外贸网站收到询盘,六安火车站网站,360推广登录,网站建设先进城市简介#xff1a;近一年以来#xff0c;越来越多的企业在考虑或正在启动数据治理的项目。作为在该领域从业多年的人士#xff0c;也常会被咨询#xff1a;数据治理不是很多年前就有的概念么#xff1f;为什么忽然很多企业都在提及#xff1f;是不是新瓶装旧酒#xff1f;…简介近一年以来越来越多的企业在考虑或正在启动数据治理的项目。作为在该领域从业多年的人士也常会被咨询数据治理不是很多年前就有的概念么为什么忽然很多企业都在提及是不是新瓶装旧酒和数据中台之间是什么关系本文中小编将通过三个核心问题帮助大家清晰上述疑问更重要的是这三个问题也是一家企业启动数据治理项目前必须要想清楚的三个问题。
一问目的为什么要治理
这是一个数据治理项目启动前必须要拉齐认知的问题。并不是为了治理而治理治理本身并无价值。
我们认为治理的价值在于构建企业内一份质量可靠、安全可控、服务便捷的好数据让数据价值得以释放。也就是说数据治理的终极目的是为了释放数据价值奠定数据价值释放的基础。 随着各行各业数字化转型进程的加速业务数字化的基础日渐扎实数据驱动业务或数据化运营不再是传统头部企业及大型互联网公司的专利越来越多的企业也在拥抱数据、消费数据。因此数据治理的诉求呈现出日渐强烈的趋势。
在数据资产治理的强烈诉求之下启动项目前自上而下企业必须达成一个统一的认知数据治理的终极目的是为了驱动数据消费、释放数据价值。
二问目标治理实现什么
这是数据治理项目启动前需要细化和明确答案的一个问题。数据治理并非一蹴而就我们需要明确长期目标是什么但同时也要明确短期项目范围和目标又是什么。
从数据治理的目的不难理解制定数据治理项目的阶段性目标可以从终极目的的数据价值释放出发也可以从数据体系的完善度出发。一般来说后者是常见的直接目标。
当然在数据领域摸爬多年的领域人士都知道数据治理并非一蹴而就。一般围绕四大关键领域“成本、质量、安全、服务”开展工作进行目标设定。目标设定的可以借鉴以下思路。 生产经济即成本方面以控制甚至节约成本为目标实际运作则需要拆解到业务线或者不同领域范围的成本控制比如销售业务线、市场投放线等再比如基础数据线、流量日志数据线等质量可靠即质量方面以减少数据质量问题、收窄数据质量风险敞口为目标实际运作则需要拆解到应用场景或不同数据等级如商品数据、销售数据等再如优先保障高管数据看板、驱动业务运行涉及的数据质量等安全可控即安全方面以满足合规要求、防止数据泄漏为目标实际运作则需要拆解到不同的数据类型或流程环节如隐私数据、监管报送数据等往往安全体系能力建设是其中重要的工作服务便捷即服务方面以盘点供给丰富的数据、驱动数据消费为目标实际运作则需要拆解到不同的业务线、数据类型及服务场景如营销推广、业务决策等。
从具体的工作开展来看成本是数据到一定体量再重点关注的领域质量是其中最重点也是最具挑战的领域安全是基础服务则是需要高度重视并投入打造数据价值的关键领域。
因此在项目启动之前必须明确本次项目范围重点的是哪个或哪几个领域如成本、质量、治理范围是什么如客户数据、监管报送场景、流量日志线数据、核心目标是什么如3个月项目上线、XXX成本的节约、6个月P0级数据质量故障数为0、完成XXX数据的上架、数据服务体系能力建设形成XXX、XXX用户的服务。总而言之启动治理项目前必须对领域、范围、核心目标进行选择和设定。
三问方法怎么实施治理
目的目标明确具体的数据治理应该如何实施呢这是保障数据治理项目成功的关键问题涉及到人员组织及权责的设计、流程规范的设计、工具选型三方面的基础工作同时还要围绕目标设定的领域、范围及核心目标进行工作开展。 由于数据质量出现问题引发的原因很多可能有技术层面的数据建设开发不规范可能有业务层面的填报输入有纰漏可能有管理层面的组织机制不健全导致无人推进等所以要对数据质量及管理进行摸底确定质量的水位线及风险敞口并制定事前事中事后全链路的数据质量治理方案。数据价值释放是数据治理项目的终极目标所以一方面通过对企业所有数据盘点及管理在数据供给侧汇聚全域数据体系化地组织数据并丰富数据信息另一方面强化数据运营培训及推广建立良好的资产检索和确信体验并和取数、分析等数据服务链接实现数据资产在需求侧消费扩大。与此同时体系化呈现资产能力大图及资产价值评估也是必不可少的。数据安全方面重点是数据识别后对数据的分类分级同时对隐私及不同安全等级的数据采取不同的授权策略。不论从源头的数据采集、授权还是从外部引入合作合规性都是今天数据安全范畴内非常重要的命题因此相关流程机制及能力建设也可以是实施中的重要组成部分。数据成本方面重点对数据存储及计算的浪费问题进行发现和处理通过分析、设定治理项、启动治理实现成本的节约。
因此启动治理项目前必须对基本的治理实施路径进行定义包括组织保障、流程规范、工具提效并对涉及的领域如质量进行全面评估、用全链路的视角对项目范围内的数据建设进行质量风险控制、建立数据质量故障体系提升响应能力同时重点关注价值出口对数据资产进行盘点和运营推广让数据被用起来。
写在最后
作为从业多年的数据人也一直在反思为什么数据治理提了那么多年以前做治理项目成功的案例并不多见。而如今再次被提起项目成功的可能性却有了很大提升主要原因在以下几方面
数字化转型浪潮下对数据治理都有了更客观的认知是长期能力建设而非运动式项目数据中台和数据治理结合数据的统一汇聚为数据治理提供了基础体系规范地数据建设又让数据治理前置到事前事中全链路式的数据治理而非点状、事后的数据治理一批真正懂数据、实践过大规模数据建设和数据运营的人员为数据治理提供服务实战沉淀而非纸上谈兵
阿里云数据资产治理解决方案是在数据中台基础上的延展用中台方法论让所有的企业拥有一份企业级好数据
阿里云数据中台是阿里巴巴数据中台唯一商业化输出以数据中台方法论为内核构建起”快、准、全、统、通“的智能大数据体系。
阿里云数据中台产品矩阵是以Dataphin为基座以Quick系列为业务场景化切入
- Dataphin智能数据建设与治理- Quick BI数据可视化分析- Quick Audience一站式消费者运营和管理- Quick Tracking全域行为洞察- Quick Stock 智能货品运营- Quick Decision风控决策数字引擎
目前正对外输出系列解决方案包括通用数据中台解决方案、零售数据中台解决方案、金融数据中台解决方案、互联网数据中台解决方案等。
原文链接
本文为阿里云原创内容未经允许不得转载。
