探讨一种高效、经济的大数据漏损控制模式

摘要:任何一种漏控模式都不能包治百病的。不管是DMA分区计量,还是合同漏控都应根据水务企业的现状、特点,因地制宜的选择漏控模式才是上策。

1.大数据漏控模式

大数据漏控模式是一种利用水厂、管网、客服、营业、施工、检漏、生产调度等部门生产经营过程中产生各种海量数据构成的数学模型和算法,准确地挖掘漏控问题和根源,因地制宜、对症下药制订降差策略和措施,再通过数据实时、跟踪,监督策略贯彻执行,实现对产销差控制。大数据漏控优势:

精准

漏控最大的难点和痛点是缺少抓手和着力点,看着哪里都有问题,却不知道该从哪里入手。而大数据降差模式恰恰可以精准找到漏控的难点和痛点,直击病灶。比如:从成千上万的用户中可以准确到每条抄表线路、每个用户存在的漏抄、估抄、间歇抄、滞后抄、欠费等问题,为精准漏控提供了目标和方向。

高效

“高效”就是要集中优势资源打“歼灭战”,而不是“拉锯战”。漏控之所以,久控不下根源就是资源分散、药不对症,各自为政,扯皮消耗把时间浪费掉了。导致漏控工作成效甚微。“高效”的核心是把资源、资金、人力投入到解决主要矛盾问题上。

③经济性

众所周知,漏控的目的是为了降本增效,提升企业经济效益和管理水平,而不是为了漏控而漏控,忽略投入产出比。因此,经济漏控概念应作为漏控工作重要的评价指标才符合漏控需求。实际上,当前的漏控已经是无序的盲目的,甚至走入了误区的一种状态。全国水务都在积极探索和建设DMA分区计量,好像缺少了DMA分区计量就不能降差。其实,从经济性分析,DMA分区计量建设并不经济,其投入产出比并不高,且不能精准找到漏控的难点和痛点。

2.大数据漏控的思路

大数据降差思路是通过大数据模型和算法对生产、管网、营销、计量等环节精准查找出问题和漏洞。然后,针对性制定技措、健全体系,按既定计划和进度贯彻落实。同时,大数据实时跟踪、动态调整策略、强化对过程控制和管理,实现高效降差目的。降差流程如下图。

扫描二维码关注公众号,回复: 14892534 查看本文章

大数据核心直击降差的难点和痛点,然后对症下药,靶向治疗,直击病灶。

“审”

从产销差产生途径和根源看,产销差问题错综复杂。只有通过系统的漏损审计,大数据模型和算法,才能查清问题,理请思路、量化指标,分清职责,才能科学、合理、经济地制定产销差策略和行动计划,才能把多少水损失掉了,从哪里损失掉了,怎么损失掉了,应该如何管理、控制,改进控制策略等问题系统解决。“审”是大数据降差核心,更是查清问题的重要手段,系统漏控的重要抓手和举措。

“分”

根据审计或评估的结论,把年度降差指标和任务层层分解到各部门、科室,再把任务分解至各自岗位,层层落实,层层责任到人。如此,才能保障降差工作落实到位。指标设定、任务分解不是拍脑门,而是在科学诊断、评估、审计基础上充分挖掘各部门降差潜力。就是说,指标是有空间和余地的,只要各部门努力一定可以完成的。

③“签”

为了让降差指标能够真实落实下去,坚决贯彻执行,公司应与各部门签订降差目标责任状,把责权利明确清楚,让各部门清楚完成如何奖励,完不成如何处理。“签”责任状不仅是约束基层,也是约束公司和高层,对双方而言就是契约,更是兑现的凭证。

④“干”

“干”就是各部门根据分解指标和任务,积极行动起来,制定详细、周密计划、工作进度,严格按照规范和要求和执行,全面贯彻和落实降差措施。“干”的核心是按先主次的顺序,沿着正确的方向积极行动,而不是偏离目标蛮干、瞎干。

⑤“评”

“评”是指每月根据数据统计、分析,跟踪各部门降差策略和措施的落实和进展情况,评价降差成效。同时,检查降差措施和策略是否合理、是否需要优化调整,检查在措施在执行过程是否存在偏离目标、落实不到位的情况,然后,及时要求各部门整改。另外,就是根据制定绩效制度,每月对各部门、岗位严格监督、测评。

⑥“控”

所谓的“控”是当产销差率下降到合理范围之后,实时数据跟踪,监测,控制和预防产销差反弹。控制是长期的,需要持续的、实时的采用干预措施。俗话说,“降低容易,控制难”。就是因为产销差率下降了,达标了,很容易松懈下来。因此,一旦进入漏损控制阶段,须对绩效考核和激励机制进一步调整和优化,以保障能够长效、持久的把产销差率维持在合理范围。

3.案例分析

案例1:某水务公司是供水区域约65km2,水厂2座,日供水量约为12.5Х104m3/d,供水管线约550km,用户约16.83Х104户。XXX年产销差率19.65%。该公司采用大数据漏控模式,耗时6个月,更换大口径水表38块,测压点11个,检测漏点164处及清理失踪表30块等措施。当年产销差率下降至9.23%,实际下降了10.42%,当年即把产销差控制合理范围之内。降差前后数据对比见下图。

从投入产出比分析,该水务公司并未增加额外投资,而是在原先降差技错基础上进行优化和完善,强化基础管理,绩效制度的修订。当然,这与漏损构成有直接的关系。假设是管网老化严重,需要大量的管网更新改造就另当别论。

案例2:某市自来水公司承担着城区、开发区近32多万人口生产,生活用水供水任务。现有水厂3座, 实际供水7Х104m3m3/d, 供水面积40 km2,增压站3座,DN100以上管道230km,管网覆盖率95%,上半年平均产销差率36%。该公司采用大数据漏控模式,耗时6个月,通过强化抄表管理、压力优化、积极主动检漏和表具更换措施,平均产销差率从上半年36%下降至下半年16.8%,实际下降了19.2%。

从投入产出比分析,该公司主要措施是强化抄表管理、表具更换、积极主动检漏,水厂调压等措施,与收益相比投资几乎可以忽略不计。其主要问题是集中在管理上、而不是管网及硬件设施上。

4.结论

总之,大数据漏控是一种高效、经济、科学的漏控模式,投入少产出高,且可在短时间内把漏损控制在合理范围之内。尽管,大数据漏控受到数据质量的影响,但并不会影响其漏控的成效。随着物联网、5G技术的发展,大数据漏控模式将会成为未来漏控的优先选择。

猜你喜欢

转载自blog.csdn.net/laizonghai/article/details/129666863
今日推荐