就中國市場而言，經過幾年的積累，大部分中大型的制造企業已經建立了比較完善的CRM、ERP、MES、MRP等基礎信息化系統，幫助制造企業收集大量的歷史數據。我們目前已經從IT時代走入DT時代，企業在運營上相對應的也發生了改變，從最初的粗放式運營逐漸過渡到精細化運營。

1、粗狂式經營

過去“拍腦袋的經營決策“還在延續，無論是從企業戰略管理角度、企業經營角度、財務管理角度、倉儲供應鏈角度，依然是已固定報表的呈現數據，但是沒有真正的把分析落地。

2、數據孤島嚴重

隨著信息化技術的逐步完善，財務信息化系統、 MRP系統、ERP系統等逐步完善，但內部信息系統之間缺乏統一的平臺對數據進行關聯、整合及聯通，導致產銷存等各環節無法協同工作，難以完全釋放數據的真正價值。

3、缺乏數據管理機制和保障

企業雖然已經積累了一定量的歷史數據，但由于前期缺乏數據管理機制的規劃，導致數據質量參差不齊、基礎數據分散、不統一、數據不一致，難以為上層的數據統計分析應用提供支撐。

4、數據分析需求響應慢

不同層級的用戶對數據分析有著完全不同的需求，而目前制造企業能夠提供的分析報告主要以表格為主，分析維度單一，形式簡單固化，對分析需求響應的時效性差，無法滿足用戶快速靈活多變的數據分析需求。

5、項目成本投入高，風險大

對制造企業來說，假設老板投入10塊錢的成本建設系統，就期望著該系統能夠給他至少帶來100塊的利潤價值。而傳統的大數據平臺的項目成本高、收效慢、風險高，在經歷了漫長的數據倉庫搭建和建模階段后仍無法讓高層領導能夠看到數據帶來的價值，因此很多制造企業望而卻步，始終不敢在這塊做過多的投入。

基于企業級一站式大數據應用構建平臺，整合企業內外部數據，強化企業數據資產的管理，實現各領域數據的拉通。業務人員利用自助數據可視化分析技術挖掘數據價值，快速構建數據應用，實現企業經營決策、產品研發、店鋪運營、財務、市場及生產等領域的戰略目標。

整個平臺技術架構分以下五個層面

1、數據源層：對接來自不同業務信息系統和渠道的數據，實現異構數據源的關聯整合。

2、ETL層：定義統一的數據API標準接口，對數據進行清洗、轉換、裝載的操作。

3、倉庫集市層：將經過ETL后的細節明細數據在數據倉庫中以星型或雪花型的模型進行存儲，并根據業務分析主題的需求，對數據模型進行主題劃分后導入永洪MPP數據集市中做運算的加速處理。

4、應用層：面向不同層級的業務人員和分析主題需求，建立即席查詢、多維分析、數據報告、深度分析等豐富的數據應用場景。

5、展現層：以豐富美觀的圖表展現方式，靈活多變的交互方式，將分析結果呈現給決策層、管理層、IT人員和業務用戶，所有用戶都可以通過主流瀏覽器或移動終端來訪問系統。

1、定義戰略目標

戰略目標可大可小，部門也有部門的目標，小組也有小組的目標，那么在數據大數據項目落地的角度來說，想要什么是最重要，通過目標的分析和抽象，才能做好數據應用。

2、構建數據分析指標體系

分析指標在數據化運營體系中是承上啟下的潤滑油，是業務和原始數據的連接器，它由原始數據加工而來，反過來又驅動其他數據應用產品。企業需要梳理業務分析指標，建立一套標準數據分析指標體系，清晰定義指標口徑及含義，規范化對指標的管理，保障數據統計口徑的一致及結果的準確。

3、搭建數據分析應用

分階段建設一套標準化、智能化、移動化的數據分級及應用中心，面向企業內部不同層級的人員構建對應的數據應用服務，既要為企業高管提供數字化的決策支持及風險監控，同時也要滿足數據分析人員日常統計與分析需求，精簡報表及指標，讓管理人員從數據處理逐漸轉變為數據分析。

4、數據項目落地實踐

在大數據項目落地的建設中，一定要循序漸進，不能貪圖大而全，在項目推進的過程中，逐步的將數據價值釋放出來。對于企業而言，可以設置未來幾年的大數據應用的宏偉藍圖，但在實施過程中一定要注意逐步的和快速的分解。對企業內部大數據項目管理者來說，企業大數據項目的風險管控也是非常有必須要的。

1、永洪一站式大數據分析平臺大大降低了數據應用構建門檻，讓構建數據應用變成一個類似于搭積木的體驗。當制造企業有了豐富的應用和使用用戶，帶動業務和管理的價值實現，數據和底層基礎設施即被盤活，且越做越大，形成良性循環，真正發揮數據給企業帶來的巨大價值。

2、推動大數據分析技術在企業內部的應用，幫助企業提升數據的準確性和及時性，提升產品和服務上的創新力，提升企業的商業決策水平，降低企業經營的風險，提高企業進一步挖掘發現，細分市場的可能性。

3、幫助企業建立數據化運營體系，真正實現數據驅動決策（通過數據來做出的決定，要優于常規決策）。通過數據化運營，業務人員將數據轉化成運營策略，從而能夠判斷趨勢，展開有效行動，幫助自己發現問題，推動創新或解決方案出現。