社区编辑申请
注册/登录
紧跟业务发展速度的数据治理是什么样的 译文 精选
大数据
依照这三个步骤开展和推进数据治理可以为企业转型提供充足的动力。

译者 | 仇凯

审校 | 梁策 孙淑娟

如今企业要获取数据,物联网(Internet of things,IoT)设备、可穿戴设备、软件即服务(Software as a Service,SaaS)应用程序和社交媒体都是来源。对这些数据的组合和深入分析可以为企业提供新的洞察力,并助力企业发现潜在商机。通过将这些能力在企业内扩展和制度化,企业可以更快获取商业决策支撑,同时极大降低试错成本。

在将孤立的信息转换为适用企业的洞察力过程中,数据治理并非一时之功,而是要找对方向,坚持不懈。理想状态下,数据治理应当随着公司战略的发展而调整和扩展,并容纳不断增长的数据。更重要的是,要提供通用的命名规则和信任基础,从而降低跨业务部门和职能部门的沟通成本。

如果数据是种能源,时效是商业的货币,那么数据治理就是融合两者的纽带。它由系统、政策和流程组成有机整体,实施数据治理的企业可以确保团队在正确的时间处理正确的数据,以增强并自动化相关流程、产品和体验。在当今竞争激烈的环境中,这个想法令人激动也充满价值。当然,要实现这个目标需要投入大量的时间和精力。在本文中,我们列出了一个三步走的流程,让数据治理计划开展紧跟业务步伐。

第一步: 夯实基础架构

在很多企业中,数据治理通常仅限于合规、隐私和安全层面。毫无疑问,这些都是关键领域,但如果扩大数据治理范围并拓展监督人员多样性,那么更高效的决策和运营自会带来更多商业价值。所有数据治理计划都应当包含四个主要组成部分:数据治理指导委员会、数据所有者、数据统筹员和数据管理团队。

首先,评估数据治理指导委员会。如果没有,就组建一个。这个委员会包含来自所有业务部门和职能部门的领导;如果有,但缺乏跨部门协作的职能,那就增加这个职能。每个业务部门和职能部门都应当在委员会中有一名代表。根据委员会的规模和范围不同,这名代表可以是一个高级管理人员,也可以是与核心业务数据和IT系统密切相关的人。

委员会需要有明确的目标,该目标应由业务需求和合规性共同驱动。阐明这些目标有助于委员会建立并推动有效的数据治理目标。比如某个代表大型医院管理其行政流程的医疗保健组织。指导委员会确定目标,然后推动审批流程自动化。为了实现这一目标,应在末端业务中推动数据定义通用化。

一旦建立了指导委员会并确定了其目标,就需要进行职责分工。每个业务部门和职能部门都应该有一个数据所有者,由他们编制和维护政策与流程,这些政策和流程将不断缓解各自领域中最棘手的数据质量问题。以医疗保健行业为例,每个业务部门对拒绝索赔的定义略有不同,这就阻碍了医疗机构对索赔审批流程的自动化改革。委员会意识到需要调和这些定义差异的需求后,就会协调拒绝索赔的通用定义,以实现数据聚合和自动审批。然后,委员会指派数据所有者采用这一通用定义,将各自业务部门或职能部门管理的数据进行整理,并与通用定义保持一致。

接下来,需要分配数据统筹员。数据统筹员的职能是为数据所有者提供服务,以推动政策执行并指导特定领域的变更管理以及报告数据质量问题。例如,在一家B2B软件公司,协同营销部门的数据统筹员可能会负责主导并推动在CRM工具中使用与方位有关的通用命名(例如,东、南、西、北)来对领导人员进行分类。数据统筹员可以对使用这个工具的销售代表进行培训,跟进其使用情况,并提出政策改进建议。

最后,建立数据管理团队是非常必要的。该团队通常由IT技术人员组成,是数据治理计划的顶梁柱。它将制定并监控政策和流程,为此需要执行审计以确保相关政策和流程遵循隐私政策和安全制度。同时,它还将评估数据的准确性、相关性和完整性,并推动数据生命周期(从数据的生成存储到过期和销毁)战略。

第二步: 强化生态以快速精准的引入新数据

一旦建立数据治理机构,并定义其初始制度,就要开始强化整个架构,让数据治理成为数据处理中枢,这将有助于预测问题和把握机会,同时使快速应对业务环境的改变和新数据源的引入成为可能。

数据治理能力是识别、分类、整合新增和不断变化的数据源,这些数据源可能在企业中发生里程碑事件时改变或新增,例如合并或部署新技术。它通过定义和应用一组可重复的政策、流程和支持工具来实现数据源管理,可以将这些应用流程视为节点控制,新数据必须通过一系列的检查点以确保其质量。

我们最先要做的事情是,确定需要做什么才能够平顺的引入新数据。以一个B2B软件客户为例,该客户收购了一家公司来互补自身业务。当其试图整合被收购公司的客户数据时,数据治理团队发现每个机构都使用自身独有的层级结构来管理实体客户,这些层级结构看起来不一样却汇总到同一个上级机构。指导委员会决定被收购的公司应当使用收购公司的实体客户层级结构,以遵从华尔街的关键指标要求。为了实现这一目标,该客户必须采取以下措施:

  • 数据建模和设计:将被收购公司的客户层级结构映射到现有层级结构,并更新相应的数据模型(例如实体关系图)和关联工具。
  • 数据字典:根据历史关联信息更新数据字典和主数据管理工具,以分析并决定如何将来自被收购公司的客户数据映射到现有的客户层级结构中。
  • 数据合规和权限管理:评估现有的合规态势是否适用于新的客户数据,并决定是否部署额外的权限控制或安全制度。
  • 数据质量设计和应用:在关键应用中采取控制措施,以避免销售团队创建重复记录或录入未定义数据而非所搜现有记录。
  • 沟通和变更管理:数据统筹员将变更传达给受影响的用户,并负责后续变更涉及的人员、流程和技术。

管理新数据的引入是具有挑战性的,但是一定要拒绝一次性解决方案带来的“效率”诱惑,因为这样的方案是以牺牲长期发展和降低复用性为代价的。在流程上投入精力,并运用它创建相应的环境,为数据资产的超额回报奠定基础。上述步骤应视为指数曲线的开始,充分的分析和应用虽然可能导致短期收益的“损失”,但却可以带来巨大的、可扩展的长期收益。

第三步: 将数据管理实践制度化以确保数据质量的持续性

最后一步是编制数据管理工具并将其实践,以保持现有数据的质量并为业务发展目标提供支撑。一流的数据管理计划通常有明确的流程、节奏和工具,这些将支持以下工作的开展:

  • 主数据管理:建立为所有关键业务数据(例如,客户、产品)创建单一主要数据参考来源的系统和流程,以减少业务流程中的错误和冗余。
  • 数据质量审计和监控:部署自动化工具和流程,协助识别不符合既定业务或合规制度的数据,这些数据大多数不符合预定的数据质量要求。
  • 数据质量报告:制定数据质量指标或KPI(Key Performance Indicator,关键绩效指标)、定期审查其进度并制定改进计划。
  • 数据存储规范:制定从产生到销毁整个数据生命周期的存储规范,包含不同类型数据的存储方式和存储位置的实践,同时也要考虑到特定的数据隐私和合规要求。
  • 数据管理:在关键业务部门和职能部门之间分配资源,以服务于数据质量政策的实践,并管理将新数据引入环境而引起的相关变化。

对这些实践进行编制,可以在数据准确性、完整性、一致性、及时性、有效性和唯一性等方面提升数据质量。高质量数据可能是客户满意与否的关键点。对于医疗保健客户来说,在控制和监控技术上进行投资有助于确保动态和静态信息的数据质量,让组织能够为客户提供实时信息,并使得线上和线下的用户体验保持一致。

一个不错的数据治理计划可以提升各个业务部门和职能部门的效率,而一个卓越的数据治理计划则可以利用数据来推动企业范围的业务转型。所以,不要止步于“不错”,而要奔跑向“卓越”,这将让你的业务发展更迅速、表现更灵活,回报更丰厚。

译者介绍

仇凯,51CTO社区编辑,目前就职于北京宅急送快运股份有限公司,职位为信息安全工程师。主要负责公司信息安全规划和建设(等保,ISO27001),日常主要工作内容为安全方案制定和落地、内部安全审计和风险评估以及管理。

原文标题:Data governance at the speed of business,作者:Michael Bertha(本文与Metis Strategy 的助理Duke Dyksterhouse合作撰写)

责任编辑:华轩 来源: 51CTO
相关推荐

2014-11-04 14:48:09

普元

2021-07-19 10:06:30

2022-07-26 15:38:58

数据仓数据治理数据团队

2022-07-25 15:10:31

数据治理管理IT

2022-06-17 10:07:04

数据治理

2022-05-13 11:24:09

数据美团

2022-03-24 15:06:22

数字化转型数据治理企业数据

2022-04-25 14:55:31

数据管理数据驱动架构

2022-03-28 20:21:27

数据治理数字化

2022-03-23 15:36:13

数字化转型数据治理企业

2021-11-24 22:52:09

2022-02-10 11:54:34

2021-09-30 16:28:34

2021-10-11 15:23:06

2021-09-06 15:39:00

2018-05-18 08:20:32

数据治理应用

2017-01-05 18:35:57

2020-02-18 12:17:55

数据治理大数据平台

2020-10-10 17:34:11

大数据IT技术

2013-01-09 14:29:09

数据治理Informatica

同话题下的热门内容

大数据分析技术和方法有哪些?如何构建准实时数仓?大数据如何成为元宇宙的基石节日消费数据不“杀熟”?大数据带你一起“解”七夕!五个方法,破解数据分析的核心难题中原银行实时风控体系建设实践聊聊数据分析的价值是什么?大数据的过去正在颠覆人们的未来

编辑推荐

使用Pandas&NumPy进行数据清洗的6大常用方法2018年7款最佳免费数据分析工具pyspark访问hive数据实战【漫谈数据仓库】 如何优雅地设计数据分层人工智能、大数据与深度学习之间的关系和差异
我收藏的内容
点赞
收藏

AISummit人工智能大会