请上传宽度大于 1200px,高度大于 164px 的封面图片
    调整图片尺寸与位置
    滚轮可以放大缩小图片尺寸,按住图片拖动可调整位置,多余的会自动被裁剪掉
取消
研究猿(uid:9)
学无止境,精益求精 职业资格认证:尚未取得认证
谈谈如何构建基于业务价值驱动的数据治理运营模式
作者:晓晓,来源:数据驱动智能 全文共6018字,建议阅读16分钟   01 概述   成功的组织有各种各样的规模。这些公司的共同特点是,在优化业务流程执行的同时,通过最大化客户服务来挖掘其全部潜力。他们认识到客户服务和业务流程依赖于“适合目的”的数据。他们就像今天越来越多的公司一样,从高质量的数据投资中获益。相比之下,不适当关注数据质量的组织最终会导致发票延迟、回款缓慢、销售和营销效率低下、报告和决策信心下降。这反过来将影响客户服务和客户的信任。 基于这种现状能做什么呢?从测量数据的糟糕程度开始——执行数据质量审计。将结果指标与业务影响联系起来。例如,由于低质量的数据导致了多少成本。计算可以使用高质量数据生成的业务价值。迅速采取行动,集中注意最关键的业务问题,并在接下来的三个月内有所改善。在早期成功的基础上,改变公司文化,做到“第一次就做好”。维持这种推动力,定义依赖高质量数据执行的关键业务规则。 通过数据的质量来衡量核心流程的效率。在每个业务单元、应用程序环境和企业业务流程中分配数据所有权。让数据所有者、认责人负起责任。这样合适的人就已经在组织中了——没有重大的额外员工成本。与IT部门合作,享受结果。这才是真正的数据治理。数据治理不是一个“有就好”的计划,而是一个真正的增值和风险管理计划。只有那些在业务策略中嵌入有效数据策略的组织,才能将数据转化为真正的竞争优势,交付短期和长期价值,并确保业务成功和可持续性。   02 挑战   随着组织的持续发展和通过收购,数据的数量快速增加。越来越多的数据竖井正在部门和业务单元中创建。随着进入市场的新渠道打开,必须与防火墙外的新合作伙伴共享数据。云计算是最近企业数据进入第三方拥有或控制的系统的一个例子。   数据碎片化导致数据质量下降,因为数据标准更难执行。随着流程的集成,部门竖井也被合并,数据质量问题往往会第一次暴露出来。这些数据质量问题会导致项目和业务流程失败、缺乏新应用程序的采用以及对企业数据失去信心。业务现代化项目通常侧重于流程标准化,以获得高效、可重复、可测量的流程的好处。企业资源计划(ERP)技术满足了流程标准化的要求,现已成为业务流程管理的中心。然而,ERP系统并不能阻止低质量的数据进入系统,也不能衡量其对业务流程效率的影响。   今天,大多数组织都在使用由相同的咨询公司配置的相同的ERP系统(SAP或Oracle)。因此,任何组织的独特性和竞争优势的范围都是由人和数据定义的。主数据管理(MDM)可能是长期解决方案的一部分;但是,MDM不会带来短期价值。挑战在于时间悖论,企业的优先级是运营和解决关键业务问题,以提供即时价值,而MDM项目则是关注于提供长期价值的战略计划。   我们如何将远近目标和价值结合起来?只有以效益为重点,非侵入性和渐进式的方法,并考虑短期和长期的业务目标,才会被企业接受和执行。本文的目标是提出一个可执行的框架,实现有效和可持续的数据治理策略,交付即时的业务价值,并支持长期可持续的流程改进。   03 构建步骤 1、克服传统意识的障碍   需要高质量的数据来捕获企业的全部潜力,并交付ERP系统、客户关系管理(CRM)和商业智能(BI)计划、法规遵循和数据仓库解决方案的所有好处。相反,低质量的数据会导致交易、流程和项目失败,导致成本增加、额外风险、对企业数据的信心降低和潜在的业务损失。ERP系统通常被视为数据质量和数据治理的解决方案,因为它们在捕获和维护数据方面扮演着集中的角色。然而,ERP系统从未被设计用来管理数据质量。并不是所有的企业数据都存在于ERP系统中。事实上,数据质量的责任通常在于数据治理或数据管理团队,然而他们仅以顾问的身份行事,向IT报告,对预算和业务数据质量几乎没有权力或影响。任何大型组织,分配给ERP系统的预算和资源通常在应用软件的获取和实现上消耗殆尽。对整个企业的可持续数据质量过程关注较少。   虽然预算管理人员知道高质量的数据可以提高流程效率和信心,但他们往往不了解: 如何证明数据专员的成本或价值 专注于将数据作为资产进行管理的过程或角色 数据质量团队的业务影响和价值创造潜力。   因此,大多数组织都在努力构建数据质量计划,导致数据质量流程的实施和持续管理失败。反过来,这会导致对ERP系统的利用不足和缺乏信心。   2、采用数据卓越成熟度模型   数据卓越成熟度模型跟踪了一个组织从数据治理的早期阶段(这里描述为“混乱”)到数据被用作企业核心资产(这里描述为“预测性”)的最成熟阶段的进展。成熟度模型通常用于理解正确的项目和计划,以引入数据卓越框架的概念和方法。数据卓越成熟度模型的业务目的是根据从企业数据生成业务价值的能力对组织进行定位。   大型组织通过增量阶段所花费的时间与数据治理计划目标和业务目标之间经常观察到的不一致程度有关。数据卓越管理框架支持“远近”方法,从而在支持长期业务愿景的同时交付即时价值   3、制定卓越数据框架   卓越数据框架描述了在使用数据质量和业务规则改进业务流程的同时产生业务价值所需的方法、流程和角色。该框架支持创建注重卓越数据的新文化转变,激励更广泛的团队,并支持利益相关者之间的合作。该框架考虑到解决方案虽然简单,但在许多方面都很复杂。因此,将文化作为可持续解决方案的关键是至关重要的。卓越数据框架的一个关键区别在于,它专注于创造价值,而大多数与数据相关的计划只专注于降低成本。数据卓越框架基于四个价值支柱,我们认为这四个支柱对任何组织或企业在信息时代的生存都至关重要:敏捷、信任、智能和透明。这些特征是实现企业可持续发展和支持经济增长的基本价值支柱。今天,数据质量和数据治理比以往任何时候都是全球可持续性的关键。下描述了四个价值支柱。     信任、智能、可追溯、透明、社会责任和协作、报告和业务分析、敏捷、业务转型是价值支柱的核心要素。希望将数据视为企业资产的组织必须改变其文化,并改变数据的管理方式。数据不是由个人拥有的,而是由企业拥有,以支持组织的业务目标。组织需要定义和设置数据管理员角色,这些角色将负责企业业务规则和数据值。下图显示了如何将企业数据作为公司资产来培养,并说明了迈向卓越业务可持续性所需的心态和行为转变。     4、设置数据质量维度   通过定义数据质量维度的框架,如唯一性、完整性、准确性、非过时、及时性和一致性,可以测量和监控数据质量。数据质量可以通过识别和度量数据质量及其对该流程成功至关重要的核心业务规则的遵从性与业务流程联系起来。下表给出了六个数据质量维度的定义:   维度 定义 唯一性 唯一性维度是业务规则的集合,它允许在特定上下文中以确定的方式对实体、关系或事件实例进行标识,以执行特定的业务过程 完整性 完整性维度是业务规则的集合,用于验证在特定域和上下文中成功执行流程所需的数据是否存在于数据库中 准确定 准确性维度是一组业务规则,确保数据反映了一个上下文和一个特定专业领域的真实视图 非过时 非过时维度是一组业务规则,它们为在特定上下文中执行特定流程提供当前和最新的数据。 一致性 一致性维是一组业务规则,用于确保跨所有数据库和系统交付“首次正确”的数据值,以便在特定的上下文中执行特定的业务流程 及时性 及时性维是业务规则的集合,这些业务规则使首次正确交付数据成为可能,从而实现业务流程的完美执行和服务水平协议   总之,这六个数据质量维度可以更精确地查看用于执行业务流程或事务的数据的质量。 5、根据业务规则进行数据治理   数据卓越框架将业务规则定义为“为了正确地执行业务流程,数据应该遵守的一组规则”。对于每个数据对象(例如,客户、供应商、银行、材料、资产、位置等)和每个数据质量维度,都应该标识、记录和管理一组特定的业务规则。在定义与数据对象相关的任何业务规则期间,数据对象必须始终上下文化并链接到业务流程。采用一种实用的方法来处理数据质量,并专注于较小的关键业务规则集,而不是追求可能永远无法实现或需要的100%的数据质量,这一点很重要。为了最大化业务价值和避免延迟,需要以最佳的数据质量级别为目标。作为持续改进过程的一部分,支持数据质量的业务规则集随着时间的推移而增长。下图举例说明了业务规则如何链接到业务影响和业务价值。   范围:所有车辆(例如 100 万辆)规则:if then Stop»» else then Prepare to Stop»» else then Go, KPI Results:93.4% 的一致性,业务影响:6.6% 的犹豫不决(不符合规则)可能导致崩溃,即 66,000 个实例,业务价值:每次崩溃的成本为 15k。防止66000个实例可以节省9.9亿。   以下是一些其他常见的业务规则示例: 客户订单记录必须有未过时的产品代码(SKU) 客户记录必须有当前的信用评分,以便处理订单 客户记录必须有有效的出生日期,以便在有年龄要求的市场营销活动中包含该记录 电子邮件地址必须填写,包括在互联网营销活动 合同开始日期必须在出生日期之前,以确保合同开始日期的一致性 所有银行记录必须有ISO国家代码在SWIFT代码的第5和第6位,以验证SWIFT代码 货币代码必须与国家代码一致,以验证货币代码和国家代码的一致性   在应用框架时,需要为每个业务规则分配一个所有者,以确定负责确保规则正确和实施的个人。下图显示了一些附加的业务规则示例。为了评估和量化有形的业务价值或风险,每个业务规则必须与适当的业务事务联系起来。     6、测量数据质量关键值指标   关键值指标(KVIs)是卓越数据框架的关键交付物。KVI是成功执行业务规则的记录的百分比,加上违反业务规则的记录的列表。KVI是计算业务影响和产生的价值的基础。计算是以一种独特的方式进行的,在这种方式中,每条记录在违反任何业务规则时只能影响索引一次。这使KVI能够从数据质量的角度衡量组织的健康状况,类似于通过考虑组成整体的不同部分(如手臂、腿、头和躯干)来衡量身体健康状况,下面描述了支出分析业务规则KVI的例子。   KVIs度量数据内容的质量,以及与时间相关的数据交付和数据管理流程,从而实现业务流程和事务的执行。主要重点是监控正确数据内容的及时交付,并促进“第一就是正确的”。 7、实施可持续的数据卓越   如果没有跨企业的协同流程,就无法实现成功和可持续的数据治理。常用的实践和方法促进持续改进过程的执行。这些方法侧重于根本原因分析,以修复问题的根源并改进业务流程。重点应该是解决KVI强调的影响短期价值交付的问题,然后转向根本原因分析,以改进业务流程并实施数据污染预防流程。持续卓越数据流程旨在帮助企业加速方法转换,并通过五个不同的步骤实现数据和业务卓越。     8、构建卓越数据治理运营模式   成功接受和实施数据治理计划的指导原则是避免员工数量的大幅增加,并利用当前的工具和基础设施。这种方法应该是渐进的、非侵入性的,赋予注重优先事项的文化力量。对于一个将数据视为企业资产的组织来说,他们需要发展文化并改变数据的管理方式。数据不是由个人拥有的,而是由企业拥有,以支持组织的业务目标。组织需要定义数据管理员角色,这些角色负责业务规则和与之相关的数据。具体来说,数据专员是在每个组织级别和地理位置上被命名的个人,他们负责: 业务规则和KVIs 数据质量等级 数据修正   定义的角色如下: 数据管理专员:负责为企业制定一套业务规则的业务人员,这些规则推动数据优化过程。例如,数据管理员向财务总监报告,财务总监定义了与财务相关的业务规则。 数据所有者:对业务线负责的高权威业务人员,负责业务规则的应用和相关KVI目标,例如CFO。 数据认责人:业务或数据管理人员,负责每个业务规则的单个源数据记录,例如,负责定义采购部门的支出类别的人。   治理模型由数据卓越小组支持,并由数据卓越框架启用。数据卓越小组将负责促进组织内的数据卓越过程,指导管理人员,维护知识和管理人员网络。下图描述了数据治理模型。     角色分离敏捷性需要对外部和内部变化做出反应,并确保通过流程协调、收购、兼并剥离和重组来支持快速业务转型的迅速和成功的集成。 9、搭建卓越数据治理技术平台   重要的是要有一个技术平台的“大局”愿景,支持从混沌阶段到预测阶段的数据卓越之旅。请记住,应该增量地引入它的实现,以支持框架的执行和实现策略。每个组件的引入应该与数据卓越测试的总体路线图中的业务目标保持一致。因此,不要期望一个完整的平台一次就能实现,因为组织可能还没有准备好,而且很难证明投资是合理的。下图描述了一个全面的卓越数据业务技术平台愿景。   这四大支柱(敏捷、信任、智能和透明)支持了目前决策级高管正在资助的最常见的业务需求。敏捷性需要对外部和内部更改作出反应,并确保通过流程协调、收购、合并、剥离和重组来支持快速业务转换的快速和成功的集成。信任与数据的完整性相关联(例如。食品上的标签必须是正确的——否则就会失去对品牌的信任)。如果金融产品承诺的回报不正确,买家将不再信任这个品牌。基于来自报告系统和应用程序的即时质量数据,企业各级的智能导致了更好的执行力、运营效率和准确的财务整合。最后,透明度的好处只是最近才出现,因为它对组织的绩效至关重要,需要提高防火墙内外的可见性和协作。企业社会责任将通过在企业内部和与业务伙伴外部共享数据的能力实现。这将导致新的工作方式,并将导致降低使用数据的成本。     下图图显示了数据卓越平台的简化视图。随着时间的推移,一个全面的数据集成平台将成为一种需求——包括对数据的访问、清理、转换、加载和交付。数据清理必须能够批量和实时地执行。需要将与业务流程相关的数据加载到数据库中,并计算KVIs。核心构成包括业务规则存储库、卓越数据技术架构、数据数据转换、持续清理、加载、KVI 用户界面、 清洗、改造、装载和交付。   04 总结   卓越数据框架专注于从企业数据生成业务价值。以上方法是实用的,易于实现,这个框架的执行更快地交付了有形的商业价值,促进了不同职能部门和具有长期可持续商业卓越愿景的人之间的协作。这种方法将业务事务置于数据质量和数据治理的中心,而传统的数据治理模型则专注于控制主数据。数据治理是一种交付业务价值的方法——也是终极目的。 【END】   最后,感兴趣的公众号后台回复“资料”,我们整理了6个G数据平台、数据仓库、数据仓库、数据治理、企业数据化管理案例,供大家免费领取!
大数据治理:角色、框架和案例!
  作者:Kate Prohorchik,来源:谈数据 全文共4897字,建议阅读13分钟   随着数据量的不断增长和数据存储成本的逐渐降低,企业正在尝试使用大数据。不幸的是,业务人员并没有立即获得收益,而是意识到,尽管们已经拥有数据治理框架,但他们必须拥有一组可扩展的数据分析服务,以解决与多种数据格式的融合问题和数据安全性带来相关挑战。    出于这个原因,大数据治理需要一种不同的方法来确保“正确的人在正确的时间访问到正确的数据”,通过使用这些数据获得洞察力,驱动或指导业务决策。 01 大数据治理必答   企业的大数据治理应根据业务需求和行业标准量身定制,同时考虑大数据处理的基本特征和要求。例如,医疗保健和零售的数据治理都将涵盖个人信息,但针对每种情况的传输安全措施会有所不同。 1、大数据治理与数据治理:有什么区别?     实际上,应该没有任何区别——相同的原则应该适用于两者。   大数据治理在挑战和原则方面与传统数据治理非常相似。但是,前者必须考虑到一些特殊的大数据特征: 大数据量可达PB级以上 大数据可以是结构化的、半结构化的或非结构化的 大数据存储库跨越文件、NoSQL 数据库、数据湖和流 数据是从内部和外部来源提取的,包括连接的设备 数据实时处理   由于当今市场上的传统数据治理工具无法支持大数据处理需求,因此企业必须重新考虑其数据分析策略,并使现有技术成熟和发展以应对新的挑战。   2、谁负责数据治理?     大数据治理是跨越部门边界的,并对每个部门都有涉及或影响,不论是好的或坏的方式。它需要整个企业之间的协作以及明确定义的角色和数据所有权级别。当每个人都知道谁拥有数据相关的权力和责任时,就可以避免混乱和错误,让数据治理秩序化。 根据企业规模和目标,强大的大数据团队可能需要以下角色:   以下是各个角色的分工: 数据治理委员会:一般由企业的高级管理人员组成,负责数据战略创建或批准,负责项目优先级以及数据政策和标准授权。 首席数据官 (CDO):参与数据战略制定,监督数据框架实施,并将数据用作战略资产。他们创建数据标准、政策和实践,并发展企业数据文化。 大数据架构师:精通相关技术并了解它们之间的关系。他们负责设计能够解决任何数据相关问题的大数据处理解决方案。他们可以深入参与数据治理、自动化程序和数据安全性。 数据工程师:负责建立数据集成系统,以收集、清理和组织来自多个来源的数据,并将其传输到数据仓库。 数据科学家/数据分析师:负责分析大量结构化和非结构化数据,创建算法和预测模型,并提取与业务相关的趋势和见解。 数据所有者:一般是业务团队成员,他们使用数据并对团队内的数据资产的质量和安全性负责。  数据管理员:与数据所有者密切合作,并监督后者如何执行数据策略以及他们是否遵循数据政策和标准。他们还参与培训新的数据所有者。由于大数据经常被收集但由于缺乏专业人员而未被使用,目前对数据管理员和相关专业知识的需求明显更高。 IT 团队:负责技术实施和定制,开发用于大数据处理、审计、安全和维护的附加功能。   很明显,大数据技术能够取代上述一些角色,比如:架构师和数据科学家,或者一些角色可以合并和组合职责。但是,在技术实施过程中让所需的专业人员参与是很重要的。   3、什么是数据治理级别?     重要的是要了解并非所有数据都可以以相同的方式进行管理,尤其是在我们处理大数据时。治理可以分为三个层次: 1、严格管理的数据,已经过审查、标准化、组织和性能优化。 2、松散治理的数据,可以有两种类型。一种是数据科学家用来进行实验,近似以及搜索趋势和模式的数据。另一种是不需要准备或需要最少标准化的数据,例如:密钥的ID。  3、非治理数据,是最纯粹形式的原始数据,没有额外的键。此类数据可用于“读取模式”分析——数据以无组织和非结构化格式存储,并针对特定目的进行组织和处理。    监控所有治理级别的数据非常重要——数据不断变化,可能需要转移到另一个治理级别。 02  大数据治理必备   对于大数据来说,即使是积累和存储这样的常见过程也存在很多为挑战,更不用说分析和预测了。以下是一些让大数据治理有所作为的必备品。 1、大数据治理框架     大数据和严格的控制不能结合在一起。为了允许不同级别的治理,有必要开发一个框架,让公司中的每个人都在同一页面上。每个企业都可以拥有与业务目标和愿景相一致的独特数据治理框架,但要实现可持续治理,有必要考虑以下组件。   业务目标 为了确保收集和处理相关数据,每个人都朝着同一个方向前进,并且有衡量进展和成功的指标,有必要从上到下解释为什么大数据治理是必不可少的(可能通过使用数据讲故事)和基于这些目标制定大数据使命和愿景。   参与角色   大数据治理策略需要专业的团队来制定、管理、使用和保护数据。根据企业的组织结构,有必要确定您需要哪些内部角色——数据架构师、数据科学家、数据所有者、数据管理员或其他人。一旦分配了角色,就可以委派正确的数据共享和使用的权限和责任。     应提供沟通机会和无障碍访问数据,让员工感觉他们是一个团队,而不是孤立的利益相关者。建立持续的培训计划并将所有数据角色纳入相关的大数据治理培训也很重要。    另一个重点是在数据治理团队中激发数据文化。理想情况下,它应该是一种参与、可持续性以及数据质量和合规性的文化。    治理规则   大数据治理管理应与数据所有者和数据管理者一起制定一套规则和制度,如数据管理制度和数据标准,以规范数据采集、管理、使用和保护。大数据治理过程的所有参与者都应该了解数据使用(为确保这一点,定期进行数据审计)、合规法律和内部实践,知道如何在法律范围内行事,并正确合法地使用数据。   数据安全   最重要的是,企业决定实施大数据治理以确保数据安全。除了强大的企业网络安全控制机制外,与数据交互的员工还应了解敏感数据的安全处理策略,并在数据处理和更改过程中遵守既定规则。建立一定的访问控制和安全授权策略来规范谁可以查看和更改不同类型的数据。 2、可扩展的数据仓库架构     传统的企业数据仓库 (EDW) 是否已死?当然不是!   但是,要从大数据的业务影响中看到任何好处,需要一种新的架构,它结合了 EDW 环境和能够处理多结构化数据的创新技术。为此,引入了扩展数据仓库架构或 XDW。让我们回顾一下它的分层结构和功能组件:     数据存储层     数据存储层用于存储大量结构化和非结构化数据。它可以是本地存储在关系数据库、NoSQL 数据库、分布式文件系统中的原始数据,也可以是通过 AWS 或 Microsoft Azure 等服务存储在云中的原始数据。    该层还可以包括实时流数据——大量流处理的数据块,由多个源连续生成并通过服务器动态使用(与在处理之前首先存储和索引的数据相反)。它可以是应用内活动、社交媒体情绪、来自物联网设备的遥测等等。   数据采集整合层   该层用于将数据添加到数据层中。除了与精心设计的 ETL 流程的传统集成之外,这里还可以使用数据精炼。后者从物联网设备或社交媒体等来源批量和实时摄取原始结构化和非结构化数据,将其转换为有用的信息,并提供给其他 XDW 组件。    数据提炼用于确定大数据的价值。通过粗略的分析,可以了解哪些数据是有用的,并快速发现有趣的数据。该过程需要灵活的数据治理,因为生成的数据可能不需要集成和质量处理(但灵活性并不排除安全性和隐私性)。   数据处理层   这是传统 EDW 所在的位置,它获取所有数据,将其结构化为适合查询 SQL 和数据仓库 OLAP 服务器的格式,并将其推送到 BI 工具。对于金融或监管领域的关键分析,它仍然是干净、可靠和一致数据的最佳来源。它也是公司内各个部门使用的 KPI 和其他标准指标的数据来源。    调查技术,如 Hadoop 或 Spark,处理更多不寻常类型的数据和各种实验。他们探索大数据源并处理数据挖掘、模式分析甚至定制调查等分析方法。这些技术的使用场景从简单的实验沙箱到全面的分析平台不等。在任何情况下,它们都允许高速分析大量数据,并在 EDW、实时分析引擎或独立业务应用程序中使用这些数据。   数据分析和BI层   在这里,数据可视化和商业智能技术允许数据科学家和分析师探索数据、提出问题、构建可视化并与之交互等等。    另一个组件是支持流式分析和实时分析的应用程序开发的平台。其应用用例涵盖欺诈检测、流量优化、风险分析等。该平台与其他组件(如 EDW 或探查技术)紧密集成,可以自由地在它们之间传输数据。   所有这些组件都不能彼此孤立地发挥作用——所有这些组件都必须结合在一起,并辅以数据治理。     03  案例:某药企的大数据治理   介绍一个我们的大数据分析项目。我们与一家提供先进药物分析和技术的美国跨国公司合作。客户积累了 5 万多项专利的 5 亿多条患者记录,更不用说数 PB 的专有数据了。然而,他们的遗留系统限制了他们从不断增长的数据中获取更多价值的能力,因此他们联系我们,帮助他们创建商业智能项目计划、迁移到云端并提高数据管理能力。    首先,对 BI 平台进行重构   客户的数据分析平台包含一个工具集,用于基于多个结构化和非结构化数据源生成报告。该系统无法支持公司的需求和适应不断变化的市场,因此需要在 UI、数据处理和报告生成方面进行重大的重新设计和优化。我们在 ASP.NET MVC 框架上开发了一个新的 BI 平台,使用 Microsoft SQL Server 作为数据库引擎,我们提供了重新开发的功能、灵活性和可扩展性。它使 SQL 查询速度提高了 3-5 倍,并减少了 RAM 和 CPU 使用率。 第二,交付了一个数据管理和数据可视化平台   旧平台不支持多种数据源格式,并且具有过时的 ETL 配置,这会减慢数据处理速度。因此,数据处理可能需要数天时间,其中一些来源被排除在处理之外。此外,非技术用户无法参与 ETL 流程,需要一个用户友好的界面来与数据交互。   我们开发了一个数据管理应用程序并将其与多个数据库引擎(Oracle、Microsoft SQL)和 Apache Hadoop 集成,以实现大型数据集的分布式存储和处理。它使数据处理速度提高了 10 倍,并减少了内存和空间使用量。该应用程序也可供非技术用户使用,他们可以在几分钟内可视化数据并获取报告。该系统能够处理各种数据源、转换数据并准备不同的输出形式,无论是数据库还是文件。通过这种方式,用户能够将准备好的数据传送到其他目的地,例如云存储、FTP 服务器或其他团队。   第三,本地服务器迁移到云端   为了在用户数量不断增长的情况下保持较高的系统性能,我们启动了从本地服务器到云端的系统迁移。我们的 DevOps 专家审核了现有基础架构并准备了迁移路线图。我们设计了一个可扩展且安全的云基础设施并将其部署到 AWS。   结果,客户获得了一个具有私有和公共子网、定义的网络网关和微调的安全设置的虚拟私有云。   为了确保大量敏感数据的安全,我们使用了 Amazon S3。关键数据通过 AWS 工具进行备份。我们利用 Amazon RDS 创建和保存数据库实例的自动备份。为了增强安全性,我们使用 AWS 服务将密码和许可证代码存储为加密参数,并启用托管实例的安全配置和密码重置。 最后,从长远来看,我们取得了出色的成绩   我们的解决方案现在被许多领先的制药公司使用,使他们能够处理来自不同来源的多种格式的数据,并使用大数据治理工具高效、安全地管理他们的数据资产。   写在最后的话   大数据正在颠覆传统的数据管理。考虑到对大数据未来的预测,企业认为迫切需要寻求新方法和新技术解决方案,以帮助高效、安全地处理大量多格式数据。大数据治理是全新数据治理和使用方法的重要组成部分,通过量身定制的框架和基础设施以使其发挥作用,非常重要!   【END】   最后,感兴趣的公众号后台回复“资料”,我们整理了6个G数据平台、数据仓库、数据仓库、数据治理、企业数据化管理案例,供大家免费领取!      
万字长文!聊聊数据资产、数据管理和数字化转型
商业智能研究 专注于企业数据化应用、大数据BI技术和理论观点的研究,致力于让数据成为企业真正的生产力!帆软数据应用研究院旗下账号。 公众号 作者:数据驱动智能,来源:数据驱动智能 全文共10000字,建议阅读26分钟   前言   当前,数据要素和数字经济提出了数据在生产过程中发挥的重要作用。其中最热点的话题包括数据资产、数据价值、数据驱动和数字化转型。如果数据是一种资产,那么它应该为公司及其利益相关者创造价值。那么如何获从数据中获得得不同类型的价值以维持公司的竞争优势呢,而为了从数据中获取价值,公司应该成为“数据驱动的”组织,最终数据驱动支持了公司的数字化转型,从而使公司在实践中成为“数据驱动”。下面我们就四个话题展开讨论。 01 数据是一种资产   如果我们问数据管理专业人士:“数据是公司的资产吗?” 他们无疑会证实这一点。那么我们继续问:“您如何在日常运营中实现它?” 可能会使他们难以回答。即使是著名的数据管理知识指南 DAMA-DMBOK2 也表示:“数据被广泛认为是一种企业资产,尽管对将数据作为资产进行管理意味着什么的理解仍在不断发展。”   下面我们将分析资产管理的定义和核心活动和将这些活动转化为数据管理的概念,帮助大家理解数据可以像资产一样管理。 1、数据是资产   要了解为什么数据是资产,我们必须找出资产的定义。   根据权威说法:“资产是个人或组织拥有或控制的具有经济价值的资源,并期望它能提供未来的利益。” 商业词典的定义是:资产是“实体在产生收入时拥有、受益或使用的有价值的东西”。从这两个定义中,我们得出以下结论:作为公司资产的数据是一种具有经济价值的资源,应该能够带来收益。所以,结论是显而易见的。如果公司将数据视为资产,则数据应该能够带来价值和收益。下面我们来看资产管理的核心活动。 2、资产管理的核心活动 我们进行了初步研究,下面是对资产管理的核心活动的总结。     存货管理:在存货管理活动中包括以下问题,有哪些资产、他们在哪、他们在什么条件下、它们的价值是多少、它们的成本是多少。   资金管理:关键问题是一家公司是否有足够的资金来收购和维护资产。   生命周期管理:核心问题是公司维持其资产的能力。   关键程度和服务水平:关键程度确定了资产保持运转对公司的重要性,同时公司应该确定它希望为利益相关者和客户提供的服务水平。   此核心管理活动列表仅限于本文范围内演示用,在实际实践中,将包括更多的管理活动。下面我们将这些活动转化为数据管理的概念。   3、资产管理中的数据管理内容 如果弄清资产管理的核心活动与数据管理概念之间的联系,就要明确数据的定义和数据管理作为管理的主体。   首先,我们看术语“数据”和“信息”的定义。通过这样做,我想将数据与数据库、ETL 工具等数据存储库区分开来。数据是信号的物理或电子表示,“以适合人类或自动方式进行通信、解释或处理的方式”。信息是上下文中的数据,可以解释其含义和关系连接规则。   企业要想长期生存,就需要为客户持续提供商业价值。公司通过设计和实施业务价值链来做到这一点。数据管理支持业务价值链。数据管理的价值主张是提供用于决策的信息。为了提供所需的信息,应获取和处理相应的原始数据。为此,数据管理设计和探索数据和信息的价值链。         数据管理给出了以下问题的答案: 利益相关者需要哪些信息/数据,为什么?每组公司的利益相关者和客户都会有不同的信息需求。 谁做了什么?数据管理需要不同利益相关者的努力。有效的管理需要明确的责任分配。 信息和数据是什么意思?同一术语在整个公司中可能具有不同的含义。财务和销售部门可以完全不同地识别“客户”。 数据位于何处以及数据经历了哪些转换?这个问题的答案证明了数据管理的本质。 您的数据质量如何?内置于数据链中的数据质量要求和数据质量检查,确保交付所需质量的信息。   下面,我们可以看看如何进行数据和信息的盘点。   (1)存货 要回答有关数据的存货需要考虑五个问题,同时数据管理需要提供多种能力和工具.   利益相关者需要哪些信息和数据,为什么?为了识别数据和信息需求,数据建模能力使用“数据/信息”需求模板。 谁做了什么?数据治理能力通过识别数据管理流程和角色来协调与数据相关的活动。 信息和数据是什么意思?数据建模能力支持设计业务词汇表和数据字典。 数据位于何处以及数据经历了哪些转换?数据架构能力对数据目录和数据流进行建模。数据建模和 IT 功能维护元数据和业务规则存储库,同时还记录了物理级别的数据沿袭。 数据质量如何?数据质量能力执行与收集数据质量要求、数据分析和记录业务规则相关的任务。IT 能力实施数据质量检查。   (2)资金   资产管理的核心活动之一是资金管理。数据管理也面临同样的挑战。数据管理是核心业务功能之一。因此,它需要投资和持续的资金支持。   (3)生命周期   数据生命周期是数据管理的核心概念之一。如图 4所示,三种不同的数据管理概念之间存在明确的联系。   数据生命周期是一组从创建到归档和/或销毁过程中移动和转换数据的过程。每家公司都可以以不同的方式描述其数据生命周期。这取决于企业的商业模式。   数据和信息链是数据生命周期的物理实现。一家公司有不同的数据链,不同的商业价值链需要不同的数据链。数据沿袭是一种在不同抽象层次上描述数据链的模型。因此,不同的数据管理功能支持和维护数据生命周期。这些是数据建模、数据架构、IT 能力的具体体现。   (4)关键性和服务水平   数据管理将关键数据的概念应用于各种数据管理计划。关键数据是对管理业务风险、制定业务决策和成功运营业务至关重要的数据。数据管理使用服务水平协议调节数据链中不同数据利益相关者之间的关系。这样的协议侧重于数据要求和数据交付的规范。   以上就是对资产和数据管理之间相似性的简要概述,因此我们可以得出一些结论。 4、小结 资产和数据管理的核心任务是相似的。这些相似之处体现了公司可以将数据视为资产并进行管理的事实。因此,如果数据是一种资产,公司就应该从中获得价值。   02 从数据中获取价值   如果一家公司将数据视为资产,那么公司应该能够从中获得价值。下面我们将讨论与数据和不同商业模式相关的商业价值类型和评估业务价值的技术。我们将通过分析公司可以落地的关键步骤来从数据中获取价值,从而实现这些目标。   第 1 步:确定价值的类型   要实现“从数据中获取价值”,要就“价值”的定义达成一致。下面中是“价值”一词的不同定义。让我们在“数据”环境中解释这些定义:   (1)“价值是“某物的货币价值”   在“数据”上下文中,“货币价值”可以指以货币形式计算的收入。   公司应该有一个商业模式,其中数据是提供给外部客户的产品之一。也或者是由于数据管理的改进而节省了一些成本。例如,可以通过减少数据重复和冗余来降低 IT 成本。货币价值也可以通过避免潜在损失来衡量。例如,当公司因数据泄露而避免支付罚款时,就会发生这种情况。货币价值表示价值的可衡量性。   (2)价值是“商品、服务的公平回报或等价物交换的东西”   “公平回报”可能意味着公司可以通过向客户提供一些与数据相关的服务而获得的货币收益。即使客户不为这些服务付费,这些服务的吸引力也可以扩大客户群。从“数据”的角度来看,价值最重要的部分仍然是数据价值的可衡量性。   (3)价值是“相对价值、效用或重要性”   在“数据”世界中,交付给监管机构的数据对双方都很重要。监管机构获得有关公司业绩的强制性信息,公司符合外部报告的要求。比如国资指标监管要求的数据。   (4)价值是“本质上有价值或可取的东西(例如质量)”   在“数据”内容中,所需质量的数据对其用户是有价值的。   通过以上分析,我们应该对要使用的“价值”的定义有一个清晰的认识。 第 2 步:定义目标   数据价值的实际评估需要大量的业务和财务分析。要执行它,数据管理能力应该是可操作的,并且拥有与应用程序和数据架构、数据建模、数据链管理等相关的许多工件。因此,这种评估的目标应该对业务很重要并且是可行的。现有数据链的优化是从数据中获取价值的例子。 第 3 步:将价值映射到利益相关者并评估价值   为了评估数据提供的价值,我们需要确定这些价值的受益者。公司本身并不是唯一的受益者。公司作为一个整体最大程度地享有以收入和收益表示的货币价值。但除了公司之外,公司的所有者也将从这些货币价值中获利。事实上,公司有各种外部和内部利益相关者群体。这些群体对公司和数据有不同的兴趣。因此,这些群体可能会从数据中得到不同的值。因此,需要列出利益相关者的群体,并确定公司数据为他们产生的价值。   每家公司都通过价值链创造为其外部和内部客户创造价值。在此模型中,“客户”一词具有更广泛的含义。事实上,我们谈论的是公司的利益相关者。然而,公司的合作伙伴也是利益相关者。为避免定义不匹配,我们仍使用“客户”一词。   为了创造价值,公司应该从合作伙伴那里获得资源。公司主要通过提供产品和服务来创造价值。数据和信息是产品和服务。该公司与合作伙伴和客户保持关系和交付渠道。   购买的产品和服务产生收入和财务收益。像价值链的其他部分一样,公司承担成本和费用。数据链维持了价值链。如果数据是给客户的产品或服务,那么沿着数据链,公司也会产生收入和收益,并承担成本和费用。   该模型有两个目的:分析每个利益相关者群体的数据管理价值主张和评估每个数据链的价值、货币和非货币以及盈利能力。   当然,在现实生活中,情况要复杂得多,原因如下:每个公司都有多个数据链,且这些数据链相互交叉,同时多条链使用相同的数据。   第 4 步:将分析限制在关键客户群、数据链和数据集   为使评估可行,公司应限制倡议的范围。“数据关键性”的概念是确定任何数据管理计划优先级的方法之一。关键数据是对管理业务风险、制定业务决策和成功运营业务至关重要的数据。关键数据定义了关键链和相应的客户群。   假设一家公司通过向特定客户群出售特定数据集来产生一些收入。该客户群和数据集应被视为对业务运营至关重要。处理这些数据集的数据链也很关键。因此,价值评估将仅限于这些关键数据集和链。   如果数据不是公司的产品,价值分析仍然值得进行。每家公司与数据管理相关的运营成本都相当高。应用程序许可和维护成本、工资、数据管理流程就是这些成本的例子。这些成本的财务分析可以推荐所需的数据链优化。   第 5 步:详细阐述增加数据价值的业务可能性 至此,我们已经讨论了如何使用现有数据链分析数据传递的价值。但当然,每家公司都应该评估自己的战略计划,以从数据中获得更多价值。要详细说明商机,公司应该非常清楚他们对货币或非货币价值的关注。每个客户组的相同分析应有助于制定战略观点。   让我们简要讨论哪些业务变化可能导致货币价值增加:   (1)商业模式的变化   在线平台是从数据中产生收入的商业模式之一。亚马逊是最著名的提供数字商品和服务的平台,并且利润丰厚。当前的业务发展趋势表明,许多公司专注于开发在线服务。   (2)关注客户行为并支持   使用人工智能和机器学习技术进行数据分析有助于了解客户行为。公司可以以更有效的方式识别和满足客户的需求。通过这样做,他们扩大了客户基础,从而导致收入的潜在增长。   (3)专注于成本降低和避免潜在损失   许多公司承担着与数据处理和管理相关的高昂成本。从长远来看,以下业务举措应能降低成本并避免潜在损失:替换传统技术、提高业务流程和数据处理的效率、遵守数据相关法规。   以上论述的目的只是强调公司应该采取哪些关键步骤来开始从数据中获取价值。在实践中,实现这一目标需要付出巨大的努力和资源。然而,这种方法是长期保持竞争优势的唯一途径。   03 成为数据驱动的组织   若要从数据中获取价值,公司应该成为“数据驱动的”。下面我们将讨论关于“数据驱动”组织的不同观点,包括协助公司选择“数据驱动”的定义和成为“数据驱动”的组织的方法。 1、“数据驱动”组织的各种观点   对于这句话的含义没有一致的共同观点和方法。“数据驱动”一词已被置于不同的上下文中,因此具有不同的含义。   (1)定义中的启动词不同   启动词是定义中的第一个名词或名词短语。术语“数据驱动”被定义为“业务状态”、“识别”、“情况”、“方法”、“业务条件”等等。这些启动词将这个术语置于不同的语境中。状态或情况描述的是“原样”的状态。方法关注于如何实现“将来”状态。业务条件定义了实现某事所需的环境或因素。   (2)定义有不同的侧重点   有些定义回答了“数据驱动”意味着什么这个问题?有些定义关注的问题是:“如何成为数据驱动的?”   根据设计的业务术语和定义的标准规则,定义应该回答“什么”是一个事物的问题。当你知道你需要实现什么,你可以找到多种方法来达到这种状态。许多定义无法清楚地定义“数据驱动”的状态。相反,它们解释了如何做一些事情。   下面,是一些关于是“什么”问题的定义示例: 数据的组织和检查旨在更好地服务于客户和消费者 “基于数据分析和解释做出战略决策”   以下定义侧重于“如何”实现问题: “必须以专业的制度有效地管理数据” “综合数据分析”是“其业务流程的核心” 构建数据生命周期,包括数据源、共享、分析 实施数据管理 “数据推动数字化转型” “构建工具、能力,以及最重要的是,一种 对数据起作用的文化” 以各种形式实现数字化转型,在分析上竞争或成为人工智能优先” 因此,如果一家公司决定成为数据驱动的,它应该清晰的理解这个术语的适用含义,并且只有在这之后,才应该明确如何达到“数据驱动”的状态。   2、成为数据驱动型组织意味着“什么   “数据驱动”是商业模式的一个特征,它使公司能够将数据用作所有组织级别决策中最重要的因素。因此,“数据驱动”一词反映了企业将数据管理纳入其业务模型的能力。然后,数据管理组织数据生命周期,使数据成为决策中最重要的因素。   当前对“数据驱动”概念的解释并未表明人类在商业决策中的作用。到目前为止,人类的参与仍然是不可避免的。然而,数据的作用发生了变化:人类的商业决策应该基于可靠的数据,而不是“直觉”。 3、“如何”建立数据驱动的组织 通过实施数据管理框架来建立运营数据管理能力。 主要原因如下:   (1)数据分析是数据生命周期的一部分   运营数据分析本身不足以支持成为“数据驱动”的公司,数据分析只是数据生命周期中的一步。数据生命周期模型取决于公司的业务模型。不同的数据链实现数据生命周期模型。公司应优化不同的数据链,以根据更新的业务模型调整数据生命周期。   (2)数据管理能力支持数据链   数据管理能力包括设计、实施或优化数据链所需的几个能力。要执行它,数据管理应该成为一项业务功能。 (3)数据管理框架定义了数据管理功能 数据管理框架是一组相互关联的组件,它们将数据管理塑造成业务功能。   组织可以通过实施数据管理框架来建立数据管理功能,从而实现“数据驱动”。   数据管理框架提供了建立运营数据管理功能的方法,下图展示了数据管理框架的概念:   数据管理框架是一组相互关联的组件,它们将数据管理打造成业务功能。数据管理能力是组织保护数据资产并从中提供商业价值的能力。   数据管理功能是组织结构中数据管理能力的实现。数据管理框架由几个组件组成并服务于各种目标。如上图所示,模型和方法是数据管理框架的关键组件。模型是“事物的抽象表示,例如物理对象、过程、现象等”。方法是“做某事的程序、技术或方式,尤其是按照明确的计划”。   数据管理框架的关键目标是:设计、实施、衡量数据管理能力的成熟度和性能。   数据管理框架包括数据管理能力模型和实现它的七个阶段:   第 1 阶段:确定数据管理框架的范围   第 1 阶段对于数据管理计划的成功至关重要。在此阶段,公司确定其业务需求、设定长期目标并评估可行资源。它制定了数据管理能力和框架范围的定义,可行范围保证在规定期限内实现目标。   第 2 阶段:进行数据管理初步成熟度评估   第 2 阶段对于中长期规划非常重要。在此阶段,公司确定其“现状”情况并评估所需的“未来”状态。该评估的结果构成了制定数据管理战略和路线图的基础。   第 3 阶段:设计数据管理策略和路线图   数据管理战略是一份长期的未来状态文件,表明公司根据其业务战略管理和使用数据的意图。信息技术应该能够实现这些意图。数据至上;技术紧随其后。建议在进行初步成熟度评估之后和关键数据管理能力设计之前设计数据策略。   第 4 阶段:设计数据管理能力   每个公司都可以使用或调整现有的数据管理框架或创建其框架。只要框架适合公司的目的和资源,任何选择都是可行的。最常见的数据管理能力有: •数据管理框架的治理 •数据建模 •数据架构 •数据生命周期管理 •数据质量   第 5 阶段:实施数据管理框架   第 5 阶段是数据管理计划成功过程中最具挑战性的一步。公司应该将第一阶段到第四阶段的理论发展付诸实践。第 5 阶段也是最耗费时间和资源的阶段。关键规则是,一旦开始,数据管理能力的发展就永远不会停止。商业环境中的挑战总是会产生对数据管理的新需求。   第 6 阶段:执行详细的成熟度评估   当公司在实施数据管理框架方面已经取得一些进展时,可以继续进行第 6 阶段。关键目标是评估取得的进展并改进和优化框架。   第 7 阶段:设计和实施绩效管理   数据管理能力构建是一个持续的过程。内部和外部业务环境的变化总是需要数据管理能力的完善和进一步发展。数据管理是资源消耗。因此,公司应持续监控数据管理能力的有效性。   04 数字化转型和数据管理   数字化转型使公司在实践中成为“数据驱动”的组织,下面我们将讨论“数字化转型”概念并说明为什么正式的数据管理能力是数字化转型不可或缺的部分。 1、“数字化转型”的定义和实施步骤 每个公司都有自己的商业模式。业务模型展示了公司如何沿着业务价值链向利益相关者交付价值,如下图所示,业务价值链是公司为利益相关者创造和交付价值的一系列活动。业务价值链从供应商开始,到客户和其他利益相关者结束。   公司的商业模式包括一套商业能力,以实现商业价值链。财务、客户支持和产品开发都是业务能力的例子。每个业务能力都有几个组成部分,例如数据、技术、业务流程、人员和其他资源,例如有形和无形资产。   数字化转型是由技术变革引领的商业模式变革。   转型涉及业务能力的所有组成部分,如下图所示。技术要求业务流程发生变化,技术和业务流程的变化会影响产品和服务的交以及数据处理,业务流程的变化需要公司执行这些流程的员工的技能发生变化。这也就意味着商业模式的所有组成部分都需要转型。   数字化转型影响着公司和各个利益相关者的整个业务模式。因此,不同的业务流程可以进行数字化转型。   核心业务流程专注于为客户提供价值。支持核心业务流程,并拥有各种内部和外部利益相关者。财务业务流程就是一个例子。财务流程的主要利益相关者是财务人员、管理层、所有者和外部监督机构。   各种企业只能利用那些能够更好地将其价值主张与不同利益相关者群体相匹配的技术。   技术变革不是数字化转型的驱动因素,而是数字化转型的一种手段。公司为什么要转变商业模式?   这种变化的主要驱动因素是: 通过加快新产品和服务的上市速度,在行业中变得更具竞争力; 提高生产力; 通过提高对客户需求的响应和个性化产品和服务来改善客户体验。 这些驱动因素再次表明,各种利益相关者群体都从相应业务流程的数字化转型中受益。   最近的一项调查表明,“70% 的数字化转型计划没有达到他们的目标。去年在数字化转型上花费的 1.3 万亿美元中,估计有 9000 亿美元被浪费了。”   在我看来,任何数字化转型项目都应该遵循适用于任何信息技术相关项目的简单的9步骤。   第 1 步:确定关键业务驱动力   一家公司有两种选择。第一个选项是选择一种技术并开始实施它。第二个选项是回答为什么公司需要这项技术。我认为,公司首先需要回答“什么?” 以及“为什么”它想要达到的目标。技术是后面考虑的。因此,公司应将其数字化转型计划与业务战略保持一致。   第 2 步:高层管理人员的支持 任何业务转型项目都耗费时间和资源。因此,高层管理人员的支持是最大的成功因素。   第 3 步:确定数字化转型范围   这是数字化转型中最关键的一步。一个公司的方法应该是务实和现实的。数字化转型需要大量资源,因为它会影响业务模型的所有领域。对新技术实施、员工发展和业务流程再造的投资可能是巨大的。因此,公司应优先考虑其目标并将其限制在可行的范围内,并选择相关因素进行优先排序。这些因包括获得投资回报的时期以及对业务盈利能力的影响。拥有多元商业模式的公司可能会从不同业务流程的数字化转型中获益。   第 4 步:定义角色和职责   该计划的范围概述了要参与的业务部门和角色。至于其他与 IT 相关的项目,内部员工的参与对成功至关重要。数字化转型导致日常运营、所需技能和组织文化发生重大变化。必须提高内部员工的技能才能继续这些发展。   第 5 步:定义需求和要求   数字化转型将导致商业模式的各个组成部分发生变化。因此,公司应该清楚地识别各种业务组件的预期结果和要求。   第 6 步:选择方法和方式   所需的方式和方法取决于定义的范围。如果数字化转型涉及整个企业,则需要集中式方法。如果只有一个业务流程需要进行数字化转型,则方式和方法会有所不同。   第 7 步:选择合适的 IT 技术和解决方案   一种 IT 技术可以在各种 IT 解决方案中实现。让我们以人工智能(AI)和机器学习(ML)为例,多家供应商都能提供各种平台来执行 AI/ML 操作。公司应使所选解决方案与数字化转型计划的许多其他方面要保持一致。   第 8 步:实施数字化转型解决方案   企业应与业务流程的变化、内部员工的培训和升级等同步启动IT解决方案的实施。实施过程取决于数字化转型的性质。   第 9 步:将数字化转型进入常态化   这是最关键的时刻,企业应该在新模式下开始运营。 2、数据管理和数字化转型的关系   建立正式的数据管理框架是数字化转型不可或缺的一部分,一是数字化转型和数据管理影响业务模型/能力的相同组件;二是数字化转型计划的实施需要多种数据管理能力;三是正式的数据管理框架可确保各种数据管理功能的适当性能。   数据和信息在支持业务价值链方面发挥着重要作用。所有业务利益相关者都需要业务信息来做出相关决策。例如,客户需要有关公司商品和服务的信息来决定购买。   因此,在业务环境中,数据管理通过向内部和外部的相关利益相关者提供信息来创造价值。数据和信息价值链支持信息传递。他们通过将原始数据转换为有意义的信息来做到这一点。业务流程、人员、工具和其他业务资源支持业务价值链和数据链。   由各种业务驱动因素驱动的数字化转型始于实施新技术导致的业务流程变化。这些变化会影响数据和信息的交付、人员和其他资源。因此,数据管理和数字化转型影响业务模型的相同组件:业务流程、工具、人员和其他资源。但是,产生这种影响的顺序不同。以下是影响顺序的总结。     通常,新的数据计划始于新的信息需求 (1)。为了提供新信息,公司应该获取或创建新数据 (2)。要创建新的数据链,公司必须拥有资源,即预算(3)。然后,公司为此数据链选择技术 (4)。新工具的实施会影响业务流程 (5)。参与这些过程的人可能需要新技能。   在数字化转型计划中,一切都始于特定业务流程的变化需求 (1)。一个公司应该有足够的资源(2)。所选的 IT 技术和解决方案能够改变流程 (3)。新流程定义了新结果,通常以信息的形式表示(4)。为了提供新信息,公司应获取和/或创建新数据 (5)。人们应该为新流程升级他们的技能 (6)。   因此,上面讨论的所有内容都证实了数字化转型和数据管理会影响业务模型/能力的相同组件。此外,数字化转型需要构建新的数据和信息价值链。   数字化转型计划的实施需要多种数据管理能力。   作为数字化转型计划的结果,公司必须设计和构建新的数据链。为此,公司应具备多种数据管理能力。     要构建新的数据链,公司应该具备设计、实施和利用该链的能力。设计数据链,企业需要具备以下数据管理能力:数据治理、数据建模、企业架构。为了实现和维护数据链的功能,需要数据生命周期和基础设施管理等 IT 能力。支持能力,包括项目和变更管理,有助于实现数字化转型计划。   每家公司都应定义数字化转型所需的一组数据相关能力。每个公司对“数据管理”的定义都有自己的看法。一些公司将数据管理视为 IT 的一部分。有些人将这两个业务领域分开。关键是任何数字化转型都需要具备这些能力。   正式的数据管理框架可确保各种数据管理功能的适当性能。   每个公司都处理数据。因此,每个公司都管理数据。一些公司已经正式确立了数据管理能力。数据管理框架是相互关联的组件的集合,这些组件将数据管理塑造成业务功能。数据管理功能与任何其他业务功能(即财务或营销)一样嵌入到公司的组织结构中。   数据管理框架定义了上述每个数据管理和/或 IT 功能应该发挥作用的方式,包括以下内容:一套管理数据管理的内部政策和标准、预期可交付成果/成果清单、交付预期结果的一组数据管理流程、角色集及其职责、执行数据管理流程所需的工具、数据管理功能所需的一组其他资源。   简而言之,数据管理框架确保数据管理作为业务功能发挥作用,因此建立一个正式的数据管理框架是数字化转型不可或缺的一部分。   【END】   最后,感兴趣的公众号后台回复“资料”,我们整理了6个G数据平台、数据仓库、数据仓库、数据治理、企业数据化管理案例,供大家免费领取!   往期精彩推荐 ▼   企业数字化转型:信息化与数字化之争! 2022-06-14 谈谈实施数据治理时常犯的10大错误 2022-06-13 企业数字化转型:财务人员怎么转? 2022-06-10 揭秘华为数字化转型大格局:其实就这5点 2022-06-09 谈谈关于设计数据管理/治理角色的问题 2022-06-07
数字化转型:创建现实战略的5种方法
商业智能研究 专注于企业数据化应用、大数据BI技术和理论观点的研究,致力于让数据成为企业真正的生产力!帆软数据应用研究院旗下账号。 公众号 作者:Sarah McCasland,来源:CIO信息主管D1net 全文共1968字,建议阅读5分钟 数字化转型需要企业内部团队的协调和制定一个共同愿景。因此在设计策略时需要考虑行业专家的建议。本文介绍了企业开始数字化转型时应该遵循的五个步骤。 数字化转型是一把巨大的保护伞,涵盖了人们在当今经济中的工作方式。它通常是一个多方面的计划,不仅仅是对应用程序进行现代化改造。它涵盖了代表企业在2022年提供卓越客户体验所需运营方式的所有内容。 这种倡议是共同的责任。它从企业的首席执行官开始,他必须是变革的倡导者,也必须让企业的其他领导者共同努力以实现变革。有时需要首席数字官来协调响应,有一个事实是一致的:如果整个企业没协调一致,那么他们的努力很可能会失败,甚至可能会让企业倒闭。 这就是成功地改造企业是一项艰巨任务的原因。因为需要计划、明确的方向以及让旅程不那么令人生畏的方法。 以下是企业开始数字化转型的五个步骤。 01 确定长期转型目标 企业希望在一年、三年或五年后发展到什么程度?最终目标是什么?是什么推动了进行数字化转型的愿望? 诸如“我想迁移到云端”之类的回答是不可接受的。企业的目标必须明确且易于定义,否则可能会朝着不同的方向前进。虽然制定一个雄心勃勃的目标是好事,但也可以找出一些“足够好”的东西,为企业确定一个可以实现的目标。 无论企业关注什么目标,需要记住的是,深入了解原因对于制定方法很重要。企业需要知道要去哪里,以及为什么要去那里,以确保走在正确的道路上。 02 评估企业的当前状态 企业一旦确定了目标,就对其目前所处的位置进行真实的评估。不要专注于单个业务部门。与其相反,对企业的每个领域进行全面评估。 在评估中需要考虑: 使用了哪些工具?它们是否包括现代SaaS应用程序,或者团队是否仍依赖于遗留应用程序和硬件?谁在使用它们? 企业的各个团队如何一起工作(或者他们是如何工作的)? 企业的团队正在使用哪些流程?例如,团队是在使用敏捷开发方法还是他们仍在采用瀑布式开发? 评估确定需要和改进的领域。它们的持续时间取决于几个因素,包括企业的规模和使用的解决方案的数量。例如,评估一家拥有80名员工的公司可能需要一周时间,而评估一家拥有80000名员工的大企业可能需要一年的时间。 无论时间框架如何,评估都至关重要。它们最终将为企业节省时间,并允许企业制定自己的数字化转型计划。 03 通过设定短期可实现的目标来简化工作 采用敏捷、迭代的软件开发方法的企业指出,实现看似不可逾越的任务的最佳方法是将工作分解为可实现的部分。数字化转型也不例外。 在评估阶段,企业将发现急需的领域和轻松获胜的机会。还将发现优先级较低的项目或技术——虽然这些项目或技术很好,但可能要等几个月甚至一年才能实施。 利用这些发现将企业的工作重新扩展到更易于管理的单个项目中,每个项目都有自己的完成时间框架。例如,根据企业当前的需要,可能会决定在第一年内彻底改造云计算基础设施,或者在六个月内投资一个敏捷开发平台。与此同时,企业可以选择将其他优先级较低的投资推迟到第二年或更长时间。 所有这些可能都是实现目标的关键因素,但有些可能比其他更重要,更容易管理。首先关注这些因素,以获得一些快速的胜利,帮助企业朝着最终目标前进。 04 制定合理的预算 数字化转型是一项复杂的工作,制定合理准确的预算可能具有挑战性。事实上,由于许多企业倾向于仅从较小的部分(云迁移、构建现代应用程序等)来考虑数字化转型,因此他们往往低估了它的成本,后来对高昂的费用感到惊讶。 企业的评估可以帮助创建准确和现实的预算估算。例如,能够确定需要投资哪些技术。而且会很好地了解企业中有多少个团队,可以为每个团队制定预算,然后根据需要扩大预算。 例如,如果企业有10个团队,需要确定让一个团队实现数字化转型所需的成本并将其乘以10。简而言之,应用企业用来简化预算估算的相同规则。 05 让整个企业参与 最后,了解数字化转型不仅仅发生在IT部门;它也发生在企业董事会和家庭办公室中。这意味着所有利益相关者都需要与企业的数字化转型目标保持一致。 该指令必须来自企业管理层,但这项工作将在整个企业进行,通常会促成向新技术和新流程的重大文化转变。在这种情况下,可能需要培训和变更管理,以使用户对新工具和新流程感到更舒适。企业领导者需要确保他们的团队的前进方向一致,并且在继续前进的过程中,他们应该愿意听取反馈。 该计划具体是什么样的取决于企业。数字化转型对每个企业都是不同的,而企业都有自己的目标。 实现这些目标可能会令人生畏。但是通过设定目标、进行评估、将企业的计划分解为可管理的部分、现实地制定预算并让每个人都参与进来,就会获得成功。   【END】   最后,感兴趣的公众号后台回复“资料”,我们整理了6个G数据平台、数据仓库、数据仓库、数据治理、企业数据化管理案例,供大家免费领取!   往期精彩推荐 ▼   是什么阻碍了企业信息数字化之路? 2022-06-15 企业数字化转型:信息化与数字化之争! 2022-06-14 揭秘华为数字化转型大格局:其实就这5点 2022-06-09 从数字化转型到数字化经营:为什么、是什么、怎么做? 2022-06-03 成功实现数字化转型的7个秘诀 2022-05-06
揭秘华为数字化转型架构蓝图(多图详解,建议收藏)
来源:大数据DT 作者:华为企业架构与变革管理部 2016年年底,华为的数字化转型规划团队,基于对愿景的系统诠释,整合出了如图1所示的架构蓝图,共分为5层。 图1 数字化转型架构蓝图 Part01 客户联接 面向客户构建全联接的协同平台,围绕客户旅程开展ROADS体验设计。ROADS将带给用户全新的体验,具体分析如下。 实时(Real-time):意味着信息实时获取,即业务对用户需求进行快速响应,让用户零等待;企业内部流程快速流转,业务快速运作。 按需(On-demand):意味着按需定制,即让用户可以按照自己的实际需要定制各项服务,可以自由选择。 全在线(All-online):意味着全在线,即让用户在线进行业务操作,实现资源全在线,服务全在线,协同全在线。 自助(DIY):意味着用户可自助服务,即让用户拥有更多的自主权,提升用户的参与感。 社交(Social):意味着社交分享,即让用户可以协同交流、分享经验和使用心得,增加用户归属感,增加用户黏性。 以华为运营商客户为例,在实现“客户联接”的过程中,思考为客户带来如下服务和体验,如图2所示。 图2 “客户联接”的架构思路 在线体验:客户可实时获取营销信息、产品动态和行业信息,通过在线展厅观看解决方案和产品的实时展示,也可按需、自助购买线上的解决方案和产品,并实现客户化定制。 在线交易:全在线的交互体验,客户PO订单全在线处理;高质、高效的交易,且交易全程与华为“零”接触,交易过程全程可视。 智能服务:智能客服,用户问题快速闭环。 统一的数据底座:基于统一客户信息平台和统一的数据底座,提供一致的体验。 Part02 一线作战平台 结合公司的“面向市场创新”“面向客户交易”两大主业务流,以项目为中心,对准一线业务作业场景,提供数字化装备,赋能业务数字化作战。为此,业务需要构建以用户为中心的角色一站式平台(见图3),整合该角色在业务作业过程中的大部分操作,面向角色和场景进行功能汇聚,并将办公协同的功能融入业务作业过程中,重塑员工的作业模式和数字化体验。 图片3 “一线作战平台”的架构思路 通过一线作战平台实现信息及时获取、作业实时感知、线下到线上的协同作战和在线指挥、平台资源调用等功能,从而达到领先于行业的业务效率和体验。 Part03 能力数字化 公司各业务领域不仅需要通过数字化转型提升自身业务能力,还应将能力包装为服务,在企业内共享和重用。能力数字化的核心是各业务领域都要沿着主业务流,识别出业务能力并主动进行能力的数字化建设,然后将服务开放出来,为一线作战平台或客户联接平台提供核心支撑,快速响应业务需求,如图4所示。 图4 “能力数字化”的架构思路 针对通用的业务能力和服务,公司层面需进行主动规划,并采取“以用促建”的方式,进行能力建设和服务开发。 Part04 数字化运营 公司层面统一汇聚数据,支撑各业务领域在授权下方便、安全地按需获取数据,提升基于数据进行业务运营的能力,进而将数字化运营融入日常业务中,并引入AI在智能预测、决策判断、风险识别等方面的优势,帮助业务拓展出新的业务模式,如图5所示。 图5 “数字化运营”的架构思路 构建数字化运营平台,可以实现数据同源和实时可视,减少汇报和管理层级;可以支撑一线实现战场感知、智能预警,让作战指挥更加高效。数字化运营与业务场景融合,并融入业务流程中,为业务提供单一数据源,对于海量、重复的确定性业务实现自动化,对异常状态实现及时告警,并充分运用智能分析提升决策水平。 Part05 云化IT平台 平台承载数字化转型所需的各种数字技术,支撑应用服务化并上云,统一为业务数字化转型提供云服务支撑。云化IT平台具体来说有如下5个方面的架构要求。 资源引入和管理:快速引入华为云的计算、存储、网络等IT基础设施服务,支撑内部业务应用上云。 提供面向场景的服务解决方案:平台不是服务和功能的简单堆砌,而是面对场景的一系列解决方案。 多云管理:针对业务的复杂性和多样性,平台具备“多云”的架构和管理能力,满足全球业务快速扩展、资源弹性获取等诉求。 保护安全:部署关键业务和数据,保障核心信息的安全。 AI使能:打造AI使能平台,孵化AI算法和服务。   【END】 最后,感兴趣的关注公众号,后台回复“资料”,我们整理了6个G数据平台、数据仓库、数据仓库、数据治理、企业数据化管理案例,供大家免费领取!  
数字经济对于制造业数字化转型影响的思考
作者:张龙飞,来源:帆软数据应用研究院 制造行业在信息化和数字化建设领域,应该说是起了个大早,在九十年代国家七五和八五计划期间,就强调把计算机辅助设计(CAD/CAE)和计算机编程控制技术应用到企业产品开发设计和加工设备中去,到后来二十世纪初期国家提出两化融合战略,提倡企业利用信息化和工业化相互融合,再到后来的数字化转型,每一步都和制造行业息息相关,但是过去几十年相关企业数字化建设进展如何?却不能说都赶上了“早集”,有些企业甚至连“晚集”也赶不上。如今在数字经济发展的大背景下,各类制造企业又将在新的发展趋势下面临巨大的历史机遇和挑战,只有找对方法,上到适合企业本身的数字化发展快速列车,才能持续打造企业自身的市场竞争力。 Part01  制造型企业数字化建设现状 泛制造领域是目前涉及行业细分种类最多,企业基数巨大的领域之一。无法把所有企业杂糅到一起来讨论,更无法找到一种放之四海皆准的数字化建设方法来指导所有企业。要想深入了解企业数字化建设的真实状态,寻找到合适的提升建议和方法,首先要结合不同企业的数字化建设状态切片来洞察分析。 我们走访过国内许多生产制造型企业,有行业龙头世界领先的营收过千亿大企业,也有小到一两个车间几条产线的小规模工厂,调研一圈下来发现制造型企业在数字化建设层面有着从“刚起步”到“很超前”整个所有阶段都涵盖的复杂状态。根据大多数企业表现出来的不同特征,这里把制造型企业数字化建设过程大致分为三个阶段:起步阶段,特点是企业只有有限的业务或者流程实现了系统化和电子化,但绝大多数支撑业务管理的信息和数据来源还需要靠人工去收集和整理,人员也缺乏通过客观信息出发去做决策的习惯和能力。 发展阶段,典型的特征是企业核心业务和流程都有了相关系统的支撑,在企业日常业务运转,流程管理等操作层事务性工作都有业务系统支撑,但是企业做运营管理以及关键决策制定还没有高效及时完整的客观数据链条,管理者已经初步具有使用客观信息作为管理决策输入的诉求,而这个阶段和IT相关的部门多数是无法很好的满足和支撑这种诉求的。 扩张阶段,在发展阶段企业意识到信息存在传递低效和使用不足的问题之后开始针对数字化做重点投入,此时通过自上而下的倡议和引导,公司逐渐形成良好的数字化应用氛围,同时加以合理的规划建设,信息化为数字化造血,数字化给信息化指明短板和方向,两条腿走路,相互促进进而推动企业数字化发展大步向前。 面对以上复杂的局面,企业该如何寻找适合自己本身的建设路径或者策略?成为每个企业做数字化能力建设不得不思考的问题。在寻找方法和策略的过程中,建议企业多从国家牵头的协会或者研究机构发布的指导文件入手,因为这些团体和其他商业机构最大的不同是,他们的目标不仅仅只服务于某些特定的优质客户,而是要为国内所有企业兜底,因此这些机构提供的建设方法或者建议会更加的全面、普适性也更强。基于这个结论,这里结合国家信通院下发的数字经济白皮书指导文件,来思考制造型企业数字化转型的策略和方法。 Part02  数字经济战略如何指导企业数字化转型? 数字经济白皮书报告首先强调了数据的生产要素属性,第一次把无形的数据作为有价值的生产要素来定义。然后又提出了数字经济指导下的四化框架,即数字产业化、产业数字化、数字化治理和数据价值化。整个框架体系涵盖了多个行业的多种属性,其中针对制造业而言,可以这么解读四化框架。 生产要素,首先要强调的是,在数字经济的框架里头,数据是和工厂里的原材料、设备、厂房等生产要素一样的具有价值的东西,而不是简单存在数据库中杂乱的数字,认识到这个重要性之后,企业才会对数据的采集、数据的处理和利用做出正确的认识和决策。 生产力,其次利用数字化产业带来的成本控制、效率提升、质量改善等方面的贡献,为企业业务运转添加新的动力,比如通过自动化产线的打造,给企业节约大量用工成本,特别是在疫情常态化,劳动力短缺的社会大背景下尤为重要;再比如通过数据分析定位产品质量问题,改良产品,给企业节省大量报废、返工以及售后的成本费用等等。再进一步说,当企业把自己成熟的数字化建设经验输出出去,为更多企业创造价值之后,也能给自己企业开辟新的业务板块,创造新的业务增长点,在这个点上,先知先觉的制造企业已经利用自己数字化转型的成功经验,成立独立的信息公司作为第三产业,为本企业带来丰厚营收的同时,也给母公司的口碑和影响力带来促进作用。 生产关系,通过企业数字化治理的各项措施,明确了企业、员工和数据三者之间的关系,企业推进数字化转型的前提是要把系统、数据用起来,不然数字化不仅不会给企业带来收益,还会成为一堆高额成本占用。所以生产关系中的数字化治理最重要的目的是培养企业的员工对于数字化的认知,把数据信息融合到日常的业务中去,形成“无数据不决策”的客观思维。 Part03  把数字经济战略融入到制造业数字化转型战略 整体来说数字经济的四化有其应有的全面性,其指导方法覆盖了行业内数字化发展处在各个阶段的不同企业。在理解和应用这个方法论的时候要结合企业自身的现状,有侧重的去选择和发力。 >>>起步阶段的企业需首先做好基础的业务数字化。 对于数字化建设刚起步的企业,考虑其基础的建设不完善,所以侧重产业数字化和数据价值化的应用。先把目前业务运转和管控过程中,缺乏信息化、数字化支撑的薄弱环节建设起来。这个阶段的企业对于系统建设的要求侧重整个内容落地起来短平快,即短时间内解决核心问题,业务能够平稳的过渡以及快速见到建设的效果,而不适合大张旗鼓,高成本、长周期的打造特别重的系统,因为企业本身可能没有这么多的资源和基础条件来保证系统落地,而且如果失败对于他们的业务影响也更大。 从这个特征而言,处在数字化建设起步阶段的企业,可以尝试利用基于云端平台或者低代码平台开发的相对比较灵活和轻量的应用,来快速建立起企业的业务应用,当然使用云端的产品也要注意从长远角度考虑其平台的开放性和扩展性,业务系统管控流程、留存数据信息只是第一步,未来利用这些数据实现数据价值化也很重要。 比如我们到过的江苏常州一家小型汽车零配件加工工厂,以前收集车间里的产量信息、质量信息以及人员出勤数据等全靠班组长或者文员去车间巡视检查,后来受疫情影响,工厂招工困难,产量压力又大,工厂组长所有人都上了一线,没有人能专门做这个事情了,就导致信息记录的混乱不堪。后来企业利用低代码产品简道云快速上线了一套车间生产管理应用,实现扫码报工质检、上下道工序联动防呆放错、出勤打卡信息打通等关键痛点需求,短时间内提升效率节约人力的同时,对生产产量也带来了提升。工厂经理后来评价说:“以前觉得这些软件没啥用,我们几十年都是这么干过来的,工厂也没倒闭,这次疫情真是给我们上了一课,虽然市场单子少了一些,但是这个系统节约的成本更多,你看吧等疫情过去了厂子会发展的更快。” >>>发展阶段的企业要重视规范,尽量一步到位,避免重复反工。 对已经有了一定系统基础的企业来说,在不断推动产业数字化的同时,侧重数字化治理,来给接下来的数据价值化打造坚实底座,逐步开始用数据价值换取企业生产力。这类企业普遍已经有了相应的业务系统支撑,各个关键业务执行和管理已经初步实现了系统化和线上化,但是由于早期系统建设的局限性,很容易出现针对各个板块的业务需求,系统这里建一个那里建一个,相互之间独立运行,没有形成统一关联的系统关系,这就给后续的数据价值化带来很大的系统壁垒问题,所以要通过数字化治理手段保证系统的打通和融合。 基于这个特点,处于数字化发展阶段的企业要从两个重点的方向着手来解决眼下的问题: 一个是数据底层的建设,越过前端业务系统之间的隔阂,直接通过底层数据库层面的关联打通,搭建统一的底层数据平台实现系统数据融合,同时底层建设在技术层面也要注意其增长性和扩展性,数据治理是一个持续性的事情而非一蹴而就; 二是面向用户的前台应用体系的建设,数据价值化的最直接体现是在使用上,不然投入的再多建设的再完善,没人用也都是空中楼阁,没有实际意义,这里可以利用商业智能(BI)数据分析工具和报表工具,来及时应对企业越来越多的数据需求,快速挖掘数据背后说明的问题和意义,为企业业务问题追溯改善和分析决策提供高效完整的信息支撑。 比如苏州一家电子元器件组装公司,日常业务常用的业务系统都有了,但是系统之间的关联性规划的不太好,导致经常出现大家相互质疑对方的数据有问题,开会的时候也都是拿着自己的数据说话,领导最头痛的问题就是经常不知道谁说的是准确的,车间说产量上去了,财务说成本控住了等等,都说做的不错但是公司效益就是出不来。后来公司要求IT与流程中心花半年时间先把生产和财务系统打通,核心业务的数据要能对上。于是IT部门先从这两个系统数据入手,建立数据仓库,关联核对业务和财务数据,实现基础的业财融合,先解决核心业务和财务数据口径统一的问题,年底再做经营分析的时候,大家扯皮的事情就少了好多,从原来的各说各话到后来相互佐证分析问题原因,给管理者还原了真实客观的情况。 >>>对于数字化建设比较成熟,处于扩展阶段的企业,重点思考数据价值化的体现。 这类企业一般都具有良好的数据系统基础和应用条件,人员也具备相应的技术素养和思维习惯,针对这类企业和人员的背景,我们无需强调数据生产要素的特性,他们已经深知其之于企业的重要性,所以对内我们只用考虑“升级装备”即可,帮助使用者更加简便高效且强大的处理其各类灵活的需求,而这类需求可以结合零代码自助式数据分析工具来满足。同时这个阶段的企业也可以结合本身的经验和成果,向外赋能,做企业自己的数字产业化,为企业突破创造新的业务增长点。在之前调研走访企业的过程中发现,很多行业龙头企业都利用企业内部的信息化建设经验,成立了自己的IT服务公司,对外输出经验的同时也为企业带来了新业务的营收。 比如宝钢对应宝信、三一对应的树根互联等等信息化建设服务公司,都是源自于之前的成功经验成立的第三产业。企业的社会责任感和对市场的敏感洞察,促成企业把自己数字化建设的成功经验知识以服务的形式输出,带动后来者数字化能力快速提升同时,也给企业自身经营带来新的商业增长点。 工信部肖亚庆部长在《学习时报》发表的一篇文章中说:数字化转型已不是“选择题”,而是关乎生存和长远发展的“必修课”。 无论是国家经济还是社会发展层面,制造企业发展数字化经济已经形成新的趋势和导向,而数字经济白皮书更是从操作层面给出了具体的指导措施和发展要点。综合来讲,数字化建设的路径有很多条,企业的情况更是多种多样的,只有结合企业信息化建设的现状和找到自身发展过程中的问题需求,选择适合自己的方法和路径,才能更快更好的发挥数字经济的价值作用。   【END】  最后,感兴趣的关注公众号,后台回复“资料”,我们整理了6个G数据平台、数据仓库、数据仓库、数据治理、企业数据化管理案例,供大家免费领取!
成功实现数字化转型的7个秘诀
文章来源:CIO信息主管D1net ,作者Esther Shein “要实现数字化,需要的不仅仅是管理层的认可和财务承诺。它还需要一种细致入微的策略、实施和协作方法。” 在CVID-19冠状病毒大流行期间,那些在持续全速推进数字化转型计划的企业将能够反思哪些举措是正确的,以及他们本可以采取的不同做法,这也是后见之明的好处。 他们收集到的一些信息并不令人感到意外:成功的数字化转型需要高管的支持、与业务部门的持续沟通,当然也包括财务承诺。德勤最近发布的一份报告也支持了这一观点。报告指出,38%的受访高管认为,直截了当、引人注目的“北极星”式的叙事是成功的关键。另外领导者还需要投入时间和精力来推动变革。研究显示,当首席转型官额外贡献了15%的时间时,成功的可能性就提高了约16%。 在财务投资方面,一半的受访者表示,他们的企业在转型项目上的投资占到了年度收入的1%-5%。 但是,一个成功的数字化项目还有一些不太为人所知的、不太明显的特点。首席信息官和其他的IT领袖们在这里分享了正确实现数字化转型的七个秘诀。 Part01 使用一种共同的语言 德勤咨询公司美国战略与分析产品主管Rich Nanda表示,科技行业的领导者在整个数字项目中能否进行沟通是至关重要的,同时进行恰当地沟通也同样重要。 “在许多企业中,我们通常会看到IT领导者在这些讨论中过于迅速地讨论技术需求,”Nanda说。“这种方法的挑战在于,公司最终会陷入我们所说的‘数字化陷阱’。他们只关注于一项领先的技术--人工智能、云,或是目前还处于炒作周期的元宇宙。” 由于过于迅速地缩小了关注范围,IT领导者错失了确保其数字化项目与企业战略保持一致的机会,Nanda说。他们面临着整个CXO团队沟通不畅,并且业务、技术和运营战略错位的风险。 技术领导者“应该有一种共同的语言,清楚地定义公司的数字化要务,以及相关的价值衡量标准,使企业能够在整个高管团队中调整战略,并传达他们希望从中实现的战略价值。”Nanda说。 从那里,他们可以利用人工智能领域的最新技术进步,或是工业云等先进的生态系统加速器,来帮助他们加快改变其战略服务的能力。这将提升对数字化的信任。 Part02  使用仪表板来监控项目价值 根据麻省理工学院信息系统研究中心的一份最新简报,能够有效利用仪表板的公司将更有可能在数字化转型中取得成功。 该研究简报称,仪表板可以应用于监控一项计划的价值,以及如何创造价值,它将通过该计划对正在数字化转型的企业和个人能力的支持来进行衡量,并可以随着时间的推移进行跟踪。 MIT的研究人员建议要坚持使用仪表板,因为就像大多数的文化转变一样,引入仪表板也会遇到阻力。他们还建议,始终如一地沟通仪表板的价值,因为这将推动仪表板的有效使用,既增加了对仪表板的采用,也提高了公司在关键仪表板指标上的表现。 Part03  对团队进行投资以激发创新 数字化转型通常还会包括采用基于云的和第三方的工具和服务。当这种情况发生时,你的团队成员就会成为服务的管理者,而不是服务的创造者,奢华睡眠公司Saatva的首席数字官Evan Huston指出。 为了释放出内部资源进行创新,Saatva已经从使用传统的质量保证方式转向了全球范围内的众包QA,这让公司拥有了一支测试人员大军,Huston表示。“我们的内部QA团队现在正100%专注于自动化测试和管理来自众包操作的队列。这些变化会改变你的团队所需的技能。” 积极的培训对于从现有IT人才中获取更多信息也特别有效,他补充说。“如果你投资于高智商人群,他们就有能力学习复杂的新技能。你的企业既可以避免人员流动的成本,又可以保存企业的历史。” 通过对员工进行投资,释放他们以处理更高级别的任务,IT领导者可以极大地提高团队完成任务的能力。 Part04  彻底审查供应商--并编写详细的RFP 如今,位于德克萨斯州圣安东尼奥的VIA大都会运输公司拥有一款新型的人工智能驱动的聊天机器人,可以全天候的回答问题,还有一款移动应用程序,客户可以使用它来购买公交卡。但这些成就并不是没有忧虑,对于VIA的技术与创新副总裁Steve Young来说。 一言以蔽之,VIA选择了错误的合作伙伴,Young表示。“提供商太糟糕了--他们改变了我们的平台……而在最初的机器人上却无法正常工作”,他回忆说。 尽管Young雇佣供应商之前“和一些人进行过交谈”,但他承认,官员们本可以更深入地进行挖掘,找到公司没有推荐给他们的人作为参考。 即使供应商在以前的产品上取得了成功,技术的变化也是如此频繁,所以重要的是不仅要审查公司,还要审查特定的产品,Young说。 “聊天机器人平台是这家公司的新产品,虽然我们听说了这家公司的好消息,但有时你会只审查这家公司,而没有审查其产品,”尤其是当它才刚刚进入市场时,Young说。该公司是一家相对较新的聊天机器人平台提供商。“迅速采用存在着危险,”他说。“这是一个陷阱。” Saatva的Huston也同意这一点,他说自己已经学会了“选择与自己相当的平台,而不是小众解决方案,即使它们的成本更高。”它的好处常常会被忽视,包括IT审计的便利性、更好的SLA、更高的安全性和合规性,以及更多有才华的工程人员的维护。” VIA还与与其合作的移动通行证提供商存在着合作伙伴问题。“这里的挑战在于,我们需要一个能够以我们想要的速度来推进的伙伴,”Young说。VIA有很多要求,需要花很多时间来等待合作伙伴的响应。 当他们在寻找新的技术合作伙伴时,VIA希望找到一个稳定性强、性能可靠的供应商。“我们写了一份简短的建议书”,描述了VIA官员对移动支付平台的设想。RFP还规定了VIA需要一个具有强大平台的合作伙伴,该平台能够与其他第三方进行经过验证的集成。 尽管Young也希望能够支持中小型企业,但他说,他必须考虑企业及其客户所面临的风险。他已经认识到了“创造性地编写RFP以获得投标人更好的响应”的重要性。而在过去,VIA会避免去写冗长的提案,官员们更高兴“讲述一个你想要的故事,而不是逐项列出你想要看到的东西,因为你可能不会总是能够得到你想要的那么好的投标。”他说。 Part05  以任何可能的方式合作 霍尼韦尔的每个业务部门和职能部门都在积极的进行数字化转型。首席数字技术官Sheila Jordan是这些努力的先锋,目前负责监督着霍尼韦尔的42个积极转型项目。Jordan是在封锁开始前60天被聘用的,随即他就接到了让数万名员工在家工作的任务。 这意味着公司里的每个人都必须学会使用Zoom等协作技术,甚至包括了以前从未使用过这些技术的高管,她表示。现在,这些技术已经深入了霍尼韦尔的文化。 Jordan说,她看到决策者们在使用协作工具来进行演示,然后“不经意地应用它们解决了其他问题。”这导致了使用视频的新方式,比如与供应商会面,随着越来越多的人适应了协作技术,它还导致了客户咨询委员会的创建。 Jordan承认,视频的作用是有限的。“当我们回到办公室时,会有人要求与其握手,”她说,“就是人们两年来的第一次见面,很重要。但他们正在重新考虑在视频如此有效的情况下,是否应该坐飞机来参加一个小时的会议。” Par06  认识到敏捷不仅仅是一个框架 查尔斯河实验室是一家早期药物研究机构,它不仅在开发新的技术,还在改变员工的工作方式。例如,公司高级副总裁兼首席信息官Mark Mintz表示,IT正试图将“敏捷的工作方式”植入公司文化。“我们的目标是将技术以更迭代的方式更快地推向市场,并迅速的识别和解决问题”,他说。IT的方法是启动beta,测试并从中学习,然后改进并提供更多的特性和功能。 这会涉及到改变人员,文化和技术,他说。“即使是最好的技术也不会自动实现。你需要不断的学习和开发新流程并了解拥有新技术的高技能人才,以便充分利用它们。” 但是拥有优秀的人也只能让你走到这一步。如果他们没有协作,或者没有给他们一个安全的实验空间,没有授权使用他们的技能,你也就不会从技术中获益,Mintz说。 考虑到其业务性质,Charles River还正在实施人工智能和机器学习等尖端技术。但IT也在部署api和微服务,并考虑和设计一个更加灵活的架构。“这一点至关重要,因为它使我们能够大规模的进行这些扩展。”Mintz说。安全性也是至关重要的,他补充说。 “我大部分的时间都花在人才和文化方面--培养这些人才,确保我们能够发展人才,并创造最佳的文化和环境,”他表示。“坦率地说,那就是给他们让路,消除障碍,让他们做自己擅长的事情。”在大约10年前学习敏捷的过程中,Mintz说他就已经意识到敏捷不仅仅是一个框架和一种方法了。 “坦率地说,那些把敏捷看作框架的人忽略了它的影响,”他说。“敏捷就是找出正确的问题是什么。”他说。然后,如果你把它分解成小块,并进行快速的迭代,你就不会走得太远,并在以客户为中心的方法中,你会不断地与客户联系。 “领导者的职责是为团队创造测试和学习的空间,”他说,“并消除阻碍他们的障碍。领导的职责不是告诉他们该做什么。” Part07  投资于云计算实验 当Arup开始数字化转型时,这家全球性的工程公司大举招聘了美洲地区的全部1800名员工,并让每个人都拥有了参与感,Arup美洲地区的首席信息官John DiCamillo表示。 这家总部位于英国的公司采用了一种专注于四个D的设计方法:发现问题、定义挑战、制定答案和提供解决方案,DiCamillo表示。 领导层认为应该有一个工具来让人们寻找做事的新方式。现在,人们可以申请资金在云计算中尝试一些新东西了,无论是自动化活动还是创建工具,他说。 DiCamillo发现,人们之所以不愿意使用云服务,是因为他们必须弄清楚如何在微软Azure或亚马逊AWS上支付时间。因此,他决定“为人们提供种子资金,让他们了解如何在云计算中进行高性能计算,并使用技术来提高效率。” 员工可以申请从几千美元到25000美元不等的任何费用。唯一需要注意的是,员工最后必须提交一份价值报告,确定投资回报率,无论是在节省时间、提高效率、获得新技能方面,还是在其他领域或其他项目中的潜在重用方面,他说。 种子基金已经创造了一些工具来取代手工劳动,DiCamillo说。“工程公司喜欢Excel电子表格,但归根结底,这些公式也可以被代码取代,”他说。它也带来了新的工作方式。例如,利用高性能计算可以在数小时内而不是数天内完成项目,他说。 随着企业继续他们的转型之旅,领导者们说他们已经学会了很多其他的秘诀。Honeywell的Jordan总结道:“设法让它变得简单,可预测,更聪明,以及更具相关性,你就会收获惊喜和喜悦。” VIA的Young说,他已经学会了必须接受把事情搞砸的情况。“你必须愿意承认有些事情并没有成功,然后再重新开始,继续前进。我们可能会认为顾客想要某样东西,但他们其实并不想要。在IT行业,我们很容易就习惯了自己的式。” 转型是一个持续的过程,因为变化和增长的步伐在不断加快,他表示。“认为旅程终究会结束的观点是错误的。我们总是需要着眼于下一步要做的事情,以便更好地为员工和客户服务。这场疫情大流行是有史以来最伟大的变革引擎……而且再也回不去了。”   【END】 最后,感兴趣的关注公众号,后台回复“资料”,我们整理了6个G数据平台、数据仓库、数据仓库、数据治理、企业数据化管理案例,供大家免费领取!  
财务视角下的BI价值——把握客户需求,助推业财融合
作者:帆软数据应用研究院 王文信 德必集团简介: 德必集团是中国领先的、专业致力于文创、科创企业发展的服务商。不仅为企业提供舒适、生态、个性化的高品质办公环境, 也为入驻企业提供创业服务、品牌推广、财务顾问、工商注册、wehome线上服务等“十大会员服务”,为企业提供系统优质的微生态创业环境,助力文创、科创企业的持续发展。 乘着数据的东风,商业智能,也就是BI,成为企业近年来的信息化热词。随着市场的持续发展和企业的不断实践,BI提供决策依据,赋能企业管理和业务这一价值也被广泛认可。那么从业务视角出发,BI又是如何产出价值的呢。德必集团财务中心副总监赵彦芳女士围绕数据、客户和业务三个方面,从财务视角向我们分享了她对于BI价值的独到理解和看法。 Part1  数据价值:消除数据孤岛,减少决策延迟 数据孤岛和决策延迟可以说是企业的共性问题,只不过对于财务人员来说,会更加明显和深刻,因为这可能是每个财务人员在制作报表或分析数据时都会产生的困扰。 谈到这个痛点,赵彦芳为我们举了一个例子:“例如我们在分析一个问题的时候,需要从不同的系统去抓取数据,数据抓取过来之后呢,要先做筛选,再做汇总,然后才是分析,最终才能得到你想要的东西。如果系统是独立运行的,这个过程的复杂度又会进一步上升。” 在应用帆软BI系统之前,德必就处于这样一个状态。好几个系统独立运行,财务有自己的财务系统,业务有自己的业务系统,办公也有一个单独的OA系统,这就导致所有的数据都是分散开的。 “如果我们想要做数据采集或者是分析的时候,就要从这三大块不同的系统里面去取数,甚至可能还有纸质的一些数据需要整理,例如Excel表格,还有签订的纸质合同订单等。在取数的过程中,因为我们各个系统之间的数据没有打通,那么就需要凭借财务人员自己的一些认知和思考,去判断这个数据可能和什么数据相关。但是实际上这些数据是不是相关,或者说是不是有更多能够关联的因素,我们的财务人员也是不太清楚的。这样一来,整个过程的难度就可想而知了。” 数据孤岛在增加取数难度的同时,也带来了另外一个问题,那就是决策延迟。赵彦芳表示,财务人员做一个财务分析报告可能要很久很久,原因就包括数据孤岛的存在让财务人员在取数等准备工作上花费了大量的时间,遇到需要手工处理的数据会更久。 “可能等这个事情都已经结束了,财务分析报告才被做出来,这时候财务分析报告就失去了它原本的意义和作用,也就是说,它影响到了领导们下一步的决策,严重的话甚至会给企业带来损失。” BI的应用就很好地解决了这两个问题,财务人员在BI系统上能够轻松随意地抓取、组合需要的数据,常用的分析报告也可以在系统中以固定格式生成,大大减少了决策延迟。   Part2  客户价值:精准分析需求,提升客户满意 得客户者得天下,对企业来说,客户是经营发展和赢得竞争的关键要素。如果说解决数据孤岛,提高决策效率是最直接最基础的BI价值,那么其为客户运营带来的价值则是更进一步,能够更精准地分析客户需求,从而提升客户的满意度。 “我觉得BI其实可以从更高的一个层次上去讲,它可以协助我们去分析客户,让客户满意。那么如何能够让客户满意?那我们首先要知道客户需要的是什么,他关注的是什么。 通过BI系统把各项数据打通,那么我们会发现,其实客户关注的点可能在于日常的一些细节,而这些细节和我们了解的点是不一样的,但是都被他的行为数据完好地记录了下来。 所以我们基于这些数据,经过BI系统的一些分析,可以给每一个客户做一个画像,或者说给我们的客户群体做一个画像。”赵彦芳向我们介绍了她在客户价值层面的一些体会和实践。 她表示,这样做的好处就是能够精准地把握客户需求,而且可以找出一些客户行为背后的模式,与之前的方式相比要更客观、更高效,也为后续客户满意度的提升提供了有效的参考依据。 “那得到这样的客户群体画像之后,客户的需求就能够反馈到我们的产品设计、服务设计,乃至我们日常管理上的一些运营设计,三管齐下,去推动我们整体的改进优化,进而实现客户满意度的大幅提升。” 客户数据在BI系统中经历了这样的一个过程后,可以说形成了从产生到应用再到产出价值的完整闭环,真正成为了企业的生产力。   Part3  业务价值:从点到面推广,架起业财桥梁 对于财务人员来说,业财融合可谓是近年来的重要命题。然而业财融合在企业的落地却并非一蹴而就,喊口号和拍脑袋无济于事。赵彦芳认为,业务和财务之间需要信息技术和工具来进行协调和支撑,BI就是一个不错的选择。 德必集团也在做业财融合,但是面临推广问题,那么如何解决呢?他们的思路很简单,就是从点到面。首先从财务切入,通过BI系统做好财务应用,产出价值后再将价值向其他业务部门辐射,逐步实现业务和财务的有机融合。 “我们现在的这个BI系统,不是只有我们财务在用。包括我们的一些业务部门,各个模块的业务领导可能都会使用,他们可以直接从BI系统上面及时地关注到各项业务和整个企业的运营情况。了解到运营情况后,能做的事情就很多了,像优化流程、降本增效、业务创新等,都是可能的价值,这样业务就会发现其实BI系统是非常有用的。” 最后,赵彦芳在总结业务价值的同时,也为帆软和帆软BI产品给出了很高的认可和评价。“我觉得帆软BI其实不仅仅是一个工具,它更是嫁接起整个业财融合的一座桥梁。它和企业的一些发展方向非常适配,并且能够协助企业发展得更快、更好。”   【END】   最后,感兴趣的关注公众号,后台回复“资料”,我们整理了6个G数据平台、数据仓库、数据仓库、数据治理、企业数据化管理案例,供大家免费领取!
谈谈让数据创造价值的4大核心要素
文章来源:数据驱动智能,文章作者:晓晓 从收集数据到使其成为可指导操作的知识并形成对业务决策的影响,这是一条充满挑战的道路,特别是如果组织尚未进行数据驱动的转型或没有完全具备正确支持它的能力。 Part1 数据的价值意味着什么 当谈到不同行业的业务发展战略时,数据的作用至关重要,并且是创新和可持续发展的催化剂。几乎所有公司现在都在开展数据和分析项目。 “数据是新的石油”这一常见表述将数据定义为推动公司业务发展的重要资源。与石油一样,如果知道如何正确提取和使用数据,数据就会成为非常宝贵的资产。原始数据本身不会带来任何价值。 数据资产是组织拥有的任何数据,如果得到充分和有效的利用,可以为组织创造价值。 Part2 3V特征让汲取数据价值变得更难 3V长期以来被用来描述“大数据”的特征: V(数量大):要收集、存储和分析的数据量大。 V(来源多):各种数据通过不同类型的格式和特征来管理,而且它们的来源也非常多样化。 V(速度快):数据的速度既包括收集的速度,其来源和结构的变化速度。 企业管理的数据的复杂性在这三个维度上从未停止增长。最重要的是,这些数据所代表的业务环境也比以往任何时候都发展得更快。 所有这一切都使得确定正确的关注领域变得极其困难,并且需要推进结构化方法和框架来盘点、评估和从这些数据中创造价值。 Part3 数据价值有关的业务流程和3U挑战 数据资产的价值来自于它在组织内的使用方式,使用方式决定了数据资产的重要性,最终决定了数据资产的货币价值。 事实上,数据驱动的成功在于数据影响了与公司目标一致的运营流程,这需要交付的解决方案来解决 3U的问题: U(可用):数据必须是可用的,集成在技术堆栈中并与操作系统连接。 U(有用):被能够解释结果和建议并采取行动的业务用户理解。 U(被用):实际被业务用户用于决策,并不断改进以遵循业务环境和发展。 Part4 数据分析必须被视为一种业务能力 数据分析需要全面支持和整合核心业务功能和流程,最终创造可衡量的价值和影响。 只有 32% 的受访企业高管表示他们能够从数据中创造可衡量的价值,而只有 27% 的受访者表示他们的数据和分析项目产生了可操作的见解。(埃森哲) 许多公司在数据驱动的转型中苦苦挣扎,推动业务可持续发展并证明数据的价值,实施全面的价值管理方法来应对挑战并实现收益至关重要。 Part5 数据创造价值的四大核心要素 数据价值管理依赖于 4个核心要素,以便连续地处理所有不同的维度: 正确的数据战略,以协调工作并支持业务目标。 管理和运营数据挑战的正确技术基础和架构。 有效设计、构建、部署和运营数据与分析计划的正确运营模式。 正确的环境和变革管理,以实现更高的数据素养和数据驱动的决策文化。 (一)调整与业务一致的战略 数据和分析是支持业务战略的推动力,分析本身并不是目标。如果没有这个清晰的对齐框架,在收集、清理、准备和分析数据方面所做的努力都是徒劳的,因为它们不会导致有效的决策制定。最终结果是高管们对缺乏收益与对人员和技术的大量投资感到沮丧。因此,确保数据和分析项目组合完全专注于交付成果并因此与业务战略保持一致至关重要: 为了实现这一点,组织需要在企业级有一套明确定义的优先级,并定义将用于衡量成功的 KPI。 组织需将所有举措映射到他们的战略优先事项,确定相关风险和预期结果。 组织需要意识到当前的成熟度水平,以便预测某些举措的转型影响,并在实施过程中考虑这一维度。 可以通过选择正确的计划集、匹配组织的投资能力、对转型的兴趣以及预期的业务影响来优化投资组合。  这个调整过程需要通过收集整个组织的贡献来执行。在这种情况下,需要从一开始就进行协作,以确保可操作性和支持。 还必须确保在计划的整个生命周期中持续可见的蓝图和路径,以免迷失方向。此外,定义一个持续的流程来管理新出现的想法、对其进行限定,并在需要时调整产品组合。 数据和分析战略作为一个框架,可以随着时间的推移选择正确的重点领域和投资,以构建、管理和交付最佳的数据和分析计划组合。 (二)关注前沿的技术基础 数据和分析计划需要经过调整的工具和解决方案来有效管理和使用数据:捕获、存储、转换、分析和可视化它们的所有不同性质,并满足所有用户的不同需求(从偶尔需要报告和自助可视化的用户到需要高级分析能力的专家)。 由于数据和分析的技术市场充满活力,创新频繁,因此在设计架构时需要考虑到灵活性和演进性。我们希望架构随着成熟而扩展和适应,并且绝对不想错过下一波数据技术创新! 理想的数据架构还可以作为更广泛的 IT 转型的基础,通过与操作系统连接,不仅可以作为数据源,还可以用于自动或手动决策。 数据和分析架构的目标是定义关键的组织和运营指导方针,以部署工具、运营和管理数据存储和管道以及发展,类似于城市规划。 部署和利用这些基础还需要对技能进行大量长期投资,以利用新技术并伴随整个组织的数据素养和方法论的演变。 (三)持续改进的运营模式 数据和分析项目不是一次性的,它们需要一个持续的改进周期: 它们影响本身需要不断改进的业务流程。 它们依赖于各种数据源,它们都有自己的进化率。 他们对环境变化(个人行为、经济环境、意外事件等)非常敏感。 他们需要适应业务战略的演变。 因此,交付具有影响力的数据和分析计划需要建立适当的运营模型来管理和优化整个生命周期内的投资组合,从计划的出现到其策划、优先级、实施、部署等。 此运营模型需要包括跟踪成本、行为、性能和最终影响随时间推移的能力——以评估价值以及所需的维护和演变:防止模型衰减或漂移,合并额外数据,管理数据源的演变,适应不断变化的业务环境等。 持续监控创建了一个反馈循环,这是确保数据和分析计划随着时间推移的可靠性和准确性的关键,从而实现持续改进。 有效的数据和分析运营模式的关键因素: 可见性,在组织内对倡议、贡献者、预期与有效价值和影响的所有维度进行可见性。 全面性,涵盖整个生命周期,提供针对每个阶段量身定制的支持和指标。 适应性,考虑到组织内成熟度的差异和特殊性:能够结合一个共同的参考框架来跟踪计划和资产。 协作性,以便有效地包括在整个生命周期中参与数据项目的所有参与者:目标用户、业务专家、数据提供者、数据和分析团队、IT 团队等。这在某些情况下包括客户或供应商。 受治理,以便共享清晰的流程、职责、角色和管理风险。 自动化,以便从 XOps 管道连续、轻松地收集所有监控和跟踪信息。 (四)价值驱动的数据文化 虽然组织投资于制定战略、建立正确的技术基础和部署有效的运营模式,但他们需要确保每位员工都具备理解和使用数据和分析的技能。否则,数据驱动的组织概念可能会停留在一个想法而不是现实的阶段。 75% 的员工不喜欢处理数据(来源:埃森哲) 个人不理解或不信任数据和分析的风险是巨大的,这会危及举措的采用和有效部署:他们要么无法正确使用可用数据进行决策,要么恢复到以前的操作方式并忽略可用数据。 数据素养也是创新的关键,使个人能够信任可用数据和交付的计划,识别并提出可以节省成本、提高效率、新收入来源等的新计划。 建立信任对于实现价值至关重要。结合对持续活动的可见性、可访问和可重复使用的知识、员工的技能和数据素养,可以建立信任!有了信任,组织可以完全由数据驱动并提高他们的创新能力。 这种面向数据素养的深刻文化变革需要词汇表,因为必须使用通用语言和定义来建立信任并鼓励团队之间的协作。 招聘和培训,大多数组织已经确定需要聘请数据人才,但也需要为其现有的非数据专业员工提供培训,以培养他们为数据和分析计划做出贡献的技能和能力。 协作,在整个数据和分析计划生命周期中让合适的人参与进来,以便他们以正确的方式提供正确的见解,并建立社区以触发知识共享和丰富。 支持和变更管理,以确保个人获得所需的帮助,以了解如何使用可用工具获得更多自主权,如何依靠现有数据和分析在他们的环境中采取行动,如何改进自己的流程,或确定培训、工具或新举措方面的新需求,以满足他们的需求。 Part6 小结  既然我们已经了解了通过数据和分析实现价值的关键要求,那么开展路径是什么呢? 最好的方法是从评估组织的数据管理成熟度开始,并在此基础上制定适应本组织的数据开发和分析计划。 数据和分析计划应始终包括以下4个核心要素: 首先将组织的数据战略定义为让每个人都关注目标和关注点的方式。 定义和部署强大的技术和架构基础。 定义或改进组织的运营模式,以管理和优化您的计划和资产组合,并随着时间的推移监控所产生的价值。 投资于数据素养并为强大的社区注入活力,以实现数据驱动的文化。同时,部署一个持续改进周期,随着成熟度的提高、不断变化的业务条件和新的风险或机遇的识别,丰富、发展以适应环境的要求。   【END】 最后,感兴趣的关注公众号,后台回复“资料”,我们整理了8个G数据平台、数据仓库、数据仓库、数据治理、企业数据化管理案例,供大家免费领取!  
三安光电CIO高育聪:从实践中提炼的企业数字转型要点
来源:帆软数据应用研究院 三安光电股份有限公司成立于2000年11月,于2008年7月在上海证券交易所挂牌上市(股票代码:600703),总部坐落于素有“海上花园”之称的厦门,产业化基地分布在厦门、天津、芜湖、泉州、鄂州等多个地区,是国家发改委批准的“国家高科技产业化示范工程”企业、工业和信息化部认定的“国家技术创新示范企业”,承担了国家“863”、“973”计划等多项重大课题,拥有国家人事部颁发的博士后科研工作站及国家认定的企业技术中心。  本期,帆软数据应用研究院有幸邀请到了三安光电股份有限公司CIO 高育聪先生,为我们分享三安光电BI数字化转型中积累的经验与智慧。 Part1 数字化转型能力不足的原因 先跟大家聊一聊数字化转型的一些宏观问题,下图是2020年麦肯锡通过调查企业IT的中高层得出的结果: 这个调查结果展现了当前企业数字化转型的一些共性痛点,比如缺乏领导关注、成本过高、人才缺乏、方法缺失等等,针对其中占比最高的三个关键性问题,高总结合他的经验给出了一些具体的解决办法。 Part2 转型成本预估过高 这个问题是非常典型的,很多企业的老板在听到数字化转型需要投入的IT的资源以及人力成本,很快就会对数字化转型产生质疑及否定。而且对于IT部门来说,也难对领导描述清楚数字化转型后带来的业务价值和成果。 正常来讲IT部门一般会采取两种办法。第一种就是使劲跟老板吹,把结果描述得非常好,有可能老板信了,就会给钱开始干。第二种方式是先做一些案例给老板看,这个很重要,先通过一些小的案例,让老板看到数字化的效果和价值,如果需要得到更好的效果,那就需要更多的投入,这样获得老板支持的概率更高。 Part3 缺乏清晰的商业模式描述 这一点比较关键,因为很多人都以为数字化转型应该从IT部门开始的,所以常常会把思路局限,但事实上很多企业IT的部门的人,并不是正经IT科班出身,很多企业的数字化转型有些是由财务、营销部门开始推动的。因此对于甲方企业,要推行数字化转型的改革,很重要的一点就是要跟业务方站在一起,站在业务的角度才能更加靠近公司的发展战略,IT的发展也能更加清晰。 但是想要从业务端开始推行也绝非易事,想要获得业务端的信任与支持很难,对于业务部门来说他们关注的更多还是投入的成本和显性的价值。因此IT在与业务尝试合作的时候,一定要学会将很多的IT技术转化成业务能够理解的东西,并且一定要尝试去了解业务,从业务的角度去描述价值,这样他们才能愿意跟IT开展合作。 Part4 缺乏数字化转型专业人才 实际上在现在整个数字化转型的发展上,IT人才一直是十分缺乏的,问题的根源其实并不在于IT人员的数量上,而在于IT以及业务整个的观念以及思维方式的转变。很多问题并不是IT人员能够及时去响应的,而是需要业务的配合去推进。传统观念下,业务一有数据相关的需求第一个就是想着让IT开发报表,结果IT花费很大精力开发出来的报表,业务并没有人看,这样的模式也导致IT的工作没有聚焦点。因此数字化越好,并不是报表越来越多,而是展现出来的数据要有人用,甚至可以把它推到前面去,让业务方知道怎么去用。比如,现在三安的很多业务部门通过简单的培训,学会了使用帆软的一些工具自己去实现一些报表和分析需求,这就是一种观点和思维方式的转变。这样的转变不仅能够带来业务部门数据能力以及公司数据应用效率的提升,另一方面也缓解了IT部门的压力,这些是业务部门以及IT部门的领导都乐于看见的。 Part5 数字化转型的前提:人、作业、数据、技术 在高总看来,企业要进行数字化转型是有前提条件的,分为这四个部分:人、作业、数据、技术。第一个部分是人,刚刚上面讲过了,就不重复了。作业的部分就是要建立标准,一致化的执行,这跟第三点“数据”是息息相关的,没有标准的规则好流程的话,很难保证数据质量是好的,数据质量差了,那后续的数据分析、组织就失去了意义。数据的部分可以拆分成:数据质量、数据治理、数据透明、数据时效、数据组织这几个模块。这当中,数据质量、数据治理是非常重要,且非常难做好的两个模块。你去跟老板说我们公司数据治理做得很好,非专业IT出身的老板一定听不懂你在讲什么,他感知到的好,可能还不如你拿一张开发好的精美报表给他看。因此,这也是数据治理很重要,但又经常被企业忽视的原因。最后一点就是技术,在现在的大环境下,IT技术和资源获取对企业来说并不难,不管你是要找咨询的也好,要找开发的也好,或者是找像帆软这样的工具也好,都有很多种渠道。 Part6 企业上系统必须要有组织 在传统制造业信息化转型的过程中,第一步通常都是根据业务流程,上各种各样的系统,构建基础的IT架构,比如常见的ERP、MES等系统。然而,传统IT搭建架构基本依循单一系统设计原则,单看一个系统感觉完整。但信息一旦整合就无弹性。系统之间的独立,也造成了数据间的不流通,形成数据孤岛。 而数字化转型搭建架构更多考量是系统间协同、使用便利、响应快速甚至大数据分析后的智能决策,相较于传统IT架构,前者是有什么数据用户分析什么,后者则是问题是什么数据来告诉我们为什么,创造更具价值信息链条。 为了解决传统IT架构带来的数据、信息孤立的问题,三安光电的转型之路分为了两个部分。“第一部分就是让系统有组织,就像我们企业的岗位划分一样,每个岗位各司其职”高总说到。三安光电的系统框架建设并非简单地集成了系统,而是围绕业务流程的优化,梳理了不同系统的定位和职能,通过业务需求和系统职能的拆分和组合,最终实现了整个IT架构的串联和各项信息数据的连接和共享,对于企业各业务流程上的系统都有非常明确的定义,为后续的数据信息流通打下了坚实的基础。 Part7 打通生产和运营环节 在明确了企业各业务系统的功能和定义后,三安光电的“芯智造”改革工作聚焦到了产品的生产制造上。对绝大部分制造业来说,生产制造的环节十分关键。所以三安光电又把生产制造的各个环节细分出来,各个环节的每个系统的信息流如何链接打通,最终要呈现出来的效果是什么,都做了详细的规划。 但是仅仅在生产制造的环节下功夫,从长期来看是很难支撑集团整体战略目标提升计划的,要想全面发展,必然要将基础的生产制造与上层的运营环节结合起来。那么在生产与运营环节之间搭建一座桥梁呢? 答案就是OA系统。高总说,有时候很多人会觉得OA系统看起来不是很起眼,事实上,对于制造业来说,OA系统有一点像我们的血管,因为我们所有审批,所有的生产制造指令都是由OA去下达的。 三安光电在整个LED芯片制造或者集成电路这个领域里面属于重资产的一个企业,所以在设备,尤其是生产设备上非常重视。设备的稼动率、设备的一些维修情况、设备之间的产出对比等等关键数据都通过帆软的FineReport工具展现出来,及时地监控每个设备的运营情况。 另外,还通过帆软和三安光电的MES系统做数据集成连接去透明整个生产排程信息,除了能知道设备当前是在生产状态之外,还透过即时性的报表知道这台设备上的产品还要生产多久,知道了生产时间就能够知道下一批货什么时间要排进去让机器生产。因此,三安是把整个的设备中心做了一个设备跟产品以及物流的一个连贯。 Part8 数字化是一个必然趋势 在高总看来,数字化是一个必然趋势,对于制造业来讲,它需要很多的数据整合来提升整个企业的响应速度。三安在数据的应用的上面一直围绕着一点,就是如何通过数据去让管理层去做正确的决策。另外系统以及工具的选择上,要考虑业务的学习和使用难度,只有让业务快速理解和适应新系统了,整个项目的推进才能变得更加顺利。   【END】 最后,感兴趣的关注公众号,后台回复“资料”,我们整理了8个G数据平台、数据仓库、数据仓库、数据治理、企业数据化管理案例,供大家免费领取!
谈谈工业企业指标数据建设步骤和注意的问题
来源:数据智能驱动,作者:晓晓   Part1 指标数据常见问题 指标数据存在于企业经营管理的方方面面,企业的人资部门、财务部门、战略管理部门、生产管理部门、采购管理部门、安全环保部门等各部门对指标数据均有相应的应用。比如战略管理部门关注企业负责人经营业绩考核指标、部门履职指标、企业提质增效指标、经营业绩指标等;财务部门关注企业的采购量价类指标、产销量价类指标指、能源类指标、财务类综合指标等;安全环保部门关注产值能耗、增加值能耗等指标。因此,指标在集团各部门有着广泛的应用。这些指标分散在不同的信息系统里,主要有财务系统、ERP系统、SCM系统等,指标数据在管理和应用过程中主要存在以下问题: 1.指标口径不统一 在企业管理和业务活动中,存在指标数据的名称相同,但统计口径、计算方法却有较大差异的情形;或者反过来,指标数据的计算方式相同,但名称却各异。定义不统一的指标会带来很大的沟通障碍,降低沟通效率,甚至“差之毫厘,谬以千里”。 2.指标体系不完整 企业各部门根据自身业务需求,都有一部分的量化指标,但不够全面,也缺乏方法论指导,对于集团整体数据分析应用能力提升的指导作用有限,且在使用过程中孤立强调某些指标的趋势,而忽略综合分析、长期跟踪与定期比对指标的重要性。缺乏整体考量而设置的指标体系,以及错误的指标分析方法,会产生错误的分析结果,进而影响公司运行、绩效改进的决策。 3.指标问题追溯难 指标数据大多经过多重计算得到,有些指标需要经过很长的加工过程才能得出,如无法追溯指标的加工过程,就不知道指标所用的数据来源,无法快速找出指标出错的原因和对应的责任部门。指标的一致性、完整性、准确性和可追溯性得不到保证,出现问题时各部门间相互推诿的情况时有发生,导致指标问题难以得到解决。 Part2 指标数据的建设步骤 1.确定指标主题划分结构 通常以企业的战略出发点,将战略实现分解到各业务域,在按照各业务域的绩效重点构建指标分类结构。 根据企业的管理需要,数据指标主要涉及战略、经营、财务、人力、安健环等主题的内容,为了使指标的归类更加科学合理,将数据指标主题进一步细分为一级子主题和二级子主题。以下仅为示例: 2.梳理每个主题下的指标 按照《指标主题划分结构清单》,根据公司业务战略规划、各部门对应的生产经营的考核制度(含KPI指标)、经营分析汇报材料、数据表格、统计报表,梳理指标相关的技术信息,如系统来源、指标计算逻辑、相关统计维度等进行指标的梳理,形成《指标字典》。 根据企业的实际业务和技术管理需求,确定指标元数据的字段,用于描述指标的业务含义和技术规范,并且作为指标信息收集的依据。以下字段仅为示例: 然后根据指标的主题分类情况,企业的信息系统、纸质/电子档统计报表、领导汇报材料中找寻所属的相应指标,并且按照上述指标元数据字段的要求,收集填写相应的信息,形成指标字典。以下仅为示例: 3.对指标进行业务解读 根据2初步梳理的《指标字典》,对公司各主题指标负责人进行访谈,添加指标的业务意义解读,将第一步和第二步的工作成果相结合,形成有业务含义的《指标字典》。 下面以物资管理域为例介绍如何通过访谈理解业务范围内的指标: (1)了解业务范围 某公司的物资管理的主要内容:采购需求分析、采购结构分析、采购价格分析、库存分析、采购执行等。 (2)了解业务关注点 进行物资采购计划完成率、需求计划完成率、采购计划偏差、各专业紧急采购计划分析等,作为保障物资供应的输入。 按采购方式和业务类别进行采购数量和采购金额的构成分析,并分析本年各月采购金额的趋势,作为优化采购物资的输入。 按类型、专业进行库存金额、库龄的分析,进行项目实施前后库存对比分析,作为加速资金流转的输入。 (3)通过梳理得到的该公司物资管理域的七大指标子主题: 采购主题:采购订单基本情况;长期未定标预警;长期未签合同预警;采购数量同比分析、采购数量结构分析。 库存主题:采购入库量;采购入库金额;备件延期到货预警;物料退货情况。 计划主题:招标档案基本情况、订单完成情况、订单退货分析。 供应商主题:供应商信息基本情况;中标率预警;弃标率预警;独家供货占比;监控独家供货风险、供应商退货情况。 财务主题:购价格对比(损失)、采购金额同比分析、采购金额结构分析、按年、月、日或其它自定义周期来进行实际费用和花费的比较;审查过去现金流的趋势,并预测未来的现金需求量;复杂项目的预算计划和成本分摊;整合各分支机构的财务数据,形成正确、一致的财务报表。 价格主题:原燃料采购价格走势、采购价格趋势分析、平均价格变动同比 (4)将指标子主题的业务含义和指标字典的具体指标相挂钩,形成指标目录和明细。以下仅为物资管理的部分指标体系: (5)将公司所有业务范围内主题下的指标全部梳理完成后,形成了完整的指标字典表。 4.对指标进行管理和应用 指标梳理完形成标准的指标库,只有对指标进行有效的管理,才能使指标的标准化持续有效。因此,要建立指标数据管理组织,编制《指标管理制度》,制定指标使用标准和维护流程。指标的应用是将指标数据字典维护在指标管理平台中,并且根据制定的管理制度配置相应的申请、使用、维护权限和流程供其他分析系统进行应用。 Part3 指标数据建设注意的问题 1.依据科学的方法找准指标 指标分散于众多信息系统中,虽然找到它们犹如大海捞针,但亦有规律可循。“找指标”的工作主要采用“自上而下”和“自下而上”相结合的梳理方式。其中指标分类应从业务管理需求出发,自上而下逐层展开;而具体指标以业务系统为导向,则自下而上逐层筛选。 2.构建原子指标、复合指标和衍生指标之间的关系 指标的体系化主要表现在复合指标、衍生指标和原子指标、维度间的关联。因此,构建指标间的联动关系和逻辑,是指标数据能够灵活、扩展、高效应用的基础,也是快速构建数据多场景分析应用的保障。因此,在数据指标体系构建过程中不仅仅是技术人员,更是多部门业务间的协同,甚至需要业务专家的深度参与。 3.选择功能易用的指标管理系统 现实中常见的情况是指标梳理完存在Execl表里或静态的存在某某系统里,尽管形成了指标清单和指标列表,也只能供查询使用,或者梳理完就禁锢在某个部门里。因此,选择良好功能的指标管理系统,将指标标准、管理组织和运营流程有效配置,才能让指标成为活的,真正用起来,为其他系统提供统一的指标体系。   【END】 最后,感兴趣的关注公众号,后台回复“资料”,我们整理了6个G数据平台、数据仓库、数据仓库、数据治理、企业数据化管理案例,供大家免费领取!  
中建西部建设新疆:业务场景移动化新体验,打造混凝土行业智慧工厂!
收录于话题#数字国资 为贯彻落实国家"十四五"规划发展目标,2021年12月,中国混凝土与水泥制品协会发布了《混凝土与水泥制品行业"十四五"发展指南》。 混凝土作为建材工业重要组成部分,是基础设施和工程建设最大宗使用的材料和构件部品,是"中国建造"品牌的重要支撑,不可或缺;也是生态保护、环保利废、应急抢险等重要的社会保障性产业。长期以来,我国建筑业一直被传统粗放的手工业生产方式所主导,工业化程度低、劳动生产率低、工人作业条件差等长期积累的问题,让建筑业的生产方式和行为模式很难跟上国家转型升级、创新发展的战略,也很难适应环境保护、节能减排、绿色低碳发展的大环境。 中建西部建设新疆有限公司是国内领先的建材产业综合服务商,隶属于世界500强企业中国建筑旗下二级专业公司中建西部建设股份有限公司的全资子公司。 公司拥有近十六年生产预拌混凝土的历史和成功经验,拥有从矿山、水泥、预拌混凝土、砂浆、混凝土外加剂到运输、泵送、检测较为完整的产业链。中建西部建设新疆有限公司作为一家商品混凝土公司,现场工厂目前已采用MES和ERP等系统,但随着业务的不断开拓,逐渐暴露出来以下数据问题: 1、当前信息系统的统计多针对于PC端,缺乏移动端应用对于现场一线人员造成了极大的限制。一方面,导致现场需要登记的数据多采用手工登记纸质登记,另一方面对于需要在系统中维护的数据,则需要现场人员往返于办公室与现场之间。 2、现场业务系统集中于现有的MES和ERP系统,无法覆盖到全业务环节,如巡检、设备管理、车辆油耗管理、安全管理等,对于生产工艺过程部分环节缺少系统的管控。 3、数据分散,数据利用率较低,价值发挥有限。 鉴于上述问题,中建西部建设新疆有限公司于近两年提出“一个APP,打造智慧工厂”的总目标,旨在通过FineReport移动端开发针对现场人员包含生产工艺各环节的APP。 Part1 移动的ERP,随时掌握生产工艺全过程 目前,中建西部建设新疆有限公司的ERP系统主要针对PC端,很多现场人员无法及时了解生产运营的各个动态,如订单、合同、任务、设备情况等,造成现场人员往往处于“蒙着双眼”干的工作状态。尤其在涉及需要现场人员操作的环节中,需要现场人员不断往返于现场和办公室之间,不仅耗费了大量时间和人力,而且非常影响员工人效。 为解决上述问题,公司决定通过整合生产经营业务开发ERP移动端,利用FineReport开发了包含生产情况、项目管理、生产计划、单项目核算等数十个场景的移动端应用,不仅实现了透明化管理,让现场人员能够随时随地了解生产运营过程,依据前环节的生产进度及时安排本环节工作,还进一步创新了企业原有的工作模式,使涉及现场人员的业务环节不再需要折返办公室,打开APP随时办公,并将异常数据及时推送给相应人员,及时完成整改,实现从过去“人找数据”到“数据主动找人”的转变。 Part2 设备监管应用,让设备资产情况尽收眼底 中建西部建设新疆有限公司共有资产5000余项,主要通过各单位每月上报资产台账从而了解公司资产情况,这类纸质登记的工作模式,导致无法准确获悉每类资产数量、状态,也难以查询到盘点、调拨和维修的历史数据,造成了一定程度上管理的缺失和滞后。 因此,公司内部时常出现设备已经损坏、闲置、报废,但总部业务部门却并不知晓的情况,无法实现及时调拨闲置资产和盘活公司整体资产的目标。同时,对于生产一线工厂而言,过去大多数设备提前损坏的原因都是因为设备点检不到位,所以设备点检工作对设备运营至关重要,但手抄记录的点检数据无法实现及时更新和联动分析,导致上级部门的需求常常无法及时落实到现场,只能通过定期检查去被动检验记录。 为应对设备管理痛点,中建西部建设新疆有限公司借助FineRePort开发了设备管理系统,并及时推进设备管理APP的开发,让管理人员可以管控设备全生命周期、让有效的设备数据分析主推企业盘活资产,将资产利用率提高20%。 同时,公司针对一线工厂的问题开发了设备点检APP,通过设计点检路线,统一规范点检设备、点检频次,并对点检设备张贴二维码,规范了点检人员的工作记录。在每次点检结束后,App将自动生成巡检记录,自动推送异常点位信息,自动生成统计分析报表。 通过设备点检APP的使用,使得设备利用率大幅度提升,实现了有效保障设备点检真实性、有效避免只做资料不去现场点检、有效监控点检异常的实时情况,借助大量点检数据的反馈分析,及时跟进问题原因,有效地分析出设备部件损坏临界点,提前更换从而避免较大损失。 Part3 多元移动应用,创新内部业务运作模式 在上述APP的应用之外,中建西部建设新疆有限公司基于当前业务需求,开拓数据思路,不断挖掘数据价值,打造了诸如油耗管理APP和收款小账本等多元APP应用,实现对各业务部门降本增效的赋能。 以油耗管理APP为例,公司共有车辆600余辆,但对于车辆油耗管理尚比较粗放,车辆每次的加油情况仅凭手动登记,并未对车辆油耗情况做出对比分析。在开发油耗管理APP后,成功实现了对每次加油情况以及支出费用的登记,自动生成油耗对标分析,实时监控车辆油耗情况,并及时对油耗异常车辆情况进行反馈,打造出公司内部的“小熊油耗”。 此外,鉴于公司客户较多,公司通过开发收款小账本APP对每笔收款实时登记、实时查看客户收款情况,并建立自主分析,实现了经营人员对每一笔收款都有途径记录、业务人员和公司领导对每一笔收款情况都可以实时了解与分析,为授信提供依据。 在新发展格局中,国家实施科技强国战略、制造强国战略,交通强国战略、区域协调发展战略,以“两新一重”(新型基础设施建设、新型城镇化建设、交通、水利等重大工程建设)为标志的庞大基础设施体系建设、交通体系建设、都市圈、城市群建设等,为混凝土与水泥制品行业带来了新的巨大的市场需求,同时也对混凝土行业的综合业务能力提出了更高要求。 在未来,中建西部建设新疆有限公司和帆软将持续扎根国资企业的数字化转型,希望看到有更多的混凝土企业可以抓住发展新机遇,利用帆软工具实现数字化、网络化、智能化转型,促进工业互联网、大数据、云计算、移动互联网与传统实体经济深度融合,为建设制造强国而努力。 【END】   最后,感兴趣的关注公众号,后台回复“资料”,我们整理了6个G数据平台、数据仓库、数据仓库、数据治理、企业数据化管理案例,供大家免费领取!  
​2022 年 CIO 现状:重点转向 IT 基础知识
作者:Beth Stackpole编译:CIO资源站 首席信息官们再次在创新和卓越运营之间走钢丝——这一次,是在强大的LOB联盟和挥之不去的大流行光芒的推动下。 如果说 Jamie Holcombe 从他长达数十年的公共和私营部门 IT 领导者职业生涯中学到了什么,那就是如何成为一名优秀的销售人员。 专注于业务优势,并以每个人都能理解的语言进行沟通,是成功实施IT计划的核心,无论项目涉及机器人流程自动化(RPA)等最先进的技术,还是更平凡一点,如升级老化的数据中心。现在,Holcombe刚刚摆脱了大流行推动的加速创新周期,他正在利用他引以为豪的销售技能来推动即将到来的IT议程,该议程以优化,安全性和企业弹性等基础领域为中心。 美国专利商标局(USPTO)首席信息官Holcombe丝毫没有担心,今年对实践而不是趋势设定的关注会给IT在业务中的地位带来任何挫折。与过去几年不同的是,他认为首席信息官处于有利地位,可以在不破坏地位或放弃任何领导地位的情况下度过回归基础的IT部署周期。"每个人都意识到技术是重要的 - 我们已经赢得了谈判桌上的席位,并得到了每个人的倾听,"他解释道。"如果你说的是极客话,或者专注于与业务任务无关的宠物项目,你就会失去它。确保你用商业术语与同事交谈,以便他们了解你是如何为他们提供服务的。" 像许多公司一样,经历了两年近乎不间断的数字化周期,USPTO也处于重新校准模式。在同时,追求创新以支持远程工作并提高客户、供应商和员工敬业度的同时,各行各业的公司都处于治理周期之中,以确保大流行时代的数字投资浪潮得到充分优化,并为企业创造价值。 资料来源:2022 年首席信息官状况图片来源:首席信息官 图片来源:首席信息官 CIO.com的2022年首席信息官状况研究反映了这种回归基础性IT工作的趋势,该研究调查了985名IT领导人和250名业务线(LOB)参与者。在今年接受调查的IT领导中,有85%的人将时间用于转型责任,包括基础设施和应用程序的现代化(40%),使IT计划与业务目标相一致(38%),以及培养IT/业务伙伴关系(30%)。84%的调查对象表示,今年的CIO议程中也有很大一部分职能任务,其中安全管理(51%)、改善IT运营和系统性能(43%)、控制成本和费用管理(29%)是最重要的任务。与去年不同的是,67%的受访者将业务战略放在首位,2022年CIO状况调查中只有60%的受访者将时间花在推动业务创新、制定战略或确定竞争差异化机会等活动上。 首席执行官对IT领导层的首要任务还显示,他们越来越希望将多年的技术投资与卓越运营结合起来,同时确保数字计划全速运行并交付适当的业务成果。例如,三分之一的调查对象表示,今年首席执行官对首席信息官的首要指示是升级IT和数据安全,以降低企业风险。28%的受访者表示,加强IT/业务合作也是他们的首要任务。相比之下,领导数字化业务转型是去年调查中42%的受访者和2020年CIO状况中39%的受访者的首要任务,而在2022年CIO状况的受访者中,只有28%的受访者将其列为CEO的三大目标。 资料来源:2022 年首席信息官状况 图片来源:首席信息官 自然周期的波动使IT领导者难以在业务创新和卓越运营之间取得适当的平衡 ——这是今年调查中四分之三(76%)受访者的主要问题。虽然找到正确的立足点一直是一个挑战,但在过去的一年里,特别是在经历了一段旋风式的数字创新时期之后,在平行轨道上推进双重业务的必要性尤其迫切。 "与往常一样,这是一个必须同时做这两件事的故事,"总部位于康涅狄格州斯坦福德的金融服务公司Synchrony的高级副总裁兼首席信息官Bess Healy指出。"基本面是关键,但不能以牺牲创新为代价。我们不能把目光从球上移开,也不能失去抓住我们每天通过数字优先的体验和现代化推动的加速的机会。 资料来源:2022 年首席信息官状况 图片来源:首席信息官 >>>追求卓越运营 鉴于过去几年技术部署的疯狂步伐,总部位于加利福尼亚州门洛帕克的风险投资公司红杉资本(Sequoia Capital)和总部位于德克萨斯州休斯顿的废物管理和环境服务提供商WM等公司正在优先考虑完成启动的工作并改进流程,以确保最佳的投资回报率。在2020年大规模转向远程运营之后,红杉资本的IT团队将注意力转向为向混合工作的过渡做准备,包括升级网络,用新的摄像头技术重新配置会议室,改变业务流程以更好地支持协作,并为员工配备适当的设备设置,无论是在家里还是在办公室。"由于供应链延迟和设备延期订购,一些项目已启动但未完成,"该公司全球首席数字官雅芳普里(Avon Puri)说。"我们现在正在消化创新,并确保一切正常。下一个议程:寻找机会自动化关键业务流程并提高安全性,他补充说。 资料来源:2022 年首席信息官状况 图片来源:首席信息官 据该公司数字业务服务高级主管Erika Walk说,WM公司还在吸收和利用一项重要的业务启用计划,包括将其数据中心转移到云端并使其网络基础设施现代化。展望未来,由于基础设施的投资,公司将努力改善工作空间管理和员工体验,由此节省的资金将用于持续改进。 "加强员工体验和参与的努力将有助于提升数字集团的作用,并使技术成为所有与业务转型有关的对话的中心,"沃克说。"我们通过与运营或可持续发展方面的合作伙伴建立和创新,继续保持在谈判桌上。"而我们实施的基础设施计划使我们能够实现节约,获得的资源我们可以重新投资到其他领域的创新。" 红杉和WM正处于良好的状态。在2022年首席信息官状况的受访者中,46%的人正在推进提高运营效率的工作,而在上一年的调查中,只有34%的人在推进。41%的受访者认为改造现有的业务流程,包括自动化和整合,是当务之急,而改善客户体验(42%)和员工生产力(27%)在CIO议程中排名靠前。 到目前为止,正在进行的IT投资中最重要的领域是网络安全——考虑到首席执行官要求最大限度地减少企业风险,并且鉴于看似持续的勒索软件攻击和备受瞩目的数据泄露,这一行为并不奇怪。近一半的受访者(49%)认为,增加网络安全保护是推动IT投资的首要业务计划,高于2021年的34%。安全和风险管理是今年获得IT投资的最高排名技术计划,45%的受访者表示。作为实现混合工作的技术路线图的一部分,近一半(46%)的受访者表示,改善网络安全保护是当务之急。 虽然在过去几年中,网络安全一直是董事会层面的问题,但现在对话范围更广,扩展到IT和业务弹性,总部位于加利福尼亚州尔湾市的半导体制造商Skyworks Solutions的副总裁兼首席信息官Satya Jayadev指出,Skyworks既采取了防御姿态(即识别和阻止攻击),又制定了进攻策略,以使系统在更快的时间内恢复正常运行。"这不仅仅是一项IT工作,而是涉及业务连续性和危机管理的IT和业务工作,"Jayadev解释说,他指出Skyworks已经在IT内部开辟了一个单独的组织来专注于这一领域。 资料来源:2022 年首席信息官状况 图片来源:首席信息官 由于技术在大流行期间的推动作用,IT现在是Skyworks组织内每个构思讨论的一部分,无论是与安全性和弹性有关还是其他形式的数字创新。Jayadev说,越来越难以区分谁在跨职能团队中扮演什么角色。"我们在改进基础架构和应用程序领域所做的投资使业务用户感受到了 IT 的力量,"他解释道。"业务和IT之间的灰色界限基本上已经消失了,"Jayadev说,他举了一个例子,最近与一位第三方顾问进行了交流,这位顾问无法分辨出在哪里可以提出有关技术和工具的问题。"他们无法分辨谁是IT或LOB,"他打趣道。"这是我向商界领袖强调的一个巨大的权力声明。 >>>创新领导力仍然是必须的 2022年首席信息官状况的调查结果应该让人们不再担心首席信息官可能会失去他们在大流行病中的一点光辉。近四分之三的受访CIO(74%)相信,由大流行病工作引发的CIO角色的高知名度将持续下降。LOB的受访者虽然经常与CIO的角色观点相左,但他们也坚定地站在这个阵营。超过四分之三(78%)的受访者希望无论IT焦点的周期性变化如何,CIO的地位都能继续提升。此外,CIO们越来越被视为变革者,在业务和技术计划方面起着主导作用--这是大部分CIO(84%)和LOB(75%)受访者的共同看法。 今年的研究还证实了CIO在定义和领导数字创新方面的主导作用。86%的CIO说他们的角色更注重数字和创新,比去年的92%略有下降,而85%的CIO说他们与业务同行相比更多参与领导数字转型计划,比2021年的89%有所下降。 资料来源:2022 年首席信息官状况 图片来源:首席信息官 在Synchrony,持续推动现代化和提升其网络安全态势,但不以牺牲其数字优先的路线图为代价,这都是为了改变跨渠道的客户体验。在混合云、开放API和微服务的坚实基础上,Synchrony正在接受技术部署的产品思维,这将超越多个零售和商业伙伴。Healy解释说:"我们正在考虑如何在多个合作伙伴之间对待客户,并考虑在一套产品中的日常数字体验,而不是与单个合作伙伴在账户层面上提供能力,"。 由于对技术改变游戏规则的力量有明确的认识,只要IT部门继续关注共同的目标和业务成果,就会被视为数字优先的创新领导者。Healy说,培养关键的合作伙伴关系,保持沟通渠道的畅通和定期交换意见,这些行为对于保持这种一致性至关重要。"她说:"如果首席信息官或技术组织没有定期与商业或产品领导层交谈,这将会成为一个真正的障碍。"她说:"我们把参与和联系作为一个重点,以了解平台和产品团队正在发生什么。 >>>业务的战略顾问和合作伙伴 根据今年的研究,IT领导者似乎已经找到了与LOB同行建立信任并有效培养业务用户参与度的成功公式。首席信息官仍然是驾驭技术决策的首选资源 —— 今年接受调查的IT领导者中,超过一半(52%)将首席信息官归类为战略顾问,他们主动识别商机并提出建议,而26%的人将首席信息官视为顾问,提供有关技术选择的建议和指导。只有10%的受访者求助于CIO,其唯一目的是进行风险评估。 即使今年的重点是基本面,LOB对IT领导力的看法也与CIO自己对角色和责任的看法更加一致。在2022年CIO状况调查中,大多数LOB受访者(58%)将顶级IT主管视为战略顾问,主动寻求他们的帮助,以确定业务需求,提出技术建议,并帮助整理提供商选择,而21%的人则将IT领导力作为咨询资源。在今年的调查中,四分之三的LOB受访者认为CIO是变革者 ——这是对他们领导能力的重大认可 ,78%的人认为在大流行期间提升的CIO角色将继续保持领先地位和中心地位。 即使谈到对数字化转型的影响,与去年的调查相比,LOB受访者今年也更倾向于承认CIO。79%的LOB受访者认识到CIO的角色更加注重数字化和创新,而78%的受访者认为CIO在领导数字化转型方面发挥着巨大的作用,远远超过其任何高管。相比之下,在2021年CIO状况调查中,只有62%的LOB受访者通过数字和创新视角看待CIO的角色,只有59%的人认为CIO比其他高层管理人员承担更多的数字化转型议程。 奥什科什公司是一家位于威斯康星州奥什科什市的特种卡车和通道设备制造商,它人为在该公司建立一个 "客户至上 "的IT组织,并在内部培养这一品牌,这与建立信任和与企业建立密切联系有关,无论这种合作是为了支持人工智能的供应链还是简单的服务台参与。IT组织尽可能利用自动化来简化用户体验和工作流程。最近的例子包括利用机器学习来预测采购订单的短缺,利用RPA来自动处理以前的人工逾期采购订单审查过程,以及采用聊天机器人来简化常见的服务台互动。"高级副总裁兼数字技术首席信息官Anupam Khare说:"我们与企业的信任关系有助于使我们在需要时集中精力共同创造价值。 在美国专利商标局,Holcombe的IT组织已经从项目管理方向转向产品管理方法,以便与内部业务利益相关者建立更紧密的联系,并促进IT/业务协调。他解释说:"项目管理方法没有提供足够的商业价值——有太多的开始和停止,而且采购也不方便"。"现在,产品所有者是实际的业务部门,而不是IT人员。" 最后,它讲这些归结为巩固成功的伙伴关系的能力,尽管投资周期的起伏和技术重点的逐年转移,它将保持IT的相关性和高需求。 【END】 最后,感兴趣的公众号后台回复“资料”,我们整理了6个G数据平台、数据仓库、数据仓库、数据治理、企业数据化管理案例,供大家免费领取!
数据管理、数据治理、数据资产管理,到底有何不同?
来源:谈数据,作者:石秀峰 数据治理、数据管理、数据资产管理,有什么不同? 如果要用一张图来描述它们三者之间的关系,你跟赞成以下两幅图的哪个? 图1:数据治理包含数据管理,数据治理提出了数据管理的目标、架构和蓝图,数据管理是数据治理的技术实现,而数据资产管理是面向数据应用和数据价值的数据管理,属于数据管理的一部分。 图2:数据资产管理的范畴更大,数据资产管理是数据管理的延伸,而数据治理是确保数据能够被管好的策略。 你认为这两幅图,哪个描述三者关系更准确呢? 如果三个不好比较,那我们把它拆开,两两比较,看一看数据治理、数据管理、数据资产管理,到底有何不同? Part 1 数据治理 VS 数据管理 1、观点一:数据管理包含数据治理 业内主流观点认为数据管理包含数据治理。以DAMA为代表,在DAMA-DMBOK2的数据管理框架(车轮图)中,数据治理只是数据管理11个知识领域中的其中之一,如下图: 来源:DAMA-DMBOK2DAMA 关于数据管理和数据治理的定义如下: 数据管理(Data Management)是为了交付、控制、保护并提升数据和信息资产的价值,在其整个生命周期中制订计划、制度、规程和实践活动,并执行和监督的过程。 数据治理(Data Governance, DG)是指对数据资产管理行使权力和控制的活动集合(规划、监督和执行)。 DAMA认为数据管理是管理从数据的获取到数据的消除整个生命周期过程,而数据治理是为了确保组织对数据作出合理、一致的决策,也就是说数据治理是为了更好的管理数据,是数据管理的策略、规程或标准。 2、观点二:数据治理包含数据管理 另一种不同的观点则是认为数据治理包含数据管理。数据治理是为了实现数据资产价值最大化所开展的一系列持续工作过程,而数据管理是为了实现这一目标而开展的具体技术和业务活动。 数据治理为数据管理指明方向,指导、评估和监督数据管理的有效性;数据管理则通过计划、建设、运营、监督来反馈管理的成效和问题。 3、笔者的观点 如果我们用简单的包含和被包含关系来理解数据治理和数据管理,确实会有一些争议。笔者更喜欢用一个“金字塔”结构来理解它们: 金字塔顶层的应该是数据治理。与“治理”相关,我们还会经常看到、听到国家治理、公司治理的概念,从某种意义上讲,治理是一种自顶向下的策略或活动。如果我们将国家治理说成国家管理,把公司治理说成公司管控是不是有点怪怪的?因此,数据治理应该是顶层设计、战略规划方面的内容,是数据管理活动的总纲和指导,指明数据管理过程中哪些决策要被制定,以及由“谁”来负责,更强调数据战略、组织模式、职责分工和标准规范。 数据管理是实现数据治理提出的决策,并给予反馈,强调管理流程和机制。数据管理涵盖不同的领域,诸如:元数据管理、主数据管理、数据标准管理、数据质量管理、数据安全管理、数据服务管理等。数据管理是确保数据被管理和监控,从而让数据得到更好的利用。 因此,数据治理强调顶层的策略,管理是侧重于流程和执行,两种相互作用、相辅相成的。而如今,我们听到的更多的“数据治理”这个词,似乎只要涉及与数据管理相关的,都在说自己在搞数据治理。出现这个问题,主要是企业越来越意识到传统IT驱动或者说技术驱动的专项数据管理项目,在实施过程中很难推进、困难重重,并且很难解决业务和管理上的用数难的问题。而从战略、组织入手的数据治理顶层设计,更有利于推动数据管理目标的实现。 Part 2 数据、数据资源、数据资产 如果我们想更加深刻的理解数据资产管理与数据治理到底有啥不同,就必须先拎清楚“数据、数据资源、数据资产”的概念。 1、先说说数据 注意,这里的数据是指“原始数据”,即:记录事实的结果,用来描述事实的未经加工的素材。 数据有两个特征:一是可以描述事实,二是未经加工。例如:开车时,车速传感器记录下来的你的车速;监控摄像头录下的一段视频;气温计显示的温度;企业ERP系统的销售订单记录等等,都属于数据。 有人说:“未经加工的原始数据没有任何意义”。这点我是不认同的,我认为原始数据并不是没有意义,而是原始数据能发挥出价值是有限的(起码它能够描述事实)。但由于原始数据可能存在不能被人所识别,不能被计算机所保存,或者数据本身有质量缺陷等问题,因此,要让数据产生更大的价值,就需要对其进行加工处理,形成更高价值的“信息”。 就像铁矿石——它是有价值吧,但如果你不懂冶炼,不对它进行炼化和提纯,那么从价值的角度,铁矿石和普通的石头也没有太大差别。 2、数据资源 大数据领域首次提出了“数据资源”的概念,但是“数据资源”这个词在很多材料中并没有一个标准的定义。我理解的“数据资源”就是指数据本身,只不过这个数据是按照一定的目标,经过了一定的规划设计,对数据进行采集、汇聚、存储或处理后,形成了能够被再次利用的数据。 例如:企业建设一个信息系统,需要设计系统的数据模型、结构、类型、存储方式等,然后通过人们对系统的流程表单或页面的各种操作,数据就被记录和保存到了信息系统的数据库中,成为了企业的数据资源。从这个层面讲,企业过去的几十年的所有“信息化”工作,都只是在做一件事情——实现数据“资源化”。 数据资源在一定程度上有“量大”的内涵,例如:我们经常听新闻说XX地,矿产资源丰富,一定是说这个地方有大量矿产,而不是只有一块矿石。如果只有一块铁矿石,即使你懂冶金,能够对其进行炼化和提纯,那它产生的价值也是有限的。 同样,一条数据也不能称为数据资源,数据资源必须有一定的量。例如:如果T宝、拼夕夕等电商平台只对你的一次购物记录进行分析的话,其实意义并不大,但如果把你每次的购物数据都被汇聚起来,进行融合性分析,就能轻松知道你的购物偏好,然后给你进行产品推荐,以实现他们所谓的“精准营销”。 3、数据资产 数据资产的概念我们在之前文章中多次提到过:数据资产的是由企业合法拥有或控制并且能够给企业带来经济效益和社会效益的数据资源。 关于数据资产的定义,请参考《企业数据资产管理的参考框架和方法》 数据资产管理研究的就是如何将数据资源转化为数据资产的过程。 那么,数据资产之后呢,数据又将转化成什么? 数据资产管理促进了数据的交易和流通,当数据交易和流通所需要市场环境、技术环境、法律环境都相应成熟的时候,数据资产就会转为为企业的资本——数据资本。 Part 3 从数据管理到数据资产管理 下面的这幅图是我在厦门大学大数据百家讲坛数据治理公益分享课中用的一张图,它其实反应了从数据资源到数据资产转化的过程。 首先,数据资源化。通过数据管理对企业各个数据源进行采集、汇聚和处理,形成企业的统一数据资源库。企业管理数据资源的目的在于数据应用,但在使用数据资源的时候,经常会发现有的数据业务无法识别,有的数据存在大量的质量问题,导致业务无法有效使用。这个时候就需要对数据进行治理。因此,数据治理是为了解决企业数据的质量问题而生! 其次,数据资产化。由于数据从创建到消亡的整个生命周期中,从业务到技术,从管理到使用,每个环节都可能发生数据质量的问题。所以,数据治理就不再是简单的技术问题了。也因此,数据治理更加注重对数据资源的整体规划和与之相适应的保障体系的建设,例如数据战略、数据架构、管理组织、管理流程、管理制度等。通过数据治理,打通数据孤岛、提升数据质量,实现了数据为业务赋能,满足了企业内部使用。这个时候企业的数据资源在一定程度上勉强可以称为企业的资产了。 最后,数据资本化。严格来讲,数据资产的价值是应该具备可衡量性的,而满足企业内部使用虽然体现了它的使用价值,但这个价值并不好衡量。因此,数据资产管理在数据治理和数据管理的基础上进行了扩展,以价值为驱动,通过对数据资产进行有效管理和估值,促进数据资产交易和流通。 Part 4 数据管理、数据治理、数据资产管理,到底有何不同? 业内的相关数据管理体系中,无论是数据管理,还是数据治理,亦或是数据资源管理、数据资产管理,基本都包含了元数据管理、数据标准管理、数据质量管理、数据安全管理等内容。 所以很多人都很疑惑,那这三个数据管理的相关概念到底有什么不同? 其实,在上文中基本也都交代了,如果您还觉得没说清楚,我们再总结一下,笔者认为:从技术的角度,这几个概念之间差别不大,主要的区别在于它们管理数据的目的和驱动力上。 (1)数据管理是日常的数据管理相关操作和行为,为的就是把数据管起来,让企业知道有哪些数据并确保数据不丢失,至于对如何使用这些数据,目的和需求似乎不是特别强烈。例如:有些大型企业很早设置的DBA岗位,而DBA的职责更多是管理系统的数据库,如数据备份、还原等,还有就是数据集成。 (2)数据资源管理与数据管理比较相似,但数据资源管理的目的性很强,它是应用驱动的,更加贴近业务。数据资源管理以业务的视角,对不同结构、不同类型、不同来源的数据进行归纳、整合和管理,让业务人员也能容易识别和找到想要数据。 (3)数据治理更多的是问题驱动的,根本目的就是为了提升数据质量和控制数据安全,侧重于标准规范和保障体系的建设,促进企业内部的数据利用和交换共享。 (4)数据资产管理是价值驱动,在数据管理、数据治理的基础之上,更多的关注数据的确权问题、估值问题以及交易和流通问题。 以上就是笔者对数据管理、数据治理以及数据资产管理三个概念的一些浅薄理解。有不正确的地方,欢迎各位大佬批评指正。 【END】 最后,感兴趣的关注公众号,后台回复“资料”,我们整理了6个G数据平台、数据仓库、数据仓库、数据治理、企业数据化管理案例,供大家免费领取!
企业数字化转型的点、线、面、体!
以下文章来源于谈数据,作者石秀峰   雷军说“站在风口上,猪都能飞起来”,另一句《上孝宗皇帝第三书》:“天下大势之所趋,非人力之所能移也”,两句都强调了要顺势而为!数字化时代下,对企业来讲,这个“势”就是——数字化转型。 近10年是中国企业信息化快速发展的10年,随着云计算的正式商业化、移动互联网的兴起以及大数据技术发展,让企业不再将全部精力都集中在企业内部的管理信息化之上了,而是呈现出内外融合、多样发展的特征。尤其是数据被作为新的生产要素之后,各行各业都开始探索基于数据综合使用的数字化创新场景,尝试利用数据重塑企业商业模式,企业数字化转型已经是大势所趋! 当下,我相信大多企业对“要不要做数字化转型”已经没有太多争议了,大家更多的是关注“如何转”的问题。针对这一话题,简单聊一聊我的不成熟想法,未必就是真知灼见,但希望对您能有少许启发。 Part1 基于“点线面体”的数字化转型方法论 关于“点线面体”,相信大家多少都听过,在很多工作和生活场景中也会经常使用。但要说详细阐述“点线面体”,并将其形成一个完整的方法论体系的我认为是曾鸣教授。 曾鸣教授在《智能商业二十讲》中,曾提出“点线面体”是一种全新的战略定位思考方法。他认为:一个商业生态就是一个协同网络,是多元角色的复杂在线协同,是平台和多元物种的组合。 在新型的生态中,有“点、线、面”三种核心角色:“点”是每一位服务参与者,如滴滴的司机、美团的外卖配送员、知乎的知识类大V等;“面”即是平台,平台通过广泛连接不同的角色,建立各种机制,促使全局利益优化,例如淘宝就是典型的面;“线”是平台上的众多商家,对消费者来说,在“面”搭建的台子上,真正提供服务的是“线”;“体”是由“面”扩张融合而生,“面”是“体”的最根本组成要素,在“面”的扩张过程中,如果有足够强大的基础,也许还会衍生出其他的“面”,进而形成一个日趋完善的“体”。 曾教授用“点线面体”方法论概述和总结了阿里巴巴的商业生态和演化过程,为企业的商业战略的制定提供了思路。 笔者今天要分享的企业数字化转型“点线面体”方法论,是受到了曾教授观点的启发,为企业数字化转型的不断推进提供了一种思考方法。企业的数字化转型是一个系统工程,是一个“由点到线、聚线成面、面动成体”的实施过程。 “点”是指局部的点状的数字化实践,如数据的自动化采集,360°的客户标签体系,设备设施的数字化改造等; “线”是按业务条线进行划分,将各个点状的数字化实践进行连接,形成完整的业务数字化条线,实现业务条线的整体协调和联动; “面”是对“点和线”的深度连接,其“平台”特性十分明显,全面打通企业的物资流、资金流、业务流、信息流、人才流、技术流,实现企业整体的数字化。 “体”是构建企业数字化的生态体系,实现产业链上下游的连接、打通和融合,增强企业竞争力。 Part2 先说说企业数字化转型的“面” 在几何学中,平面上三个以上点的连接可以形成面。在数字化的世界,企业数字化的“面”,至少应该有两层含义:一是“层面”,二是“全面”。 所谓“层面”,是需要从三个维度理解企业数字化转型,即:数字化战略与商业模式,数字化组织与人才,数字化技术与工具。而“全面”是指企业数字化达到了一定的程度,进入了数字化的成熟阶段。 1、企业数字化的三个维度 (1)业务维度:数字化战略与商业模式 用数据和技术重塑企业的商业模式是企业数字化转型的本质,企业数字化转型必须围绕数字化战略和商业模式展开。我们经常看到的数字化营销、数字化采购、数字化财务、数字化人力、智能制造、智能物流等等数字化的业务场景都是数字化转型的具体体现,通过业务流程、业务场景的数字化最终改变或重构企业的商业模式和盈利模式。 这些年,我们看到很多大型公司请了一些世界知名的咨询公司做战略规划和商业模式设计,花费了巨资,然后发现这些规划和方案看起来高大上,然而实施的时候却有很多问题,无法真正落地。 数字化转型需要从微观上对企业的业务、流程、技术、人才、文化等要素进行逐步改造,而多数企业的咨询规划是站在宏观角度的构想,甚至还停留在“一套模板,天下通吃”的模板化、套路化、程式化的“卖概念”、“卖报告”上。换句话说,数字化转型的顶层设计、咨询规划要“接地气”。 (2)技术维度:数字化技术与工具 “科技推动社会进步”,“技术就是生产力”、“工欲善其事必先利其器”,技术和工具在数字化转型过程中的重要性是无可置疑的。业内普遍认为的数字化技术主要有:互联网、大数据、人工智能、云计算、区块链、AR/VR、机器人、数字孪生等等。 数字化转型离不开技术和工具的支撑,但要避免陷入“唯工具论”的误区,没有哪家企业依靠新技术、新工具就能成功转型的。没有最好的技术,只有用得好或不好的技术,别被技术所绑架。 在《企业数字化转型:关于转型技术的思考》这篇文章中,笔者提到:数字化是信息化发展到高级阶段必然产物,而这个所谓的“高级阶段”重点并不在于IT技术的某些内在质量是否更高级,更多的是关于企业如何使用这些技术。在我看来,能够“战略性地”使用“IT”和数据,即为“数字化”。 (3)组织维度:数字化组织与人才 数字化组织是相对传统组织而言的,相对传统“金字塔”式的科层级组织结构,而数字化组织具有网状化、平台化、自驱型、数驱型、学习型等特征,相关观点参见《企业数字化转型之组织与人才》。 企业数字化转型需要的人才包含三个方面:数字化管理人才、数字化专业人才和数字化应用人才。笔者认为:数字化人才是那种不甘于安于现状,有勇气、有能力做出改变的人,他们一般还具备敏捷的数据化思维、渊博的数字化知识,娴熟的数字化技术以及刻苦的钻研精神。同时,数字化人才不一定技术要多厉害,但一定具有良好的学习态度和方法,具备适应与调整的能力,然后透过再学习与转化,成为企业所需的合格数字化人才。 2、企业数字化转型的成熟度 企业数字化转型是一个循序渐进、持续迭代的过程,对照团体标准T/ AIITRE 10001—2020提出的数字化转型五个发展阶段,将企业数字化的成熟度由低到高划分为 CL1(初始级 )、CL2(单元级 )、CL3(流程级)、CL4(网络级)和 CL5(生态级)等五个等级,不同等级能力呈现不同的状态特征以及能力单元/能力模块的过程维、要素维、管理维的不同建设重点,如下图所示: 来源:团体标准 T/AIITRE 20001—2020《数字化转型 新型能力体系建设指南》 我们今天讲的数字化转型“点线面体”方法论,是一个数字化螺旋迭代、持续发展的系统化过程。而所谓数字化转型的“面”,如果要对应到T/AIITRE的数字化成熟度模型中,应该是CL4——网络级,这标志着企业数字化能力发展到了成熟的阶段。 这个阶段,企业的数字化具有明显的“平台”特征和广泛的连接能力,聚焦组织全员、全要素和全过程,实现企业的物资流、资金流、业务流、信息流、人才流、技术流的全面打通,能够按需开展数据驱动型的能力打造过程管理,实现产品 /服务的创新,并有效转变了商业模式。达到了“面”的层面的数字化转型,标志着企业真正成为了一个数字化企业。 Part3 企业数字化转型的“点” 企业数字化转型到底该如何做,从哪里开始,如何迈出数字化转型的第一步,是企业关心的首要问题?而这个问题,你问100个人,可能会得到99种不同的答案。 出现这种情况,是因为在数字化转型的业务、技术和组织的三个维度上,每个维度都有N多不同的“点”构成,而每一个点都可能是企业数字化转型的切入点。那么,企业到底需要在哪个维度,哪个“点”上发力呢? 1、选择好转型的切入点 很多专家讲企业数字化转型应当从哪些个制约企业发展的痛点切入,数字化转型首先需要消除痛点。这个观点我十分赞同,但同时我也发现,很多企业最大的痛点是不知道自己的痛点在哪里。对此,笔者给出以下思路供参考: (1)找到那些对业务影响很深的点,如不解决业务就无法顺畅执行; (2)找到那些对业务影响很广的点,牵一发而动全身,做好一点带动全局; (3)找到那些对业务有高价值的点,能够为客户带来更好产品或服务、更好的体验,亦或是为企业带来更多的收入和利润; (4)找到那些相对成熟且容易实现的点,数字化转型要先易后难,逐步推进,不要上来就选择一个根本无法完成的目标; 2、处理好转型的难点 转型意味着对企业既有的商业模式,甚至利益规则的变革,这并非一件易事,做好了不一定会受到“赞扬”,做不好一定会遭到“唾骂”。 尤其是对于传统企业,数字化转型的难点在于: (1)认知不足,转型缺乏动力,不相信数字化或太害怕颠覆过去的成功商业模式。 (2)体制固化,转型缺少活力,部门墙严重、决策效率低下。 (3)战略缺位,转型缺乏方向,零敲碎打、修修补补的转型难以获得成功。 (4)数据孤岛,转型中的阻力,让企业完整的业务链无法完整,让数据之间缺乏关联性。 (5)人才匮乏,转型中的压力,数字化人才的缺乏成为企业数字化转型的瓶颈。 解决这些问题,需要系统化的思维和方法,可以看一下笔者的之前写的数字化转型系列文章,或许你能有所收获。(见文末) 3、突破拐点,实现创新 企业数字化转型的时机一般有两种:一种是行业拐点将要出现的时候,企业转型的拐点也将出现;一种是企业业务拐点将要出现的时候,企业必须适应新的业务要求。例如:新冠疫情的出现,对文旅、餐饮等行业造成了很大的冲击,近八成餐饮业损失达到100%,纷纷关店。但有一家却在疫情中逆势增长,一年内开出了14家新店,翻台率增长了30%,而这还是一个仅仅创办一年多的品牌——兰湘子。兰湘子成为了湘菜界的年轻黑马,他的成功秘诀就是细分市场+互联网社群+自媒体平台+私域流量。由于篇幅原因,此处不再展开,有兴趣的可以自行百度。 Part4 点状突破、连点成线 “点状突破”是企业数字化转型的基础,但单单依靠“点状突破”,终究是无法实现企业数字化的整体转型的。企业数字化转型,一定离不开顶层设计和战略规划,然后是“小步快跑、点状突破、连点成线”。 “线”是按业务条线进行划分的,是在某些业务条线/业务领域的整体数字化,建成支持主营业务协同的流程级能力,实现数据汇聚、流程打通、业务协同、动态优化。 1、数据汇聚,打通数据孤岛 数字化“点状突破”无法消除数据孤岛,还可能制造孤岛,不同部门间的数据信息不能共享,设计、管理、生产的数据不能进行交流,数据就会脱节。业务条线上存在信息重复输入、信息冗余、垃圾信息、数据质量无法保证等困难。“业务条线”级的数字化,首先需要在设备设施侧进行必要的数字化、网络化改造升级,关键设备设施之间实现互联互通和数据自动化采集;其次是关键数据的标准化,实现管理IT侧的系统的数据打通;最后是联通设备设施侧和管理IT侧的数据,真正消除数据孤岛。 2、流程级能力打造,业务端到端打通 所谓流程级能力,即跨部门、跨层级的业务流程优化设计,明确业务流程的管理组织、岗位职责、以及评价考核等要求等。而所谓业务端到端打通,是以合同交付为目标,项目管理为主线,实现的包括项目立项、投标、合同签订、生产制造、发货运输/工程实施、完工验收、项目结项的整个过程的业务协同。也可以理解:企业数字化转型的“线”,就是打造流程级能力,实现项目级的数字化。 3、数据驱动的业务动态优化 业务条线级的数字化,在项目视角上数据是完整的,企业利用这些数据进行项目管理和决策,优化各环节业务流程。例如:某公司通过数字化手段对进销存数据进行实时、自动化的数据抽取与分析,根据商品的贡献度、销售速度、发货速度、偏差情况等因素构建了数据模型,通过数据模型和算法,自动给出合理的安全库存建议,实现了安全库存的动态管理。 Part5 聚线成面、面动成体 企业数字化转型的“体”是构建数字化生态,打通企业上下游的产业链。有专家说过:“未来企业的竞争,不再是企业与企业之间的竞争,而是生态与生态之间的竞争”。数字化环境下,企业将更加依赖生态,要么构建一个生态、要么加入一个生态。 但是,无论你是要构建一个数字化生态圈,还是加入一个生态圈,对于企业自身而言,首先要做到的就是自身的“点线面”的数字化。在数字化世界里,只有你能够真正独当一面,别人才会带着你玩。 在“点线面体”的数字化转型体系中,最核心的是“面”,“面”具有平台特征和连接特性,它是承载和连接各个“点、线”的基础。实现平台级、网络级的“面”数字化,是构建数字化生态的基础。 例如曾鸣教授所讲,淘宝就是一个典型的面,它流量养活了很多的服务商,而服务商的壮大又带来了下一浪网红的崛起,支付宝源于淘宝,逐步走出了淘宝,成了整个社会一个独立的第三方支付平台,它也成了一个面,在这个面上支撑了无数的支付服务。阿里云也是如此,这些“面”互相交错融合,形成了阿里巴巴巨大的生态体系,我们称他们为“阿里系”! 除此之外,你可能还听过腾讯系、华为系、用友系、金蝶系、三一重工系 …… 写在最后的话 最后,我想引用笔者之前文章的观点对本文做个总结: 企业数字化转型不是从0到1,而是从1到100。转型是一个系统化工程,技术从IT到DT,场景从简单到复杂,应用从局部到广泛。 转型是一场变革,既需要顶层的战略规划,也需要“小步快跑、点状突破”的实施策略。变革从来就不是一蹴而就的,需要解决掉痛点,处理好难点,把握好拐点,一项项优化,一步步提升,点状突破,持续创新。 事实上,每一个数字化的点状突破,对企业都是一个“微创新”,当这些微创新的“点”不断积累、不断连接,就会由量变引起质变,企业的数字化转型就成了!   【END】 最后,感兴趣的关注公众号,后台回复“资料”,我们整理了6个G数据平台、数据仓库、数据仓库、数据治理、企业数据化管理案例,供大家免费领取!  
如何做一次成功的数据库调研?附模板!
以下文章来源于韩锋频道 ,作者韩锋频道   数据库调研工作,是很多DBA都会参与的一项工作。其目的不一而足,可能是系统升级改造需要选型?可能是性能存在瓶颈需要优化?可能是为了节约成本考虑资源整合等等。无论出于什么目的,如何做好数据库调研工作做到信息详实非常重要。近期参与到多个项目迁移改造工作,需要了解各项目数据库运行情况,特整理了此调研模板。通过下发模板,收集调研数据,可以快速掌握数据库现状,为做出最佳技术方案做好准备工作。 1. 调研模板:基本信息 l被调研者 被调研者,可能是某个具体的个人或者某部门。 l被调研角色 被调研者角色很关键,不同角色视角也有所不同。有时为了全面了解一个系统,需要针对不同角色分别做调研后,将结果合并才能得到相对完整的视图。如果可能的话,最好是将相关人员拉到一起做沟通访谈,可以相对高效。 l调研形式 形式上可以采用多种,或者组合使用都可。 l调研时间 l调研目的 下面调研的内容很多,根据调研目的不同,其实是有所侧重的。在调研之初就明确目的,可以更好地圈定后面填写重点。 2. 调研模板:业务系统 (1)业务概述 业务情况是调研中第一位需要关注的。经常有一个误区就是只注重对技术侧的调研,而忽略了业务侧。很多业务系统都有一段“悠久”的历史,这些隐秘的信息其实对我们后期决策大有帮助。在这里可由业务方填写下,对业务系统的概述。 (2)业务说明 l使用者 这里填写业务系统的使用方,可能是某一部门或者是某一系统。 l交互方式 这里说的交互方式,是指使用这一业务系统的方式,可能是人来使用,也可能来自某应用系统或仅仅作为数据交互使用。不同的使用方式,对应后面使用特征差异较大。 l使用终端 不同使用终端,其使用行为也有所不同。例如APP的使用时长更加宽泛且可能热点集中于晚上等等。 l使用特征 这里可以更明确的标识出可用时长及热点时长,这有助于判断工作负载。下面三个选型,则从用户角度做了更进一步收集。 l重要级别 重要级别,主要是对业务可用性的判断很重要。后续在容灾、备份策略等都会参照这一指标。一般情况下,对于A/A+类系统,是要提供多活、至少双活的能力才可以。 l可用时长 可用时长,可针对业务使用时间简单做个分类,常见的可划分为上面几种。 l关联业务 如果此业务与其他业务系统有上下游关联,可在此一并写出。这里重点强调的是业务数据的关联性。这样有助于判断当业务出现问题时,波及影响的范围等。  (3)业务痛点       业务痛点这部分,会直击调研诉求本身,抓住核心痛点。对痛点更为详细的描述,有助于更好了解现有系统情况。 (4)未来发展 业务都是在不断发展演变中的,在调研评估中需要具备一定的前瞻性。这里包括对数据规模、访问量等变化的预估。 3. 调研模板:应用系统 (1)应用概述 此部分是描述数据库对应的应用系统情况。很多数据库在转型、优化等方面,是与应用有非常紧密的结合,甚至受制于应用的情况。因此,对应用的调研也非常重要。 (2)应用情况 l系统来源 系统来源是优先考虑的问题。因为底层数据库的变化,难免会影响到上层应用。如果应用是自研还好,如果是外采或云等除了考虑改造成本,还需考虑改造可行性。 l基础技术 栈针对基础技术栈,可简单描述于此。 l开发语言 开发语言与数据库也有着非常紧密的关系。当前很多数据库都做了兼容性策略,不需要应用在连接数据库上做什么改变。但还是有些重度绑定的问题,如在Oracle中使用Pro*C,就会面临比较头疼的迁移问题。 l语言版本 开发语言的版本。 l应用拓扑 可在此处描述应用部署的拓扑结构,这也有助于理解整个数据库之上的访问链路。 l交互方式 这里描述应用通过何种方式访问数据库,是通过IP、域名还是什么。此外是否启用了读写分离等策略。 l国产化诉求 应用系统的国产化诉求,例如芯片、操作系统、中间件及是否依赖其他(如加密机)等。 (3)特征分析 l系统来源 系统来源是优先考虑的问题。因为底层数据库的变化,难免会影响到上层应用。如果应用是自研还好,如果是外采或云等除了考虑改造成本,还需考虑改造可行性。 l基础技术栈 针对基础技术栈,可简单描述于此。 l开发语言 开发语言与数据库也有着非常紧密的关系。当前很多数据库都做了兼容性策略,不需要应用在连接数据库上做什么改变。但还是有些重度绑定的问题,如在Oracle中使用Pro*C,就会面临比较头疼的迁移问题。 l语言版本 开发语言的版本。 l应用拓扑 可在此处描述应用部署的拓扑结构,这也有助于理解整个数据库之上的访问链路。 l交互方式 这里描述应用通过何种方式访问数据库,是通过IP、域名还是什么。此外是否启用了读写分离等策略。 l国产化诉求 应用系统的国产化诉求,例如芯片、操作系统、中间件及是否依赖其他(如加密机)等。 4. 调研模板:数据库系统 (1)数据库概述 简要描述当前数据库的情况。 (2)数据库情况 l数据库产品 被调研数据库产品名称。 l数据库版本 被调研数据库的版本。 l数据库架构 数据库当前架构是什么?这里简单分类为单机、集中式、主从、分布式及其他。此部分的情况比较复杂,各数据库有差异,故下面增加说明部分,可填写文字补充。常见的Oracle RAC为集中式、MySQL Master/Slave为主从、TiDB为分布式等。 l部署拓扑 描述下当前的部署拓扑结构,最好能附加上拓扑图会更为直观。 l硬件环境 数据库硬件环境,这有助于判断资源的投入情况。如CPU、MEM、DISK的情况。 l软件环境 数据库软件环境。 l国产化诉求 数据库是否有国产化诉求。这点很重要,对于很多新兴数据库来说,国产化适配做得尚不完善,这里需要明确需求。此外,国产化还可能带来诸如稳定性、性能下降等问题,对未来的评估都会有一定影响。 l管理需求/组件 当前管理类的需求,此部分是很容易忽视的。例如当前数据库在管理、监控、告警、备份、转储等方面当前的能力如何。若考虑潜在的选型时,上述能力也是需要要求待选产品同步提供的。 (3)特征分析 l数据存量 数据存量有多少,这里需要考虑副本问题。如数据库改型,其副本数可能是有变化的,因此需要考虑单副本的大小,这是真实需求大小。 l数据增量 以月为间隔的增量数据大小。考虑到未来3~5年的需求,很容易估算出未来总大小。 l数据特征 数据特征比较宽泛,这里罗列了几种常见的。如数据分层、压缩、转储及热点情况。 l计算场景 对数据计算做个简单分类,可分为TP/AP/混合情况。这里的情况可能比较复杂,因此设置说明字段辅助说明。 l计算指标 常见的计算指标,如QPS、TPS、RT(上述主要是按峰值来考虑)及读写比。 l日志规模 以日为单位的日志规模,从中可大致判断出数据变化的总体情况。 l日志峰值 高峰时的日志情况,可评估出高峰压力及可能带来的副本延迟情况。 l数据库热点 如数据库有明显的热点,可在此说明。如热点的对象或热点的业务等。 l一致性要求 对于一致性来说,情况较为复杂,可简单划分为强一致和弱一致两类情况。这部分还需详细说明。 l扩展性要求 扩展方面,是按照自上而下的顺序,从接入层、计算层、存储层角度考虑扩展问题。每一层的扩展又可细分为Scale Up、Scale Out及组合情况。 l高可用要求 此部分特指对数据库的高可用要求,可按上面大致分类。 l高可用指标 具体指标上,就是常见的RTO、RPO的诉求,当然还需考虑同城异地问题。 l高可用方案 当前的高可用方案,可以在此描述。 l数据库特性 数据库特性,是指使用到了哪些数据库较为特殊的地方。常见的有特殊对象(如Oracle 的AQ)、计算过程(如存储过程等)或其他。这些部分都是在迁移改造过程中较难处理的,往往没有对应在数据库的解决方法,需要在应用侧解决。 l数据集成要求 数据集成类需求,需考虑数据上下游系统如何对接。如需要将上游数据导入到本数据库及还需按何种方式提供给下游数据消费等。 l数据消费要求 此部分是按照消费领域简单分类,如应用系统如何使用数据库、消费方如何使用、数据分析及可视化如何使用等。 l数据库报告 眼见为实,还是希望被调研方能提供类似数据库报告(也可报告如系统性能报告等)一手信息会更为直观。这些信息会包含更为丰富的内容,可供决策。 5. 调研模板:其他信息(1)潜在方案 l技术选型说明 如有潜在的数据库技术选型方案,可在此说明。 l应用改造方案 如有潜在的应用改造方案,可在此说明。 l实施交付方案 若有潜在的实施交付方案,可在此说明。 l核心技术难点 如有疑难问题,可集中这里说明。 l风险性说明 可能潜在的风险说明。 (2)其他说明 【END】 最后,感兴趣的公众号后台回复“资料”,我们整理了6个G数据平台、数据仓库、数据仓库、数据治理、企业数据化管理案例,供大家免费领取!  
你真的了解ELT和ETL吗?
ETL 和 ELT 有很多共同点,从本质上讲,每种集成方法都可以将数据从源端抽取到数据仓库中,两者的区别在于数据在哪里进行转换。 接下来,我们一起详细地分析一下 ETL 和 ELT各自的优缺点,看看在你们现在的业务中用哪种方式处理数据比较合适。 01 ETL ETL - 抽取、转换、加载 从不同的数据源抽取信息,将其转换为根据业务定义的格式,然后将其加载到其他数据库或数据仓库中。另一种 ETL 集成方法是反向 ETL,它将结构化数据从数据仓库中加载到业务数据库中,如我们常用数据仓库加工好的报表,推送到报表系统的数据库中。 02 ELT ELT - 抽取、加载、转换 同样的从一个或多个数据源中抽取数据,然后将其加载到目标数据仓库中,此时不需要进行数据格式的转换。在 ELT 过程中,数据的转换发生在目标数据仓库中。ELT 对远程资源的要求较少,只需要它们的原始数据即可。 03 ELT的演变 ELT 已经存在了一段时间,但 Hadoop 等大数据技术出现后,更加活跃了。像以前转换 PB 级原始数据这样的大型任务无法处理,现在可以被分成小作业,进行处理,然后再加载到目标数据库中。同时,处理能力也提高了,尤其是以私有云集群的方式,把处理、加工数据可以在一个数据仓库中完成了。 04 ELT的工作原理 与 ETL 不同,ELT是从多个数据源收集信息,将其加载到数据仓库(或者数据湖)中,然后将其转换为可操作的商业智能的过程。 抽取——在ELT和ETL两种数据管理方法中的原理相似。一般我们会采用增量抽取,对于一些维表数据量比较小的也会采用全量抽取。 加载——这是 ELT 和 ETL 开始不同的地方了。ELT 不是在抽取大量原始数据的过程中将其转换,而是将所有数据都加在到湖仓中,然后统一进行转换,这样做加快了抽取的效率,但也意味着数据变得有用之前还有很多工作要做。 转换——数据湖或数据仓库对数据进行规范化,将部分或全部数据保留在湖仓中,并可用于定制报告。存储海量数据的开销更高,但也是为了后续能够更加快速的进行数据挖掘和报表展现,也就是我们常说的用空间换时间。 05 什么时候我们选择ELT 这取决于公司现有的网络和技术架构、预算以及它已经利用云和大数据技术的程度。如果是有下面三个需求场景时,那么ELT就是正确的选择~ 1. 当抽取速度是第一选择时 因为 ELT 不必等待数据在抽取过程中进行转换后再加载,那么抽取过程要快得多。 2. 当需要随时访问原始数据时 有很多场景,我们需要保留所有历史数据,分析师可以根据时间、销售模式、季节性趋势或任何对业务变得重要的新兴指标进行挖掘。由于数据在加载之前未进行转换,因此您可以访问所有原始数据。比如,数据仓库一般都有一个原始数据层,很多数据科学家更喜欢访问原始数据,而业务用户更喜欢使用分析后的应用层或者模型层数据。 3. 当需要随时可扩展数据湖仓时 当您使用 Hadoop 或云数据仓库等数据处理引擎时,ELT 可以利用本机处理能力实现更高的可扩展性。 06 数据湖是不是很好的ELT落脚点 首先,我们思考一下数仓为什么会出现?其实是数据量的飞速增长,以至于当时的数据存储计算引擎,不能很好的满足分析需求;于是数仓概念和经典的理论出现了,很好的解决了当时的问题,用“规范+存储”来解决了当时的问题。 那么现在大数据时代,随着技术的不断发展,很多新技术出现了,大批量的存储和计算不再是那么难了,那么我们放弃数仓那一套是否可行呢?从一哥现在处理的业务看,如果你的业务系统相对较单一,没有几十个业务系统每天往数仓里灌数据,那么数据湖可以满足你的需求,并且对于“数据驱动”更“敏捷”。如果一线的业务系统较复杂,那么现在使用数据湖也会一不小心会变成“数据沼泽”。 数据湖治理策略没有明确前,还不要急着就上数据湖,并不是适用于每个公司的业务场景的! 07 结语 ELT和ETL都有各自的应用场景,可以说现在大数据环境下,很多已经是ELT架构了,所以这也是我近几年一直不看好很多厂商在推“拖拉拽”的ETL工具或者平台,未来肯定是需要一种通用语言来实现所有的ELT过程。 同样,数据湖是趋势,但现在依然不成熟,不要看网上很多一线大厂的技术文章中提到了很多数据湖的概念和技术应用,但是请结合自己公司的业务场景,暂时先谨慎选择! 【END】 最后,感兴趣的关注公众号,后台回复“资料”,我们整理了6个G数据平台、数据仓库、数据仓库、数据治理、企业数据化管理案例,供大家免费领取!
腾讯:中小企业数字化转型路径报告(现状、破局、政策)| 附51页PDF下载
PDF完整版已准备好,需要的自取,获取方式:关注“商业智能研究”公众号,转发本文+后台私信回复:腾讯报告 当前,近80%企业的数字化转型依然处于基础探索期和简单操作期,腾讯社会研究中心对来自全国数十家中小企业的高层管理者,进行深入的访谈式问卷调研,同时梳理众多国家政策和专家学者的数智洞见,发布这本《中小企业数字化转型路径报告》。 围绕中小企业的转型困境,腾讯总结了在互联网科技领域多年积累的经验,并基于物联网、大数据、人工智能和云计算技术,为中小企业开发出的转型工具,同步介绍腾讯外部行业合作客户、渠道伙伴和投资企业等各类型的生态伙伴,如何为中小企业数字化转型保驾护航: 1.针对转型概念认知片面、转型工具使用单一、转型收益感知缺失、转型动力和支持资源匮乏等痛点进行解读,助力中小企业根据自身需求匹配适合发展的数字化转型工具。 2.详细解析数字化转型对于企业的发展重要性,挖掘影响中小企业数字化转型因素,并对适用当下中小企业的数字化转型概念进行重新讨论,以实用技术为基础提供低门槛转型工具。 3.深入解读现有支持政策,为中小企业剖析发展困局与发展前景并分享腾讯基于当前现状下提供的合作生态体系,助力企业加速转型升级。 4.联动互联网公司、资深咨询服务公司、科技企业以及高校科研院所等伙伴,为中小企业搭建数字化转型生态体系助力,从战略到技术,增强中小企业转型风险抵御力,加速破局。     如需下载此份《中小企业数字化转型路径报告》PDF完整版,请 关注“商业智能研究”公众号,转发本文+后台私信“腾讯报告”即可!  
数据治理:数据架构的前世今生(干货!)
来源:谈数据,作者:石秀峰   >>> 01数据架构的起源 追根溯源是一个数据人的底层思维逻辑,因此,我们先说一说数据架构的起源(来源也行,一个意思)。 其实,我们现在IT行业经常说的软件架构、系统架构、XX架构的核心思想都是从建筑行业学来的,架构的英文单词“Architecture”其本身就是“建筑学、建筑物、结构构造”的意思。 在DAMA-DMBOK2中指出“数据架构”是“企业架构”的一个重要的组成部分。 而提到企业架构,它是起源于IBM公司系统杂志的一篇文章“A framework for information systems architecture”,这篇文章的作者John Zachman,是业内公认的企业架构理论的首创者,而他提出企业架构的理论就是我们熟知的“Zachman框架”! 简单理解,建筑学就是研究如何将一堆砖头、水泥、钢筋等建筑材料按照一定的结构搭建起来,形成满足人们生活、工作所需的各式建筑物。实际上,Zachman老先生的企业架构思想也是源自于“建筑学”,其本质的原理都是从现状向目标迁移的过程。因此,企业架构包含了当前架构、目标架构、迁移计划和IT路线图。 关于企业架构,除了Zachman框架之外,还有联邦企业架构框架(FEA)、国防部架构框架 (DODAF)、UDPM、UAF等,当然还有非常流行的——Togaf框架。每个企业架构框架的管理原则都涉及推动有关业务战略及其如何通过 IT 实现未来目标。通常,企业架构是由四个基本的相互关联的专业领域构成: l业务架构:定义了组织的业务战略、企业治理、组织机构和关键业务流程; l应用架构:为要部署的应用系统之间的交互以及它们与组织核心业务流程的关系提供蓝图,并为集成业务功能公开的服务接口; l数据架构:描述了组织的逻辑和物理数据资产以及相关数据管理资源的结构; l技术架构:描述了支持部署核心任务关键型应用程序所需的硬件、软件和网络基础设施; >>> 02数据架构的演进 作为企业架构的组成,数据架构在不同时代,其形态也是不一样,它是随着信息技术的不断发展而向前演进的。 1、单体应用架构时代 在信息化早期(上世纪80年代),企业信息化初步建设,信息系统以单体应用为主,例如:早期的财务软件、OA办公软件等。这个时期还没有数据管理的概念还在萌芽期,数据架构比较简单,主要就是数据模型、数据库设计,满足系统业务使用即可。 2、数据仓库时代 随着信息系统使用,系统的数据也逐步积累起来。这时候,人们发现数据对企业是有价值的,但是割裂的系统导致了大量信息孤岛的产生,严重影响了企业对数据的利用。于是,一种面向主题的、集成的、用于数据分析的全新架构诞生了,它就是数据仓库。 与传统关系数据库不同,数据仓库系统的主要应用是OLAP(On-Line Analytical Processing),支持复杂的分析操作,侧重决策支持,并且提供直观易懂的查询结果。这个阶段,数据架构不仅关注数据模型,还关注数据的分布和流向。 3、大数据时代 大数据技术的兴起,让企业能够更加灵活高效地使用自己的数据,从数据中提取出更多重要的价值。与此同时,在大数据应用需求的驱动下,各类大数据架构也在不断发展和演进着,从批处理到流处理,从大集中到分布式,从批流一体到全量实时。 (1)传统大数据架构 之所以叫传统大数据架构,是因为其解决的是数据仓库、BI应用的性能瓶颈问题,数据分析业务没有发生任何变化,主要是技术上的升级。传统大数据架构从结构与数据仓库基本一致,还是分为三个部分:数据采集、数据处理、数据输出与展示。图:传统大数据架构,来源:51CTO 栗子哥《从传统大数据架构到Lambda架构到Kappa架构》相比传统数据仓库,传统大数据架构是基于hadoop的各类组件构建的,例如:数据存储用HDFS,数据采集用Sqoop、Flume、Kafka等,数据处理用MapReduce、Hive、Spark等,大数据技术的应用使得数据处理的性能得到了巨大提升。 图:传统大数据架构,来源:51CTO 栗子哥《从传统大数据架构到Lambda架构到Kappa架构》 (2)Lambda架构 Lambda是大数据架构中举足轻重的一个大数据架构,Lambda的数据通道分为两条分支:实时流和离线。实时流依照流式架构,保障了其实时性,而离线则以批处理方式为主,保障了最终一致性。Lambda 架构总共由三层系统组成:批处理层(Batch Layer),速度处理层(Speed Layer),以及用于响应查询的服务层(Serving Layer)。 图:Lambda架构,来源:51CTO 栗子哥《从传统大数据架构到Lambda架构到Kappa架构》   Lambda 架构灵活,可以适用多种应用场景,但在也存在着一些不足,实时层和离线层模块冗余、维护复杂。 (3)Kappa架构 Kappa架构在Lambda 的基础上进行了优化,将实时和流部分进行了合并,将数据通道以消息队列进行替代。Kappa架构解决了Lambda 架构需要维护两套分别跑在批处理和实时计算系统上面的代码的问题,全程用流系统处理全量数据。 图:Kappa架构,来源:51CTO 栗子哥《从传统大数据架构到Lambda架构到Kappa架构》 大数据时代,我们以上介绍的几种大数据架构,虽然名字中都含有“数据架构”四个字,但是和我们今天要讲的数据架构还不完全是一回事,大数据架构准确来说,应该叫大数据技术架构,而数据架构是用来承接业务的,技术是其实现手段。技术架构会影响数据架构,但不论技术如何变迁,数据架构的本质并没有变,它始终都是数据模型、数据流向、数据分布和数据处理方式的综合体现。 >>> 03数据管理中的数据架构 关于数据架构的定义其实在业内并没有形成统一的认知,不同人对于数据架构的理解或许都是不同的,这一点我们其实可以从几个权威的数据管理体系中窥见一二。 1、DAMA-DMBOK2中的数据架构在DAMA的数据管理知识体系指南(DMBOK2)中对数据架构的定义是:“识别企业的数据需求(无论数据结构如何),并设计和维护总蓝图以满足这些需求。使用总蓝图来指导数据集成、控制数据资产,并使数据投资与业务战略保持一致”。其主要包含两个部分:企业数据模型、数据流设计、数据价值链、实施路线图。 图:Dama数据架构,来源《DAMA数据管理知识体系指南2.0》 (1)企业数据模型:企业数据模型是一个整体的、企业级的、独立实施的概念或逻辑数据模型,为企业提供通用的、一致的数据视图。企业数据模型包括数据实体(如业务概念),数据实体间的关系、关键业务规则和一些关键属性,它为所有数据和数据相关的项目奠定了基础。 (2)数据流设计:定义数据库、应用、平台和网络(组件)之间的需求和主蓝图。这些数据流展示了数据在业务流程、不同存储位置、业务角色和技术组件间的流动。 (3)数据价值链:DMBOK2中没有明确交代,笔者理解就是基于企业核心业务价值链的数据分布和流向,与数据流设计是一致的。 (4)实施路线图:描述了架构3~5年的发展路径。考虑到实际情况和技术评估,路线图和业务需求共同将目标架构变为现实。企业架构实施路线图包括:高层次里程碑事件、所需资源、成本评估、业务能力工作流划分。 2、DCMM中的数据架构 在国标《数据管理能力成熟度评估模型(DCMM)》中,数据架构是DCMM的8大领域之一,它对数据架构的定义是:“通过组织数据模型定义数据需求,指导数据资产的分布控制和整合,部署数据的共享和应用环境,以及元数据管理的规范”。 在DCMM中,数据架构包含了数据模型、数据分布、数据集成与共享、元数据管理四个部分内容。 (1)数据模型:使用结构化的语言将收集到的组织业务经营、管理和决策中使用的数据需求进行综合分析,按照模型设计规范将需求重新组织。数据模型包括:主题域模型、概念模型、逻辑模型和物理模型。 (2)数据分布:针对组织级数据模型中的数据定义,明确数据在系统、组织和流程等方面的分布关系,定义数据类型,明确权威数据源,为数据相关工作提供参考和规范。 (3)数据集成共享:建立组织内各应用系统、各部门之间的集成共享机制,通过组织内部数据集成共享相关制度、标准、技术等方面的管理,促进组织内部数据的互联互通。 (4)元数据管理:主要是关于元数据的创建、存储、整合与控制等一整套流程的集合。 3、华为的数据之道 在《华为数据之道》一书以及华为很多公开材料中,并没有明确给出数据架构,而是给出了信息架构的概念:“是指以结构化的方式描述在业务运作和管理决策中所需要的各类信息及其关系的一套整体组件规范。”从定义上看,华为给出的信息架构和我们所说的数据架构是十分相识的,它包括了数据资产目录、数据标准、数据模型、数据分布四个部分。 图:信息架构,来源《华为数据治理之旅》 (1)数据资产目录:通过分层结构的表达,实现对数据的分类和定义,建立数据模型的输入,形成完善的企业资产地图,也在一定程度上为企业数据治理、业务变革提供了指引。基于数据资产目录可以识别数据管理责任,解决数据问题争议,帮助企业更好地对业务变革进行规划设计,避免重复建设。 (2)数据标准:数据标准定义公司层面需共同遵守的属性层数据含义和业务规则,是公司层面对某个数据的共同理解,这些理解一旦确定下来,就应作为企业层面的标准在企业内被共同遵守。 (3)数据模型:是从数据视角对现实世界特征的模拟和抽象,根据业务需求抽取信息的主要特征,反映业务信息(对象)之间的关联关系。 (4)数据分布:定义了数据产生的源头及在各流程和IT系统间的流动情况。 DAMA的DMBOK2、国标的DCMM、华为的数据之道是当下业界认可的三个主流据管理体系。可以看到,在这三个体系中关于数据架构的定义和内容都不相同。那么,您认为的数据架构应该是什么?或者说,您认为以上三个数据管理系统中,哪个数据架构更合理、更符合企业管数、用数的? 接下来,我们聊聊数据架构的底层逻辑! >>> 04数据架构的底层逻辑 在遥远的原始社会,人类过着穴居野处的生活,为了适应自然,抵御猛兽,原始社会的人类会利用一些大树或者直接在地上用树枝树叶搭建一些简易的房子或栅栏。这个时候,人类建筑架构的思维模式已经开始萌芽。从原始部落的穴居野处、茅屋蓬荜,到如今的钢筋水泥、高楼林立,建筑架构的发展,本质是一部人类对居住环境的功能和性能不断追求的发展史。 相比建筑业,IT行业还是一个年轻的行业,它的一些理论体系都是从传统行业中引进而来的,包括我们今天聊的“架构”。架构思维的底层逻辑是将一个复杂的系统,从多个维度分解为多个架构元素,并定义这些元素之间的接口和交互关系、集成机制。按照“熵增定律”,架构的本质就是就是对系统进行有序化重构,不断减少系统的“熵”,使系统不断进化。而这里,所谓的“熵”就是构成软件的相关架构元素:组件、结构、功能、流程、数据、接口等。 架构的本质是不断减少系统的“熵”,数据架构也一样。数据架构的底层逻辑具有一定的数据资源规划的内涵,是对企业数据进行结构化、有序化治理,让企业从数据孤岛走向数据共享,让企业数据能够更好的被管理、流动和使用,充分释放数据价值。 基于这一底层逻辑,我们就不难理解DAMA、DCMM和华为在数据架构定义和内容上,虽然有所差异,但本质是一样的。 在DAMA的数据管理体系中,数据架构最核心的是数据模型和数据流,而数据架构的设计、数据主价值链,数据架构实施都是围绕数据模型和数据流的梳理、设计和落地而展开的。 在DCMM体系中,数据架构除了数据模型和数据分布(数据流)还包含了数据集成共享和元数据管理,这两个也数据管理中比较大的领域,放在数据架构中略显突兀。但是,数据模型、数据分布是通过元数据落地的,而数据集成共享也是数据模型并且集成的过程也反映了一定的数据流向,因此DCMM的核心其实还是数据模型和数据流向。 在华为数据之道中,没有提数据架构而是信息架构。如果我们基于“DIKW模型”,在理解了“数据-信息-知识-智慧”的基础之上,其实更容易理解华为的信息架构。在笔者看来,华为信息架构是对数据架构的进一步提炼,是在数据管理实践的视角给出的定义。如果说,其他两套体系的数据架构偏理论和技术,那华为给出的信息架构则偏实践和业务,但其基础的内容仍然没变,还是数据模型和数据分布。 在企业的数据项目实践中,数据架构连接了企业的数据管理现状和未来要实现的目标,笔者认为不必纠结哪套体系的数据架构理论更严谨、逻辑更合理,而要将重点放在数据目标的实现上,“能抓住老鼠的那只猫就是好猫!” 【END】 最后,感兴趣的关注公众号,后台回复“资料”,我们整理了6个G数据平台、数据仓库、数据仓库、数据治理、企业数据化管理案例,供大家免费领取!  
为你的IT领导生涯注入新活力的7种方法
文末整理了6个G的数字化资料包,欢迎领取下载  作者:John Edwards   转载:企业网D1Net  如果有一个问题是IT领导者很少与同事、朋友或家人讨论的,那就是无聊感。无聊的受害者通常会选择默默忍受,因为这个曾经令人着迷和充满活力的职业,经过多年的发展,已经变成了一系列看似无穷无尽的枯燥的日常工作。 无聊感是潜伏着的,但如果不加以解决,就可能会成为职业杀手。“这不仅会影响你的升职机会,还会破坏你的团队活力或者工作中的人际关系,”培训和技能认证机构SANS Institute的讲师Jean-François Maes说。“最后,如果你在下班后又把坏情绪带回了家,还会伤害下班后最亲近的人。” 无聊感很少会自行消失。幸运的是,其最好的治疗方法也很简单:健康剂量的兴奋感。为了让你的职业生涯重回正轨,可以考虑以下恢复兴趣和动力的方法。 1、考虑角色的变更  IT永远在发展,且提供了一系列无穷无尽的新技能和挑战。“如果你对你的工作所提供的机会和任务不感兴趣,也许在完全离开之前,可以先看看行业内的不同领域,”商业服务公司EisnerAmper Digital的托管安全服务董事总经理Rahul Mahna建议。例如,医疗服务提供商的首席信息官与航空公司的首席信息官会在完全不同的环境中工作。 另一种可能则是横向移动,要么是在你当前的企业,要么是在竞争对手那里。在一个IT领域所开发的技能通常可以转移到另一个领域,几乎不需要付出什么努力,也不会损失收入或者声誉。如果做首席信息官不再有成就感,可以考虑换一个相关的管理职位,如CDO、CISO、CTO或是其他与IT相关的高级领导职位。“每隔几年就轮换一次职位对一个人的职业生涯会非常有益。”Mahna建议道。 2、加入教师队伍  许多高级IT领导者会通过兼职学院或大学的教授来助力他们的职业生涯,提升他们的声誉,并赚取额外收入。首先,卡耐基梅隆大学亨氏信息系统和公共政策学院首席信息官项目的技术顾问Chris Kowalsky建议可以联系相关机构的兼职IT人员来寻求建议。接下来,审核几门课程,观察教学技巧。随后,自愿到当地一所学校去做客座演讲。 虽然成为兼职教授可能会有声望和回报,但也需要大量的努力,治理和风险服务公司Kroll的网络风险业务高级董事总经理Alan Brill警告说。他观察到,根据学校的不同,以及课程是在课堂上还是在网上,兼职教授的投入时间可能会在7到15周之间。在典型的一周之内,你会将被要求进行授课(亲自或通过视频会议)、评分测试,并留出时间来与学生交谈和回答他们的问题。时间可以很快的累积起来,Brill说。但要记住,时间表往往相当严格,可能会干扰你的日常业务活动。 同时,不要忘记,在教授一门课程之前,首先要有一门课程。你将要提供的课程必须符合学院的学术标准。“你需要为每周制定一个详细的教学大纲,你必须制定一个相当详细的课程——确切地说就是你要教什么以及什么时候教,”Brill说。一句话:编写一门课程既复杂又耗时,你甚至可能不会因为创建这门课程而得到补偿。 3、成为导师  辅导为IT领导者提供了一种充实而高效的方式,让他们从日常工作中抽身而退,同时帮助培养和留住拥有高技能、热情的员工。“一个好导师的标志是平易近人、诚实和保持讨论的保密性。”Brill说。 东芝美国业务解决方案部和东芝全球商业解决方案部的首席信息官Leon Roberge表示,他会利用自己的知识和经验来建立一个有才华的团队,并为迎接任何挑战做好准备。“我在我的员工担任的大部分角色中都工作过,”他指出。“了解员工所需要的特定技能组合,可以让你正确地指导和培养个人。” Kowalsky相信仆人式的领导,即领导者应该积极为团队服务的理念。“有机会正式帮助别人是一种很好的回馈方式。”他说。 4、启动外展计划  志愿服务可以是实现平衡生活的一种富有成效的、令人满意的方式。“帮助别人往往也会以意想不到的方式帮助自己。”Kowalsky说。 伸出援手的一个简单方法是与高中和职业学校的学生和教师讨论行业趋势,Roberge说。“最重要的是,为个人或组织提供大大小小的指导会感觉很棒。” 除了振奋精神外,外展计划还可以提高企业的公众形象。“IT领导者往往会与他们合作的第三方合作伙伴有许多联系,”Kowalsky说。让这些企业参与到一项公共计划中可以产生一种有利于各方的协同效应。“伸出援手,做志愿者,是实现生活平衡的好方法。”他指出。 5、与同事建立联系  加入一个专业的IT组织可以扩大一个疲惫的首席信息官的个人网络,让IT领导者接触到新的概念和观点。“会员根据他们的技术专长、行业、公司规模、地理位置带来不同的观点。甚至更多。”SPR首席技术官Matt Mead说。 Roberge偏爱小型的同行型组织。“尤其是那些以首席信息官圆桌会议为特色的会议,在这些会议上,你可以在与同行就当前趋势和行业标准进行咨询的同时进行讨论话题。”他解释说。 回到年轻的Unix系统管理员时代,Roberge最喜欢的团体是USENIX,一个在当时和现在都支持高级计算研究的组织。“与我的同行会面,参加各种技术讲座,都有助于我达到今天的成就。”他说。 由于时间对大多数IT领导者来说是稀缺的,所以Mead建议在加入之前进行观察。“在你全力投入并承诺加入一个专业组织之前,最好先参加一些会议,了解他们的使命和承诺,然后再把自己完全沉浸在成员或董事会成员的角色当中。”  6、启动一个公民开发者计划  参与公民开发运动,这是一项鼓励非专业开发人员使用无代码/低代码平台创建业务应用程序的倡议,可以帮助疲惫的IT领导者重新投入到软件设计中去。 “随着当今对IT部门的要求越来越高,公民开发为IT部门提供了一条新的、独特的职业道路,以便创建复杂的、系统化的工作流程。”非营利专业项目管理机构项目管理研究所(PMI)的公民开发人员全球负责人Sam Sibley解释说。 作为熟悉编程技术的个人,IT专业人员也可以领导进行公民开发,Sibley指出。“公民开发运动为专业人士提供了学习新技能的机会,并且能够以他们自己的速度创建有影响力的应用程序,”他说。“这一增长的一个特殊原因是,最近各个组织都在强调面临着压力,要求它们以快速和敏捷的方式来适应特种变化和中断,IT专业人员可以利用这些优势,为他们的职业生涯带来新的热情。” 7、寻求专业支持  职业教练可以帮助重振那些无聊的IT领导者,《让你的职业生涯飞速发展》的作者,职业顾问Raj Subrameyer说。“他们会利用自己的个人经历,给出可行的策略来推进你的事业,最重要的是,成为你的问责伙伴。” 美国培训与发展协会进行的一项研究发现,人们在承诺另一个人后就会有65%的可能达到目标,Subrameyer指出。而当他们的进展被定期监测时,成功的机会会增加到高达95%。 Subrameyer敦促IT领导者要始终保持对新想法和新途径的可接受度。“IT事业成功的关键是不断学习。”   【END】  最后,感兴趣的关注公众号,后台回复“资料”,我们整理了6个G数据平台、数据仓库、数据仓库、数据治理、企业数据化管理案例,供大家免费领取!
个人成就
内容被浏览1,480,974
加入社区12年190天
返回顶部