大数据时代的企业安全管理

大数据、分析与深入透析洞察

正如何改变着我们

分析、判断和管理安全隐患的方式方法？

——英国前首相Winston Churchill

平均每一分钟，Facebook® 上有350GB的数据输入，Twitter要处理27.8万多条讯息，邮箱里会收到2.04亿份邮件，Google® 上要执行200万次搜索，沃尔玛超市也会完成多达1.7万次交易1。我们的数据分析处理方式越来越多，日新月异。企业正不断打破传统数据管理与分析方法的局限性，从而以一种全新的方式获得深入透彻的洞察。

想象我们正处于一个数据驱动的安全管理的世界。快速地瞥一眼你的电脑，通过上面的动态信息控制面板，你便能清楚地了解你的绩效、追踪公开调研进度的能力，以及当前实时存在的安全问题；点击按钮，你便能将过去一周的统计数据与多个独立数据库进行比较，以明确潜在危害可能的存在之处。对这些数据作进一步分析后，你还能获得全新的洞察，如某个特定位置出现一系列危害、基于维修日志的早期工艺安全隐患迹象或最近一次培训对于降低工伤率的效用等。

接下来，想象一下你处于这样一个世界：你能得到真实且有预见性的分析结果，并因此预测到未来，从而在工伤事故发生前及时做好预防。想象一下，你能根据运营现状（天气状况，每位员工到岗、培训和工作时的状态，每台工作设备的工龄及运行状态），即时了解工伤事故发生的概率；想象一下，通过对现有数据的收集和分析，我们不仅能预测当日工伤事故发生的概率大小，还能明确风险将出现的确切位置、涉及的相关人员以及具体的发生形式；再想象一下，当你注意到一个热点时，员工便会在工作现场签到时标示出指示性的要素，并将其与天气条件、工作状况以及通过观察、调查和数据库得到的趋势因素相结合，以展示出需重点关注的领域。

尽管未来看似遥远，其实时间稍纵即逝。那些有远见的企业，愿意花时间和精力且有决心进行这类数据分析的企业能够迎来他们运营的繁荣未来。

当前，大多数企业都在进行数据收集与分析，从而为各自的管理流程和程序提供支持。六西格玛（Six Sigma）是一套用于分析和改善运营状况的工具，自1962年问世以来已得到了广泛应用。事实上，自1971年5月3初步标准公布以来，美国职业安全与健康管理局（OSHA）就一直在追踪和统计安全资料。但即便如此，真正的安全洞察却极少使用这些数据。大多数企业都使用一套共享型的标准数据资料，他们通常会将整个安全管理系统简化为一小部分概括性的数据资料。

整体可记录工伤事故率、严重工伤事故率、上一次记录工伤事故距现在的时长等数据资料都具有重要的价值，它们提供一个可用于比较不同企业和行业的标准度量。但是，这还远远不够。美国职业安全与健康管理局在他们的官方网站上提供了一些洞察，但大多数的企业都只是针对这些数据进行了简单的分析。

我们并不是在强调这些企业没有进行更透彻深入的分析。许多国家和不同行业都创建并实施了多种多样的数据分析模型。然而，信息量依然很大，要获取真正有效的洞察仍十分困难，这使得许多企业犹豫不决是否要踏入这一阶段，尽管数据分析是大趋势，拥有光明的前景。

其实，我们没有必要直接使用高级的数据统计技术。为了实现大数据分析的效益最大化，我们应按照复杂程度由低到高的三个不同层级进行数据分析。

审查/汇报层级提供从过去到现在的基本数据。这是数据分析最基本的层级，为我们的衡量奠定基础。一般来说，每日信息控制面板属于这一层级。除了基本的汇报结果之外，审查/汇报层级的数据分析还可能要追踪当前完成合规性培训员工的人数，以及公开逾期维护项目的数量等。

尽管这一层级的数据分析无法提供太多的洞察，但它提供了有价值且易于理解的单源事实数据，供企业参考，这是任何基于数据的安全工作的基础。

不幸的是，大部分企业的数据分析也就到此为止了。

然而，洞察层级通过为管理层提供相关信息，作为其决策依据，可创造数据分析的附加价值。有时，洞察分析只是依据事故调查结果进行的一系列根本原因分析，或许就是强调最主要风险的事故报告。

我们能从复杂性较高的洞察中获取诸多信息——如维护和可靠性与人为因素哪个的挑战性更大，以及特定培训方案是否能有效降低工伤率等。

此外，在洞察层级，我们可通过分析外部资源或来源信息获得新的信息。实施调查、提供工作现场签到状态或仅用于了解企业的动态，都可获得重要洞察。

特别策划的企业文化调查便是一种具体的有效获取洞察的方式。通过确定员工对企业安全领导力、流程和结构的认知，企业可获得对当前重点关注领域、未来工作优先顺序以及安全领域改进举措的深入了解。

数据分析的最高层级便是预测。在该层级，我们通过先进的数据分析技术创建模型，为企业的运营提供有效指导，其中包含针对那些能够重点关注或预测工伤事故可能发生的时间或位置的分析。

自学模型能随机应变并随数据一同更新。因此，统计学家和计量经济学家通常需要有效开发此类模型。尽管开发工作需要资金投入，但在工伤事故发生前识别并预防的效果和重要性远胜于在事后对其进行补救。

最后，如果无法对企业运营产生效益，一切的数据分析都毫无意义。历史表明，数据分析带来的效益是相当可观的。那些成功降低工伤事故率的企业已经能够看到数百万美元数据分析投资背后所能带来的巨大效益。事实上，杜邦协助多家企业所作的数据分析均表明，一家企业的文化成熟度与总体可记录事故发生率是密不可分的。这类分析告诉我们，对于一家企业来说，有效的安全改进是能创造切实的财务价值的。

数据分析的价值不仅限于财务上。数据、分析和洞察均有助于提升企业安全文化的整体成熟度，增强企业持续盈利的能力。

数据分析已成为一种管理手段，可实现持续的关注、警戒和指导，从而确保做出明智的改进决策，获得相关支持。

显然，我们可以获得如下结论：依据数据分析结果加强相应领域的投入和工作力度，有助于获得最高的投资回报率，实现最大程度的安全绩效改进。

开始进行衡量和数据收集

没有实际衡量过的东西是无法管理的。同样，没有数据，是无法建立任何模型的。因此，我们应从已知信息出发，同时采用适当格式储存所获信息，以便进行其他有价值的分析。

跳出固有思维模式

高水平的数据分析通常都旨在解决特定的难题。因此，不要局限于所提出的问题或所希望得到的答案。大多数的创新灵感都萌发于跳出固有思维模式思考后。

从汇报到洞察

试着用不同的方法总结你所得到的数据，以回答之前提出的问题。具体来看，你可将数据输入可视化工具中并创建一个热图，或进行一次简单的线性回归分析，抑或是创建有助于获得洞察的频率图。总之，就是将收集的数据作进一步的分析，而不是简单地汇总。

承诺采取行动

分析仅仅是为了提供实际行动参考信息。光有分析而没有实际行动，是无法最终实现数据分析的价值的。因此，对于你所做的任何事情，最重要的一点都是采取行动。