|
随着企业信息化程度的不断提高，各类应用系统同时并存、支撑着企业的业务应用。然而因各业务系统是结合当前业务现状在不同时间和不同厂家分别开发的，导致各系统间的技术实现方式、功能模块组成均有一定差异，同时数据与应用的互联互通非常困难，大量数据因不完整、不一致、分散、准确度差等难以发挥其真正作用，因此数据治理迫在眉睫。
据Experian发布的“2018年全球数据管理研究”报告，企业数据治理面临诸多困难，如跨组织的一致性问题、合理的投资、治理哪些数据、选择哪些工具……如何能消除业界不同观点带来的困扰，保障企业与数据治理相关的项目有效实施？美云智数“十步走”数据治理策略，是多行业企业实践总结的法宝，愿与大家分享。
➤ Step1：摸清现状，明确目标
国内企业数据管理总体处于初级阶段，大都面临数据不完整、数据分散且不一致、数据质量不高、数据共享成本高、数据经济效益不明显等通病。可以通过对决策层、管理层、执行层的调研，结合企业自身的数据战略规划、经营发展目标、业务痛点，摸清企业数据管理的现状，从而明确数据治理的目标。
➤ Step2：梳理数据，现状分析
结合企业数据管理环境，从组织、制度、工具、标准四个关键要素入手，可借用实地调研、数据质量评议表、关键数据识别方法论等工具，输出企业数据治理现状分析。
➤ Step3：数据管理能力成熟度评估
可借助DCMM、CMMI DMM等数据管理能力成熟度模型，输出数据治理评估结果、数据治理策略和初步的行动方案。
➤ Step4：数据质量根因分析
借助鱼骨图等工具，分析找到产生数据质量问题的根本原因，如管理、技术、业务等问题，利用二八法则制定行之有效的数据治理方案。
➤ Step5：数据治理实施优先级评估
通过四象限法则、KANO模型等工具，开展数据治理对业务影响的评估，从而确定企业数据治理的核心领域及数据治理体系建设，明确数据治理实施的优先级策略。
➤ Step6：数据治理行动路线与计划
企业的数据治理是个长期持续的过程，不能一蹴而就。可通过路线图等工具，明确数据治理的阶段分期及各阶段性目标。
➤ Step7：数据治理实施方案
制定包括数据治理核心领域（含数据架构、数据服务、主数据管理、元数据管理、数据指标管理、数据质量管理、数据安全管理、数据生命周期管理）、数据治理支撑体系（含组织、制度、流程、工具等）、项目实施管理方案在内的详细方案，指导企业数据治理各项工作。
➤ Step8：数据治理实施过程管控
通过PP（项目计划）、PMC（项目控制）、RSKM（项目风险管理）等工具，对数据治理项目范围、进度、质量、成本进行有效管控。
➤ Step9：数据治理实施效果评价
通过数据质量评价模型等工具，对数据完整性、一致性、及时性、准确性进行多维度评价，使跨业务、跨部门、跨系统的数据治理体系建设与实施能有效协同、顺利进行。
➤ Step10：数据治理持续改善
通过主数据管理平台等技术手段验证数据质量，规范与管控数据操作员行为，保障数据质量；另外通过大数据行为分析、检测、探知、处理已生成的数据，进一步优化数据质量。
通过以上“十步走”策略，可以实现企业数据治理战略、组织与制度、标准发布、质量监测、评价与持续改善全过程的管理，从而实现长期有效的保障数据质量，为企业数字化转型、全面深入的开展数据分析奠定基础。
|
