|
坚持数字与业务融合发展，提升企业经营效能，实现业务提效3倍
1企业简介
 
北京首钢股份有限公司（以下简称首钢股份）是世界五百强首钢集团所属的上市公司，以建设具有世界竞争力和影响力的钢铁公司为愿景，始终坚持创新、协调、绿色、开放、共享发展理念，坚持绿色制造、智能制造、精品制造、精益制造、精准服务的高质量发展之路，形成具有核心竞争力的高端产品集群。汽车板市场份额全国第二，是宝马、长城、吉利等知名车企主要供应商。无取向电工钢形成了通用产品、高效产品、退火产品以及新能源汽车驱动电机用产品等4大类的产品序列，变频空调压缩机电工钢市场份额近50%。在新能源汽车驱动电机、无人机电机、机器人伺服电机用无取向电工钢等新兴市场领域应用也逐步增长。取向电工钢自主研发掌握了低温板坯加热工艺生产高磁感取向电工钢技术，产品广泛应用于500kV及以上超、特高压变压器生产制造，实现国网交流“双百万”变压器应用突破，薄规格产品成功应用于中国高铁首套智能化变电站，跻身变压器材料世界第一阵营。
2 业务挑战
数字化转型是一项复杂的变革，与传统信息化相比，其对于数字化基础的要求更高，不管是IT基础设施、数据管理能力还是信息安全要求等，都提出了新的目标。数字化基础的保障作用更加突出，其管理重心由应用转向了数据，支撑能力由维持转向了快速迭代。
首钢股份目前已建成分布式混合型数仓，汇集了财务、采购、销售、物流、成本、工程、设备、制造、质量、能源、环保等所有业务领域以及现场生产工艺的14.5+万项200T+的数据。如何让这些海量数据成为企业极为有价值的资产？如何对数据进行有效的管理和使用？我们面临3座大山：
1、数据分散，缺乏统一管理机制：生产经营数据来源众多，存在大量异构数据，不同粒度数据分布在不同系统，在进行数据分析中数据收集和整合耗费了分析人员大半的时间，缺少统一平台和方法对存量庞大的数据开展有效的开发和利用。
2、缺乏对业务数据全量全要素管理：钢铁生产关联因素多、管控环节多、生产流程长，基于人工或人工加计算机系统辅助相结合的方式进行，业务执行仅依赖于局部信息、离线数据和人工经验，无法支撑精益制造和优化资源配置的需求；线下业务多，跨部门业务协调难度大、管控效率低，响应市场能力不足。
3、传统的业务分析效率低：由于钢铁生产制造过程动态变化，通过传统固定报表方式进行日常业务分析与管控已不能及时适应制造业务的不断更新及管理方式的变革。
为了跨越这3座大山，实现数据驱动业务增长的价值，首钢股份需要三步走：一是，建立高效稳定的分析平台：在系统架构中的经营分析层，应用一种新的技术及分析平台，实现在系统稳定性、效率提升、简单易用、数据治理/共享/安全层面等方面进行全面提升；二是，提升数据质量，应用标准：在数据标准、数据质量、采集方式等方面加强管理规范，促进公司经营管理、技术经济指标体系的完善与应用；三是，构建强健的数据人才团队：加强数据应用人才的培养与能力提升，实现从数据采集存储分析到以应用模型为场景数据建模的深度挖掘，为企业经营转型，实现流程驱动向数据驱动转型提供强劲动力。
3 解决方案
基于以上3个层次的痛点，首钢股份建立了符合自身业务发展需要的数智转型解决方案：
核心：首钢股份十四五的规划核心坚持长远谋划、分步实施、效益驱动
目标：1、数智驱动业务发展转型：到2025年数字化转型和智能制造发展取得实质性进展，整体智能制造能力成熟度明显提升，实现从部分业务集成探索到全面牵引业务发展的过渡转型；2、综合提升企业运营效率：在促进研发创新、提高作业效率、提升产品质量、降低运营成本、完善服务能力、坚持绿色发展、实现本质安全等方面起到关键作用；3、构建全面数字化能力，打开智能制造新格局：全面建立“操作自动化、装备智能化、管控数字化、决策智慧化、服务平台化”的数字化转型和智能制造新格局。
方法：1、建立数据思维及使用习惯：让数据可见、让数据说话，用工具改变人的数据思维；用新型BI改变人的工作习惯，成为了首钢股份实现“管控数字化、决策智慧化、服务平台化”战略规划的重要支撑。2、构建敏捷组织能力：开发能敏捷、迭代能快速、用户能参与，成为了首钢股份数据分析工具的技术要求。3、深入业务应用，驱动业务不断迭代，助力经营提效：通过大数据应用给公司海量数据赋能，不断改变旧的业态、业务模式和工作方法，从而提高企业经营管理效率。
3.1 整体思路
通过“一个数仓、两个纬度、三种手段”来提升首钢股份的数据生产力，即建设一个数仓作为数据基础、坚持数出一源，通过数据治理提升数据质量；完善主题和指标两个纬度；融合应用“固定报表、自定义分析、数据可视化”三种技术手段，着重在数据监控与统计分析、业务辅助决策等应用领域进行探索，实现更灵活、更易用、更智慧的决策支持系统。
在数据分析应用层面，搭建集中、一贯的生产经营分析平台，推行重主题、轻报表管理理念：针对业务场景构建数据主题和指标体系，应用FineReport、FineBI等平台鼓励业务人员进行自助分析，减少固定报表对开发资源的浪费。在智能决策层面，围绕业务辅助决策推进自动化技术应用，逐步由人工决策向智能决策转变，实现业务创新。通过数据分析平台建设，实现：1、自由规划和灵活查询：将关系型结构化的业务数据从模块化制造过程视角向主题化业务分析视角转变，快速有效的汇总关系型结构化业务数据，自由规划指标维度，根据个性化要求随机灵活查询。2、跟踪生产，快速定位异常：通过完整记录并存储产品属性、销售属性等的历史变化信息，快速定位生产、销售过程中出现异常的影响因素，为优化流程提供数据参考。
3.2建立数据分析平台
首钢股份数据分析平台整体由数据源、数据总线、数据仓库、应用服务等组成。
1、数据源：涵盖生产工艺、经营管理各信息系统。
2、数据总线：实现对数据通讯的统一管理，集中监控，对数据源数据向数据仓库平台接入提供支撑，同时对于业务侧的数据进行清洗和转换以保证进入数据仓库的数据质量。
3、数据仓库：将存储于各源端业务数据库中的结构化数据，进行采集、加工、处理、加载并存储于数据仓库平台的关系型数据库中；基于数据仓库平台中存储的数据及数据模型，为数据服务、分析挖掘服务、复杂算法服务等各类数据计算分析服务提供数据支撑。
4、应用服务：为用户端能够安全稳定高效的运行以及和数据仓库高效稳定的数据交互提供企业级应用服务，为最终用户提供高效便捷的数据维护、数据分析、数据展示等功能。
数据采集范围覆盖全部机组的一二三级系统。利用整体调度技术、分布式队列技术、数据转移技术、数据流处理与分发技术等，实现结构化数据、半结构化数据、非结构化数据的高速采集、预处理、降噪、过滤、加工等，关键工艺高频时序数据采集频率为50毫秒。
3.3 进行数据治理
基于元数据的采集、存储、分析技术，结合数据管理制度，充分考虑不同业务部门及岗位的需求，在实施数据应用分析项目的基础上，让业务、IT人员能清晰了解关键数据流的来龙去脉，处理规则等，提高系统的可维护性、适应性和集成性。
借助元数据管理，绘制数据地图、统一数据口径、标明数据方位、分析数据关系、管理数据变更。从而更加有效的发掘和利用信息资产的价值，实现精准高效的分析和决策，推进系统变更管理，降低数据风险。
通过自动化的多源头元数据采集，自动分析汇总，形成完整的数据地图，使用户能够从全局视角审查整体数据状况。能够方便管理、追溯业务指标、报表的数据来源和加工过程。
针对关键表的字段进行数据质量检查，通过数据质量稽查，使用预先配置的规则、算法对数据资产质量情况进行剖析，发现问题并进行整改，逐步提高数据资产质量。
3.4 开展多种数据分析与展现
经营决策支持系统作为首钢股份数据应用分析的主要平台，包含：财务分析、公司统计、存货日管控、采购分析、销售分析、销售物流分析、生产管制、生产分析、金属平衡、质量分析、质量成本、设备分析、工程管理、厂内物流分析、能源分析、环保分析、成本标准、计划值、成本预算、日清日结、成本预测、成本还原、成本分析、成本绩效、明细成本计算、盈利能力分析等26个分析模块；管理驾驶舱、固定报表平台、自定义分析平台、自助可视化分析平台、业务决策辅助模型、移动APP等6类具体技术应用形式。对产品从销售、订单、质量、物料、成本等多维度进行管理，跟踪产品与服务的核心信息、数据和方法，对产品需求、产品研发、产品制造、营销服务整个价值链进行数据分析，解决产品编码、流程设计、质量设计、工艺规范过程汇总的各类问题，及时与各个层面的系统进行交互，将决策信息传递到对应的执行和控制系统，从而提高各环节的效率。
其中固定报表和管理驾驶舱主要采用帆软的FineReport和USP统一微服务平台技术架构实现；自助分析采用帆软FineBI和自定义分析IPLAT4J技术架构实现；经营决策门户以及主服务采用FineRepor和USP统一微服务平台技术架构实现；业务决策模型是基于业务逻辑、机器学习、深度学习、运筹学组合算法等综合技术实现。
图例 经营决策支持系统功能定位
图例 经营决策支持系统固定报表示意图
图例 业务人员自主制作FineBI仪表板示意图
图例 经营决策支持系统管理驾驶舱示意图
为了向数据智能化这一层级进行推进，首钢股份以业务决策模型构建为核心进行大数据分析应用，重点围绕各专业在业务处理及决策过程的痛点、难点，同时更加关注跨专业跨层级的流程，挖掘典型业务场景，充分利用数据资源和新技术、新算法，提高流程处理、决策的自动化、智能化水平。在采购、设备、制造、销售领域基本实现了特定规则的单体模型构建及可视化展示与互动，业务决策模型为企业内部生产经营分析提供了有效支撑，每年持续完善业务决策模型资源池，持续对业务决策模型深入推进。
图例 业务决策模型示意图
3.4 项目成果
首钢股份经营决策支持系统按照“横向贯穿、纵向到底”的原则，实现了公司级、工厂级、工序级、班组级和员工级分析能力，规范健全了数据范围与数据分析能力，覆盖到各业务系统，为数据价值挖掘、数据共享提供了可靠的数据基础。
提升了数据统计分析效能：平台整理指标8000+、业务主题 900+，运行各类报表1000+，活跃用户900+，月访问量50000+。数据统计成本大幅降低，通过数据自动采集和报表生成，较人工查询汇集节省20人/月，节省人工成本350万元/年。
提升了数据价值的基础保障能力：探索了具有钢铁行业特点的数据治理工作，开展了覆盖超过92万“元数据”的数据资产地图绘制，清理数据库中垃圾表单超5000个，收集整理基础和指标类数据标准，监控数据通道和数据变更，动态稽查各业务体系基础数据，以及重构业务数据主题、报表等工作。
提升了对业务管控活动的洞察能力：构建业务决策模型，实现业务过程数据的一键分析、异常因素的自动揭示、可能原因的智能推荐。两年来已有40项业务决策模型投用，直击业务难点、打通数据壁垒，如产品性能风险管控可提升3倍分析效率、物料标准化周期管控可降低约1.2万吨半成品库存、投料率分析可辅助降低酸洗带出品1.47%等，在提升流程管控效率和决策智能化水平的同时，创造了实际的价值效益。
4应用场景
4.1 场景一：销售管理-客户需求精准识别
4.1.1 业务背景
在钢铁营销体系中需要技术人员对客户需求识别后再进行质量外设计（合同评审），用户特殊性需求多且不规范，缺乏销售端对客户需求的预评审，需要统一质量设计，满足内部成品、半成品及原始订单的周转及互换需求。需要解决数据分散、缺少历史数据支撑、线下分析繁琐不及时等问题，来实现三码（产品规范、最终用户、最终用途）建立、使用受控，三码体系的管理高效，支撑产销体系保持持续的良性运转。
4.1.2 实现过程
通过对现有多业务系统中的数据进行梳理，明确围绕客户需求，充分利用合同信息、生产实绩及质量异议信息，构建订单风险识别子模型、尺寸选材推荐子模型、能力评估子模型、外设计智能评价子模型，高效进行产线的产品尺寸能力评估，确定供货能力，针对不同需求推荐出最适用的外设计方法，从售前、售中、售后全流程跟踪分析，并结合历史数据，自动给出外设计等级和评价。
该场景包含以下订单风险识别模型和外设计智能评价两个部分：
1、订单风险识别模型
基于大数据平台，将采购系统中的合同信息与销售系统中的销售信息进行匹配分析，以合同为最小统计单位，以产品大类为统计维度，从外设计质量分布、活跃度分布、规格能力等维度对订单情况进行图像化展示，展示效果一目了然，同时支持数据下钻，便于更进一步的问题分析。
2、外设计智能评价
基于产销一体化经营决策大数据平台，将股份公司和京唐公司两个基地，制造系统中的物料实绩信息、成分信息、合同信息，销售系统中的销售信息和质量异议信息，实验室管理系统中的实绩检化验数据等进行数据清洗、数据整理，对外设计从多个方面进行评价：
（1）外设计的智能管理：校验、失效、封锁
对外设计中的质量最终用户和合同的销售最终用户进行校验，筛选出有问题的订单，推荐进行合同确认和外设计评估，逐步细化外设计，实现客户需求的精准识别；现有的产品规范码和外设计实现自动统计和分析，对近1年没有使用过的产品规范码和外设计进行失效推荐；对连续发生质量异议的外设计进行封锁推荐；对CPK能力不足的外设计（成分、性能、温度）进行封锁推荐。
（2）外设计智能推荐和选用
通过大数据平台，对各产品大类历史生产实绩进行快速筛选，提供最符合用户技术要求的 PSR 推荐及指标曲线，支撑技术评审自动应答、辅助营销人员用户选材、标准＋α协议签订等，将原来产品工程师个人经验判断转化为数字化、显性化指标，有力的支撑技术营销，提高用户需求识别效率和准确性。
以选材推荐界面为例，可以根据输入的查询条件，给出对应的三码推荐，为营销人员提供便利。
4.1.3 实施效果
钢铁企业客户需求精准识别，针对三码数量庞大、精准选用难度高、后台管理维护工作量大的业务现状，将信息化系统的大数据挖掘能力和订单质量外设计业务相结合，纠正了75条订单三码选用错误，将三码的分析处置从24小时以上缩短到1分钟以内，支撑产线能力拓展额外承接订单2.5万吨。
4.2 场景二：销售管理-认证项目评价
4.2.1 业务背景
产品认证是汽车产品进入客户采购序列的必要步骤，也是市场和客户开拓的必要手段。同时产品认证过程也是客户认可钢铁产品的必备环节。随着高级别产品、高级别客户的拓展，产品认证周期长，认证路径和要求复杂，管控难度越来越大。
4.2.2 实施过程
为了提高管理和推进认证效率，实现高效、精准的用户推广，搭建产品认证评价模型。在全生命周期监控与系统性管理的基础上，细化流程为3大序列、12个节点、15个项目。通过大数据分析，提取认证输入因子37项，认证输出因子7项，对认证的信息进行确认和扩展，搭建认证知识库模型。以历史订单的为数据基础，归纳形成认证知识库，并最终提炼出认证规则，完成了酸洗认证知识库的搭建；建立认证知识库运行规则和流程，建立自动更新逻辑，实现合同和认证知识库自动匹配，精准匹配率达100%。
以认证知识库为基础，实现对客户认证路径的实时跟踪，搭建认证项目的可视化评价模型。通过FineBi进行认证可视化界面的自主配置，深化对认证业务的管控，进一步支撑认证业务的高效推进和管理。
4.2.3 实施效果
此场景实现对认证项目的认证履历、完成情况、转化率、转化量进行跟踪及评价，为认证项目的推进和立项提供决策支撑增效，为认证业务及决策提供支撑，更好的支持商业订货，获取认证效益。通过认证周期评价管理，本质上实现了科学接单评价，为传统企业转型提效、强化管理提供了一种新途径。
4.3 场景三：质量管理-现货分析管控
4.3.1 业务背景
质量减损提效是首钢股份制定的战略目标，要求将现货发生率降低，其中质量带出是一个重要原因。为实现对指标的有效控制，要求不仅能够了解现货发生率指标的完成情况，还要能够追溯到现货产生的原因，将现货的质量责任分解到各工序，并且需要通过多维度不同角度的分析，识别出现货控制的异常点和改进机会。
质量带出不仅要能够识别出哪些缺陷出现上升或下降，还要能够判断出是哪个工序、哪个工艺控制点的变化造成的。卷渣、面翘皮、结疤、线性缺陷等遗传性缺陷是目前发生率最高的缺陷，其影响因素跨炼钢、热轧和冷轧多个工序，当缺陷发生率出现波动时，较难准确定位是哪个因素变化导致的影响，无法实现对缺陷的及时反馈控制。
现货的构成错综复杂，维度众多，使用传统的固定报表工具，需要使用的报表不下几十张，且需要设计多个查询条件进行反复查询，效率低下。由于缺陷产生原因的定位困难，导致缺陷控制困难，缺陷发生率异常时，找不到导致缺陷增加的原因，上下游工序责任界定困难，无法制定有效的控制措施，缺陷很久得不到有效控制，造成大量损失。
4.3.2 实现过程
现货分析管控模型整合炼钢、热轧、冷轧全流程生产和质量数据。建立以物料为主键的主要缺陷、余材原因、封锁原因等字段，建立工序一贯履历表，对板坯和钢卷的计划、质检、评审和摘挂单过程进行记录。计算出的带出小类代码，结合带出品的代码表（含有带出小类对应的责任单位、带出中类和带出大类），可以索引出产品的带出中类、带出大类和责任单位。并使用决策树算法，算出带出原因为某种该钢卷的缺陷、原料的缺陷、炼钢板坯的缺陷或该卷的直接摘单原因或炼钢板坯的摘单原因。
对现货进行多维度的分析，能够快速分析出现货各个维度的构成和占比，找出主要影响因素。另一方面，能够分析出某一维度上现货增加或减少的变化趋势，从而快速定位问题。
在质量带出控制方面，要求对缺陷产生规律、过程控制点合格率、过程控制点变化趋势进行比对。
缺陷产生规律分析：统计缺陷产生规律，挖掘该缺陷在某些钢种、时间段上的发生规律。
过程控制点合格率分析：将该物料的质量设计标准、实际控制情况进行比对，看看是否按照质量设计要求执行，挖掘未满足标准要求的比例与缺陷发生率的变化是否存在对应关系。
过程控制点变化趋势分析：对影响该缺陷的重要控制点的实际情况进行对比分析，挖掘其变化趋势与缺陷发生率的变化是否存在对应关系。
展示月度现货量和现货率，联动触发原牌号、责任单位、带出中类、正品标识、带出原因维度的变化。也可由原牌号、责任单位、带出中类、正品标识、带出原因维度反向触发其联动变化，实现对某一或多个维度现货量和现货率的月度趋势分析，找出异常原因。下钻到日期，观察日期维度现货量的变化情况。
通过缺陷跳转到缺陷产生原因分析页面，实现对缺陷产生原因的分析。
1、对卷渣产生的特征进行，钢种分布、产线分布等。
2、对影响缺陷的关键控制点入炉温度、总在炉时间、均热时间、装钢间隙实绩进行检查，并对以上参数与卷渣发生率的关系进行对比，定位异常控制点。
4.3.3 实施效果
1、该模型使用分级钻取、联动设置、筛选设计等功能实现了带出中类、带出原因归并、带出原因细分、正品标识、用户、原牌号、出钢标记、产品类别、合同性质、计产标记、公司、钢级、大工序、小工序、机组15个维度的分析，分析简单高效。
2、基于该模型，发现了在现货管控过程中的相关问题，并通过层层下钻具体到可改进执行的层面，进一步推进了调宽坯原单轧制、过渡原因识别、头尾坯切割优化、改规格卷封锁状态下挂单、卷渣工艺优化工作的开展，现货发生率降幅33%，减损2亿元。
4.4 场景四：仓储物流管理-库存管理
4.4.1 业务背景
首钢股份基于“一业四地”布局，制造单元末端涉及迁安迁钢、曹妃甸京唐、顺义冷轧、全国各贸易公司、各加工中心等多个环节均存在库存管理的压力和风险。且由于业务链长，业务类型复杂，如何整合全流程库存数据，跟踪库存异动，发现库存风险，控制库存水平，是公司库存管理的重点。基于上述原因，选取库存管理为切入点，以建立库存预警机制、全流程全局监控并合理评价整体业务链库存、完成库存模型搭建并以应用为目标，为库存管控体系提供支撑。探索低库存下的高效生产管控模式，使全流程工序库存都达到满足其生产、运输效率所需的最低库存水平，提高存货周转率，降低资金占用。
4.4.2 实现过程
钢铁产品以合同和物料（钢卷）为主线，串联产销研全流程，其中物料是销售、制造、质量、成本、物流等业务的基础，是这些业务管理的最小构成单元。以物料为颗粒度，进行多维数据分析，目标是降低库存，降低成品资金占用。该库存管控模块，横向覆盖销售、生产、质量、物流等业务，纵向覆盖炼铁、炼钢、热轧、冷轧等全流程工序。
基于物料周期数字化理念，引入工序标准周期理念，从而引入原料产量比、成品产量比等多个全新工序评价指标。
制定标准化的工序周期，以此来评价当前工序的运行是否正常。
制定原料产量比的上下限，以评价当前工序原料的备料情况，既要保顺稳又拒绝拥堵。成品产量比则是评价当前工序质量通过率、带出品率及检验效率的综合性指标，成品产量比越低，则质量越好，带出品越低，工作效率越高。
制定标准化周期，将物料周期数字化将材料分为四十多种物料状态，每种状态用历史数据核定标准时间，统计持续时间，并设置负责部门及专业。超期自动预警，对负责专业推送超期材料明细，降低相关专业排查时间，最终统计超期频次及原因。
鉴于长期库存的风险程度和对资金流动性的影响，公司制定长龄库存控制目标为：三个月以上库龄存货占总量比例控制在4％以内。
分析运输商运输量及准时到达率情况，作为供应商评价依据，提高供应商管理。
基于时间序列算法，预测生产库、销售库存量，预防性进行库存管控，提高发运效率。
1、库存总览
总览页面主要体现所有库存的资金占用情况、库存情况、各产品占比情况以及在库时长分析。库存管理中，资金占用是最为重要的指标，关注每个库存的库存量，可直观地展现每个库存的资金占用情况，有助于生产专业人员快速了解库存情况，能有效减少大量囤货、超量生产，造成存货数量大；另外可以查看不同产品类型的占比，督促相关品种负责人关注产品的生产以及发运情况；库存在库时长分析，因钢铁产品流程长环节多，加上认证、备料等占库存情况，易发生库存大量占用的情况，故重点关注三个月以上库存情况，并制定了库存控制目标为：三个月以上库龄存货占总量比例控制在4％以内。管理层可通过此看板，督促营销专业人员采取不同的增值销售策略，降低库存占用。
2、生产库存分析
生产库存展示看板主要展示各工序库存容量、库存结构、在库时长、预测库存、备料情况五个方面数据，对当前生产库存进行全面的展示和分析，方便业务人员全面了解生产库存情况，为加快超期材料处置、提升生产库存周转效率、降低存货资金占用提供数据支撑。
材料状态与部门挂钩，物料超期自动推异、预警，极大缩短问题排查时间，实现库存管理超前预测、迅速响应，避免出现问题物料滞留的情况，以实现库存的精准控制，提高工作效率，增大可周转库存量。
准发预测：通过在制品生产计划与库存的计算，判断出各工序的备料情况，及时调整备料系数，降低无效库存。另外根据每天生产情况，结合标准周期，推算出48小时内的准发量，帮助发运提前做发运方案，提前请车，同时下工序可根据准发情况，进行生产的预排程，优化生产计划结构，减少产品带出造成损失。
3、销售库存分析
销售库情况分析：生产库准发的物料进入销售库，等待发运。基于数字化的支撑，可以清楚的了解到销售库存的整体情况以及发运详情。其中重点关注整体的库存量，其可以根据基础库存、入库量及出库量的简单计算得出，在此基础上细化到每一个库区对应的库存量、库容、满库率及库存警戒线，方便合理调配物料的同时，可以给到生产建议，保证库存处在一个动态的合理范围之内。
 7日库存预测：利用每日产量与库存进行计算，测算出产成比，评价库存备料情况，便于调整备料系数，减少备料库存。同时，用时间序列算法，基于各库的历史库存情况，结合每日各库区的出入库情况，对各库区做了库存预测，可以清楚了解到未来7天此库区的库存值范围，一旦库存超量可提前采取措施和预警。
库存时长分析：根据销售库的材料状态与部门挂钩，物料超期自动推异、预警，实现库存管理迅速响应，避免出现问题物料滞留的情况，提高库存周转率。
4、产品发运分析
清洁运输比：首钢股份为了贯彻国家环保要求，启用大量新能源汽车，大力提供清洁运输比，并作为公司的重点掌控指标。目前清洁运输方式以铁运和新能源汽车为主，清洁运输比可达到80%以上。流向地图：首钢的客户遍布全国各地，产品分布也随着地域不同而不同，一张流向地图清楚地展示了客户的流向、牌号以及订单量，帮助决策者与营销人员更形象地了解全国各地的销售情况。
材料状态：将库存材料状态分为四类，其中可编计划指的是通过了质量巡检、客户定金审查等环节，具备发运条件的产品。目前考虑到装车方案以及请车周期问题，销售库结合生产库48小时可准发销售库量，作为可编计划统计，一方便合理装配方案，二是节省请车时间。
库存出入库统计：结合每日出入库情况以及累计出入库情况，对比各工序库存出入库差距。对于差距大的工序存在堵库风险，需及时调整发运节奏，保证库存周转。同时结合各工序历史库存趋势，提前做好运输节奏调整，合理分配发运资源。
运输商评价：运输团队的整体效率，是产品库存周转率有力保证。该模块主要通过对运输商的发运量统计、准时到达率的统计、派车效率几个方面作为评价指标，通过横向对比，对运输商进行管理，规范发运流程，提高发运效率。
4.4.3 实施效果
1、全流程库存分析效率大幅提高：提高分析效率，帮助快速发现库存管理的风险点及增值点。工作人员工作效率大幅提升，近两年中库存数据实时查询系统运用，及时发现库存波动原因和准确定位异动库存近10次，确保及时发现和应对库存风险点，提高管理人员的库存风险发现和库存决策制定的准确度。
2、库存分析精度和质量明显改善：鉴于库存库龄结构管理的重要性，长期库存的风险程度和对资金流动性的影响，公司制定长龄库存控制目标为：三个月以上库龄存货占总量比例控制在4％以内。根据目标要求，公司库存管理小组展开专项梳理工作，以系统平台为基础，进行库存库龄结构分析，发现并定位长龄库存分布情况，深入剖析长龄超期库存产生的根本原因，制定有针对性的措施和预测消化时间，长龄库存占比降低至2．9％，完成了低于4％的控制目标，加快了库存周转，降低公司运营风险。
3、控制库存规模，降低库存风险：通过全流程库存结构分析和预警，可从渠道、品种等多角度锁定库存风险；通过建立库存周转周期分析，可提前发现可能超期库存、采取有效的措施、降低库存周期过长带来的成本风险。最终板坯库存了3.7万吨，板坯物料提速51.9%，热轧工序原产比稳定在1.2以下。
该库存管控系统集展示、计时、推送、监督、统计、分析为一体，适用于全工序全流程，实现了由企业由人治到数治的转变，具有覆盖面广，泛用性强，使用门槛低，实施效果立竿见影等特点，极具推广价值。
4.5 场景五：生产成本管理-炼钢转炉工序金属料管控
4.5.1 业务背景
钢铁生产过程中炼钢转炉工艺操作环节多、人员多、转炉金属料成本占整个炼钢工序成本的80%左右，原有人工分析手段不能及时迅速的进行查找异常问题并进行分析，而且当前人工统计的数据细粒度只能到天维度，无法准确锁定问题点，更不能进行及时迅速的分析，影响整个炼钢工序的工艺提升及成本控制。
4.5.2 实施过程
通过梳理现有炼钢PES工艺报表，设计转炉工序金属料管控驾驶舱，按照人员、炉座、班组等维度重点分析转炉金属料损失、装入量、出钢量、吹损等指标，并按照产线、炉座、班组、个人、炉次的层级下钻，从而发现转炉过程中的吹损过大，金属料损失过多等问题
金属料异常点掌控指标锁定异常班组。
分析班组异常原因、锁定异常因子。
锁定具体影响金属料的钢种及炉次并明确原因。
4.5.3 实施效果
1、通过建立转炉金属料管控驾驶舱，金属料管控效率全面提升。
提升了现场管理效率，提高了专业管理人员的分析问题、解决问题的能力，专业人员查找锁定问题点的时间由原来的“出问题、导数、建分析报表、多维度对比、分析，找出问题点”等多个步骤简化到了现在“随时查看驾驶舱，随时发现问题点、直接锁定问题点到个人并分析”。
2、对各作业区分工序分析金属料异常原因，提高操作水平。
通过各工序金属料对比分析各工序异常原因，制定改善措施，调整优化工艺技术操作，缩小岗位间操作差距；提供改进方向建议实现金属料即时管控和长期管控相结合，提高经营效率和效果，同时为计划值推进和标准成本优化提供支撑。
4.6 场景六：设备管理-点检异常闭环管控
4.6.1 业务背景
设备系统点检异常发现后，部分点检异常联络单长期未给出专业处理意见，导致设备异常处理停滞。异常转处理过程衔接缓慢，部分异常长期不闭环，导致点检异常整个闭环管控效率不高。检异常管理整体效率和效率不足，部分点检异常长期得不到处理，导致设备突发故障甚至事故，使得点检管理整体有效性不足。
4.6.2 实现过程
通过FineBI实现对全公司及各单位点检异常的全方位管控分析，及时发现闭环管控中问题，分析明确具体原因，督促相关单位及时整改，提高点检异常的闭环管控水平，带动点检管理整体改进。
通过对点检异常总数、异常及时处理数、未闭环异常数、异常及时处理率、异常闭环率等指标的可视化展示，分析点检异常闭环管控的整体水平。
按照单位和时段维度对上述指标进行实时查询和对比分析，实现未闭环异常单位占比分析，并可进行下钻到各作业部内部；通过对异常联络单提出人员分类占比，分析异常全员参与情况；通过处理类型占比，分析异常处理的难易程度和工作量；通过异常类型占比，发现产生异常的主要原因构成，以便进行有针对性的专业整改活动；通过历史趋势和明细分析，可明确异常未闭环和未及时处理发展进展和具体原因，有针对性进行整改和改进，带动整改管控水平提高。
4.6.3 实现效果
1、通过异常处理及时率可视化显示，历史变换情况分析及明细查询可很快定位问题原因和部位，通过及时管控和整改，点检异常及时处理率全面提高，带动异常处理整体效率，转处理效率等全面提高，进而实现了点检异常管控效率的全面提升。
2、通过模型分析管控，各单位既可以查询分析自身点检异常各分类占比、全员参与、及时处理和未闭环异常的占比和明细、又可以对比其他单位的异常管控指标闭环情况，有助于发现自身存在问题和不足，及时整改，通过对比学习，带动公司异常管控水平整体提高。
3、通过对比分析点检异常与点检计划的占比情况，可以分析目前点检标准存在的缺项及周期过长和过短等问题，为点检标准项次、周期优化等提供修订建议。
5 总结与展望
5.1 经验心得
在企业推进数字化进程中，各级系统在实现业务集成的同时，完成了数据的准备，提供了大量完备的基础数据。通过建立数据仓库，规范数据标准和统计口径，把零散分布于各个系统的数据进行整合，打破信息孤岛，构建企业数据全集，实现数据集中和共享。通过构建数据分析平台，建立从数据转换为价值的体系，让数据发挥出企业核心资源的效用，实现数据的增值，彻底改善信息系统对于业务的支撑能力，尤其是对分析决策和优化管理的支持能力。
“用数说”要变为“让数说”。数据分析应用已由传统的统计和现状展示转向了数据模型化应用，业务异常不能只靠人在看报表和图表时去发现，更要通过业务决策模型实现主动推送和根因联动展示，辅助业务人员进行决策。这种模型化数据分析要聚焦梳理典型业务活动场景，进行目标拆解与迭代、数据治理，通过业务需求的解读及业务数据的有机整合与重构，推进模型与技术融合，进而提升发现问题、提出良性优化及解决方案的能力，来反哺业务活动。
“要我做”要变为“我要做”。构建数据团队融合能力是数据分析的基础，要推动业务人员走向数据分析前端，变被动为主动，而不仅仅是“提需求”。通过选用FineBI来减少业务人员学习成本，实现快速上手，释放数据分析自由度，提高分析效率；通过举办数据可视化的季度交流、年度大赛，推动业务人员以赛促学，做到学以致用，边学边用，逐步形成数据自助分析思维，提高业务人员自主分析的主动性。
“多而全”要变为“少而精”。数据并非越多越好，数据的获取、保存和使用是有成本的。数据是商业价值创造和保持竞争优势的基础，然而数据收集、传输、存储、保护和分析也会提高成本。要对数据进行分类使用才能降低数据管理成本，一方面在做数据标准规划时就要做好设计，包括数据精度、采集频度、使用热度、使用场景、保存年限等等；另一方面数据治理是一项长期工作，定期对数仓进行清理，停用长期不用的报表、主题数据，减少低值数据对存储计算资源的浪费。
5.2 展望
十四五期间，首钢股份将充分利用大数据、云计算、人工智能、5G等新一代信息技术带来的战略机遇，与钢铁生产、企业运营、产品服务、供应链协同等环节充分融合，加快实现关键业务环节的自动化、数字化、网络化、智能化。在操作自动化层面着力推进远程“一键式”生产控制方式；在装备智能化层面加快实现从单点“智能装备”向“智能单元”和“智能工厂”联动演进；在管控数字化层面协同实现“制造体系”、“供应链体系”、“运营体系”的深度数字化转型;在决策智慧化层面加快大数据模型应用和业务知识积累迭代，逐步由人工决策向智能决策转变；在数字基础设施层面进一步优化和扩展智能制造体系相适应的数字化管理平台和管理机制。 | 
