服务外包企业的数字化运营管理
来源： 时间：2024-06-05
内容摘要
服务外包企业数据流入系统多、种类多，统计口径不统一、标准不统一、时效不统一。数字经济时代，如何进行有效的数据融合，形成高标准、高效率的数据管理，达到数据信息化、实现数据资产化的目的。针对这个背景，从数据规划、数据管理（数据收集、管理流程、数据治理、数据分析）、机制保障三方面进行论述，帮助服务外包企业形成数字化管理的“框架结构”，推动数字化有序、有效实施。
关键词：数据规划、数据管理、机制保障。
调查显示，企业管理者的三大优先关注事项是成本管理、财务绩效、业务增 长，占调研对象的52%、50%、38%。在所有的管理动作中，无论人们如何实践或宣扬，数据都是核心，真正的关键在于通过何种方式对待数据。
从对上游流程看，在服务外包行业，往往一个公司面对多个上游甲方，数据 存在于多个系统间，且各个系统之间存在数据维度不同、标准不同、时效不同的 情况，无法进行数据的有效应用。而且由于上游企业数量与日俱增，相关报告或 数据要求也在增加，上游主数据流和管理步骤也在增加。当下而言，与上游的数 据管理常通过沟通、电子邮件、手动对账和手工数据录入实现，缺乏数据管理， 数据处理者的时间花费在了手动追溯和数据录入上。
从企业内部数据种类看，服务外包企业内部多系统、多工具，在数据类型上 涉及排班、人员信息、考勤、话务预测/波动、知识库等。在管理层面上涉及班次预览、人量匹配、排班变动、报表统计、业务差异分析、人力资源分析等多维度。目前的数据更多存在于各个业务口，管理人员缺少有效工具实现系统通联，无法更有效提高数据管理效率。
在这种情况下，服务外包企业如何打破系统壁垒？如何进行数据融合？如何 实现数据的自助分析和数据可视化服务？如何对数据进行动态检测？真正让数 据发挥资产价值，为管理服务、形成企业的竞争壁垒。
随着大数据、数智化的发展，企业在数字经济时代，也要跟上变化，通过资 源优化配置的科学性、实时性、有效性，把正确的数据、在正确的时间、以正确的方式，传递给正确的人和机器，形成“数据流动自动化”。通过数据流动的自动化，实现数据驱动决策代替经验决策。从数据流动的视角看，数字化解决了“有 数据”的问题，网络化解决了“能流动”的问题，智能化解决了“自动流动”的问题。其内的逻辑是不断把人类对物理世界的认知规律通过“数据+算力+算法” 的模式嵌入到物理世界，把人从繁重、重复性的工作中解放出来。
1
数据规划
数据规划，这是数字化管理的前提。我们面临数据来源不同、格式不同，且 没有围绕关键属性（如利润中心、成本中心、客户和产品）进行标准化管理时， 就需要更多的精力和资源来加载到企业系统，才能进行适当的管理和归集。当数 据定义不一致，或使用更广泛的管理维度，如产品、客户、地理位置、渠道或业务线，也会增加数据的混乱情况。如果过于关注当下，也会出现类似的问题， 因为“当下”意味着“暂时”，企业对信息的需求会随着时间的推移而转变，未来可能会需要新的数据类型。
归根究底，如果不在前期进行周密的数据管理优先级排序，就会限制数据管 理相关的核心系统的投资效益，如ERP系统、数据仓库等。
2
数据管理
数据管理，事实上并非所有数据都同等重要。但所有数据都应该能够被获取和使用。数据应该服务于确定的需求，如运营需求、业务可持续性需求、运营价 值等其他需求。此外，对数据标准的前瞻性思考和布局有助于维持现有系统、未 来系统数据标准一致性。
1、管理流程
（1）定义哪些数据，在何种详细程度上，可以了解企业的价值驱动因素，支持与企业战略和绩效管理相一致的决策，帮助了解和经营企业，并帮助激励告 知您的领导层。
（2）建立一个数据模型和精心策划的数据集，提供一种标准化的方式来捕捉和审查数据，以配合数据的不同使用方式。
（3）创建和使用，通过标准和数据层，以协调来自不同来源的数据，确定哪些数据很重要，并规定如何清理和准备数据。
（4）确保数据真实反应和传输至与其相关的下游流程。
（5）采用稳健的数据治理方式，能够满足捕获、存储、安全保护、控制和报告等方面不断变化的数据需求，并能适应企业管理组织变化等场景。
（6）将对信息的要求与数据所要支持的绩效管理预期相匹配。
2、管理关键点：建立正式的数据管理团队数据是一种共享资产，但数据管理并非多部门共同承担的责任。对数据标准和数据质量的正式管理权是实现有效管理数据的关键，如果没有管理和治理权， 可能仍然难以有效利用数据。数据管理权和流程管理权并非一回事。数据管理团 队应该明确所有数据使用部门，并确定数据的准确来源，他们需要在企业部不同 部门间开展协作以提升数据可见性。而且数据管理团队之外的信息使用者应该了
解创建和交付数据的过程，如果缺爱这种数据素养相关的培训，他们可能无法完全理解自身行为对数据的影响。通过制定有关角色和职责的政策和机制，设定与数据管理成果相关的目标，发展数据责任文化，即数据中台。数据中台承担数据管理的全部职责，是实现数 据变成信息的主体责任部门。
3、数据治理数据中台承担数据治理的主要任务，要挖掘数据资源，从其中获得的价值也是一种资源。目前大量企业都是使用电子表格进行数据分析，这意味着从来没有 应用数据标准化系统，也意味着企业没有实现数据标准化，没有将数据格式与绩 效管理要求一致。虽然旧的、在用的电子表格分析，团队可以熟练使用，但在未 来仅仅运用旧方法并不能解决问题。每一家高效的企业都应该实现数据集中管理、 数据标准化管理和数据校验，以建立真实、可信的数据来源。做到的企业不仅可以提高效率、还能提供业务洞察能力。
通过数据治理，把拥有的数据变成可用的信息，把数据中台提升为组织中更 有战略意义的角色。变成可用信息的数据应具备的特点是：（1）数据可用性；（2）数据完整性；（3）数据详细信息；（4）数据标准化；（5）数据准确性和可信度。
4、数据分析数据分析，就是利用一些数据分析工具、手段、方法或者思维，从海量的数据中发现规律，从而揭示出数据背后的真相，为公司或者业务提供决策的作为数 据支撑，指导公司或者业务发展。通过对数据的处理，让数据输出“有效信息”，这个过程就是数据分析的过程，这时的数据才能称之为数据资产。
企业内部要建立多个数据模型，建立决策模型、预测性模型、指导及决策模 型，进行数据和应用场景的结合，这样才能体现数据价值。在数据模型方面，一 方面是与内部现行的分析模型结合，不断进行优化，匹配需求、定位问题；二是 发挥数据多、全的优势，结合企业发展阶段、业务发展特性，不断进行新场景/ 新模型的研究，提供新的管理思路和管理优化方向，为企业管理者提供决策支持。
3
机制保障
数据标准化管理程度、数据来源以及数据质量，这些都是实现有效数据管理 的细节。随着企业的发展，保持明确的数据管理归属、清晰的使用数据制定决策 的流程至关重要，这会涉及到多部门间的协作。
建立数据驱动型组织，从公司的高管层，就开“认真”接受并使用数据自动 化管理工具，切实发挥数据驱动的作用。
（1）建立明确的控制和规则，以在创建数据时强制执行数据检查。
（2）启用及其学习驱动的数据质量标准，来自我修复数据。
（3）投资自我矫正和自我修复技术，通过AI/及其学习驱动的聊天机器人工作流程和设备来协调管理主数据，这些技术能够随着数据需求不断发展。
（4）授权人员与机器协作，关注需要人工干预的特殊情况。
（5）开发数据校验功能、数据监管机制，以提升和持续维护数据质量。数据是原材料，只有在被管理和分析之后才会变成信息，洞见、规划或决策。
目前以人力投入执行数据处理已不足够达成目标。对于许多企业来说，数据应用 是我们不需赶上并掌握的领域，会到来更多提升契机。
服务外包企业数据流入系统多、种类多，统计口径不统一、标准不统一、时效不统一。数字经济时代，如何进行有效的数据融合，形成高标准、高效率的数据管理，达到数据信息化、实现数据资产化的目的。针对这个背景，从数据规划、数据管理（数据收集、管理流程、数据治理、数据分析）、机制保障三方面进行论述，帮助服务外包企业形成数字化管理的“框架结构”，推动数字化有序、有效实施。
关键词：数据规划、数据管理、机制保障。
调查显示，企业管理者的三大优先关注事项是成本管理、财务绩效、业务增 长，占调研对象的52%、50%、38%。在所有的管理动作中，无论人们如何实践或宣扬，数据都是核心，真正的关键在于通过何种方式对待数据。
从对上游流程看，在服务外包行业，往往一个公司面对多个上游甲方，数据 存在于多个系统间，且各个系统之间存在数据维度不同、标准不同、时效不同的 情况，无法进行数据的有效应用。而且由于上游企业数量与日俱增，相关报告或 数据要求也在增加，上游主数据流和管理步骤也在增加。当下而言，与上游的数 据管理常通过沟通、电子邮件、手动对账和手工数据录入实现，缺乏数据管理， 数据处理者的时间花费在了手动追溯和数据录入上。
从企业内部数据种类看，服务外包企业内部多系统、多工具，在数据类型上 涉及排班、人员信息、考勤、话务预测/波动、知识库等。在管理层面上涉及班次预览、人量匹配、排班变动、报表统计、业务差异分析、人力资源分析等多维度。目前的数据更多存在于各个业务口，管理人员缺少有效工具实现系统通联，无法更有效提高数据管理效率。
在这种情况下，服务外包企业如何打破系统壁垒？如何进行数据融合？如何 实现数据的自助分析和数据可视化服务？如何对数据进行动态检测？真正让数 据发挥资产价值，为管理服务、形成企业的竞争壁垒。
随着大数据、数智化的发展，企业在数字经济时代，也要跟上变化，通过资 源优化配置的科学性、实时性、有效性，把正确的数据、在正确的时间、以正确的方式，传递给正确的人和机器，形成“数据流动自动化”。通过数据流动的自动化，实现数据驱动决策代替经验决策。从数据流动的视角看，数字化解决了“有 数据”的问题，网络化解决了“能流动”的问题，智能化解决了“自动流动”的问题。其内的逻辑是不断把人类对物理世界的认知规律通过“数据+算力+算法” 的模式嵌入到物理世界，把人从繁重、重复性的工作中解放出来。
1
数据规划
数据规划，这是数字化管理的前提。我们面临数据来源不同、格式不同，且 没有围绕关键属性（如利润中心、成本中心、客户和产品）进行标准化管理时， 就需要更多的精力和资源来加载到企业系统，才能进行适当的管理和归集。当数 据定义不一致，或使用更广泛的管理维度，如产品、客户、地理位置、渠道或业务线，也会增加数据的混乱情况。如果过于关注当下，也会出现类似的问题， 因为“当下”意味着“暂时”，企业对信息的需求会随着时间的推移而转变，未来可能会需要新的数据类型。
归根究底，如果不在前期进行周密的数据管理优先级排序，就会限制数据管 理相关的核心系统的投资效益，如ERP系统、数据仓库等。
2
数据管理
数据管理，事实上并非所有数据都同等重要。但所有数据都应该能够被获取和使用。数据应该服务于确定的需求，如运营需求、业务可持续性需求、运营价 值等其他需求。此外，对数据标准的前瞻性思考和布局有助于维持现有系统、未 来系统数据标准一致性。
1、管理流程
（1）定义哪些数据，在何种详细程度上，可以了解企业的价值驱动因素，支持与企业战略和绩效管理相一致的决策，帮助了解和经营企业，并帮助激励告 知您的领导层。
（2）建立一个数据模型和精心策划的数据集，提供一种标准化的方式来捕捉和审查数据，以配合数据的不同使用方式。
（3）创建和使用，通过标准和数据层，以协调来自不同来源的数据，确定哪些数据很重要，并规定如何清理和准备数据。
（4）确保数据真实反应和传输至与其相关的下游流程。
（5）采用稳健的数据治理方式，能够满足捕获、存储、安全保护、控制和报告等方面不断变化的数据需求，并能适应企业管理组织变化等场景。
（6）将对信息的要求与数据所要支持的绩效管理预期相匹配。
2、管理关键点：建立正式的数据管理团队数据是一种共享资产，但数据管理并非多部门共同承担的责任。对数据标准和数据质量的正式管理权是实现有效管理数据的关键，如果没有管理和治理权， 可能仍然难以有效利用数据。数据管理权和流程管理权并非一回事。数据管理团 队应该明确所有数据使用部门，并确定数据的准确来源，他们需要在企业部不同 部门间开展协作以提升数据可见性。而且数据管理团队之外的信息使用者应该了
解创建和交付数据的过程，如果缺爱这种数据素养相关的培训，他们可能无法完全理解自身行为对数据的影响。通过制定有关角色和职责的政策和机制，设定与数据管理成果相关的目标，发展数据责任文化，即数据中台。数据中台承担数据管理的全部职责，是实现数 据变成信息的主体责任部门。
3、数据治理数据中台承担数据治理的主要任务，要挖掘数据资源，从其中获得的价值也是一种资源。目前大量企业都是使用电子表格进行数据分析，这意味着从来没有 应用数据标准化系统，也意味着企业没有实现数据标准化，没有将数据格式与绩 效管理要求一致。虽然旧的、在用的电子表格分析，团队可以熟练使用，但在未 来仅仅运用旧方法并不能解决问题。每一家高效的企业都应该实现数据集中管理、 数据标准化管理和数据校验，以建立真实、可信的数据来源。做到的企业不仅可以提高效率、还能提供业务洞察能力。
通过数据治理，把拥有的数据变成可用的信息，把数据中台提升为组织中更 有战略意义的角色。变成可用信息的数据应具备的特点是：（1）数据可用性；（2）数据完整性；（3）数据详细信息；（4）数据标准化；（5）数据准确性和可信度。
4、数据分析数据分析，就是利用一些数据分析工具、手段、方法或者思维，从海量的数据中发现规律，从而揭示出数据背后的真相，为公司或者业务提供决策的作为数 据支撑，指导公司或者业务发展。通过对数据的处理，让数据输出“有效信息”，这个过程就是数据分析的过程，这时的数据才能称之为数据资产。
企业内部要建立多个数据模型，建立决策模型、预测性模型、指导及决策模 型，进行数据和应用场景的结合，这样才能体现数据价值。在数据模型方面，一 方面是与内部现行的分析模型结合，不断进行优化，匹配需求、定位问题；二是 发挥数据多、全的优势，结合企业发展阶段、业务发展特性，不断进行新场景/ 新模型的研究，提供新的管理思路和管理优化方向，为企业管理者提供决策支持。
3
机制保障
数据标准化管理程度、数据来源以及数据质量，这些都是实现有效数据管理 的细节。随着企业的发展，保持明确的数据管理归属、清晰的使用数据制定决策 的流程至关重要，这会涉及到多部门间的协作。
建立数据驱动型组织，从公司的高管层，就开“认真”接受并使用数据自动 化管理工具，切实发挥数据驱动的作用。
（1）建立明确的控制和规则，以在创建数据时强制执行数据检查。
（2）启用及其学习驱动的数据质量标准，来自我修复数据。
（3）投资自我矫正和自我修复技术，通过AI/及其学习驱动的聊天机器人工作流程和设备来协调管理主数据，这些技术能够随着数据需求不断发展。
（4）授权人员与机器协作，关注需要人工干预的特殊情况。
（5）开发数据校验功能、数据监管机制，以提升和持续维护数据质量。数据是原材料，只有在被管理和分析之后才会变成信息，洞见、规划或决策。
目前以人力投入执行数据处理已不足够达成目标。对于许多企业来说，数据应用 是我们不需赶上并掌握的领域，会到来更多提升契机。
数字化的运营管理，是必须要进行的，益处也是显而易见，现在是时候开始行动了。