“研发生产难度大”，是车规级芯片从业者共同的感慨。
一份由国内某头部车规级芯片企业提供数据，搜狐汽车研究室及中国市场学会（汽车）营销专家委员会研究部制表的材料显示，处理器设计流片需18-24个月，车规级认证系统方案开发需要12-18个月，车型导入和测试验证需要24-36个月，方才进入量产部署及后续迭代提升的阶段。平均研发周期可能长达5.5年。
车规级芯片技术攻坚难，标准要求高，天然导致研发生产周期长；而周期长意味着产品设计必须更具前瞻性，方能匹配新阶段的市场需求，又进一步增加了研发难度。
对于本文将分享的客户S而言，情况也不例外。
S是国内提供智能驾驶软硬件方案的领军企业，研发在其经营开支中占据了压倒性的最大比例。同时，S在积极探索技术攻坚、商业化、业务复杂度等各个层面的平衡。
为对研发项目建立全面洞察，及时了解并化解卡点，预判高亏损/高风险项目，企业S携手奇点云，开启了针对研发域的数字化改造。
图：研发流程（简化版）
1 数据痛点
1.1 专业系统多，数据分散且封闭，项目数据整合难
客户S提供的智能驾驶方案需要一系列软硬件及操作系统协同合作，涉及到人工智能、视觉计算、雷达、监控装置、定位系统等系统和设备，因而仅一个研发项目的覆盖面就非常庞大。
与此同时，S与Tier1、整车厂等各类伙伴建立了深度合作，从数据安全隔离和便利合作伙伴的双重要求出发，S使用了多款异构系统进行项目管理，天然形成了项目管理数据割裂。
1.2 指标口径不统一，数据处理结果滞后，项目管理成本高
目前S对研发项目的管理主要基于手工数据展开，逐级汇报。随之而来有以下特点：
· 自下而上逐层加工，环节多、链路长、耗时久，高管层拿到数据就有更严重的时间滞后，不利于敏捷反应决策。
· 各项目未建立统一的数据指标体系，不同项目产出的汇报数据（口径）有不同的项目风格，常常需要花费较多时间解释数据、拉齐认知。
2 解决方案
如前文所述，本项目需要同时应对多源异构数据整合、项目/主体间数据安全隔离的问题，并在治理的基础上建立统一的数据指标体系，进一步构建数据分析模型，辅助业务洞察。具体环节包括：
2.1 一体化数据治理，搭建数据平台，拉通研发域数据
· 产品基础：基于数据云平台DataSimba，完成研发域数据的“采集→存储→计算→管理→应用”全流程管理，并按部门/研发项目等划分数据平台的项目空间，满足数据隔离需要；数据安全组件DataBlack进一步加持数据全链路的安全扫描和管控。
· 治理标准：数据生产不是短期任务，而要从组织、制度等层面持续提供保障。奇点云协助客户S逐步建立并完善了数据治理体系，沉淀下符合S组织管理生态的“数据治理指引”、“数据标准”、“数据开发规范”等数据治理规范文档，为持续的数据生产和运营打好基础。
2.2 构建芯片研发指标体系，提供全流程数据支持
奇点云与客户S项目团队在调研基础上，从“研发周期”和“研发效率”两个维度，构建了芯片研发域全流程指标体系。
注：该项目中，“研发效率”维度指各环节的工作达成率，例如从需求提交到需求受理的成功率、需求通过筛选率、研发成功率等等。为简化表达，本文以“效率”代称。
S企业研发域指标体系
上述指标体系对各项目通用，能以统一的数据口径分析不同项目情况。同时，管理者可基于相关指标数据，探索研发的一般性周期规律，为效能改善、成本管理等提供客观依据。
2.3 构建效能分析模型，辅助数据洞察
在前述指标体系的基础上，本次实践选择了部分典型场景构建分析模型。基于实时产出的数据和可视化看板，帮助管理者快速洞察关键问题。
表：典型分析场景示意
3 项目价值
3.1 制定数据标准，统一管理标尺
基于本次实践，数据指标存在二义性、各项目口径不统一等问题得到解决，管理层能用统一标准度量项目的执行情况，为实现研发项目的精益化管理打好可靠的数据基础。
3.2 数据实时同步，减少手工依赖
本次实践改变了以往的手工统计模式，数据定期自动产出（最快按需达到实时），让统计结果数据与运营业务系统数据保持同步，解决了数据产出严重滞后的问题，释放出了原本的手工劳动力；同时，依托DataSimba固化数据加工逻辑，解决了人工干扰带来的数据质量不稳定问题。
也就是说，各环节的数据使用/运营者能更快地拿到更准确的数据用于洞察分析，在数据获取和处理上的工作量也大大减少。
3.3 数据洞察覆盖研发全流程，用数据辅助精益管理
平台上线后，不同用户可以按权限获取相关数据指标和分析结果。
例如，项目负责人可以通过PC端/移动端的看板小程序，随时查看从需求提交到研发成果验收的全流程，和基线对比各环节进度，找到可能导致项目中止的主要矛盾并及时化解；
高管可以分主题（研发成本、研发质量、风险管控等）横向对比、纵向深挖各项目，从而总结出研发周期规律，为后续同类项目的研发资源计划、市场风控预案等提供科学的数据指导和充足的响应时间。
图：研发实现周期速览（示意）
研发对于高科技企业而言，总是重中之重。当研发逐渐形成规模、业务愈发复杂时，数据的力量就愈发显著。S企业表示：“数字化无法带来革命性的技术创新，但有利于我们更科学、更高效地管理研发过程，来满足越来越多元的业务需求，并把研发整体沉淀为我们自己的竞争力。”
