企业数据分析部门组织架构形式探讨

数据时代的到来使企业越来越意识到数据的价值,企业纷纷建立自己的数据分析团队.花重金招揽的数据人才怎么融入到本企业组织中才能发挥他们的才能呢？本文试图分析数据分析部门组织架构形式的优劣及影响.

从数据分析部门与传统IT部门的关系来看,分析部门有两种形式：设立独立的分析部门或设在IT部门下，由一个CIO管辖。

从数据分析人员是否集中来看也分两种情况：数据分析人员集中在大数据中心或者数据分析人员分散在各个业务部门。或者混合情况：两者都有数据分析人员，但职能分工不同。

下面具体分析三种典型组合情况：

第一种形式为传统式，

如下图：大数据中心设立在IT部门下，数据分析师集中在大数据中心。

这是一种大信息中心的形式。这种形式的特点是大数据中心与IT合并在一起，贴近数据源，业务部门向大数据中心提需求，大数据中心根据需求统一排期开发、分析。这时一般传统的报表、临时需求分析等也可能会与业务系统分开，由大数据中心管理。大数据中心对接各业务系统数据源在部门内部即可解决。各业务部门只需要跟大信息中心一次提需求即可。业务部门没有自己的分析挖掘团队，但一般会有传统的报告分析。

这种形式大多由传统BI部门演变而来。传统的经营分析中心或商业智能部演变为大数据中心，在数据仓库基础上增建大数据平台，增加大数据及数据挖掘人才，在原来的报表的基础上建设更深入的数据分析应用。

优点：数据中心与IT在一个部门，离数据近，数据整合便利，保障数据质量高。集中的需求管理也使内部沟通有效，避免重复开发，也可以使分析师内部总结提高。

缺点：离业务较远，尤其是分析团队与业务部门的工作地点不同时，容易与业务部门沟通不畅，闭门造车。如果业务变化快，无法跟上业务的步伐，对数据的思考不够深入，与业务部门沟通成本加大。

针对分析师集中后离业务较远的弊端有一种方法为：分析师仍然集中在大数据中心，但分析资源的使用、请求在各个业务部门，企业各业务部门自己根据项目需求请求所需的分析师。这种情况下分析师需要同时向本部门和业务部门汇报工作。

第二种形式为集中式。

这种形式与第一种的主要区别在于大数据中心是否独立。

这种形式的特点是公司所有与数据相关的平台建设、数据应用、数据分析挖掘都归属到一个部门，此部门是数据管理的唯一出口，业务部门不设立自己的分析团队，IT部门也不负责相应平台开发维护。

优点：部门职责明确单一。指标由一个部门计算，口径统一，且与业务部门独立，所以立场独立，分析结果更中立。

缺点：同时具有第一种形式的缺点，并且离业务部门及业务系统都较远，无论是数据理解还是业务理解都可能不够深入，同时如果大数据平台开发维护能力不强，会有技术困难难以推进。

第三种形式为混合式

此图与之前的主要区别在于业务部门是否有分析师。这里不再分析大数据中心是否独立的问题。主要分析大数据中心下分析师与业务部门分析师的职能及定位。

大数据中心分析团队职责主要集中在整个企业级的数据产品、数据应用、数据分析。服务的对象也主要是公司级的部门和领导。他们技术能力和业务能力更强，能利用最新技术解决业务问题，同时必要时对业务部门分析团队给予指导。

而各业务部门自己的分析团队主要服务于自己部门内部，技术能力不等，以前主要根据报表做统计或分析报告，但他们本身在业务部门对业务理解深入，主要是利用数据解决业务问题。有些强势部门可直连仓库自己写SQL提数，定制开发简易报表，技术强的业务部门甚至要求建设自己的数据集市，搭建自己的挖掘团队。

这种形式下的主要缺点是两者职责有时划分不清，造成部门利益为重、争抢项目、职责推诿、重复开发、口径不一致等问题。各业务部门的分析团队之间交流不畅，技能提升有限。有一种变通的方法为打破各部门利益障碍，建立横向的虚拟分析团队，加强虚拟团队内部沟通交流，甚至团队内部成员作为共享资源可根据项目周期流动。

通过以上分析可以发现为发挥分析优势，是在集中分析部门便于内部交流与靠近业务便于理解业务的矛盾的平衡。

每个形式都有各自的优点与缺点，没有对错之分。没有最好的只有最合适的，每个企业都要根据自己的实际情况进行调整。

来源：诸子李毅