数据治理:数据战略从制定到落实的8个要素

数据小世界    发布于:2021-10-25 浏览 358

数据分析、挖掘、可视化的工具有助于提升数据处理、数据分析、数据展现的效率和效果,充分挖掘数据中蕴含的价值。

数据是企业的一项重要资产,这一观点已经成为了大多数公司的共识。但现实中,很多企业并没有将这项资产充分利用起来,用它来取得商业上的成功。

原因很多,很复杂!

但据笔者的观察,之所以出现这个情况,主要的原因无外乎两个:一是无数据可用,二是无可用数据。

一方面,“数”到用时方恨少。在一些传统企业,IT一直被认为是支撑性职能,从来没有将数据作为一个重要生产要素去看待。在以往的信息化建设过程中,都是“以流程为驱动,以线上化、自动化为目标”,数据思维和数据意识淡薄,没有将精力放在数据的收集、整理和处理上,导致“无数据可用”。

另一方面,事因经过始知难。每个企业都希望将数据用起来,用它来驱动企业的决策和管理,实现数字化转型。但是,数据分散在各个信息孤岛中,缺乏统一的数据标准,彼此之间无法很好地通信,数据质量低下,不一致、不完整、不准确、不及时等问题常见,导致了“Garbage in, Garbage out”,有数据却无可用的数据,你说气人不?

“无数据可用”和“无可用数据”这两个问题是可以解决的,数据驱动的数字化转型也是可以实现的,它始于数据战略!

— 01 —

数据战略是什么?

这不是我们第一次聊数据战略或数字化战略了。

事实上,在本公众号(谈数据)的往期文章中,至少已经有两期文章专门讲过数据战略这个事情,我们回顾一下:

其一,在《数据治理的成功要素1:数据战略管理》一文中,笔者曾提到:“数据战略是企业为实现某些业务目标而做出的数据规划和部署,主要包括四个方面内容:数据战略目标、数据战略范围和内容、数据战略实施策略、以及数据战略的实施路径和计划”。今天我们要讲的数据战略的8个要素,事实上也是包含在这四方面内容之中。

其二,在《企业数字化转型:数字化战略!》一文中,笔者指出“数字化战略就是‘战略性’的使用数据和IT来支撑企业业务战略目标的实现”。大家对数据和IT都有着深刻的理解,但是对于“战略性”使用,可能理解不够清晰,或者没有形成一致的理解。

第一篇文章笔者将数据战略定义为一个“名词”,而在第二篇的文章中“战略性”使用,这显然是一个“动词”。那么,这两个定义矛盾吗?在战略管理理论体系中,有个非常著名的工具——“PDCA”,这两个定义恰好反映了“PDCA”的两个重要环节“Plan”和“Do”。一个完整的数据战略,既要规划好“Plan”,也要落实好“Do”。

今天我们要讲的数据战略的8个要素,本质就是“战略性地使用数据”。这8个要素分别是:数据战略,数据采集,数据治理,技术架构,数据文化,组织与流程,行动路线图,数据应用。

— 02 —

数据战略,对齐业务战略

在笔者的以往的文章中,曾多次提到“对齐业务目标”的概念:数据治理目标与对齐业务目标,数字化转型要对齐业务目标,数据战略也要对齐业务目标。

那什么是业务目标,为什么要对齐业务目标?

经济学中经常讲企业经营的目标是追求最大化的利润,长期追求的是企业价值最大化。其实,简单的理解就是“降本、增效、提质”!

对大多数企业而言,数据战略一定要首先对齐“降本、增效、提质”的业务目标,如果你的数据战略在这一方面都不能发挥价值,很难相信它能在商业创新中“浴火重生”

数据战略从来不是孤立的存在,而是来源于企业的业务需求,数据必须满足特定的业务需求,以实现业务目标并产生实际的业务价值。数据战略目标的制定切不可定一些“可望不可即”高远目标,而是要基于业务战略目标定义出可执行、可实现、可衡量、能见效的业务目标。

— 03 —

采集数据,确保有数据可用

在分析了业务需求,定义了业务目标之后,我们需要转到下一个话题:是否有数据可用。构建一个业务需求与所需数据的列表/矩阵,明确实现业务目标所需数据。

示例:数据需求与数据来源矩阵

图片

这个时候你需要考虑如下问题:企业内部有哪些数据,这些数据在何处,该如何收集?还需要哪些外部数据,该如何收集?

对于企业内部已有数据,由于很多企业都存在“部门墙”,数据被隔绝在业务部门的“私有系统”中。还有一种情况更麻烦一些,有些数据没有系统支撑而是在存放在业务部门的个人电脑中。而这些数据,如果能得到有效管理和共享就有可能发挥出巨大的价值。因此,在企业内部数据采集过程中,难的往往不是技术,而是跨部门的协作和协调。

对于企业内部没有,需要到外部采集的数据,常见的采集方式有三种:1、网络采集(通过网络爬虫或数据埋点进行采集);2、直接购买(通过正规渠道进行购买),3、对等交换(通过数据交换的方式进行采集,这种方式在外部数据采集用的比较少)。

— 04 —

治理数据,确保有可用数据

数据采集到一起了,但是数据质量高不高,能不能支持数据共享使用和数据分析,又是另外一个问题。

这就引出的了数据治理。

数据治理是通过改善数据质量,确保“有可用数据”,让合适的人可以访问合适的数据,最终实现企业级数据共享,为数据分析、挖掘提供基础。

在本号的历史文章中,关于数据治理已经写过了很多内容了。有兴趣可以在历史文章中查看,或者《数据治理,从方法到实践,看这一篇就够了!

如果你还是不清楚数据治理要从哪里开始,有一个最佳实践:制定好‘业务术语表’或开发好‘数据字典’。

业务术语表是国外数据治理常见的一个实践,包含在元数据管理中,常常是元数据管理的起点。数据字典是对基础数据项的标准化,正式定义了可用数据的度量和维度,在国内经常将其放在数据标准管理领域。实际上,业务术语表和数据字典并无本质区别,都是对人员、客户、产品、基础代码等数据的标准化定义。

 

— 05 —

技术架构,不为新概念所扰

数据战略关注的另一个问题是通过什么样的技术架构来落地业务目标。

构建一个可伸缩、可扩展、灵活且强大的数据技术体系是一个很复杂的问题,我的一个建议是:不要被炒作和所谓新技术所困扰,将精力聚焦到业务需求上来

在这个新技术层出不穷,新概念真假难辨的年代,每个企业都需要一双“火眼金睛”,去鉴别哪些技术是你切实需要的,哪些技术代表了未来的趋势,而哪些技术就只是概念上的忽悠!

数据技术架构的选型需要考虑的问题:

  • 需要处理的数据类型都有哪些?

  • 业务对数据处理的实时性要求?

  • 企业内缺少的数据该如何获取,网络采集还是从第三方市场中购买?

  • 如何提供用户对数据的访问?

  • 数据架构与其他基础技术架构的集成关系?

  • 公司是否具备支持本地数据仓库或其他本地化数据架构方案的技能,或者选基于云的解决方案更有意义?

同时,数据架构的选型与大多数设计一样,你对未来需求的考虑越多,该解决方案对业务的实际支持就越多、变更的风险就越小。

— 06 —

数据文化,滋养数据战略的土壤

企业数据战略能够成功落地的保障是具有滋养它的土壤,而这片土壤我们称之为“数据文化”!

数字化时代,随着人们掌握的信息越来越平,人们将越来越多的尊重事实和数据,学会利用事实和数据来思考问题、解决问题,这一过程就是建立数据思维、形成数据文化的过程。

所谓数据文化,就是企业中形成“用数据思考、用数据说话、用数据管理、用数据决策”的文化氛围。数字化文化是以数据为驱动,促进科学决策、团队协作的企业文化,是现代管理科学与数字化实践的产物。

企业需要将数据文化理念转化为具有可操作性的管理制度,通过制度对员工的行为加以约束,实现数据文化从“人治”到“法治”的转变。真正将数据文化“内化于心、外化于行、固化于制”!

— 07 —

组织与流程,战略落地的保障

 

正如笔者一贯的观点,要成为数据驱动型企业,不仅需要技术,还需要着眼于组织的建设、人才的培养以及数据创建、管理和应用的流程。

数据战略的实施对人员的能力提出了更高要求。基于此,有必要对用户的技能进行摸底,了解他们的优势和不足,找到需要重点支持或培训的地方,亦或是需要从外部进行相关领域的高端人才。

同时,还应该建立相关的激励制度,让IT部门与业务部门协同工作,使IT与业务的工作目标保持一致,并鼓励员工在工作中使用数据,“用数据说话、用数据管理、用数据决策”。

示例:数据技能培训计划

建立数据创建、采集、处理、分析、应用、共享的流程,实现对数据的全生命周期管理,明确数据的流向,明确每个流程节点数据的输入、输出和约束。另外,数据源于业务,有些数据问题也来自业务,业务流程设置不合理,业务表单用户体验不佳都会导致数据质量问题。也因此,数据治理治的不仅是数据,还有不合理的业务流程。

— 08 —

行动路线图,将规划付诸于行动

 

数据战略目标的达成不是一蹴而就的,需要制定一个“以终为始,螺旋迭代”的数据治理路线图,循序渐进的推进。

首先,需要对数据战略目标进行拆解,定义将有助于弥合当前状态与未来状态之间的差距的每个业务活动。然后,根据需求的紧迫程度,对业务的影响程度,数据的共享程度,实施的难以程度,以及预期的价值等多个维度分析进行综合分析的结果,识别应优先考虑最容易实施且又能为企业带来快速成功的活动。基于此,制定出数据战略实施的行动计划。

制定行动路线图除了明确要明确任务活动的计划表之外,还必要明确以下内容:

  • 现有的资源和人员技能是否满足,是否需要引入外部资源或帮助。

  • 公司的资金预算在数据战略的投入是否合理,以及如何获取更多的资金支持。

  • 资源风险,沟通风险、进度风险、质量风险的预估和应对策略。

  • 干系人管理和沟通计划。

示例:数据治理路线图

— 09 —

数据分析,将数据转化为洞察力

数据是对事实的记录,其价值并不大,要发挥数据的价值,就需要将其转化为信息或者知识。从古代的“结绳记事”,到现在的“智能仪表盘”,在数据到信息再到知识的转化过程中,数据分析和可视化是关键。数据分析和可视化不仅让数据看起来很不错,更重要的是,使数据更易于理解和解释。

Gartner给出了数据分析的四个层次:1、描述性分析——发生了什么;2、诊断性分析——为什么会发生;3、预测性分析——可能会发生什么;4、处方性分析——该做些什么。这是一个从数据中得到“后见之明”,到从数据中获取“洞察力”,再到给出“远见”的过程,不同层次的分析所需的技术、算法、方法、工具会有所侧重或不同。

 

数据分析、挖掘、可视化的工具有助于提升数据处理、数据分析、数据展现的效率和效果,充分挖掘数据中蕴含的价值。

本文内容转载自“谈数据”(ID:learning-bigdata),作者石秀峰。

收藏此文章 点赞此文章

评论 (0)

暂无用户回复

评论此篇文章

登录后可回复
/1000