|
作者：晓晓，来源：数据驱动智能
全文共6018字，建议阅读16分钟
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。
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。
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。
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
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。
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:
|
|
|
|
|
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。
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。
-
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。
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”。
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。
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:
-
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。
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。
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！
| 
