马上注册,结交更多数据大咖,获取更多知识干货,轻松玩转大数据
您需要 登录 才可以下载或查看,没有帐号?立即注册
x
【编者按】数据治理领域的成熟方法论有很多,随着国内信息化的发展,如何把这些方法论应用到实际场景中去,解决业务场景中出现的实际数据问题,成为业界普遍关注的课题。本文作者陈燕琦结合实际工作经历,针对数据治理方法论的适用场景、应用步骤以及应用建设效果进行讲解,用具体案例解读数据治理方法论的实践之路。
2017年下半年,国际DAMA组织发布了数据管理知识体系DMBOK2.0,和很多数据从业人员一样,我个人也在期盼着这些相对前沿的理论成果能够为解决实际数据问题来带来一些新的思路。关于DMBOK2.0的框架内容,请参见《御数金秋 干货共享(上)——御数坊数据治理实战沙龙》。 我个人对方法论的态度是: 无论前沿的还是经典的,有用的就是好的。 何为有用? 能落地,能见效 何为落地见效? 解决组织领导和业务人员最关心的数据问题 满足组织领导和业务人员最迫切的数据需求 关键是,如何落地见效?
具体到一个企业来说,企业的数据管理者面临着如此繁多的数据问题,开始寻找各种办法,这也就是前几年数据治理在国内各行业所呈现出的以系统建设、工具上线为主的建设模式,但是几年时间过去了,几乎所有进行系统建设的组织并没有达到预期的效果。我曾经在几个月前的文章中《不要让数据治理沦为一场工具的shopping show》对这种模式进行了相关分析。 在如今这样一个数据即资产的环境下,随着业务的发展,信息化建设到了一定阶段,在数据资产变现的过程中,势必面临各种各样的数据问题。关于这些问题可以参见本人在前几个月发布的文章《10年前的数据问题,为什么在“大数据”的今天依然存在》。 数据从业人员更多面临的窘境是:数据治理相关方法论众多,数据问题在工作场景中持续存在,建设了系统仍然不能使情况有所好转。面对自身数据环境,如何采取有效的方式,将方法论实际落地,指导解决摆在眼前的数据问题,已经成为数据管理者们最关注的课题。
对于数据治理这样一个行业认知逐渐提升的领域来说,真正做到能够为组织解决数据问题,提升数据管理能力,将数据的资产最大化的发挥出来,创造更大的业务价值,才是开展工作的最终目的。对行业中一些实际案例进行解读,或许能找到我们想要的答案。 案例一:国内某大型商业银行 全行处在战略转型期,对全行数据决策支持提出更高要求,而基础数据作为业务指标、数据应用分析的基础,需要采取有效的方式,集中资源进行专项整治,以提升适用性,进而对业务决策进行支撑。 数据治理工作开展步骤: 1、参考数据质量十步法,DQAF质量框架,劣质数据成本类型分类框架等方法论,对数据问题收集、现象归类、影响评估、归因分析、信息价值链分析等工作步骤和相关模型进行本地化定制; 2、开展针对数据相关数据使用人员的调研访谈,进行原始信息收集; 3、从收集的信息中梳理出数据关键数据项热点问题,并识别数据相关需求; 4、根据问题产生原因判断解决成本,结合问题影响程度评分,综合进行问题解决优先级排序; 5、针对问题清单制定具体举措,并开展专项治理工作进行业务和技术落地,解决存量数据问题,指导规范增量数据操作合规; 6、工作过程中,针对暴露出数据治理能力方面的短板,规划后续数据管理发展方向,并明确线下流程,同步固化系统支撑需求。 通过问题收集、分析、归类以及解决优先级排序等工作,有效减少了业务场景中频繁出现的数据质量问题现象,形成了常态化的问题库维护分析流程,业务场景中的数据问题得到了有效控制,问题的解决过程中各方权责得到明确,并结合业务发展,明确未来数据管理支撑系统的具体建设内容,实现IT落地。
案例二:国内大型电力集团公司 经过多年信息化建设,对数据治理有了阶段性的成果。随着大数据平台建设的开展,对企业总部及各分支机构自身的数据管理能力提出了更高的要求,需要针对目前企业整体数据管理能力进行评估和定位,明确优势和短板,从而进一步明确数据管理能力后续建设发展方向,以保障大数据平台的建设应用效果。 数据管理能力成熟度模型定制及评估工作开展如下: 1、参考DCMM,结合企业自身数据治理发展情况,定制适用于企业的个性化数据管理能力成熟度评估模型; 2、开展调研访谈,进行数据管理信息收集; 3、对收集的信息进行分析汇总,依据模型进行成熟度评估; 4、量化评分,对当前数据管理能力各维度建设成熟度进行定位; 5、结合业务发展,制定数据管理提升方向,规划数据建设方案; 通过评估,暴露组织数据管理过程中存在的实际问题,发现数据管理能力的短板和优势。结合其他组织的最佳实践经验,形成针对性的建设思路,为后续数据管理工作的开展明确方向。结合业务战略,制定了未来三年的数据管理能力建设内容和方向,并将整套评估机制进行工具化承载,分阶段检验数据管理能力建设情况。
案例三:国内大型电信运营商 该运营商目前开展的数据治理工作集中在数据分析侧,对于生产端的源业务系统关注不足。而源系统基础数据的质量问题,是影响分析侧数据应用,以及大数据平台建设效用的重要因素。当前数据分析平台及持续建设的大数据平台都暴露出数据质量问题多发的情况,直接导致数据分析结果不可信,不能有效体现平台建设效果。 针对大数据平台建设过程中出现的数据管理能力不足的表现,以重点解决生产端基础数据质量问题为目标,按步骤,有序开展专项治理,具体内容如下: 1、划分管理职能,确定数据认责 2、收集质量问题,提取数据需求 3、统一数据标准,澄清业务概念 4、定义质量规则,规范数据校验 5、明确业务流程,发布管理制度 6、整治存量数据,清查历史问题 7、优化信息系统,实现技术落地 针对大数据平台分析应用过程中,基础数据暴露出的业务定义不一致,输入格式不规范,系统取值不统一、质量规则不明确等问题,开展专项整治工作。并从数据能力建设内容、管理流程规章制度以及后续具体操作计划三个方面制定解决措施,固化为常态化的工作内容,为后续数据质量提升提供保障。
随着大数据产业的发展,数据治理方法论也会不断更新迭代,用好这些方法,使方法在实践中成为可操作的套路,真正实际地去解决数据问题,才是这些方法论的真正价值所在。 作者简介 陈燕琦,信息管理与信息系统学士,项目管理硕士。多年从事数据治理领域相关工作,先后参与并负责国内电信运营商行业、电力行业、政府行业、制造业以及商业银行等相关数据治理相关项目,对元数据管理、数据质量管理、数据标准等领域有着丰富的和行业积累和实践经验。 来源:御数坊
|