作者丨石秀峰
随着大数据技术的发展，让企业掌握数据、处理数据的能力得到质的飞跃，数据正成为继物质、能源之后的又一种重要战略资源，企业越来越重视数据资源的管理和应用。然而，信息孤岛、部门壁垒的存在成为了制约企业业务协同、智能决策重要因素。解决思路：建立“业务—技术—组织”三维一体的数据治理体系，通过数据治理消除信息孤岛，促进企业业务协同、提高业务效率，实现企业的降本增效。“协同、降本、提效、创新”是数据治理的目标。这看起来短短的八个字，谁都明白、谁都懂，但在数据治理项目真正的实施过程中，却不是那么容易。我们不止一次强调，数据治理项目的实施不是一个人、一个部门的事情是需要各级管理人员、各业务部门都参与的。但在项目实施过程中，总会碰到诸如以下之类的问题：1、组织运行需要依靠行政指令协调，高层主管都陷于事务性工作的管理，无暇顾及数据战略的规划和落地。2、部门墙厚重，数据治理的推进频遇掣肘，业务部门只关注自己的“一亩二分地”，缺乏全局数据意识，跨部门协调困难，内耗、摩擦严重。跨业务协同是企业管理的重点和难点，是公司推进数字化转型过程中要解决的关键问题。3、业务部门与技术部门相互推诿，数据质量问题无法根本解决。4、权本位思想严重，员工习惯于根据领导的指令办事，制定的数据治理流程执行不到位，导致流程形同虚设。5、数据治理以项目形式运作，项目结束后数据治理工作也结束了。
事实上，大企业存在的不仅仅是部门墙，还有业务墙、数据墙、应用墙……，这些“墙”的存在让信息化重复建设、缺乏统一标准，导致业务部门之间沟通成本大、效率低。也有部分企业认为数据治理就是IT部门的事情，数据治理由IT部门主导，没有明确的业务目标支撑，盲目进行数据梳理、标准制定，岂不知数据的全面梳理，范围太大，很难梳理完，并且梳理出来的结果无法验证，数据标准质量 不能保证。结果就是输出了一推的文档，一段时间后便束之高阁了。建立“业务—技术—组织”三维一体的数据治理体系，一是建立数据标准、规范数据质量，提升部门数据共享和应用能力；二是优化企业业务流程，建立数据治理的协同长效机制；三是创新组织制度保障、强化数治思维，三管齐下，助力企业数据治理顺利推进。1、业务面。数据治理应以业务应用为导向，找到管理层和业务部门的数据问题、痛点以及用数需求，在数据治理过程中，业务部门既是数据的生产方，也是数据的使用方，围绕数据治理建立及优化“业务协同”为目标的数据治理流程及规范体系对于数据治理至关重要。2、技术面。构建以元数据为基础、数据标准为核心、主数据及参照数据为关键、数据质量提升为目标的数据治理体系，管理企业数据资产，让企业数据可看、可查、可管、可用。3、组织面。数据治理组织是跨职能的，通常企业会建立数据治理委员会、数据治理执行团队等组织，负责整体数据战略、数据政策、数据标准、数据度量指标等数据治理规程问题。数据治理的成功落地离不开组织制度体系的保障，是数据治理长效运行的基础。影响业务协同的数据问题主要有：数据语义不明确，同一个数据在不同业务部门、个人之间的理解不一致；数据分类、编码不统一，“一物多码、多物一码”的问题在制造行业尤为典型，是业务部门的主要痛点需求；统计维度不一致，对于同一业务指标，不同业务部门的统计维度、算法不一致，统计的结果也不相同，给管理决策造成困惑；数据管理职责不明确，没有明确数据责任部门和负责人，一旦出现数据问题（质量问题、安全问题），部门之间相互推诿、扯皮……数据治理本质上治理的是企业数据资产，是对数据资产 “产”、“采”、“管”、“存”、“用”全过程管理，是对数据资产的相关利益者的协调和规范。数据治理的输出是高质量的数据，而高质量的数据是业务协同的基础。数据治理需要紧密贴合企业业务，找到业务部门的数据问题、痛点和需求，通过制定相关的数据标准、管理流程和制度来约束和规范数据生产到使用的各个过程，从而解决数据问题，满足用数需求。通过数据治理，打破企业数据孤岛，实现数据共享，从而打通“部门墙”促进企业业务协同。元数据管理，通过元数据梳理制定企业公共元数据标准，实现了技术元数据和业务元数据的贯通，为开展业务协同提供了标准。主数据管理，通过主数据管理解决企业核心数据的多源头维护、数据不一致、不标准、不完整等缺陷和问题，保障企业核心主数据的“一处产生，多方使用”，提升企业业务处理的效率。数据质量管理，建立数据的质量指标的定义、数据质量评估和分析、数据质量改进的闭关管理过程，提升数据质量、促进业务协同。数据资产管理，构建企业数据资产目录，将企业数据资产从系统后台的“黑匣子”转变为前端可查、可看的数据“字典”，为企业数据资产共享流通、创造价值打下坚实基础。在数据治理的实施过程中，有的人觉得，数据治理增加了许多的条条框框，使得业务处理没有从前方便了，数据治理没有增加业务效率，反而对业务效率产生了制约。在笔者看来，出现这种情况的主要原因有两个：一是企业部分人员墨守成规，不愿意做改变。数据治理对企业来说是一项数字化的战略创新，甚至是一场数字化变革，会涉及到组织机构的调整、业务流程的优化和数据标准的贯彻与执行，企业中不免会有一部分“保守派”，不愿意或被动接受，在他们内心深处对以数据治理为主导的“数字化变革”有一定的抵制情绪。二是没有找到合适方法或适合方案。数据治理目标不清晰，治理范围贪大求全，实施路径不明确，支撑体系保障不足；数据治理方案没有结合企业自身的特点，盲目跟随或照搬最佳实践。在DMM数据治理成熟度模型中，包含了25个数据管理过程域，DMM模型并不是要求所有企业25个过程域都面面俱到，因为没有那两家企业是完全一样的，数据治理也一样，企业要找到合适企业自身需求和特点的方法和方案。对于数据治理影响业务协同的观点只能是一种偏误，数据治理和业务协同只会是相互促进的作用。数据的产生主要源自于人资、采购、生产、财务等业务领域。但每个业务领域产生的数据都只能反映其部分信息，要最大化利用数据的价值，就必须在“生产”环节打通业务壁垒，开展跨业务协同。优化的业务流程、规范的业务操作是数据质量提升的前提，跨业务的协同对数据治理起到反哺作用。
业务流程标准化：标准化的业务流程是以流程为中心而非以部门职能为中心，强调企业战略性和业务整体性，强调全过程管理和业务部门协同。标准化的业务流程，打破部门界限，实现跨部门协同，关注整体和全局，输出的数据更加标准规范。数据操作规范化：业务操作规范化，是指业务操作基于一定的基准，例如，数据基准：计量单位、术语、符号标志、信息分类、编码、以及专用基础标准；技术标准：产品标准、原材料标准、工艺标准、设备标准等；标准规范化：标准体系如ISO、GJB等。业务操作规划化是数据质量提升的重要保证。建立专业的数据治理组织体系，明确数据权责，明确数据管理流程，制定企业数据战略和实施路线图，明确各阶段数据治理工作的目标和内容，建立一定的考核机制，培养企业数据文化。组织机构的设置和制度规范体系的制定是企业数据治理的重要保障。请参考《数据治理的成功要素4：组织制度保障体系》。在数据治理实施过程中，数据治理牵头部门、数据主责部门、IT管理部门要做好相应的职责分工可协作。数据治理牵头部门应站在数据治理如何与业务更好衔接、如何更好与技术开发和实施衔接这两个主要视角，对已有数据治理管理制度和流程进行必要的修订与完善。数据主责部门应从业务和管理的视角，提出对数据问题的用数需求和规范要求，作为后续数据标准和业务采集规范的基础。IT管理部门贯彻执行相应的数据标准，将数据标准和业务采集规范固化在相关数据源系统中，并完善优化各系统间的数据交换接口，实现系统源头的采集自动化管控落地及数据交互和更新。企业推动数据治理应以以业务价值为导向，以共享协同为重点，以优化流程为关键，以技术创新为支撑，以组织制度为保障，明确数据治理的业务目标和治理范围开展数据治理工作，并进一步完善数据治理的长效机制，业务流程的持续优化、数据标准的迭代更新，确保数据治理机制的日常持续、有效运转，充分发挥治理体系的效能，释放数据成效并实现业务价值。
Long-press QR code to transfer me a reward
![赞赏二维码]()
As required by Apple's new policy, the Reward feature has been disabled on Weixin for iOS. You can still reward an Official Account by transferring money via QR code.
Send to Author