制造业指标有哪些？一文讲懂大制造指标数据体系建设方案

十年来，我国数字经济取得了举世瞩目的发展成就，数字产业化与产业数字化正在被大力推动，“云大物智移”正在成为企业当前转型的必要方向，数据俨然成为企业不可或缺的生产要素。

然而，制造业的数据建设情况并不乐观。帆软数据应用研究院的调研数据显示，仅有 3.42% 的制造企业在内部形成了良好的数据应用氛围，企业自上而下的管理都依靠数据支撑。因此，在数字经济的大背景下，制造业企业亟需进行数字化转型。而指标数据体系的建设，正是通过数据驱动的决策的关键一环，在数字化转型的初期，企业必须打牢基础，保证体系的专业性和完整性。

更多详细内容，推荐下载《指标体系建设方案》：
https://s.fanruan.com/5zkhn
分享行业真实的数字化转型案例，提供完整数字化解决方案！

一、数据驱动企业发展，指标数据体系建设势在必行

1、数据逐步成为企业核心资产

在如今这个大数据时代，越来越多的企业开始关注数据在企业中的价值，希望通过对数据的挖掘与分析，驱动更专业合理的决策。企业的数字化转型一般可以分为三个阶段：业务数据化阶段、数据智能化阶段、数据业务化阶段，不同阶段有不同阶段的发展目标，也对数据有着不同程度的建设与利用，具体如下：

1）业务数据化阶段——数据反映业务

梳理、重构企业业务流程，建设业务系统，线下流程线上化管理，实现业务数据化，通过业务系统的数据流动反应业务现状。

具体地，这个阶段企业需要整合业务数据(如:客户、营销、财务等），累积历史，通过报表、查询、仪表盘等形式，对业务历史数据进行统计分析，进而反映企业一段历史周期内的经营情况。注重思考“业务已经发生了什么，为什么会发生”。

2）数据智能化阶段——数据辅助业务

随着信息化发展，企业沉淀了大量历史数据，企业系统通过可视化方式更好展示数据形态和探索研究，辅助日常运营工作。

具体地，这个阶段企业需要建立数据科学团队，利用机器学习、深度学习等技术针对海量数据，进行探索、研究分析，为新出现的业务问题寻找答案，或从数据中发现新的业务洞察。注重思考“业务将要发生什么”。

3）数据业务化阶段——数据驱动业务

企业通过信息化建设不断发现内部数据隐藏价值，基于新的业务洞察优化或重构业务流程，建立实时、自助、可控的决策机制。

具体地，这个阶段企业需要监控业务流程、实时捕获业务的发生，反映当前企业生产经营情况。进一步根据对未来的预测，以及对当前生产经营的监测，自动化、智能化驱动业务方向。注重思考“业务当前在发生什么，如何驱动业务发生”。

2、数据价值引领下指标体系的拆解要求

指标体系的建设，是企业实现数据驱动业务必不可少的一个环节。所谓指标，就是用数据表示的，衡量事物发展程度的方法，被广泛用于衡量目标。例如：收入、利润、ROI等。在企业的实际运营过程中，一条业务线通常会涉及诸多部门及岗位，大家关心的点不同，但又需要统一目标，向着同一个方向前进，这就需要我们事先确定好日常跟踪的数据指标，都是有统有分、有层次，能落到不同岗位职务上的。这些有统有分的指标就是指标体系，拆解获得它的过程就是搭建指标体系的过程。

企业要做到用数据驱动业务，就需要搭建与发展战略相关的指标体系，凸显数据分析的价值，具体拆解思路可以参照如下几点：

1）企业价值驱动

首先需要思考如何创造企业价值，比如可以通过EVM模型分析企业的各方面的经济价值，也可以思考社会责任、社会价值等其他类型的价值；企业的价值是指标体系的顶层设计参考，是指标体系与企业战略相关联的重要保证；

2）分析价值动因

其次需要分析是哪些要素影响了企业价值，比如成本管控可以提高企业利润，收入增长可以提高员工价值等等；这个层级涉及的指标往往被称为核心指标，通常与整体业务的年度目标一致，要服务于业务发展需要，反映整个业务的走向。

3）关键管理举措

然后需要根据价值动因设置对应的管理举措，以提升顶层的企业价值，比如业务拓展、精细营销、产品管理等举措都可以实现收入增长，进而提升员工价值；这一级指标对应的是支撑核心目标完成的关键动作，通常要完成核心目标要从多个业务角度考虑，所以这一层的指标就是用来衡量这多个重点业务的业务指标。

4）落地实施步骤

最后要确立各种管理举措的具体落地步骤，比如采用相关工具和方法论、进行需求差异分析、问题分析等等。业务指标能否完成，最终还是要看各个动作下的事项执行的怎么样，那就是要和最基础的岗位、业务关联起来。所以这一级指标是由业务指标拆解而来，一般叫做操作指标，会落实到基础岗位和具体的执行人员，可以衡量基础业务人员日常工作的效果。

二、帆软大制造指标数据体系建设方案

1、指标体系相关概念解释

指标：指标是衡量目标的方法，预期中企业业务板块要达到的指数、规格、标准，一般用数值表示，如：销售收入、毛利成本、人员效率、设备OEE等；

分析维度：通过不同的角度、不同的方面对指标进行分析、拆解，与指标结合有特定范围的意义，如：时间维度（年、月、日）、地区维度（北京、上海、广州）；

指标主题：根据部门管理职能和业务覆盖范围，将指标数据项进行结构化归类，划分一二三级主题，作为指标建设和应用的重要依据，如：一级主题：风险管理；二级主题：市场风险；三级主题：一般市场风险资本要求；

指标与报表关系：指标是存在于报表中衡量目标的方法，指标和维度组合成了报表，通过报表分析梳理出指标，如：销售收入报表输出指标：销售收入、销售数量、销售单价。

2、帆软大制造指标数据体系优化目标

当前，企业指标数据体系建设存在指标口径不统一、指标体系不完善、指标问题难追溯等管理与应用问题，制约着企业用数据驱动决策的效率和质量。对于这些问题，我们需要对指标体系做出针对性的优化：

• 扩展体系，丰富内涵：在现有结果展示指标的基础上，结合企业战略目标和信息化发展规划，进一步优化提升指标体系框架；
• 采用多元应用方法，便于操作：采取结果展示、过程跟踪、指标分析评价等方式让指标应用更加丰富多元；
• 科学衡量、客观准确：以引入业内指标最佳实践、设立内部运营对标指标库等手段，指标标准更为客观准确。

按照这样的优化思路，我们确定了以下的大制造指标数据体系建设目标：

1）对指标进行集中管理

将分散在不同系统的各类指标集中管理，统一的标准进行约束，清晰展现用户指标一览表及各指标的统计方法、数据来源、统计口径等信息，整个指标体系一览在目。

2）让指标口径一致

统一的指标口径以达到减少沟通成本，提高沟通效率；比如指标数据的名称相同，但统计口径、计算方法却不同；指标数据的计算方式相同，但名称却各异等此类问题将得以避免。

3）使指标问题易于追溯

大多数指标都要经过多重计算和复杂的加工过程，方便查看指标定义，并可快速定位到指标的责任部门。

4）保证数据质量

使指标数据的一致性、完整性、准确性和可追溯性得到保证，避免出现问题时各部门间相互推诿的情况。

5）促进指标可视化

随时查看指标数据，了解指标趋势，提供可视化的方式自由查看指标，并可多种维度对指标进行分析。

3、帆软大制造指标数据体系建设价值

我们知道，指标体系可以应用于企业日常活动中多类场景：

• 会议支撑类：公司季度经营分析会、公司月度项目进度会……
• 报告推送类：日报指标（日生产产量、设备效率）、周报指标、月报指标……
• 分析类：敏感因子试算分析（调售价、调成本、调人员、判断成本影响关键因子）、市场趋势分析（市占率分析、市场未来容量预测、行业市场情况对比、产品能力对比）、项目总结复盘……
• 看板类
• 预警触发类
• 绩效考核类

所以指标体系的建设，对于企业中各类业务的提升有重要价值。在帆软大制造指标数据体系的优化目标下，我们能够实现

• 指标选取科学化：指标筛选标准工具化、模型化；
• 指标管控精细化：增加多个指标管理维度，如指标名称、类型、来源、适用行业等等；
• 指标范围全面化：结果指标与过程指标结合；

最终，由优化前个体专家的经验式管理，转变为优化后知识体系化下的科学化管理，能够让指标有效反映业务成果，支持业务预测，进而驱动企业更加合理的决策。

4、帆软大制造指标数据体系建设步骤

指标体系建设应该注重企业战略目标和业务发展过程的全局性，充分考虑国家标准、行业标准，建设过程中应该满足以下要求：

• 完整性要求：指标的信息应避免缺项，保证信息完整
• 唯一性要求：保证指标选取全面，指标直接避免重复
• 准确性要求：每项指标都必须体现业务管理需求，科学反映评价对象某方面信息
• 规范性要求：对数据指标的分类和定义要求规范，各个业务流程、层级按照数据规范开展工作

在遵循这些要求的前提下，我们开始搭建指标体系。

1）梳理量化指标

通过自上而下的价值树分解（Top-down）与自下而上的经营分析指标梳理（Bottom-up）形成经营指标库。

a. 自上而下：基于业务分级梳理指标

针对企业决策层和管理层，基于客户顶级视角以企业业务核心目标起点，根据业务模式和业务流程等自上而下纵向深入理解业务，层层递进分级梳理关键业务实现指标量化。

• 第一级：企业级指标——面向高层管理者

一般称为核心指标，和大的业务流程紧密联系，通常用于高层管理者对企业整体运营情况的监控；是关键的结果导向指标，直接和整个企业的业务目标关联。

• 第二级：业务板块指标——面向中层管理者

一般称为业务指标，和公司业务目标和业务流程紧密联系，通常用于对公司运营情况的监控；可以向上汇总到企业级KPI。

• 第三级：运营层指标——面向业务执行人员

一般称为操作/过程指标，和各作业区的目标紧密联系,通常用于对生产流程和技术工艺的监控；关注运营层面和具体的操作环节。

方法一-价值树分解：我们可以运用价值树分解价值驱动因素，逐层进行指标的拆解，保障指标体系的完整性和可落地性。

• 第一步：明确战略指标

从整体战略目标出发，根据价值树框架，识别每一关键驱动因素的关键指标，找到唯一关键指标。

• 第二步：价值树搭建

价值树将公司的总体战略分解为影响它的“关键因素”，即价值驱动因素。

• 第三步：价值驱动因素优先级

根据对公司战略的影响，对价值驱动因素进行排序。

将价值树和价值驱动因素优先级排序相结合，可以帮助行方设计完整的指标体系，并保障在达到战略目标的同时，满足经营管理的需求。

方法二-业务分解：我们可以从4个方面自上而下纵向深入理解业务，并基于4类业务事实，量化经营管理过程和结果，分级依次转化为对应的指标：

• 业务目标——由核心指标量化

例：完成年度经营业绩可以用销售收入、销售毛利、销售费用等核心指标来量化

• 业务模式——由业务指标量化

例：营销LTC业务流程可以由新增客户数、平均成本、线索转化等业务指标来量化

• 可控因素——由过程指标衡量

例：资源投放、拜访提升、转化加快等可控因素可以用客户转化、签约转化率、拜访次数等过程指标来量化。

• 不可控因素——由监控指标衡量

例：客户价值、客户购买力等不可靠因素可以用客户数量、客户预算、原材料价格等监控指标来衡量。

b. 自下而上：基于业务流程梳理指标

以销售业务为例，先梳理销售流程，从四个角度分析关键项（卖给谁、卖什么、怎么卖、怎么服务分别对应客户、产品、渠道和服务），然后根据关键项获得关键过程，再分别对关键过程基于关注点的五大因素量化指标。

2）指标业务关联，建立使用方法

同样以销售业务为例，以完成一个销售目标为核心指标，通过自上而下和自下而上结合的方式梳理量化指标，并把指标关联分级展示，得到了指标关联体系图。

然后我们需要梳理该指标体系的使用指南。我们的目标是完成一个亿业绩，其核心指标为销售毛利2000万，销售毛利率20%。我们将当前的数据与核心指标对比，假设发现销售毛利同比降低5%；与目标比偏差8%；销售毛利率同比增加3%；与行业市场比偏差5%。

第一层，首先要对毛利和毛利率进行公式拆解：销售毛利=销售收入-销售成本；毛利率=销售毛利/销售收入，基于拆解的指标进行初步分析。

第二层，要从业务角度进行分析和拆解，毛利指标绝对值下降，毛利率却反而在上升，说明营销业务过程中，销售成本控制得比较好，但同时销售收入也可能存在下降趋势。可以把销售收入影响因素拆解为可控因素和不可控因素，在这里也就是销售因素和市场因素。

第三层，要对各因素进行拆解，市场因素可以拆解为新客预算，销售因素可以拆解为商机流失率、拜访次数、新客单价。

我们发现，销售收入同比减少了5%，拆解出来的新客预算同比减少了5%，上级流失率增加了5%，拜访次数减少了2%，新客单价增加了1%。进而提出问题，主流市场客户预算情况如何、商机流失原因及占比、转化率提升空间及措施、客户拜访成功率如何……接下来，就可以针对这些问题进行专题分析，尝试验证问题并寻找根因。

最后，根据对数据的分析输出业务策略，比如产品端要研发新的低成本高价值产品迭代，市场端要举办专题市场交流活动，拓展高预算客户数量，销售端要围绕低预算、高价值客户构建销售策略。在这个基础上，继续观测指标变化，进行阶段复盘，总结新的提升，明确新的现状，发现新的问题，用指标来促进业务的不断迭代优化。

3）建立指标体系附件文档

指标文档也可以理解为指标字典，需要包括指标的分析主题、场景、维度、方法、价值等等。简单地说，其实就是把公司常用的一些指标，通过有组织、有秩序的进行整理，，形成公司内各个业务部门均统一认同的标准化数据体系。就像字典一样，对哪个指标有疑问，就去指标字典中查一查，对齐口径。

好的指标体系附件文档可以降低沟通成本，提升沟通效率；打破信息隔阂，减少公司重复性建设；是公司数据化建设的基础、数据平台搭建的基础。

4）通过平衡积分卡搭建自上而下的指标梳理体系

• 财务方面

企业在财务层面想要降本增效，实现价值最大化，对应需要关注的指标就是客户价值、收入、毛利、资产利用率、成本、人均产值等；

• 客户方面

企业要实现财务目标，需要满足客户的需求，这类需求设计到质量、价格、时间、功能、生态伙伴、品牌文化方面的指标

• 内部流程方面

为了实现财务目标，满足客户需求，我们需要不断优化内部流程，我们可以关注营销、供应链、研发方面的相关指标

• 学习和成长方面

为了实现企业愿景，企业在内部的学习与成长方面需要做出一些变革和展望，需要关注人力资本、信息资本、组织资本相关的一些指标。

5）战略地图与指标落地

通过平衡积分卡模式搭建指标地图，对于地图中四个不同方面，既要在流程上进行指标的纵向梳理，也要明确每个流程对应的责任人，落实指标到人。以下是基于战略平衡积分卡模式的指标落地架构图：

 

到这里，指标体系的建设算是基本结束了。但是，在实际业务中，有一些特殊的指标是指标建设人员所想不到的，这时候就需要自下而上地再对这些指标进行收集、解析、归类和整合，保证指标体系的完整性，具体方法如下：

• 指标收集：向各业务部门收集经营指标清单，按指标类型对指标进行分类。
• 指标解析：梳理指标之间的关联关系，逐层拆解后得到指标树及指标图谱。
• 指标整合和归类：定义指标业务维度和技术维度，梳理指标与维度的对应关系，形成指标库。

具体实践上，可以分为业务调研访谈、梳理业务条线和场景、梳理业务流程、基于底表识别原子指标、组合提炼KPI以明确维度、拆解影响KPI关联业务事件、拆解影响KPI关联业务指标及下钻逻辑这七个步骤。

三、基于已有指标体系搭建企业可视化管理大屏

指标体系搭建完成后，企业可借助 FineReport 的强大功能，轻松打造指标可视化大屏或动态管理看板。FineReport 凭借其卓越的数据整合与可视化能力，能够为企业提供多维度、全方位的数据展示，将复杂的指标数据以直观、清晰的方式呈现于大屏之上，为企业的战略决策提供有力支撑。同时，FineReport 还支持灵活的设计与实时数据更新，确保企业能够迅速应对业务变化。

以下是一些利用 FineReport 搭建的数据大屏 Demo 示例，充分展示了其在数据整合与可视化领域的领先地位。

订单管理大屏

设备效率分析大屏

设备状态监控大屏

企业经营数据大屏

企业综合管理大屏

 

四、总结

通过帆软的大制造指标数据体系，制造业企业可以通过数据追溯问题根源，提高数据驱动决策的效率和质量。截至目前，帆软已与众多制造业企业达成合作，致力于通过深入了解行业特点和企业需求，结合行业最佳实践与数据分析经验，为制造业企业量身定制科学、系统且实用的指标体系，帮助企业精准评估运营成效、优化管理决策，从而在激烈的市场竞争中脱颖而出。

若想了解更多关于制造业指标体系建设的解决方案，请您与帆软取得联系，快速获得帆软为您提供的方案建议、免费的产品试用和同行业标杆案例学习参考。

更多详细内容，推荐下载《指标体系建设方案》：
https://s.fanruan.com/5zkhn
分享行业真实的数字化转型案例，提供完整数字化解决方案！