本文介绍 DataFlux 数据治理成熟度模型

  • DataFlux 成熟度模型背景
  • DataFlux 成熟度模型框架
  • DataFlux 成熟度模型总结

DataFlux 成熟度模型的背景

  • 《财富》对1000强公司进行调研发现,超过25%的企业存在数据缺陷,导致信息不准确。
  • 企业越来越依赖信息质量保证商业成功,需要通过数据做出重大的商业决策,这些决策需要参考客户需求、业务价值链效率和外部法规的遵从性,随着企业收集大量的客户、产品、供应商、物料和财务数据,在可控范围内获得精准的信息维护变得更加困难。
  • 企业面临的数据管理挑战,源自于IT系统的快速发展。企业的数据通常存储在各自不同的组织/部门的专属应用系统中,由于缺乏跨部门之间的高效协同及内外部数据共享应用,造成数据混乱、信息不一致引起的公信度低、客户服务体验差、产品批次不准确等,最终导致更高的成本或商誉的损失。
  • 为了解决数据共享应用问题,消除信息孤岛现象,较多的企业开展实施数据治理计划,期望通过整个组织内的有效治理推进实施各项数据管理最佳实践。尽管以提升信息质量支撑核心业务洞察的目的很明确,但是仍然缺乏确定的实施路线图来启动这些具体项目。
  • 企业需要基于一个客观、可信的数据治理成熟度评估作为基础,回答"我们现在在那里?我们将要向去那里?我们应当如何构建数据管理的持续保障机制,增强我们获得高质量信息的能力"。

企业关注的数据管理问题

  • 如何准确获得组织的数据管理能力成熟度,制定组织的数据治理策略?
  • 如果通过人员、业务和技术,实现跨部门之间高质量数据的互联互通?
  • 如何解决日益增长的信息系统沉积的海量数据冗余、不一致、混淆等?
  • 如何解决由于数据缺陷造成的业务处理失败、系统报废和返工...等?
  • 如何构建获得高质量数据的治理体系,获得一致、准确、可靠的数据?

高质量数据的挑战

数据治理需要从企业整体角度开展,好处是使高质量数据在组织各个层次上驱动更有效的决策,通过统筹的方法,从企业高层和管理者制定数据管理政策,其本质是企业一项战略决策。需要考虑以下三方面核心要素:

  1. 。有效的数据治理需要企业高层级支持,以及企业和员工的承诺(即:数据文化)。
  2. 政策。制定数据治理制度并执行数据管理流程,通过各项数据管理工作系统化开展,获得可接受的、可确认的数据。
  3. 技术。通过数据架构、数据模型、数据集成、数据管理工具、数据质量工具...等创建企业统一的数据管理视图。

DataFlux 数据治理成熟度模型

数据治理模型框架

有效的数据管理实践,并不仅是提出高层级的顶层蓝图,需要实时结合实际开展现状,形成可识别的、可监控的数据治理洞察,确保未来增长的匹配性和战略一致性。尽管从单一的视角入手开展工作,仍立足统筹企业的全局性管理渐进推进。

  • ,谁参与其中,他们都开展哪些价值工作?
  • 政策,需要开展哪些活动?如何正确开展数据管理工作,必须采取哪些数据管理规则?
  • 技术,相关的技术投资的必要性?
  • 风险和回报,企业当前所处阶段面临的风险有哪些?从哪些方面可以获得度量?
  • 阶段,企业数据管理成熟度阶段化迁移过程有哪些具体内容?

数据治理成熟度的阶段化

阶段一:未开展
数据治理成熟度的初级阶段,组织几乎未开展数据质量、数据集成方面的定义和规范,冗余的数据存在于企业多个业务应用系统中,经常出现不同的数据来源、数据格式和重复数据。这个阶段企业很少或没有执行数据管控。

阶段二:被动式
随着数据问题的出现,企业做出反应性被动式管理,企业资源计划ERP或CRM应用需要的数据质量问题有待解决,一部分职能部门参与数据质量工作,缺乏企业级数据管理支持。

阶段三:主动式
企业认识到数据管理可以带来风险和不确定性的减少,数据作为企业的资产提供管理决策,并通过CDI和PDM解决方案解决特定领域的数据(如:生产制造中的物料数据),数据集对业务的重要性突显,以产品数据为核心的形态逐渐显现。

阶段四:治理
企业整体制定统一的数据管理政策、数据质量战略、数据集成和数据同步规范,提供所有业务域下的业务流程支持,构建形成企业级完整的数据视图。

DataFlux 成熟度模型总结

数据管理在每个企业的复杂环境中存在不同的数据治理机制,并随着数据管控能力的提升,数据管理范围的逐步扩大,涉及跨企业、跨地域、跨国界边界的数据共享。无论是现在和将来,任何企业预想获得持续发展和成功都需要是否能真正认识数据治理的重要。

  • 企业的数据治理工作,关键在于最高层级对数据管理的认识和理解,需要一个渐进的过程;
  • 虽然成熟度模型对技术提出要求,但是PDM、MDM、BPM等目标不仅是技术问题,更多是业务对数据的理解,往往在实际的开展中缺乏业务职能的理解导致失败;
  • 企业需要健康的数据环境,数据文化需要融入到组织、职责、任务、流程...,从如何收集员工数据需求的小事考虑,逐步构建企业的数据治理成熟度,坚实地推动各项数据管理工作。