作为第三方开展监测业务的前提是建立战略层、管理层、业务层三层逐级落实的指标体系。目前的战略层和管理层的指标体系建立相对完善,对“外部环境、综合绩效、运营状况、核心资源”的监测已开展,对业务层的流程监测指标体系,目前已开展的关键流程的监测,一些流程监测的功能,如流程的下钻、数据溯源还需完善,支撑流程监测的明细数据还需完备,需要进一步挖掘流程监测指标体系深度,拓宽监测流程的业务覆盖面,加强对明细业务流程运行的动态监测和运行评估。 (1)完善异动和问题判别规则,量化、细化异动及问题管理办法和分级标准。在对已有规则和标准细化的同时,根据监测业务需要,创建新的规则和标准,如为完善评价预警机制,创建“关键指标预警规则、指标分类规则、动态跟踪反馈规则和提升效果评估规则”,通过对预警指标的事前分析和处理,避免异动指标发展成为点评指标。通过指标的预评价,将指标分为弱项指标、协同指标、创优指标和攻坚指标,从而采取有针对性的措施实施重点改进。通过引入精益生产改善行动计划方案,统一指标分析模板,实现指标预警—异动分析—指标改进—落实跟踪—指标提升的闭环管理。
(2)建立动态流程监测指标体系。梳理企业流程与指标,梳理指标时充分考虑到业务的衔接,针对突出的核心和关键问题、建立覆盖范围全面的关键核心指标,实现重点监测。通过一段时间的监测和异动问题消除,需要重新梳理业务衔接,发现新的流程薄弱环节,设计新的流程监测指标,重新优化指标关联库和指标监测模型,进而建成一套动态、实用的流程监测指标体系。
(3)建立监测指标关联关系。明确流程与指标之间的关系,构建流程指标关联监测模型,建立相应的流程指标关联库,显化指标互动,固化指标内在的关联关系。在此基础上,进一步优化流程指标监测场景设计,监测流程指标的变化随动情况,丰富流程指标监测内容。
2.建立监测知识体系
虽然当前的监测指标体系在监测业务运行中,已发挥很大作用,但为了达到明细业务的实时在线监测、增强业务管理透明度的要求,需要进行监测知识储备和经验积累,构建应用于监测业务的需求库、场景库和知识库,完善监测知识体系。
针对公司经营目标、年度计划、重点工作和项目,结合相关考核体系、各专业部门监测需求,确立监测主题,完善监测指标体系,形成监测业务需求库。按照监测业务需求,整理和梳理一些新观测的视角和监测方法,构建统一的监测视图,设计和定期维护监测场景,形成不断完善的监测场景库。
从管理、业务、经验、企业文化等四个维度对监测知识系统化整理和分类。明确运营监测的对象、内容、方法和手段,明确运营监测的知识需求,知识表达和传递路径。根据监测需要,结合信息采集、阈值预警、关联监测、对比监测、穿透查询、按需调阅等监测活动,从多角度对监测知识进行分析,构建监测知识库,以支撑运监业务的安全稳定运行和高效持续发展。
三、运营分析
运营分析是围绕公司运营管理需要以及全面监测发现的重大异动和问题,通过构建分析模型、建立分析主题库等方式,综合应用公司运营数据资产,揭示问题成因、影响及风险,提出对策和建议,为公司经营决策提供支撑。运营分析工作包括:分析需求管理、分析技术管理、分析业务整合管理和分析报告管理(如图4所示),运营分析业务在以下方面还有提升空间。
图4 运营分析业务内容
1.加强运营分析支撑
(1)夯实数据基础,精准捕捉问题。依托数据资产管理成果,通过数据溯源和数据问责管理,提升分析数据质量。通过梳理指标之间的关联,通过指标与指标之间的关系映射,构造基于指标关系的纵横交错的指标关联网络,支撑穿透查询分析和分析模型应用。在对问题判别能力提升的基础上,拓宽分析需求源头,通过自主选题、主动寻求专业支撑,针对业务部门协同的盲区和问题进行分析、提出措施和建议,形成具有部门特色的分析成果。通过跨部门、跨专业的分析,实现差异化,突出综合管理部门的特点和价值。
(2)健全运营分析管理体系与业务体系。由于运营分析工作存在“边构思、边设计、边建设、边实施”的情况,亟需有一套科学、成熟的理论体系进行指导。如前瞻地规划企业级运营分析的长远发展方向,清晰地规划现阶段运营分析工作,设计完善运营分析业务,明确具体的工作思路和实施路径,完善提升分析工具、方法和手段。
(3)完善相关制度和团队建设。现阶段需要制定激励与约束专业部门参与协同分析的“协同工作机制”;支撑运营分析工作的“管理办法”,实现运营分析的规范化和有序化。从“建立运监业务专家库,开展业务培训,实施分析职业规划”等方面开展分析团队建设和人才培养。
2.增强运营分析能力
(1)研究应用实用高效的分析模型。加大“在线分析、在线计算”的分析模型的开发力度,在目前上线四个模型的基础上,完善模型数据校验、算法更新,扩大模型投运数量和应用范围,使运营分析的技术手段更先进,分析处理更及时;设计分析模型时应围绕重点分析内容,结合公司“一强三优”的战略目标,从“电网运营、资产质量、服务水平、业绩水平”多维度进行模型构建。
(2)丰富运营分析的技术和方法。联合支撑单位,组织试点单位、开展“大数据”关键技术研究,收集国内外分析研究成果和典型案例,积累分析方法、分析报告、分析素材等知识,完成分析技术的研究开发,开发动态计算模块,满足在线计算的需求,利用数据挖掘技术,分析数据信息之间的逻辑关系,开展在线分析工作,挖掘数据背后所反映的公司运营问题,从而提升分析成果的质量。
(3)深化分析主题库建设。运营分析主题库是运监中心的分析资源,是对分析主题和分析方法的集成,通过以下途径开展主题库建设。一是拓展多种分析需求收集渠道。二是按照“运营影响与对策”、“综合分析与诊断”、“效率效益评价”三方面设计主题库。三是明确“运营影响与对策分析类”、“综合分析与诊断类”、“效率效益评价类”主题。
四、协调控制
协调督办业务是基于全面监测与运营分析发现的异动和问题,以及公司决策层部署事项等,通过内部协作、横向协同、纵向管控,以及专项协调等方式,协调相关部门消除异动、解决问题、防范风险。协调控制工作内容主要包括横向异动处理、问题处理、专项协调、协同诊断、协同分析、数据需求、阈值调整、辅助决策、业务展示,以及纵向管控等(如图5所示),是运营业务“闭环管理”最重要的环节,从业务运行情况和平台使用来看还需要如下改善: