指标体系建设和BI系统的实践是很多药企数字化转型成功的关键因素之一。（文末附药企数字化实践报告）2023后疫情时代，降本增效依然是主旋律，在政策、需求及市场的共同驱动下，医药企业已经认识到数字化转型迫在眉睫。数字化转型对于药企提高效率，降低各环节成本，提升企业竞争力等很多方面都具有重要意义。我们有个标杆客户即西藏药业，作为西藏自治区第一家高新技术制药上市企业，是一家集研发、生产、销售为一体的现代化医药企业。近几年来，在公司CEO郭远东先生的带领下，西藏药业已将经营管理、全面绩效管理作为西藏药业业务战略目标达成的重要抓手，落地大量相关的管理动作，显著促进了公司销售业绩的持续增长。财报数据显示，2022年公司总营收25.55亿元，同比增长19.45%；净利润3.7亿元，同比增长76.99%。我们先来了解下项目背景情况：带量采购、医保谈判、药品零加成等一系列政策的落地执行，导致所有药品的利润空间被大幅压缩，药企高毛利时代走向终结，同时叠加产品生命周期缩短、新药研发风险增加、决策难度加大等多方位的经营挑战，驱动药企采用更加精细化的经营管理手段，促进业务战略目标达成。在此背景下，为保持公司经营业绩的持续增长，西藏药业需要通过完善的数据分析体系来支撑经营管理和绩效管理，全面透视核心产品的业绩增长情况、其他产品的市场准入和覆盖情况等，实现更精准的经营管理决策。然而，西藏药业传统数据应用体系仍存在取数难、指标体系缺失、业务决策支持力度不够等问题。具体来看：首先，缺乏高质量数据统一汇集，无法实现自动、准确取数。西藏药业虽拥有大量的数据资源，但各个业务系统间的数据融合度不高，没有形成统一共享的数据资源池，且缺乏统一的数据管理机制，数据质量参差不齐，导致业务人员无法实现自动、准确取数。其次，缺乏系统的指标体系，难以量化决策信息和管理信息。原有体系下，西藏药业内部尚未构建完整、系统的指标管理体系，管理方式上主要依赖于传统的固定报表，存在指标定义不一致、计算逻辑不清晰、开发难追溯等问题，无法全面量化公司经营管理情况，难以实现精准的管理决策。最后，数据分析应用效率低下，业务决策支持力度不够。过去西藏药业内部没有系统化、规范化的数据分析系统，当有数据报表分析需求时，各部门业务人员从各个业务系统导出明细数据进行线下二次加工处理，手工汇总形成Excel固定报表，不仅对分析需求的响应周期比较长，而且管理层无法及时快速掌握公司整体经营情况，影响高效业务决策。基于上述业务需求，西藏药业决定构建能够承接公司战略发展目标落地的指标分析体系和可视化系统，满足各层级人员对数据分析的需求，实现数据修正管理决策。为此，西藏药业综合考虑产品功能契合度、行业实践经验、客户服务能力、品牌知名度等多因素进行厂商选型。最终，经过多方调研评估，思迈特软件Smartbi凭借成熟的BI产品功能、大量头部客户案例积累、专业的服务保障能力、行业领先影响力等核心优势，成为了该项目的最佳服务商。图：该项目解决方案架构图经过前期多轮次需求沟通和方案设计，思迈特软件为西藏药业输出一套覆盖指标分析体系建设、平台搭建、指标呈现的完整解决方案，实现从数据生产、加工到应用的全流程规范化管理，为管理层和业务人员提供更加科学高效的数据依据、决策支持。具体解决方案如下：图：西藏药业数据分析体系和可视化系统解决方案第一步：搭建数据仓库，统一数据来源和数据标准在思迈特软件的帮助下，西藏药业搭建包括ODS层、MPP层、DM层的多层数据仓库，借助自助ETL工具将ERP、财务、营销流向等业务系统数据统一入库，以填报表单形式导入线下数据，从而形成数据统一汇集入口，解决了数据汇总难、汇总时效性差、取数难的问题。同时，通过统一主数据标准、设置数据填报校验规则、数据映射等多种方式，提升数据质量。第二步：构建系统的指标分析体系，全面量化业务现状一方面，西藏药业基于自有指标的详细梳理，以及借鉴思迈特软件拥有的行业指标内容和体系框架，构建一套能够承接企业战略的指标分析体系，该指标体系覆盖战略管理、研发管理、运营管理等5大管理业务域，营销、生产、财务等11个业务主题域，并支持时间、组织、产品、供应商等维度综合分析展现。以财务主题为例，西藏药业从财务状况、财务能力、财务预算、财务收支、资金分析方面进行指标拆解，构建覆盖利润、营收、总负债、固定资产、存货周转等的财务指标体系。另一方面，为有效确保指标体系的顺利落地，思迈特软件为西藏药业构建了一套指标管理模型说明书，针对指标定义、指标分类、指标加工口径、数据编码规则等进行统一规范管理，为各业务部门提供准确可信的指标数据。第三步：大量看板数据呈现，及时高效驱动业务决策在指标应用层面，思迈特软件为西藏药业数据可视化系统搭建大量看板，提供联动、上卷下钻、筛选等交互式分析能力，能够解决传统手工制作报表效率低、响应不及时的问题，满足营销分析、财务分析、人力分析、管理驾驶舱等多场景应用。同时，平台也内置即席查询、透视分析等功能，业务部门可基于各业务域下的报表进行自助分析，辅助业务决策。例如，西藏药业汇集销售分析、市场分析、商务分析、推广分析、终端分析等多张看板，构建面向管理层的营销驾驶舱，可视化形式呈现企业营收、利润等关键经营指标情况，为营销业务管理提供了多维度的数据分析和决策支持能力。依托思迈特软件强大的BI和大数据分析能力，西藏药业从0到1完成搭建指标分析体系和可视化系统，将分散在各业务系统和线下的数据进行统一采集和整合，提炼管理数据及指标，开发看板、驾驶舱等，有效辅助各层级员工进行业务数据分析和经营决策，取得了突出的业务价值成效。▎全面整合各业务数据，实现数据资源沉淀和应用西藏药业通过ETL采集、填报表单的方式整合线上线下业务数据，建立数据管理标准，打造统一的分析数据出口, 从而满足各层级人员自动、准确取数的需求。▎体系化的数据分析指标，业务经营状况全掌握西藏药业通过指标梳理、指标体系规划、指标管理标准确定以及指标平台落地，完成战略发展、业务运营、管理支撑等5层指标体系、共计411个数据指标的发布，实现以核心指标量化企业经营发展全貌，为后续经营分析与管理决策奠定了坚实基础。▎业务数据可视程度显著增强，大幅提升管理决策效率首先，西藏药业通过搭建数据分析可视化系统，改变过去依靠手工进行数据获取、数据整理、做表汇报的处理模式，自动化完成数据从采集到存储、计算和分析呈现，缩短了整个业务数据分析周期，驱动管理人员的数据决策时效决策时效大幅度提高。其次，西藏药业围绕营销、生产、财务等11个业务主题，总共建设25张一级看板、5个驾驶舱，以图形化形式呈现企业关键经营与业务指标数据，帮助管理层快速掌握公司经营状况、定位经营风险点，从而提升业务精细化管控能力，辅助管理决策。此外，营销部门的工作汇报方式发生了显著改变，原来通过人工汇总数据、制作并打印销售报表的方式进行汇报，目前已经将看板作为日常汇报工具。现阶段，西藏药业借助数据分析体系和可视化系统，敏捷开发出满足经营、营销、财务、人力等业务需求的看板、驾驶舱，实现了数据业务化、管理数字化。未来，西藏药业将继续深化与思迈特软件的合作，根据实际业务需要，结合不同分析场景进一步深挖数据产品应用和价值，并拓展数据分析体系在其他分子公司、业务部门应用的深度和广度，赋能全集团实现数据驱动业务决策提效，助力企业实现可持续高速增长。日前，“2023爱分析·医疗医药数字化创新奖”评选活动落下帷幕。西藏药业凭借该项目荣获“爱分析·药企数字化创新奖”，并作为BI应用经典案例入选作为《2023爱分析药企数字实践报告》，私信我可以免费领取完整版报告！还有更多药企数字化转型案例、解决方案等你来领取。}

大数据时代，几乎每一个企业都对数据分析平台趋之若鹜，尤其是在今年疫情爆发之后，更多的企业主意识到了数据所具有的的极大商业价值，以及其作为支撑企业信息智能化的无形资产。通常来说，企业内部的运营和业务系统每天会积累下大量历史数据，一些企业最多是对一些零散的数据进行浅层次的分析，真正的海量数据其实并没有得到真正有效的分析利用。同时，随着系统的不断增加和积累，沉淀在系统深处的数据也更加难以提取和整合，后期的报表展示和可视化分析也就成了空壳应用。所以数据分析平台的建设就十分必要了，一方面它可以汇通企业的各个业务系统，从源头打通数据资源，另一方面也可以实现从数据提取、集成到数据清洗、加工、可视化的一站式分析，帮助企业真正从数据中提取价值，提高企业的经营能力。一、神秘的数据分析平台究竟是什么？通俗一点说，数据分析平台就是将公司所有的数据进行进行收集整理，包括系统数据、业务数据等等，在统一的数据框架下实现对数据的挖掘和分析，最后通过可视化的手段进行数据展示。因为数据分析平台涉及的组件众多、功能复杂，如何将其有机的结合起来是其建设过程中最关键的核心。我们不妨以某集团的数据分析平台为例，来看一下具体的数据分析平台架构是什么样的：在搭建数据分析平台之前，要先明确业务需求场景以及用户的需求，通过大数据分析平台，想要得到哪些有价值的信息，需要接入的数据有哪些，明确基于场景业务需求的数据平台要具备的基本的功能，以上图为例从下至上可分为四个层次：数据采集层：底层就是各种数据源，主要是对企业底层数据的采集和解析，将零散的数据整合起来，包括企业的核心业务数据、用户数据、日志数据、集团数据等等，通常有传统的ETL离线采集和实时采集两种方式数据储存和处理层：有了数据底层的数据，然后根据需求和场景的不同进行数据预处理，储存到一个合适的持久化储存层中，比如说OLAP、机器学习、数据库等等数据分析层：这里就要用到BI分析系统，比如FineBI，如果是传统的数据挖掘还有SPSS，这一层主要是对数据进行加工，然后进行深层次的分析和挖掘。数据应用层：根据业务需求不同划分出不同类别的应用，主要是对最终的数据进行展示和可视化，如上图的数据报表、仪表板、数字大屏、及时查询等等。总结来说，企业对数据、效率要求的逐步提高，也给大数据提供了展现能力的平台，企业构建大数据平台，归根到底是构建企业的数据资产运营中心，发挥数据的价值，支撑企业的发展。二、数据分析平台真的有必要吗？在企业在进行数据分析平台建设之前，经常会有一个疑问：企业数据系统每天都在正常跑数据，业务系统也都正常稳定，那我们还需要数据分析平台吗？答案是当然需要，在实际的企业数据管理中，业务系统往往不是单一的，而是多源的。业务人员看似每天都在用业务数据，但实际上彼此的数据都是相互割裂、不打通的，如果想要实现数据分析，就要从多系统中取数，然后手动整合分析，这个显然是不能靠人力就能做到的。这就叫做数据孤岛，这个问题的难点在于需要跨数据源进行分析，不同数据源之间的对接很难打通；其次，企业的数据一定是海量的，有的还需要二次加工，如果没有数据分析平台的支撑很难实现。另外从企业业务系统的角度看，我们如果把数据分析的工作直接单独放在业务系统上，一来系统的性能支撑不了这么耗费资源的事情，系统压力会很大，二来随着数据的积累，单独的业务系统很难承受大数据量的处理，所以重新构建一个大数据处理平台就是必须的了。所以，一个数据分析平台的出现，不仅可以承担数据分析的压力，同样可以对业务数据进行整合，也会不同程度的提高数据处理的性能，基于数据平台实现更丰富的功能需求。三、数据分析平台建设流程数据分析平台的建设流程基本上可以从数据分析流程来理解，比如数据采集、数据整合、数据加工、数据可视化等等，一般的大数据平台都会包括这些流程，叫做一站式大数据平台。这里要注意一点，很多企业通常把基础数据平台建设错以为是一站式数据平台，二者最大的区别就在于架构上有没有实现业务探索式分析。一站式数据平台架构有很多类型，现在比较流行的是自助式分析，也就是主动式的企业数据分析平台，让业务人员直接参与数据分析，借助于BI平台充分探索分析数据，并能将庞大的任务分解为小任务处理。下面就以FineBI为例，简单梳理一下自助式数据分析平台的具体建设流程：1、数据采集企业数据从产生到应用依次经过了数据产生、数据存储与处理、数据应用三个阶段，由业务系统产生的数据经过ETL加载到数据仓库，并在数据仓库中进一步加工处理后进入BI工具，最后通过BI工具实现数据分析与可视化展示。要想顶层应用良好，那么底层的数据建设就相当重要，所以自助式数据分析平台建设的第一步就是要搭建数据仓库。如上图所示，一般来说，数仓在技术上采用三层架构设计：ODS、DW、DM。ODS全称是Operational Data Store，即操作数据存储。它是最接近数据源中数据的一层，数据源中的数据，经过抽取、洗净、传输，也就说传说中的ETL之后，装入本层。本层的数据，总体上大多是按照源头业务系统的分类方式而分类的。DW全称是Data Warehouse，即数据仓库，是数据仓库的主体。在这里，从ODS层中获得的数据按照主题建立各种数据模型。DM全称为Date Market，即数据集市或宽表，也可称为或DWS。DM层为面向最终应用的主题层，一般依据前端报表/业务包需求进行设计，对DW层明细数据进行多表关联，用于提供后续的业务查询，其主要作用是提升报表查询性能。在经过ETL清洗后的数据就是我们建立BI系统所需要的数据，这时候就需要通过FineBI连接企业的数据仓库。其次，FineBI中是通过业务包的形式进行数据存储，IT人员基于业务需求将数据进行分类管理，通过设立表间的关联关系和多路径设置来进行数据整合。这样就得到了企业业务系统的底层数据，但是这些来自不同系统的数据指标基本是混乱的、没有意义的，所以下一步就要对数据进行加工。2、数据加工我们整合过的数据往往也是异构数据源中的数据，因此要先对关系数据进行初步的处理，比如说指标的筛选等等，将处理后的表存到业务包中作为数据分析的基础，这就叫做自助数据集。而FineBI实现自助分析的方法也是通过自助数据集的方式，它就相当于一个数据容器，IT将清洗好的数据放入数据集中，如果业务觉得基础数据不满意，或者是需要进行跨表联用，就可以自主建立数据集，自己进行数据的加工处理。IT人员创建了数据连接和业务包以后，为业务人员构建BI基础的数据模型，分析用户配置好关联关系，分配好权限和设置好数据更新的频率，提供一层可供业务理解的基础模型。然后业务再在数据集中对这些数据进行进一步的加工处理，比如筛选数据、过滤数据、数据分组汇总、数据行列转行等等，经过加工后的数据就是业务进行分析的最终数据了。4、数据分析和展示得到了清洗后的数据，业务就可以进行自助式分析了。FineBI 的可视化探索分析，是面向分析用户，让他们能够以最直观快速 的方式，了解自己的数据，发现数据问题的模块。业务人员只需要进行简单的拖拽操作，选择自己需要分析的字段，几秒内就可以看到自己的数据。在这一步我们还可以对可视化组件进行OLAP分析操作，比如FineBI如果想要实现国家地图与省份地图的切换，就可以使用钻取功能，将某个特定分组数据按第二维度继续细化的方式。类似的还有组件放大、组件复原、查看组件过滤条件、组件维度切换、组件跳转、联动设置、组件悬浮、组件标题、组件导出Excel、组件复用等。四、总结总的来说，无论是大数据平台的流程，还是业务分析平台的建设，必须要注意保证平台的性能：大数据分析平台的性能一定要保证高效，在数据量激增的情况下可以支撑海量数据分析。最后，在大数据时代，企业的数据分析平台架构必然向着分布式、可扩展及多元化发展，这样才能通过对数据流程的梳理，去推动公司梳理整个业务体系。最后分享一些相关资料：}