你的公司是否真的需要大数据战略？
随着越来越多的人谈到大数据，首席信息官们也被资深管理层问到：“我们的大数据策略是什么？”但是你们真的需要大数据策略吗？
我们认为，企业应该重视数据统治和数据管理。如果数据是一个企业最重要的资产，然后常规的数据统治项目和数据管理最佳实践是其能够实现的多数投资策略。如果只有其中一种投资，企业都会在获取已有数据资源中面临挑战，仍然有可能会被大数据的迸发淹没掉企业。数据统治和数据管理共同掌控着一个企业如何实现理解和使用自己的数据资产，以及那些资产随着时间是如何被管理的。两者变得更加具备战略性，因为企业从数据中获得发展，记录的中心数据库系统基于动态的历史结果做报告，参与的实时系统能更快生成洞察力和告知新手更好的决策，更准确的数据。
Tech-Tonics（可以成为企业定制的IT部门和现有员工的补充）相信最新的大数据技术的投资应该成为大数据统治和数据管理，以及预算这块大拼图的一块。获得合理的数据，它将更容易将大数据整合到分析的工作流中，提高决策结果的正确性。现代系统允许IT发展架构，这是企业用户可以无需依赖必要的知识也能做到的。一个常规的数据决策项目加上有效的数据管理代表着通过更好路径去提高（RDA）数据资产回报。具有更高数据资产回报的企业更具有竞争力。他们比同辈企业在投资回报和风险管理项目方面做的更好。其次，这些因素驱使企业实现更高的市场价值。
提高数据资产回报是很难的，因为时间花费和政策的因素。它需要所有利益相关者要承担责任，尤其是高级管理层。如果能成功的执行，这并非文化变迁的缺失。而是实现了成为一个真正的数据驱动型企业的回报，这是令人瞩目的变化，因为它能实现生产力的实质收益，提高终端用户的满意度（包括雇员和客户）和可持续的竞争优势。
Tech-Tonics建议对数据统治和数据管理做一个整体分析。一个数据统治项目和整体数据管理能很好的执行，就能实现结构化，即形成对持续准确性，高质量数据和分析的灵活性接入的支持。
数据统治的风险/回报和顺应性
数据统治的目的是能确保用户接入的信息是可以不断被验证的，可以准确提高数据的表现和减少风险的爆发。更多用户相信他们工作的数据质量，那么他们的模型和决策结果就更加可靠和具有预测性。
数据统治和作业绩效有直接的关系。随着越来越多企业面向广泛用户群体扩展关联搜索的使用和数据可视化工具，他们从分析中获的价值是跟他们的数据质量成比例的。质量数据通过确保数据资产是对数据商品和整个商业流程的正确反映来实现对数据统治的支持。
随着企业在分析和决策过程中产生分歧，那么评估和管理隐藏在企业之中的数据，以及内部资源数据都变的更加复杂。数据统治同样给散布在整个部门和企业分支的数据提供了连贯性。随着用户对数据资源的胃口越来越大，用户希望拥有一个强调促进数据质量并含有外部已有数据资源整合的架构，包括最新的数据模式。
虽然许多企业已经投资了大量基础设施来加速数据传输，但是坏的数据在光速条件下也还是不好的数据。企业可以在长期数据统治策略下实现更高的数据资产回报和减少决策风险，从而支持现代分析技术的部署。
比如在金融市场中，高级分析可以作为提前预警系统为市场执行者和参与者服务，帮助他们预防由于交易错误，不当的系统监督或者其他违反规则造成的错误。高级分析可以给操作数据和参考过去经验提供更好的可视性，帮助提前预测系统影响下的事故。
先进分析技术可以帮助监督者监督和预防不寻常的客户行为，探测内外部欺诈的风险爆发性。企业可以减少风险，减少服务中断情况，建立与GRC（统治，管理，服从）相关报告更好的粘性。
作为数据统治的一部分，公司应该通过定义一系列最佳实践和原理来制定标准，该标准可以使企业创建和维护好数据质量。强大的数据质量可以令企业对关键绩效指标KPI有更深入的了解，从而促进决策制定和业务发展。
一个数据统治项目成功的关键因素是有一个适合的环境，即能促进沟通，合作，企业用户和IT之间相互信任的环境。一个常规的数据统治项目包括对数据处理和使用过程中的保护措施，以及清晰的已定义的规则，角色和责任。数据统治权成为负责和说明数据统治项目的工作人员渴望掌握的权利，他们通过数据管理委员会监督整个过程。合作团队可以共同确认现有信息基础，应用和数据资源，从而促进数据流的发展。首先了解业务和技术要求可以确保数据提供的价值，从而发展数据统治循环。同时，可以发现数据元素中抑制数据优化的用法和监视的瓶颈以及不连贯性。一旦数据资源已经被确认，它们必须统一定义，比如某客户、产品、交易方的相关信息。项目组制定政策和数据处理的流程，确保数据的用户经过清楚的确认和验证。数据成员的角色，他们的工作内容包括对数据持续的监督和确保数据质量，从而确保获得最好的实践。数据统治帮助企业在一定风险下获得最大的数据资产回报，包括违约行为风险。
创建数据统治政策蓝图的粘性指标可以追溯到创建基线关键绩效指标（KPIs）的数据处理规则。这些KPIs可以用来度量数据统治项目的工作效率，作为操作过程和风险管理目标的反映。
没有数据统治，它不可能知道显示的数据是否准确，数据该如何并由谁来操纵。如果是这样的情况，该用什么方法，以及它是否可以被审核验证和复制。作为相关部门要维护他们的数据，主要是电子表格形式的数据-以及不断产生的对外部数据资源的依赖，一个可验证的审核追踪是合适的方法，可以暴露企业的违约行为。
统一数据管理是关键
我们经常可以看到，决策制定者仅仅凭借部分信息，就根据对这部分信息的看法做决策。在数据资源已经被确认和协调统一之后，根据KPV作下一步的数据采集。其实，数据应该需要整合，能提供数据集之间的联系，从而更好的执行分析。
但是，将广泛的不同形式和没有数据质量可言的数据结构化整合成新的数据，不仅仅耗费金钱，而且对于那些依赖数据的企业系统来说也会造成灾难性的打击。根据最近的调查显示， Gartner数据研究公司预测一个公司每年要为差质量数据平均支付820万美元。而且有22%的受访者预测他们每年的费用是2000万美元甚至更高。
因此，Tech-Tonics相信应该采取集中式的数据管理。随着用户接入存储在统一平台的相同数据，按照要求分享数据，以及得到工具可以“看到”分析结果，而该结果并不含有传统商业智能平台与生俱来的限制性数据集的前置定义。信息保持了连贯性，因此即使当含有不同业务单位的用户要求获得单独的洞察力时，源数据将会被监视，为了确保它在统治架构里是可接入的。
虽然不同的业务单元可能定义不一样，但是它对于确定所有用户接入相同的数据有着重要的作用。企业需要通过保持强大的元数据，管理术语的多样性和定义多样性，提供用户足够的灵活性去使用现代工具分析数据。
有效的数据管理能够排除分离大数据策略的需要。大数据成为企业数据管理策略的一部分。情况确实如此，拥有90%甚至更多的数据能够驱使企业从传统资源中促进业务过程和决策。因为越来越多的非结构化数据未能纳入工作流，所以技术应该逐渐用来整合，分析以及管理这些新的数据形式。
多数企业更替已有的数据管理基础和分析工具，或者为了促进其分析和决策过程，对相对较小的部分冒险创建另一个数据竖井，其实这些都没有意义。积极的结果应该是以渐进的方式去分析项目和转换业务。相对较小的用户群体的成功和数据集从组件中产生的信心，能够令其更加容易获得融资，去扩展下一阶段的项目。
至于“我们的企业是否需要大数据策略？”这个问题，我想最好的答案应该是“大数据只是我们数据统治计划和数据管理策略的一部分”。
你认为呢？
版权声明：
转载文章均来自公开网络，仅供学习使用，不会用于任何商业用途，如果出处有误或侵犯到原作者权益，请与我们联系删除或授权事宜，联系邮箱：holly0801@163.com。转载大数据公众号文章请注明原文链接和作者，否则产生的任何版权纠纷与大数据无关。