谈谈数据资产管理晓知识

一 概述

数据是组织的一种战略性商业资产，也是组织拥有的最有价值的资源之一。但它的价值取决于质量、相关性和范围。将数据转化为高价值商品需要数字化转型。事实上，随着公司自身数据管理水平的成熟，数据带来的好处也在增加。这也需要以数据为中心的愿景、创造价值的态度、管理团队和资源的承诺，以及明确的数据所有权、角色和责任。

为了带来真正的收益，不同的业务和职能部门可以通过多种方式利用数据资产来创造新的收入或进行变革，例如：

• 新产品和服务
• 新的商业模式
• 基于事实的决策
• 数据货币化机会
• 卓越的运营和流程
• 客户体验。

1.关键成功因素

要成为一家数据驱动的公司并将数据转化为价值，必须拥有全公司的愿景。引领数字化转型的关键成功因素包括：

• 人员、文化和能力

特别关注变革的管理：灌输正确的思维方式，强调新的机会并建立新的所需能力。

• 将数据作为战略业务资产进行管理

确保所有权、治理、数据质量、解决方案和工具、数据使用和交付、数据安全和风险以及文化。

• 数据能力模型

设计用于管理数据需求、开发和运营模型的端到端流程。

• 跨业务数据管理功能

通过以专业且经济高效的方式组织数据服务，包括设计、开发和运营，帮助业务管理和增加数据价值。

• 关注关键业务数据

根据数据对业务的重要性确定数据管理的优先级。

2.数据驱动的核心要素

数据驱动型公司的要素包括：

• 数据战略和价值场景：这些公司了解支持企业战略所需的数据，例如如何提供这些数据，以及如何创造价值。
• 数据驱动的业务执行：他们根据数据作为依据做出决策。
• 人员和组织：他们建立和组织数据团队，并为他们的团队配备成功所需的能力。
• 分析执行：他们开发洞察力、模型和报告。
• 数据资产管理：他们定义数据架构并提高数据质量和运营以获得更大的业务价值。
• 数据治理：他们建立指导小组、决策流程并确保控制，以指导和治理数据的业务价值。作为其中的一部分，他们定义了明确的角色、职责和治理机构，以确保数据得到妥善管理并遵循流程和政策。
• 数据平台和运营：他们以确保业务连续性的方式设计信息流和系统。

二 数据资产模型

企业战略设定了公司的雄心壮志，并为成为数据驱动型公司所需的转型战略提供信息。

但是，只有在得到良好治理、管理和可用的情况下，数据才对企业有价值。数据资产管理模型定义了以下视角：

• 数据使用和交付
• 数据质量
• 安全与风险
• 所有权
• 治理和角色
• 文化
• 解决方案和工具。

这些不同的视角可以用钻石的七个面来说明。当钻石的所有面都处于最佳状态时，企业可以实现最大收益。

三 数据分析

数据分析基于分析来自不同来源的数据，提供有价值的商业信息。典型的数据源多种多样，包括业务应用程序、数据仓库、公开可用的数据源和来自传感器的操作数据。

传统的商业智能主要处理描述性分析。使用历史数据，它提供后见之明并解释发生了什么以及为什么。

数据科学解决预测性和规范性分析。它根据数据中的模式揭示对未来的洞察力和远见，例如可能发生的事情以及应根据情报采取哪些决策和行动。

通过同时测试两种备选方案（称为A/B测试）可以获得对客户行为的洞察。数据是通过对一组客户的实验收集的，并与不同的服务或产品相关联。例如，互联网商店可以将一组客户转移到新版本的店面，并将他们的行为和行为与使用默认店面的人进行比较。

因此，数据和基于传感器的物联网数据的实时可用性可以支持优化运营流程、服务和资产的决策。

四 数据整合

业务流程跨越不同的业务解决方案和数据源。因此，数据流，数据如何从系统的一个部分移动到另一个部分，以及数据集成，来自不同来源的数据如何组合，是业务技术管理的重要组成部分。数据流在组织内部或外部的多个系统之间实现数据自动化方面发挥着重要作用。但是如果没有集成，数据就会处于孤岛状态，只能满足有限人群或职能的需求，并且会限制新的观点，尤其是从报告和分析的角度来看。因此，优先考虑这一点很重要。

以下是系统集成的集中模式：

• 手动集成是作为一个人工作的一个组成部分或作为他们的主要任务完成的。许多组织有许多这种性质的小批量集成，人们从一个地方获取数据并将其移动到另一个地方或系统。而大批量手动集成通常是自动化的，或者通常由低成本劳动力完成。
• 软件机器人自动化（或机器人过程自动化，RPA）是由模拟人类的软件机器人完成的手动集成。软件机器人可以代替大量的手工工作，而无需对业务解决方案进行任何更改。这延长了传统解决方案的生命周期和成本效益。
• 点对点集成是具有定义的协议和数据结构的两个业务解决方案之间的集成。实施多个点对点集成可能成本高昂且难以维护，但可以实现高性能。
• 中心辐式集成建立了一个中央数据中心，提供对整合的共享数据的访问。使用此集线器的所有应用程序都将收到一致的数据。这种方法通常用于主数据管理。
• 企业集成传统上涵盖企业服务总线(ESB)和提取/转换/加载(ETL)功能，并使用管理数据结构和多重集成的集成平台实现。数据流和结构的变化易于管理，并且可以监控数据转换的任何可能问题。
• 应用程序编程接口(API)集成通过以受控方式从一个系统或进程到另一个系统或进程进行交互和获取数据，从而实现更全面的进程集成。API允许其他系统安全地使用数据，而不会危及源系统中数据的完整性。

集成的复杂性差异很大，并且经常被低估，因为集成通常包含其他方面，而不仅仅是技术集成。例如，安全性、访问权限和错误处理要求可能会导致额外的集成工作。此外，所有相关系统必须以一致的方式理解数据及其含义。

五 数据能力模型

数据能力模型是关于公司如何利用数据创造商业价值的基于行动的说明。它具有业务技术标准操作模型原则，并突出了规划、构建和运行数据产品和数据服务所需的能力。然后将确定的能力用作定义需要在整个组织中到位的角色的基础。

数据能力模型遵循计划-构建-运行的架构，并与业务技术管理的其他方面保持一致。下图中的深灰色元素以数据为中心，与其他元素齐头并进。在许多情况下，同一个人和治理机构同时对业务、技术和数据做出决策，因此是业务价值创造的重要组成部分。

六 数据角色

在建立数据所有权和治理时，定义和分配数据角色很重要。有11个关键数据角色，分布在组织的业务、数据和技术方面。

数据主管——负责业务部门中数据相关的发展路线图。数据主管在其业务领域提名数据所有者。

数据所有者——负责规划数据用例和结果。数据所有者确保数据质量。

数据管理者——了解数据内容和质量标准并实施流程变更。

数据用户——通过使用数据和创建新数据来影响数据资产价值。数据用户确保数据质量遵循定义的规则。

BTDO/首席数据官——领导集中数据功能。BTDO/首席数据官领导数据相关服务并为数据资产设定结构。

数据域负责人——促进关于开发计划的讨论并定义整个数据域的数据质量。数据域负责人支持跨业务线的数据资产开发。

数据架构师——定义数据设计：整个组织的数据收集、数据存储和数据流。

数据专家——实现数据管理、数据清理或其他数据服务。数据科学家是数据专家之一，负责分析可用作业务运营和管理洞察力的趋势和模式。

服务经理——负责为业务用户定义、构建和管理数据服务。

关键用户——是高级用户，帮助其他用户以智能方式使用数据解决方案。关键用户代表用户组发起开发或更改请求。

服务代理——在服务台或作为技术服务专家为最终用户提供服务。

七 数据治理

数据治理提供数据管理指导和控制。企业愿景和战略为数据战略提供方向。数据战略设定了管理数据资产的目标，并介绍了如何管理数据的指导原则。数据治理的组织设置提供了包括论坛、会议、指导、控制和升级路径的决策结构。明确的角色和所有权定义了问责制和责任。政策规定了要遵循的流程，建立标准并实现控制。

由首席数据官领导的数据职能部门通过以专业且具有成本效益的方式组织数据设计、开发、控制、治理和运营，帮助企业管理和增加数据的价值。

集中管理的数据功能可确保协调的工作方式、数据一致性和所需的专业能力。根据组织的结构和文化，分散或联邦模型也可能是合适的。