数字化转型的第一步、数据应用的最后一公里应该如何做？
数字化转型是一个庞大的体系、漫长的过程，尤其是对于制造企业，所涉及的业务范围较广，在转型过程中，由于时间、资金、人力等资源的有限，许多制造企业采取了按业务或按部门分阶段执行，这种方式在一定程度上减轻了短期内转型的压力，对于部门来说提升了转型的效率。
然而，到了数据应用阶段，这种转型方式的缺点逐渐显现。企业虽然已经积累了一定量的历史数据，但由于前期缺乏统筹性的规划，导致诸多制造企业没有建立起有效的数据管理机制和保障，出现了数据来源复杂、数据质量参差不齐、基础数据分散、数据不一致、统计口径不统一等问题，导致在应用时数据质量得不到保障，数据无法匹配、数据不可识别、数据不一致、冗余重复、时效性不强、精度不够等问题频发，数据结果与实际情况不匹配，无法作为业务改善及经营决策的参考依据，难以支撑上层应用，无法完全释放数据的真正价值。
因此，企业可以通过构建的统一的大数据分析平台将企业内大量的结构化、半结构化、非结构化数据以及外部数据，进行数据整合、数据管理，打好数据底座、再考虑建立数据应用实现数据驱动业务。
制造企业可以应用一站式的BI数据分析平台，将各系统数据进行统一的整合、存储、分析。把大数据分析所需的产品功能全部融入一个平台下，进行统一管控。在运用时，可全面覆盖数据分析过程中的各个环节，包括数据采集、清洗、整合、存储、计算、建模、训练、展现、协作等，让用户可以在一个统一的平台上完成全流程数据分析任务，降低了实施、集成、培训的成本。
除了一站式的BI数据分析平台，数据仓库的建设也是关键，通过搭建数据仓库，构建按照主题模型存放数据的模型层，提升数据整合效用与科学性，构建指标层以提升基础数据的复用程度，逐步统一数据出口。同时可以进一步推动数据管理的落地，数据质量检测与反馈机制逐步优化落实在系统中，最终在数据整合、数据管理、数据应用三个部分相互之间推动良性循环。
数据仓库是一个完整的生态圈，其建设是一个循序渐进的过程，既不能够脱离业务的实际需要而存在，也不能够纯粹以业务驱动而忽略了IT架构。因此，在进行数据仓库的开发时，需要同时从业务和技术两方面考虑建设。
首先归并各子系统数据，将原本散乱在各个系统中的业务数据进行统一化处理。在数据归并后，结合企业的业务特征和系统架构，将不规范的数据根据数据标准转换为规范的数据，将非结构化数据转化为结构数据，并对数据进行提取的临时存储。
仅仅是数据的采集、提取和存储还不够，由于许多制造企业的业务体量大、渠道多，导致了数据庞杂，因此需要根据企业的业务逻辑，对数据进行重构。可以在平台中构建数据汇总层，对数据进行快速的清洗、转换，提高数据质量和可用性。以此，根据数据颗粒度，将事实与维度拼合成新的报表。同时，根据分析指标复用程度，将部分同维度指标集中合并成为新报表。
将数据清洗和转换后，可以构建业务数据层，为不同应用场景的数据可视化、分析、挖掘准备并管理好数据。这样才能使数据应用更加贴合该企业的使用场景，使报表呈现更加精准。
以此，将制造企业各业务系统中的数据统一处理，构建标准化的数据应用体系，为数据赋能业务奠定基础。
案例：
该企业将大数据分析平台的建设分为两个阶段。第一阶段的工作重点是将各业务系统的数据进行连接，统一处理，实现贯通。一方面，通过业务数字化、标准化，借助IT技术，实现业务上下游信息快速传递、共享，实现数据全流程贯通，提升业务运作效率；另一方面，通过数据质量度量与持续改进，确保数据可以真实反映业务情况，使数据质量持续提升，减少返工、纠错等成本。
统一的数据分析平台为数据应用奠定了坚实的基础，构建了一致的信息架构与标准，以及唯一可行的数据源。在此基础上，将第二阶段的重点放在了数据分析与洞察能力的提升，首先将各业务数据进行跨领域的汇聚与联接，从各个数据角度进行整体性或某一关键问题的综合分析，实现业务状态透明可视，提供基于事实的决策支持依据。
该企业应用的一站式BI数据分析平台，完成了数据源的统一，构建了标准化的数据治理体系，实现了递进改善式的数据质量管理，具体如下：
1. 数据源：业务数字化是数据工作的前提，通过业务对象、规则与过程数字化，不断提升数据质量，建立清洁、可靠的数据源；
2. 数据湖：基于“统筹推动、以用促建”的建设策略，严格按六项标准，通过物理与虚拟两种入湖方式，汇聚该企业内部和外部的海量数据，形成清洁、完整、一致的数据湖；
3. 数据主题联接：通过五种数据联接方式，规划和需求双驱动，建立数据主题联接，并通过服务支撑数据消费；
4. 数据消费：对准数据消费场景，通过提供统一的数据分析平台，满足自助式数据消费需求；
5. 数据治理：为保障各业务领域数据工作的有序开展，需建立统一的数据治理能力，如数据体系、数据分类、数据感知、数据质量、安全与隐私等。
