最具影响力的数字化技术在线社区

168大数据

 找回密码
 立即注册

QQ登录

只需一步,快速开始

1 2 3 4 5
开启左侧

[实践案例] 不要让数据治理沦为一场工具的shopping show

[复制链接]
发表于 2019-9-30 18:25:08 | 显示全部楼层 |阅读模式

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】数据治理是企业进行数据资产活动的基石,离开数据治理,企业将被IT系统海量数据淹没,无法有效地管理数据,发挥数据价值。如果把数据治理比作一场全民战争,工具就是战争中的航空母舰。买航母容易,要利用起来并在战争中发挥作用,还需要配套的舰队、专业的人员、严密的流程、完善的管理、健全的保障机制以及战略战术作指导。
本文作者陈燕琦分析了目前国内数据治理工作的普遍特点,指出了以系统建设和购买工具为主要形式开展数据治理工作存在的问题,并进一步提出了有效开展数据治理工作的要点。以飨读者。

从数据治理的发展来看,国内的数据治理大概出现在10年前,主要集中在银行和电信运营商行业。一方面的原因是这两个行业的信息化程度相对较高,数据集中处理的需求出现的比较早,例如建设数据仓库、数据集市以满足数据分析的业务需求;另一方面外部的数据监管对这两个行业相对较严格,为了满足行业监管要求,数据治理工作逐渐得到了IT人员的重视。尤其是系统间进行横向数据集成和交互的时候,数据的问题就会暴露出来,而当时数据治理工作主要就是围绕这些IT层面的问题。


我们眼中的数据治理一般是这个样子的


国内早期数据治理建设过程呈现出几个共同点:

1、 由各企业IT部门牵头。一般是由企业的信息科技部门主导,业务部门的数据问题没有系统化的梳理和分析,数据治理的业务需求不清晰,对业务场景没有直接的支撑价值。

2、 单纯IT部门负责推动实施。组织结构、管理体系、线下流程没有建立,缺少考核机制,业务部门缺少配合动力,政策支持力度有限,总体建设效果不明显。

3、 建设形式以系统建设、工具购买为主。在数据模型管理、数据存储、数据加工、元数据治理、主数据治理、数据标准及数据质量管理等各个环节都进行基础性的工具购买,形成功能堆砌,但是工具的实际展现效果并不能达到预期。

4、 业务部门对数据治理工作的建设过程参与有限,对结果无感。工程结束后,建设的结果是遇到数据问题的业务部门仍然不断地将问题抛给IT部门,IT人员面对众多的系统工具,依然没有直接解决问题的手段。

一场数据治理的建设结束后,各方人员的反馈往往是这样的:

站在企业领导的视角来看所谓数据治理的投资收益究竟在哪?投资花出去了,工具买回来了或者系统建设完成了也成功上线了,但是与工程的预期效果相差甚远,数据问题没有得到明显的解决,战略规划和经营决策需要的支撑数据,依然需要耗费人力去长时间地准备……

站在业务部门的角度,IT部门的同事们不知道在忙些什么?报表数据依然要占用长时间去人工核查。财务部的财报指标和市场部的运营指标依然不在一个量级,部门之间针对数据不一致问题的横向沟通协调没有明显减少……

从IT部门的视角去看购买了大量的工具、产品,建设了数据管控系统,可是实际上企业内的用户寥寥。日常工作除了已上线系统的运维,新系统的开发之外,更多的时间是在解决问题。业务部门的报表数据核对,需要人工排查问题出在哪;系统接口已经很多,可是每次有新的数据交互时,还需要重新分析需求,再次开发;下游分析系统大量数据报错,不知道哪个上游系统的问题……


问题,究竟出在哪?


概括的说,以系统建设和购买工具为主要形式开展数据治理工作,与实际数据问题和业务需求脱节,往往导致目标用户的无感;而缺少必要配套保障措施,致使工程整体效果也达不到预期。
可以尝试在工程建设之初,先回答这样两个问题:
做数据治理,在现阶段,真的需要购买工具或者建设系统么?
即使数据治理系统功能上线了,我们真的就能用好么?
讲一个笔者身边一位友商朋友的亲身经历,也许能更好说明这个问题。
案例一:以建系统的方式开展
笔者的这位友商朋友曾加入某大型集团企业的数据治理团队,该团队由企业总部IT部门牵头。建设工作历时1年半,建设成果包括企业级数据标准的发布及工具化支撑、元数据治理、数据质量管理等功能的开发上线等。该项目正式上线后,系统应用情况主要的问题暴露出来。首先是系统上线几个月内,元数据获取的数据量十分有限,且库中已有元数据质量普遍不高,信息缺失十分严重,即使功能完备,但是得不到数据的支撑,效果基本无法发挥;其次,由于业务部门对数据治理的权责不清晰,所以对数据质量的规则定义、问题的解决流程都没有明确,数据质量管理功能也无法发挥;因此,导致的结果就是,除了IT部门之外,基本没有业务部门登录该系统。数据治理工作对实际的业务支撑极为有限,各业务部门的数据质量问题依然存在。

案例二:以搭建线下业务流程、完善管理机制的方式推行

同期,企业级的IT项目质量管理项目的推行确是另一番景象。同一个企业内部,同样是IT部门牵头,初期没有工具的支撑,最后的效果确得到了全集团公司的认可。

此项目开始时,并没有急于进行系统建设或者工具选型,而是由集团领导牵头,选取试点项目组,要求项目组全力配合进行IT项目管理基础信息收集。之后在前期工作基础之上,形成手工Excel填报模板,并固化填报流程、划分填报环节、确认角色权责、制定绩效考核标准、建立问题闭环处理机制。然后逐渐扩大试点范围,将此套体系进行推广,过程中逐渐完善相关机制,形成适用于企业内部的相对完善的线下流程,最终在全员已经形成了相对成熟的线下流程的基础上,进行系统需求的分析和系统建设。后续系统的功能基本符合预期,对企业IT项目质量管理起到了有力支撑。

对比以上两个案例,能看出:与其说系统功能不好用,不如说是没用好。

首先,数据治理工程的建设没有得到领导层面的重视和充分授权,由IT部门牵头,则默认数据治理这个涉及全员的工程由IT部门负责,业务部门也没有全程深入参与,形成“提问靠大家、解决靠IT”的现象,终难有成效。

其次,线下业务流程没有建立并常态运行,系统建设基本围绕功能展开,对各环节的使用者、数据的流转、问题的闭环并没有在工具中进行固化和试点,因此上线后不能为使用者提供相应的规范和指导。
第三,数据权责没有明确,横向上没有划分各个业务部门的数据治理权限,纵向上对数据在规划、定义、获取、加工、流转以及使用等环节也没有委任相应角色,数据在生命周期中基本处于失控状态,对系统功能的使用更是无从下手。
第四考核机制没有形成,缺乏对数据治理的评价标准,对企业内数据治理工作就缺乏约束力,系统功能形同虚设。

第五数据治理专职团队定位模糊,科技条线的数据治理团队得不到充分授权,各业务部门没有指定专职数据治理人员,造成企业中数据治理的责任缺位,“关键数据都想管,公共数据都不管”,最终数据治理的工作还是模糊的落到没有被明确且充分授权的IT部门,数据治理举步维艰。

第六配套保障措施不充分,没有建立相应的组织架构、管理制度、业务流程,导致工作推进处于无序状态,另外缺少常态化的宣贯方式,没有形成数据治理的全员意识。如果专业队伍和资金方面的保障不到位,即使有上线的数据治理系统,系统的使用和推行的难度可想而知。


怎么做,才能让数据治理扎实有效?


难道数据治理不用工具不建系统么?当然不是,不是不建设,而是不急于建设。
数据治理是一项常态化的系统工程,不可能一蹴而就。大到数据政策的制定、组织的变革、流程的设计、技术平台的搭建,小到元数据的管理、主数据的整合以及数据质量的日常核查,无不需要常态化的流程化的持续投入。
数据治理工作最终是要坚持业务价值导向,无论是购买工具还是建设系统,都是为了持续推动业务部门和IT部门有效的对数据资产进行管理,确保其准确可信、及时可获得,为业务运行和经营决策提供数据化的实施依据。
在系统建设之前,不妨先把以下问题回答清楚:
此次数据治理目标是什么?
范围涉及什么部门?
覆盖什么业务?
针对哪些数据?
包括哪些系统?
数据存在哪些问题?
具体影响哪些业务开展?
问题数据在哪个环节产生,生产者是谁?
加工者是谁?使用者是谁?
权威所有者是谁,数据标准是什么?
考核标准是什么?
质量规则有哪些?
相关各环节的涉及的部门,人员有哪些?
上述问题弄清楚之后,是否开始进行工具选型和系统建设,再定不迟。

数据治理,买工具易,用工具难。


随着大数据技术的成熟和发展, 数据治理已经成为大数据掘金时代的基础性工作,各行业都已认识到提升数据治理水平、扩大数据治理实施范围的重要性。

大数据环境下数据来源各式各样,其中除了企业内部的数据,更多的数据来自于第三方机构;因此大数据治理中的数据处理链条会变得更长,更复杂。而大数据平台搭建和应用需要两大基础,一是数据是可理解的;二是数据质量是可保障的。如果没有这两大基础,平台做的再好,其作用也是有限的,这也就对大数据环境下数据治理提出了更高的要求。

如果把数据治理比作一场全民战争,工具就像是战争中的航空母舰。买航母容易,要把航母用起来,在战争中发挥出作用,需要配套的舰队、专业的人员、严密的流程、完善的管理、健全的保障以及使用的战略战术作指导。否则,工具,真的只是工具而已。

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

楼主热帖
您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

关闭

站长推荐上一条 /1 下一条

关于我们|小黑屋|Archiver|168大数据 ( 京ICP备14035423号|申请友情链接

GMT+8, 2024-3-29 01:16

Powered by BI168大数据社区

© 2012-2014 168大数据

快速回复 返回顶部 返回列表