2025年数字跃迁：治理、平台与应用的三位一体之道

2025帆软第七届智数大会数字跃迁：

治理、

平台与应用的三位一体之道2

.

基石之元

—数据治理1

.

数字跃迁

定义4

.

价值之元

—数据应用01

0203

043

.引擎之元

—技术平台海思科是一家专注于新药研发

，集生产制造及销售推广为体的专业化医药集团上市公司

，总部位于中国成都。公司秉承创新、诚信、务实、高效的企业精神

，通过专业、专注、

国际化的研发思路聚焦麻醉镇痛、

呼吸、慢病、肿瘤和自身免疫等疾病领域，

目前已经建立一系列具有自主知识产权的药物管线

，多个项目处于临床开发阶段

，多款创新药已经实现商业化。10+年2012年1月17日在深圳证券交易所A股上市(股票代码:002653.SZ)900+人研发中心研发人员45+种目前在售药物品种70+种累计开发药物品种25年公司成立于2000年015000+人公司现有员工500+亿上市市值u

思舒宁®

,

2012年立项

，2020年获批

，历经8年u

思美宁®

,

2014年立项

，2024年获批

，历经10年u

倍长平®

,

2012年立项

，2024年获批

，历经12年u

思舒静®

,

2016年立项

，2025年获批

，历经8年2024年中国新发癌症病484.27万人肺癌居首位

，其次为结直肠癌、甲状腺癌、肝癌和胃癌中国1.4亿糖尿病患者合并神经并发症患者>50%全球3亿慢性疼痛患者中国术后疼痛未控制率>40%中国1.4亿糖尿病患者合并神经并发症患者>50%麻醉镇痛领域思舒宁®HSK21542

思美宁®HSK36357代谢性疾病领城倍长平®HSK31679肿瘤领域HSK39775HSK40118HSK46575HSK41959呼吸系统疾病HSK31858HL231十年赶超奋斗之路02u年均销售额

35亿+，

年平均增长率

19%u2019年起全面转为自营模式

，

走专业化学术

推广道路u全国分领域自营销售团队3000人+u与国药、

上药、

华润、

九州通和重药集团等

国内TOP级商业企业达成了广泛的战略合作医学驱动、学术引领、销售落地03Part

one行业变革的必然之路01

数据成为核心生产要素规范流程和系统l

目标：业务“系统化

”、规范化l

方式：信息系统替代人工纸张l

重点：

自动录入、

自动表单、统一规范l

常见系统：ERP、SRM、WMS、MES、EHR等l

成果：操作提效、系统记录、能查能管集成数据以辅助决策l

目标：数据能被“看见、算清、用上

”l

建设重点：数据采集->清洗->建模->可视化l

技术支持：数据中台、BI平台l

关键能力：指标体系、数据权限、业务穿透分析数据驱动的智能闭环l

智能感知：系统自动识别异常l

智能分析：

自动生产分析报告l

智能决策：系统自动执行l

自我优化：模型自学习，越来越准信息化数字化数智化数据经济的

强度计算的精度联接的密度02

一场通过数据驱动实现业务模式、运营模式和决策方式0304基石之元—数据治理价值之元—数据应用引擎之元—技术平台构建支撑跃迁的“数字底座

”驱动业务创新的“价值出口

”从成本中心到价值引擎的蜕变Part

two满足数据完整性要求挑战巨大组织与文化挑战数据生命周期管理复杂对制药企业来说

，数据治理不是一个“可选项”

，

而是一个“必选项”。

它解决的不是IT问题

，

而是业务生存、合规和发展的核心问题。

面临的痛点虽然是多维和复杂的

，但通过建立体系化的治理框架（组织、

制度、

流程、

技术）

，

可以系统地解决这些问题

，最终将数据从“负担”转化为企业最核心的战略资产和竞争力数据标准与质量难以统一数据孤岛极其严重合规与审计压力01u

狭义数据治理：（

DAMA）数据治理是对数据资产管理行使权力和控制的活动集合（规划、监控和执行）。u

广义的数据治理：指包括数据管理和数据价值“变现”

，具体包括数据架构、主数据、数据指标、时序数据、数据质量、数据安全等一系列数据管理活动的集合。u

数据治理是一套关于数据的

9立法9和

9执法9体系，

目的是确保数据被当作一项高价值、低风险的资产来管理

，从而为企业战略和业务目标服务。它为企业数据管理提供了政策、标准、流程和组织的框架022标准多源异构数据

，需要进行大量收集和清洗工作

，缺乏统一的数据标准

，常见的编码不统一、分类不统一。4

制度缺乏体系化的数据管理制度

，让数据管理无法可依缺乏数据管理责任人

，数据管理的权责不明确3

流程没有完善的数据管理流程

，维护过程数据变更随意

，易出现人工错误无法有效的利用数据

，

让数据产生价值

，

来提升我们的经营管理缺乏管理制度缺乏管理组织缺乏管理流程缺乏数据标准问题归因031组织在结合实际与数据治理相关的方案、

项目落地建设过程中

，数据治理有两种不同的建设策略1

面向数据全生命周期管理与控制体系化的数据治理建设策略从数据治理策略（目标、范围、方法和组织

）开始

，通过专业的数据治理团队进行数据治理的规划、实施和监督

，通过制定数据管理流程规范从源头业务系统的构建到数据的分发、流转

，包括数据安全策略与控制

，最终贯穿数据资产管理、分析和挖掘的全生命周期过程体系化计划、监督、预防与执行多年计划的数据策略周期面向数据全生命周期通常以指标体系为起点

，进行金字塔式自上而下的规划与建设

，通过“数据流、业务流、信息流”反向推动数据质量提升的过程根据实际业务情况

，主要解决数据指标定义标准不清晰、指标计算口径不统一、指标计算口径版本变更、数据不准确、数据上报与数据审核等数据应用场景的数据治理措施与方案2

以提升数据应用过程中数据准确性为目标的数据治理建设策略体系化、系统化

不针对某个单一的、具体的数据应用场景

，全面体系化的治理过程数据应用过程中定位和解决问题以数据应用项目为建设周期数据整合多系统数据整合、拉通、清洗、处理

，数据仓库建设、

ETL开发过程例如：数据采集、数据质量、数据应用、数据安全、数据分享等各个环节04全生命周期数据应用立体策略自上而下面向数据应用贯穿数据全生命周期管理——流向基础校验通过客户流向导入设置非商务管流向流向清洗商务管流向 Step

1Step

2Step

3Step4Step

5梳理当前业务的流程

，流程上什么角色在做什么事

，用的什么工具增补流向流程审批通过1、清洗终端2、清洗终端归属关系

是否否政策备案正常流向流向与发货核销

核销确认

费用报销流向总控生成正式流向05费用确认费用归集费用新增费用调整流向上传审核未通过审核通过流向申诉是现状：费用申请费用计算免审是①整个环节流程较长

，且直接参与系统操作的人较多

，上手性差

，培训成本高②商业数据未直连

，人工对数据整理归集后数据出错的可能性增大③同一个商业存在多人上报各自终端数据

，商业责任主体不明确

，导致数据重复或漏报风险增加④非主流根据凭证逐条审核

，效率较低

，可通过其它更有效方式管控风险⑤纯人工清洗终端主数据

，未对接行业大数库

，清洗效率低下⑥主数据未统一管理

，导致终端主数据重复性增大⑦流向数据质检未采用行业标准进行进销存稽核

，数据质量无法在前端得到有效管控⑧通过批号总控的方式逻辑虽不存在问题

，可作为红线进行财务风险控制

，但如果不结合过程中进销存管理

，总控出现问题后才查原因，则会导致流向追溯困难⑨终端归属备案处方零售相对滞后（每月11号）

，流向出来才备，

医院渠道目前稍有好转已提前至6号

，但离管理要求上月底前备案归属仍有较大差距 Step

1Step

2Step

3Step4Step

505当前流程存在的痛点痛点：①

流向组

：

归口流向管理

，

负责流向清洗

、

管理

、

直连等

，

按质按时梳出流向数据给下游使用方②

数据提供者

：

对数据的准确性负责

，

对进销存差异原因进行核查③

SFE

：

归口终端归属管理

，

把控各事业部终端备案的及时性与准确性让销售回归销售、

数据回归数据各司其职、

各负其责 Step

1Step

2Step

3Step4Step

505整体优化思路：确定大的管控思路 Step

1Step

2Step

3Step4Step

5六大质检关卡05全新的流程及责权利分工关键事项项目立项前（2021前）项目验收后（2022.7—至今）流向管理制度权责分配不清

，效率低下

，数据混乱专业的流向管理组

，建章立制，《流向管理制度3.0》时效性延迟1个月以上T+1整体效率13个工作日7个工作日；3个工作日（误差1%以内）数据准确率混乱

，经常出现篡改数据

，到后期而无法厘清的情况数据质量显著提升99.9%流向采集人工上报商业全部直连流向清洗内勤

，商务等上百人清洗达一周左右；质量差90%以上自动化清洗分摊到日常；主数据重复每月少于10条流向质检纯人工

，工作量极大99%全自动化 Step

1Step

2Step

3Step4Step

505项目达成目标终端代理商商业公司推广服务商供应商讲者保证金缴纳方行政区划民族物料变更类型物料剂型系统名称计量单位差旅层级级别一级项目研发项目政府补助项目项目阶段临床试验编号岗位岗位名称仪器设备物资域客商域05半成品包材药用辅料核算组织溶试剂制剂动物管理组织原料药银行商品耗材五金备件人员新建运维推广改进完善国家参考数据人资域项目域财务域图例05物料域

人资域

组织保障体系

设置主数据管理组织

，形成主数据管理委员会（决策层）、主数据管理办公室（管理层）、主数据执行组（执行层）3层协同组织

任命主数据专家9人

，另主数据维护岗48人

，审核岗22人。oo

制度保障体系

共拟定22份相关制度和文件

制定主数据项目管理制度

，10大步骤

，38项活动

，支撑业务+数据+IT的高效协同

，共建高质量的主数据01:业务调研

06:数据建模02:整体方案

07:数据清洗03:项目启动

08:系统开发04:项目管理

09:接口改造05:数据标准

10:切换上线共6大主题域主数据建设

，清洗数据量27.5万+

，已上线主数据27万+

，其中物料2.8万+协同参与部门和人员量参与部门25个

，核心关键干系人超过

100+人支撑。连接系统和接口情况共连接上下游系统18个

，开发接口数量多达90+个。主数据“2

+1

+1”体系建设

，

以“业务+数据+技术”协作的工作方式

，助力降本增效！1个平台工具2套保障体系星%1组实施方法05

主数据实施管理方法参考主数据主数据处理和平台承载量

客商域项目域财务域安全可控资产管理平台数据治理中心数据服务中心数据开发中心

数据管理目标高质、高效、合规、赋能数据赋能数据应用营销中台......组织制度流程 组织架构制度体系

管理流程数据标准管理数据架构管理数据安全管理数据生命周期管理

需求导向

，应用牵引共享开放

，创新驱动数据模型管理数据质量管理数据元数据管理数据指标管理05数据运营改进与提升数据管理体系建设蓝图规范管理

保障措施业务应用数据治理执行与检查评估与建议数据资产门户B

IPOA智能问数数据服务决策支持自助分析效果评估工作落实问题分析能力评估专家辅导自动检测提升方案改进建议评价指标......N

个应用场景1

套指标体系1

套管理方案1

套技术平台数据管理标准指标标准

元数据标准

数据接口API标准

资产负债率

现金类损益类成本类

库存类

价格类数据仓库平台

可视化平台数据管理平台

ETL工具其它数据共享

各部门数据分析05月度经济分析会财务分析套表数据管理体系建设目标高效的数据流转+合规的数据使用质量安全生产类费用类…….

文件标准

业务术语标准资产组织维度标准技术平台应用场景指标体系数据填报自助分析销售类……数据管理制度与流程管理流程管理办法技术规范及模板......《数据资产目录模板》《数据开发规范》《数据模型设计模板》《数据需求模板》《数据安全管理流程》《数据管理制度（总纲）》《数据标准管理办法》《数据模型管理办法》《数据资产目录管理办法》《数据服务管理办法》《数据模型管理流程》《数据模型发布流程》《数据服务管理流程》《数据资产目录管理流程》《数据质量管理流程》《数据标准管理流程》《数据质量管理办法》《数据开发管理办法》《数据开发管理流程》《数据指标管理办法》《数据元数据管理办法》《数据元数据管理流程》《数据指标管理流程》《数据质量规则模板》《数据质量任务模板》《数据可视化设计规范》《数据指标设计模板》《数据安全管理办法》05数据管理制度与流程05指标管理示例质量规则管理提供数据质量检核规则管理、检核任务设置、检核结果查看

，评估全局数据质量手动设置数据对账任务，对贴源层和明细层中的表行数进行比对每天生成质量得分

，并针对数据对账中不一致情况和枚举值异常数据告警数据质量规则体系数据质量建设核心步骤：

管理质量规则05具体规则示例

，可参考左侧质量规则模板自动生成任务调度信息，每天凌晨执行该检核任务质量规则检核任务数据对账质量报告

设置检核任务

查看质量报告准确性及时性完整性唯一性有效性一致性WHO：各部门数据质量负责人WHEN：每日

，每月

，每年；WHY：各部门数据质量负责人对所负责主数据、业务数据的质量情况进行监控

，确保为管理改善提供准确数字化依据；WHERE：PC端

，移动端WHAT:第一期以数据质量监控核心

，从各职能部门的视角监测各数据主体质量状况。质量报警•

质量报告•

背景颜色突出•

自动发送32质量扫描•

基础数据扫描•

规则检查质量监控规则设定•

规则设定•

责任人设定•

预警方式设定05预警场景设计（数据找人）•

角色识别

，推送责任人•多种推送途径质量规则管理短信站内消息移动应用电子邮件

发出通知41切忌头痛医头脚痛医脚

，机制、

体系、

流程的优化和调整才能从根本上解决问题觅一群靠谱的队友工业化的数字化之路不要妄图靠乙方就能解决“字”字形变革法、

一把手工程老板知-全员知-试点行-全员行05Part

Three现有“数字化运营系统体系”难以支撑未来数字化精细运营管理体系建设的需求现状

痛点痛点三

，服务支持差痛点四

，成都区域版本问题痛点五

，规范化建设、管理功能弱痛点六

，实时数据业务场景问题类型一类型二类型三数字化运营系统体系现状痛点八

，缺少实时采集、计算痛点七

，批处理引擎资源不足痛点二

，单点数据库性能痛点一

，

FR和FBI资源争抢1.数智化

运营平台2.数据

中台3.大数据

引擎痛点痛点痛点痛点痛点{{1.2单节点报表查询数据库1.1帆软FR+FBI合并部署2.1面向开发者dataworks3.1大数据批处理引擎3.2大数据其他能力缺失性能问题大数据引擎问题数据中台

问题01海思科数智化运营平台（实现数据价值最大化赋能海思科集团业务运营）可视化数据应用Fine

ReportFine

BIPgsql权限库

mysql配置库推华为云数据中台

（最多、最全、价值）开发/调度

Dataarts大数据计算SPARK/HIVE分布式存储

HDFS/OBS分布式采集CDM采数据源（数据生成）mysql

sqlserver......ERP(GS/SAP/BIP)“采”人力系统

(SAP/EHR)数据建模“建”数据仓库数

据

安

全数

据

质

检指标管

理数据服务自助分析合题综主力题人主产题生主存题库主购题采主务题财主销题营主02“管”“用”SelectDB报表库云简费控系统MDM主数据主题报表外部物流系统手工填报数据ODS层原始数据DWS层统计数据DWD层明细数据ADS层应用层oracle分析报告海鲨中台驾驶舱合同系统pgsqlOA系统决策易APIDMPSRM03数仓模型设计ER模型&维度模型业务价值链梳理L1~L3业务流04ETL流程设计数据处理流程Part

Four数字化生产力存于技术、藏于场景“场景”是连接业务和技术的关键桥梁

，是业务部门和IT部门之间对话的

“普通话”

，

唯有找对场景、

落地场景

，企业领导者和业务部门管理才会感知到数字技术的力量场景为纲

，技术为目：

“为场景找技术”是正道01高频次重复发生的业务场景高频次高耗能高风险高频次通常更高的商业价值隐藏于“三高”场景出错概率很高

，一但产生错误有很多负面影响02高风险高耗能投入资源多但效率低原则整体规划局部先行以用促建急用先行把一个个子场景打穿、

打透

，

而不是追求很复杂、

面很大的场景采购

（进）提炼指标、定位产品类型、选取分析思路与方法 调研、访谈、“三高”场景深挖行业外学习子场景销售

（销）库存

（存）03

大场景数据作为可管理、可运资产

，依据岗位职责划分专属数据权限与资源

，实现数据资产的分域分级管理与应用

，推动数据在授权范围内高效流通与赋能。梳理海思科价值链

，体系化搭建分析框架

，健全经营分析体系。构建标准化、可复用的指标与模型

，实现多维洞察与智能决策

，提升运营效率与数据赋能水平。智

慧创

新

赋

能

应用

整合

数

据完善集团数据管理体系

，围绕数据全生命周期建立标准的管理制度、规范与流程。并以销售终端与供应链全链路分析报表为试点

，将其迁移至新平台

，推动数据资产化落地。系统构建指标、资产、标准、质量、模型及安全体系

，通过端到端治理实施

，形成可复用的数据治理规范。

深

化

应

第二阶段用

赋能业务资产运营

●扩大整合

●升级现有数据中台、数据仓库、可视化数据平台

，完善数据架构/质量/安全/数据开发等平台共

，升级引擎为湖仓一体

+MPP的混合架构

，实现引擎具备高效率、高可用、高扩展等特性。构建一套集数据整合、指标监控、多维分析及智能预警于一体的经营分析体系

，致力于将数据资产转化为核心业务洞察力。

智慧决策激发创新全面赋能业务的阶段

，数据和系统深度融入主营业务流程

，支撑精准运营与高效协同，切实驱动业务增长与价值创造。数据成为核心生产资料

，流程由数据自动触发与优化，实现业务自运转。基于预测性AI

，系统能够模拟与评估不同决策的未来结果

，辅助精准抉择。深度洞察解锁未知模式

，催生新产品、

新服务乃至新商业模式的核心源泉。初

创

新

应

步

第一阶段04IT从业人员数据分析专家应

-

用第三阶段平台数据数据驱动初步洞察响应痛点-

用数据反哺业务

·•应用场景：发生了什么？产生结果？结果影响因素？预警提示？风险 洞察？用自动化替代传统手工报表

，解决看数难、统数慢、看不懂的问题•应用场景：当系统积累够多的样本和数据后

，通过历史数据形成决策库

，进行AI探索

，如销售预测、智能采购、智能排产、相关性推荐等•应用场景：按“故事线”或成熟的分析思路组织数据

，融入商