bifa必发集团

      每家企业都希望能把数据治理做好，但要对企业的数据治理进行成熟度评估，那么有很多企业的数据治理都是存在问题的
。如有些企业搭建了BI智能分析系统，深入了解后得知该系统实际上仅仅被用作简单呈现信息的报表工具
。该系统搭配了炫目的智慧大屏，实际上获取到的数据因统计口径不一致而无法准确反映业务实际，无法根据统计的图表去层层下钻、拨云见日以及探查异常指标出现的根本性原因，更别谈能持续性、系统性、自动化地改善数据质量，以及智能化地对经营分析的发展趋势进行预测
。

2、数据孤岛：不同部门、系统或组织之间建设了ERP系统、CRM系统、PLM（Product Lifecycle Management，产品生命周期管理）系统、DMS（Dealer Management System，经销商管理系统）等众多业务系统，这些业务系统之间的数据信息孤立，导致数据分析和应用困难、低效
。例如，由于存在数据孤岛，企业无法准确、及时地进行产销协同
。

3、数据质量：数据质量会影响数据的准确性、完整性和一致性等
。如果数据质量不高，则将影响数据分析和应用的可靠性与准确性
。例如，在医疗领域，医学图像的数据质量不高，可能会导致误诊和治疗错误
。

4、数据隐私和安全：在使用或处理不当的情况下，企业的数据可能会出现泄露、被窃取或滥用等问题，致使企业的声誉受损
。

5、数据管理与治理：来自多元异构系统的数据如果没有经过标准化过程，则会存在冗余、重复、丢失或不一致等诸多问题，严重影响数据应用的效率和准确性
。

      企业在不同的数字化发展阶段，进行数据治理的主要关注点会发生变化
。企业数据治理项目关注点大体上集中在质量、时效、消费、安全、成本等方面
。

● 质量：改善数据质量是企业进行数据治理的基础性要求，主要在于改进数据的稳定性、准确性、完备性、唯一性、一致性、有效性等
。

● 时效：数据产生的时效问题，影响了后续所有数据处理的及时性和数据价值
。比如，在营销返利的场景中，企业每天都会计算营收情况，产生各个交易方的返利数据
。如果数据产生不及时，则可能无法达到预期的激励效果
。

● 消费：数据要容易被查询，并且能够被理解
。另一个比较重要的方面是数据可复用，复用可以放大数据价值
。

● 安全：数据权限的管理、敏感数据的分级处理与应用应满足各种数据政策和法规的要求
。

● 成本：在数据的生产、处理及价值挖掘等环节相对完善之后，围绕数据体系的总体成本进行优化，将会是企业的重点考虑方向
。

1、 改善数据质量

      案例：某公司的客户信息存在多种问题，如姓名拼写错误、地址缺失、电话号码的格式不统一等
。这些问题如果不及时加以处理，就会导致数据不准确、重复和不完整
。

       分析：通常，引发数据质量问题的原因是多方面的，如下所述
。

● 原始数据本身不完整，执行操作不规范
。

● 数据提取技术不稳定，管理职责不明确
。

● 数据处理过程中出现错误，数据标准没有被执行
。

● 内部数据不统一，外部数据有缺失
。

2、优化数据时效

      案例：某零售企业面临市场竞争和消费者需求变化等挑战，需要及时获取并分析消费者行为数据以支持决策
。

      分析：该企业可以进行数据治理以提升数据的时效性，其中包括对数据源、格式和质量进行规范化及标准化，以减少数据获取和清理的时间与工作量
。此外，该企业还可以建立实时数据流管道和实时数据仓库等技术架构，以提高数据的及时性和准确性，支持快速的数据分析与决策
；使用更智能化的数据采集工具，缩短数据同步的时间，实现数据同步故障的自动化解决
。

3、提升数据消费

      数据只有被有效地使用才能产生业务价值
。从数据消费的场景出发，以终为始，增强数据的可用性，赋能业务，这是一种很常见的数据治理项目的开展方式
。

      在营销、研发、供应链、质量、财务等业务领域，企业可以利用数据挖掘分析来优化自身的决策能力，如图1-3所示
。

案例：某在线教育平台启动了客户体验改善计划，让教师和学生能够自主地查询与分析教学数据，以支持教学及学习决策
。

      分析：该教育平台可进行数据治理以实现数据的自助消费，其中包括建立自助式数据查询和分析工具
。

4、贯彻数据标准

      案例：某电商平台的商品分类存在多种问题
。比如，有的分类使用中文，有的分类使用英文
；有的分类命名方式不规范
；有的分类过于精细或过于宽泛等
。这些问题如果不加以处理，就会导致商品分类混乱、搜索结果不准确
。该公司为了解决分类命名不规范的问题，建立了统一的数据标准
。选择一种主要语言作为所有分类的基础，所有分类名称都遵循同一套明确的命名规则
。制定分类标准，保证每个类别既不过于细致也不过于泛化
。同时，该公司利用数据字典工具来维护分类标准，并开发自动化工具来检测和纠正不符合标准的分类
。

5、降低持有成本

       案例：某制造业公司面临经济下行和市场竞争压力，需要降低IT运维总体成本
。

      分析：该公司的数据治理包括优化数据存储和管理方式，完善数据的备份机制，使用更适合业务需求的存储技术和方法，减少数据存储和管理成本
。该公司可在IT基础架构中引入容器化、虚拟化技术，从而更好地共享硬件资源
；采用数据归档、压缩和删除等方式，减少数据存储和维护成本
。同时，该公司还可通过数据治理改善数据备份和恢复策略，在确保数据安全和可用性的前提下，降低数据持有总体成本
。

6、完善治理组织

      假如人人都对数据质量负责，反而会出现“三不管地带”
。因为人人负责实质等同于人人都不负责，真正出现问题后肯定会出现相互推诿、“甩锅”的情况
。

      数据治理体系的建设过程包括数据治理组织机构的资源、流程、权责的明确，即清晰地界定出来“谁有数据的拥有权，谁有数据的使用权，谁有数据的管理权”等
。出现数据问题如果不知道该找谁，必然导致许多质量问题得不到解决
。在数据治理项目的执行过程中，企业应建立良好的组织保障机制，推动项目的各项工作得到落实
。

      数据治理的重要性在于确保数据的质量、安全、一致性和可信度，为智能化的数据分析与决策提供基础性的高质量数据保障，支持数据消费场景深度和广度的拓展，确保企业数据的价值得到最大化体现，助力企业在竞争激烈的市场中立于不败之地
。同时，了解数据痛点问题及数据资产特征，有助于企业更好地了解和管理数据资产，从而降低数据相关风险、提高数据价值、增强竞争力，并在数据治理的实践中不断探索与创新，积极迎接数智化时代的挑战和机遇
。