企业数据化管理是近几年受众多老板欢迎的新管理理念，毕竟最主要的是减少里企业的管理成本，提高了企业的业绩，对老板来说就是赚钱！这是最关键的原因。

一套管理想导入企业当中，最大的阻碍不是金钱，而是最直接关联的受管理者——员工。记得有看过一则新闻，某公司因为想导入压迫式的管理方法，严重损害了员工的利益，导致全体员工罢工抗议，罢工近半个月，而后不得不搁浅。可以看出，被管理者是不可忽视的重要因素之一！

那近几年让老板和员工所接受的数据化管理它是怎么做的？什么又是数据化积分管理呢？我们一起解析：

数据化积分管理简单的说就是用积分对人的能力、热情、综合表现进行量化排名，用积分作为员工的导向，引导员工往企业想要的结果方向去走，到达企业最终的 目的。那怎样做？

第一步：根据每个岗位量化不同员工的工作，设置标准的积分规则，设置薪酬体系，跟积分挂钩，例如企业文化的考核：

薪酬当中有一定的薪资是拿出来做企业文化考核，解决了企业墙上贴满标语而员工不为所衷的糗境，落实了客户第一等企业价值观，形成良好的企业氛围和文化，让企业拥有灵魂，助力去也走得更远更长，打造百年企业。

积分跟工资、奖金、晋升、涨薪等一切福利待遇挂钩，打造一切动作看积分，加工资看积分、涨薪资看积分、晋升看积分、年终奖看积分等良好的争分环境，让员工重视积分，主动挣积分，爱上积分。积分越高，其地位、荣誉、心理等得到的满足是金钱无法操作比拟的，真能操作也是成本大大的增加，增加了企业的管理成本，企老板将不堪负重。

所有的积分事件在公示平台上一一尽显，支持移动端，每人一个帐户，实时查看观测自己及他人的分数与排名，利用人的攀比心理，充分激励了员工的争分积极性，大大的提高了员工的执行力，提高了工作效益，实现了老板与员工的“合作共赢”、“互利共赢”的良好内部合作关系，助力企业飞黄腾达，蒸蒸日上。

企业数据化管理怎么做？

一、在哪里——如影随形的数据化管理

每个企业业绩展现中，报告中都有大篇幅的数据描述，从经济效益到投资经营，从项目建设到生产管理，从资本运作到融资创新，数据元素直观的反应出各项工作的成绩与进展。

1、事实胜于雄辩，数据雄于事实

溯本求源，发现公司一切的管理流程、管理制度、方式、方法源于数据，终于数据，数据化管理应用已无形于日常经营活动之中。作为企业，数以亿计万计的资金通过公司流通，如何实现产融结合，总结为一句话就是：用数据解决问题、借助数据化管理，进行盈亏平衡分析。从盈亏分析中挖掘经营盈利方向和总成本控制点，把成本控制由事后核算搬到事前预测，按业绩预测制订管理措施，最大限度的控制运营风险保证企业利益。

2、借助数据化管理，进行风险预警与控制

公司根据业务数据对各项风险要素进行全面地分析和评价，通过指标体系的异常分析、资金趋势分析、存贷款结构分析、新业务合规分析以及同质同类分析等多种分析手段，全面完善内控防范风险。

3、借助数据化管理，进行目标分解实施

公司将工作中的资金基本状况，通过翔实的指标数据直观地展现，并通过适当地分析，明确经营基本状况，发现业务工作中的不足之处，为管理者提供准确的决策依据，促进管理层进行有针对性地改进和有效地决策。

4、借助数据化管理，进行资源合理配置

公司利润就是在人、财、物这三种资源不同环节的配置中产生，通过数据计量，可以掌握公司资源的总体状况，通过数据推演，可以测算创造价值的资源数量，通过数据模拟，可以验证资源分配是否有效。

二、画猫画虎难画骨——如何做好数据化管理

以某某集团财务有限公司为例，公司从完善数据填报抓起，通过数据、指标、报表、图形和分析软件的形式，进行业务的记录、查询、存储、汇报及公示，明确计量、科学分析、精准定性，为公司发展提供决策依据，以目标化、制度化、流程化、协同化、载体化、体系化的形式构筑起公司风险管理的第一道安全防火墙。

1、目标化。公司以目标管理为基础拓展数据化管理的空间。在“十二五”规划这个战略目标的指导下，将长期经营目标的所确定的数据向年度工作进行分解，年度再向季度、月度分解，形成了一个金字塔式的数据链。公司各职能部门围绕着这个时段核心数据设计部门的工作计划，确定所要完成数量目标，这样的数据指标就成为部门管理和部门工作的中心。

2、制度化。为规范数据填报、数据挖掘、数据分析、数据应用流程，确保执行效力，公司以管理标准与工作标准形式予以确认，从财务管理、信息管理、计划统计管理、资金管理、存款业务管理、结算管理、投资管理、风险管理、内控管理、授信管理10个维度57条标准行文进行阐述。

3、流程化。公司详细规定统计、分析、上报明细与时间，使数据化向经营管理的每一个角落延伸，在业务流程及各个模块中均有数据量化的清晰足迹。并在每个业务部门中指定填报岗位，引入部门经理负责制，以此形成一整套规范运作的规程与习惯，构成公司独特的核心数据优势。

4、协同化。为确保经营数据的完整性、及时性、准确性，公司建立起财务量化指标和其他业务数据共同支撑的经营核心数据库，通过各部门共同参与协同工作的形式予以保证。从数据来源抓起，明确数据填报、管理、分析、预警、决策中各部门的职责，实施任务分解。

5、载体化。公司将日常工作产生的大量数据，如存款数据、贷款数据、财务数据、融资数据、结算量与交易量等数据，从公司实际运营出发，参照行业基本要求，以图表、表单、资金管理平台、非现场监管填报系统、人行大集中系统、九其报表系统、ERP 报表平台进行运转与表现。

6、体系化。公司在财务指标的基础上，结合国家、行业、地方、集团标准，建立切合公司阶段性特点的流动性风险指标、信用风险指标、市场风险指标、操作风险指标、经营风险指标、法律风险指标，形成覆盖公司经营全口径的数据化指标体系。

由此也可以看出一家企业的数据管理不仅仅是在财务数据上，更要将公司工作目标化、制度化、流程化，为数据管理打好根基，建立协同工作形式，有载体、有体系的进行数据化管理。

三、到哪去——数据化管理有什么好处

对于任何一家企业来将，面对当下“数据化时代”的到来，数据仓库、数据安全、数据分析、数据挖掘等等围绕大数据的商业价值的利用逐渐成为行业人士争相追捧的利润焦点。到底是什么使得数据化成为当下企业管理的主流呢？

1、对于企业管理者来说，数据化管理可以给企业管理者提供清晰的管理依据。数据化有助于我们理清管理思路，使工作目标化、制度化，减少人为过失，形成科学的管理行为。

2、对于企业的日常工作来讲，数据在日常工作中无处不在，数据化促使我们有条理的记录、分析、处理日常工作，养成良好的工作习惯，为企业提供准确的数据支持，为企业改进和创新提供依据。

3、对于企业发展来谈，数据化管理有助于企业管理精细化，有助于对战略和目标分解的细化和落实，让企业的战略规划能有效贯彻到每个环节并发挥作用，同时提升企业整体执行能力。只要数据采集是真实、准确的，我们的研究、分析就会有说服力，从而做出最优的判断，制定最科学的战略规划，优化流程，建立标准，改善结构，推助企业降低管理风险，自我完善，突破瓶颈，将企业引向成功。

【亲爱的朋友，这里还缺你的评价......欢迎你留言、互动、点赞、关注、收藏、转发。更多精彩分享给你】

一个1000名员工的企业，要开展企业数据化管理，最基本的做法是建设企业数据中心和企业客户端。

1.一切都转化为数据。企业的采购系统、生产系统、销售系统、客户系统、产品开发系统、员工管理系统、企业文化系统、后勤服务系统、行政管理系统、财务会计系统，等等，都要转化为数据，然后用数据管理一切。比如员工张三下载了客户端之后，今天是什么时候到岗的，是什么时候离岗的，加工了多少产品，分值是多少，对应的劳动报酬是多少，不仅管理人员在数据中心一目了然，而且张三本人也一目了然。

2.依靠外部技术力量。每一个企业都有其主要业务，也有自己的技术团队。但是其技术团队所掌握的技术只是为主要业务服务的，并不具有开发建设数据中心、管理手机客户端的技术能力。因此，与专业技术公司合作，由专业技术公司帮助建设并长期提供技术服务，方能做成企业的数据化管理系统。

3.开展必要的技术培训。企业首先要对全体员工进行数据管理知识的培训，让员工都能了解数据管理流程并能够熟练进行数据操作；其次还要对不同业务和不同管理层级上的管理人员进行特殊的技术培训。如果企业员工（包括管理人员）都不了解企业数据化管理流程，更不会进行熟练操作，那么，建设数据化管理系统又有何意义？

近年来，我到一些企业进行过这方面的调查研究，发现其成败得失五味杂陈。以上三点，是我有针对性地提出来的，仅供参考。

数据的重要性不言而喻，已经被越来越多的公司接受、熟知和应用。那么关乎数据，到底在哪些方面可以促进业务的腾飞？或者换种说法，业务对数据有哪些层次的需求？还有，数据对管理有哪些方面的贡献？

依据我多年在数据分析岗位上的工作经验和对业务的理解，业务对数据的需求可归纳为四个层次。

第一层：知其然

就是知道数据是多少，发生了什么情况。就如目前大多数企业都会有自己的数据库，严格一点会有对应的系统对应的业务数据库，数据收集的工作已经完备了，无论是通过报表还是数据分析的手段，都可以掌握发生了什么，程度如何，建立数据监控体系，做到“知其然”。也有一些企业，在管理内部数据的同时，也在考虑外部数据的引进，向第三方机构买数据，观察行业整体趋势、政策环境的影响，其次了解竞争对手的表现。这样的数据工作是长期的也可是周期性的管理。长期的可尽力数据展现模板，形成一定的管理规范，固化下来。短期性的比如监测某次营销活动的情况，可联合IT部门或者数据分析师自己动手，做到严格的“自省”。

1、数据是散的，看数据需要有框架。

数据展现很有讲究，把数据放到业务框架，能体现业务分析，才能发挥整体价值。所谓有效的框架至少包含两重作用：

（1）不同层级的人对数据的需求不同。比如市场销售数据，业务层需要指导自己每日指标的完成情况和等级排名，需要提交每日每周每月的数据。领导层需要知道固定周期的业绩完成率，各地区销售额，营销成本和组内业绩排名。管理层，CEO级别的可能需要知道每个业务部门的一些关键指标，比如总营收，市场增长率，重要的研发进度等等。有效的框架能够让不同的人各取所需。

（2）好的框架能定位问题，指导决策制定。例如电商销售额下降了30%，业务很可能出现了重大问题。我们需要分析问题原因，但如果只从客单价、交易单数、转化率难以说明问题，好的业务分析框架能够支持我们往下钻，从品类、流量渠道等找到问题所在，找到对应负责人。这也是我们通常所说的，看数据要落地。

2、数据，有对比才能考量。

日销售额100万，你说多还是少呢？一个孤零零的数据是很难说明问题的。数据判断要么有一个参考的指标，要么有能准确判断趋势的指标数据，如增长率上升率。这样一个基准可以是历史总结的同期数据，也可以是行业的平均水平，也可以是预先设定的而目标，一切脱离目标的数据分析都是“耍流氓”。

第二层：知其所以然

遇到问题寻找原因这是很顺当的衔接。但走到这一步还不够，解决问题才是真理。数据结合业务，找到数据表象背后的真正原因，解决之。解决问题的过程就会涉及数据整理、加工，还会涉及数据分析模型的建立和工具，这在以往的篇幅已经介绍的够多的了。

在第二层里也有两点分享：

1、 数据是客观的，但对数据的解读可能带有主观意识。

数据本身是客观的，但解读数据的人都是有主观能动性的。这样的问题往往是因为多数人通多数据先对问题定性，而不是通过问题解决问题，这样的事儿总有发生。

2、懂业务才能真正懂数据。

笔者认为，数据分析业务占6分，方法占4分。不懂业务无法理解数据的真正含义也是有理可寻的，这里特地拿出来强调一下。

第三层：辅助业务，发现机会

利用数据可以帮助业务发现机会。举个电商的例子，通过用户搜索的关键词与实际成交的数据比较，发现有很多需求并没有被很好地满足，反映出需求旺盛，但供给不足。假如发现了这样的细分市场，公布出来给行业小二，公布出来给卖家，是不是可以帮助大家更好地去服务消费者呢？这个例子就是现在我们在做的“潜力细分市场发现”项目。

讲这个案例不是想吹牛数据有多厉害，而是想告诉大家：数据就在那里，有些人熟视无睹，但有些人却可以从中挖出“宝贝”来。差异就在于商业感觉，对数据的直觉。搜索数据和成交数据很多人都能够看到，但并没有人把这两份数据联系在一起，这背后体现出的就是商业的感觉。

第四层：建立数据化运营体系

我理解的数据化运营，包含了两重意思：数据作为直接生产力和间接生产力。

1、数据作为直接生产力。

数据作为直接生产力是指数据能将价值直接投入到前线，作用于消费者，时髦点讲就是“数据变现”，这也是大家最为关注的。以前有沃尔玛将啤酒和尿布两个产品关联摆放，引出了商品关联度的概念。如今，又有餐饮企业利用数据统计分析，选型餐厅面积，优化前后厅布置，使得单位面积营收最大。

2、数据作为间接生产力。

所谓间接生产力，是指数据价值不直接传递给消费者或企业，而是需要通过一系列的分析，制定策略传递给消费者，即通常所说的决策支持。数据工作者通常做的是产出报表、分析报告等供各级业务决策者参考。

我们可以称之为决策支持1.0模式。然而随着业务开拓和业务人员对数据重要性理解的增强，对数据的需求会如雨后春笋般冒出来，显然单单依赖人数不多的分析师是满足不了的。

授人以鱼不如授人以渔，让业务人员能够独立地进行数据分析，而不依赖于技术人员是我认为的决策支持2.0模式。

实现决策支持2.0模式有两个关键：工具和能力。

如果让他们和数据从业者一样，掌握SQL，学会SPSS，SAS甚至R和Python，大可不必要。

现在自助型的BI工具等低门槛、用户体验良好的数据产品完全可以让用户快速上手，比如自助式BI工具FineBI，最佳的使用方式是让IT人员准备好数据，按照权限，业务人员可以自己决定分析维度，将分析字段拖入表中，类似excel的数据透视表。这是实现决策支持2.0模式的基础。

当然，这里讲的产品，不仅仅是操作功能集，还需要承载分析思路和实际案例。数据分析的门槛还是有的，深入的分析还是得往数据分析师方向走，这就会对大家提出一些其他的基本能力，比如统计学知识，数学能力等等。但是内心若有强大的意愿，有持之以恒的毅力，那都不叫事儿。

数据化管理，能清楚的知道你的每一个动作对企业的好处，让企业再也不是凭着管理人员乱打王八拳参与这个信息时代竞争 ！

数据化管理分为四个层次：业务指导管理、营运分析管理、经营策略管理和战略规划管理。

我就不扯长篇大论了，我的文章里有，我写一首诗吧：

企业想要实现数据化管理，有合适的数据工具是非常重要的。什么数据梳理、数据流程、主数据，各种东西，这些都是前期的工作，虽然占了60%及以上，但是老板才不会管，你给他看到什么，你就在他心里什么样，没有人会关注过程。

过去采取的是通过收集各级员工在生产过程当中填写的产能报表，然后进行统计的方式。这种方法更多地侧重于数据统计，实际上数据并没有被有效地利用和分析，用于企业改善等工作更无从谈起。

一些大数据工具，如FineReport、FineBI、简道云、阿里的datav，还有一些零代码的数据采集工具真的需要被利用起来了，不然你的企业就会落后。

数据的重要性不言而喻，已经被越来越多的公司接受、熟知和应用。那么关乎数据，到底在哪些方面可以促进业务的腾飞？或者换种说法，业务对数据有哪些层次的需求？还有，数据对管理有哪些方面的贡献？

依据我多年在数据分析岗位上的工作经验和对业务的理解，业务对数据的需求可归纳为四个层次。

第一层：知其然

就是知道数据是多少，发生了什么情况。就如目前大多数企业都会有自己的数据库，严格一点会有对应的系统对应的业务数据库，数据收集的工作已经完备了，无论是通过报表还是数据分析的手段，都可以掌握发生了什么，程度如何，建立数据监控体系，做到“知其然”。也有一些企业，在管理内部数据的同时，也在考虑外部数据的引进，向第三方机构买数据，观察行业整体趋势、政策环境的影响，其次了解竞争对手的表现。这样的数据工作是长期的也可是周期性的管理。长期的可尽力数据展现模板，形成一定的管理规范，固化下来。短期性的比如监测某次营销活动的情况，可联合IT部门或者数据分析师自己动手，做到严格的“自省”。

1、数据是散的，看数据需要有框架。

数据展现很有讲究，把数据放到业务框架，能体现业务分析，才能发挥整体价值。所谓有效的框架至少包含两重作用：

（1）不同层级的人对数据的需求不同。比如市场销售数据，业务层需要指导自己每日指标的完成情况和等级排名，需要提交每日每周每月的数据。领导层需要知道固定周期的业绩完成率，各地区销售额，营销成本和组内业绩排名。管理层，CEO级别的可能需要知道每个业务部门的一些关键指标，比如总营收，市场增长率，重要的研发进度等等。有效的框架能够让不同的人各取所需。

（2）好的框架能定位问题，指导决策制定。例如电商销售额下降了30%，业务很可能出现了重大问题。我们需要分析问题原因，但如果只从客单价、交易单数、转化率难以说明问题，好的业务分析框架能够支持我们往下钻，从品类、流量渠道等找到问题所在，找到对应负责人。这也是我们通常所说的，看数据要落地。

2、数据，有对比才能考量。

日销售额100万，你说多还是少呢？一个孤零零的数据是很难说明问题的。数据判断要么有一个参考的指标，要么有能准确判断趋势的指标数据，如增长率上升率。这样一个基准可以是历史总结的同期数据，也可以是行业的平均水平，也可以是预先设定的而目标，一切脱离目标的数据分析都是“耍流氓”。

第二层：知其所以然

遇到问题寻找原因这是很顺当的衔接。但走到这一步还不够，解决问题才是真理。数据结合业务，找到数据表象背后的真正原因，解决之。解决问题的过程就会涉及数据整理、加工，还会涉及数据分析模型的建立和工具，这在以往的篇幅已经介绍的够多的了。

在第二层里也有两点分享：

1、数据是客观的，但对数据的解读则可能带有很强的主观意识。

数据本身是客观的，但解读数据的人都是有主观能动性的。这样的问题往往是因为多数人通多数据先对问题定性，而不是通过问题解决问题，这样的事儿总有发生。

2、懂业务才能真正懂数据。

笔者认为，数据分析业务占6分，方法占4分。不懂业务无法理解数据的真正含义也是有理可寻的，这里特地拿出来强调一下。

第三层：辅助业务，发现机会

利用数据可以帮助业务发现机会。举个电商的例子，通过用户搜索的关键词与实际成交的数据比较，发现有很多需求并没有被很好地满足，反映出需求旺盛，但供给不足。假如发现了这样的细分市场，公布出来给行业小二，公布出来给卖家，是不是可以帮助大家更好地去服务消费者呢？这个例子就是现在我们在做的“潜力细分市场发现”项目。

讲这个案例不是想吹牛数据有多厉害，而是想告诉大家：数据就在那里，有些人熟视无睹，但有些人却可以从中挖出“宝贝”来。差异就在于商业感觉，对数据的直觉。搜索数据和成交数据很多人都能够看到，但并没有人把这两份数据联系在一起，这背后体现出的就是商业的感觉。

第四层：建立数据化运营体系

我理解的数据化运营，包含了两重意思：数据作为直接生产力和间接生产力。

1、数据作为直接生产力。

数据作为直接生产力是指数据能将价值直接投入到前线，作用于消费者，时髦点讲就是“数据变现”，这也是大家最为关注的。以前有沃尔玛将啤酒和尿布两个产品关联摆放，引出了商品关联度的概念。如今，又有餐饮企业利用数据统计分析，选型餐厅面积，优化前后厅布置，使得单位面积营收最大。

2、数据作为间接生产力。

所谓间接生产力，是指数据价值不直接传递给消费者或企业，而是需要通过一系列的分析，制定策略传递给消费者，即通常所说的决策支持。数据工作者通常做的是产出报表、分析报告等供各级业务决策者参考。我们可以称之为决策支持1.0模式。然而随着业务开拓和业务人员对数据重要性理解的增强，对数据的需求会如雨后春笋般冒出来，显然单单依赖人数不多的分析师是满足不了的。授人以鱼不如授人以渔，让业务人员能够独立地进行数据分析，而不依赖于技术人员是我认为的决策支持2.0模式。

实现决策支持2.0模式有两个关键：工具和能力。

如果让他们和数据从业者一样，掌握SQL，学会SPSS，SAS甚至R和Python，大可不必要。现在自助型的BI工具等低门槛、用户体验良好的数据产品完全可以让用户快速上手，比如自助式BI工具FineBI，最佳的使用方式是让IT人员准备好数据，按照权限，业务人员可以自己决定分析维度，将分析字段拖入表中，类似excel的数据透视表。这是实现决策支持2.0模式的基础。

当然，这里讲的产品，不仅仅是操作功能集，还需要承载分析思路和实际案例。数据分析的门槛还是有的，深入的分析还是得往数据分析师方向走，这就会对大家提出一些其他的基本能力，比如统计学知识，数学能力等等。但是内心若有强大的意愿，有持之以恒的毅力，那都不叫事儿。

〉三千人的公司用五年实现数据化管理的路线图：信息化——规范汇报模板和统一数据统计口径——精细预算管理——数据化管理实现。

——各步骤的精要：

1. 信息化，选购广泛应用的主流信息化产品，二次开发占比低于两成；
   
2. 规范汇报和统一数据口径：逐步增加和扩大汇报和统计的业务内容，切忌大干快上；
   
3. 精细预算管理：老板先精通预算知识，并具备预算应用经验。
   

〉随手一点赞，动力在原创！十多年来，我们公司从二十几人发展到三千多人，作业区域覆盖二十二个省，近百个地市。作为公司首席规划专家，我参与了公司成长中的各类决策，在企业的战略决策和经营方面，请关注和查阅我在今日头条悟空问答里回答的经营管理类问题，以供参考，与朋友分享。

可以用crm系统来管理，Rushcrm系统可以涵盖企业的各个部门，可以汇总企业所有相关的数据以及内部的流程

分三步走，第一步，实现企业数据库管理，即数据存储数字化；第二步，实现企业管理流程的数字化流转，即信息流数字化；第三步，通过KM和AI等技术实现决策数字指导，即决策数字化。

企业想要建立数据化管理，实现高效运营，最重要的是遵循基本两个原则，以下就以制造业为例，为各位企业实现数据化管理提供新思路：

1.上下都认同才能发挥力量

若想让企业实现数据化管理，建立新竞争力，就得从建立全公司的新文化开始。老板带头，全员参与，让全公司的每个人都能认可数据是可以帮助到其工作的。

未来公司的管理运作都是基于真实、实时可搜集的数据来来进行沟通、目标设定。公司不会因为买了一台新机台或机器手臂，或导入一套新系统，竞争力就会提升。竞争力的提升完全来自于公司管理的强化，而且是基于实时且正确的数据的管理。

当全员内上下都从心里深处认同，数据是在帮助自己，不管是命令下达还是成果回报，不管是机台控制或是良率改善，这些实时真实搜集的数据就是公司内共通的新语言，那么大家的方向与行动才会确实且精准的校准在一起，整体的力量也才能发挥。

2.建立数据文化

曾经到访过某家制造业工厂，该厂的制造副总清楚地认识到数据文化的重要性，也明白传统工作模式中使用的PPT带有伪善性，问题无法基于PPT当场厘清与解决，会上决策到会后执行存在时间差，耗时且无法追踪进度。

基于此，该工厂无论晨会、月会，在会议中直接开系统、拉数据，当场报告与讨论。

• 实施过程中，第一关是IT主管，数据读取速度、数据呈现等因素都会影响会议进程，但随着不断改进，该工厂数据读取实现30秒内完成。
• 第二关是现场主管，这种会议模式相当于完全透明、毫无遮掩的被全盘检视工作，任何异常会被实时指出，透过交叉比对，究其原因、指派任务并解决问题。根因与负责人也会被正确指派与快速解决。
• 正是因为这种工作模式，该工厂效率不到三个月大幅提升。

其中最为关键的是，该工厂的制造副总在实施这套工作模式时，没有以强硬的态度强制实施，而是比以前加倍包容，以共同努力的态度与员工共同适应新模式，以数据讲话，找问题求改善，与下属一起承担、面对与解决，持续以这种方式在工厂内部建立起数据文化。

当文化被建立且认同后，数据的力量才得以真正被发挥，从而持续地强化企业竞争力。