企业数据治理面临的六大挑战!

CIOAge
数据作为数字经济时代新型生产要素,是企业的重要资产,也是赋能企业数字化转型的基石。在向着数字化快速迈进的同时,当前企业数据治理都面临着各种挑战和不足。企业越大,需要和产生的数据也就越多,数据越多,意味着就越需要定制适合自己企业的有效的、正式的数据质量策略。

对企业而言,不同的行业、不同的业务特点,不同的信息化水平也预示着数据治理过程中存在的挑战不尽相同。但是,企业数据治理普遍存在的问题和挑战主要有以下6个方面:

1.对数据治理的业务价值认识不足

“数据为什么重要?”,“数据治理到底能解决什么问题?”,“数据治理能实现哪些价值?”这是困扰企业数据治理经常被企业领导和业务部门质疑的三大问题。由于传统数据治理是以技术为导向,注重底层数据的标准和操作过程的规范。尽管以技术驱动的数据治理也能够显示数据的缺陷,提升数据的质量,但是管理层和业务人员似乎对此并不满足。

由于传统以技术驱动的数据治理模式没有从解决业务的实际问题出发,导致企业对数据治理的业务价值认识普遍不足。为了快速实现数据价值和成效,最直接的方式就是以业务价值为导向,从企业实际面临的数据应用需求和数据痛点需求出发,以解满足管理层和业务部门的数据需求以实现数据的业务价值、解决具体的数据痛点和难点为驱动来推动治理工作。

正如前文描述,企业数据治理的业务价值主要体现在:降低成本、提升效率、提高质量、控制风险、增强安全、改善决策。不同企业所面对的业务需求、数据问题是不同的,企业数据治理的业务价值也不是要以上六个方面都要面面俱到(也或许还有不足)。

企业应该从管理和业务的痛点需求出发,将数据治理的业务价值量化,以增强企业管理层和业务人员对数据治理的认知和信心。关于数据造成的业务痛点,理解痛点的最好方法是询问和观察。数据治理的管理必须着重于业务需求,并且经常需要着重于解决让业务人员感觉到的某种程度的痛苦或他们无法解决的问题。

2.缺乏企业级数据治理的顶层设计

当前企业普遍都认识到了数据的重要性,很多企业也开始探索数据治理。我们看到,目前企业大量的数据治理活动都是项目级、部门级的,缺乏企业级数据治理的顶层设计、以及数据治理工作和资源的统筹协调。

数据治理涉及到业务的梳理、标准的制定、业务流程的优化、数据的监控、数据的集成和融合等工作,复杂度高、探索性强,缺乏顶层设计的指导,在治理过程中出现偏离或失误的概率较大,如不能及时纠正,其性影响将难以估计。

数据治理的顶层设计属于战略层面的策略,它关注整体性、全局性、体系性。数据治理顶层设计注重全局性,数据治理站在全局视角进行设计,突破单一项目型治理的局限,促进企业主价值链的各业务环节的协同,自上而下的统筹规划,以点带面的的实施推进。数据治理顶层设计注重的体系性,从组织部门、岗位设置(用户权限)、流程优化、管理方法、技术工具,构建企业数据治理的组织体系、管理体系和技术体系。

企业数据治理的顶层设计应站在企业战略的高度,以全局视角对所涉及到的各方面、各层次、各要素进行统筹考虑,协调各种资源和关系,确定数据治理目标并为其制定正确的策略、路径。顶层设计主要是抓牵一发而动全身的关键问题,抓长期以来导致各种矛盾的核心问题,抓严重影响企业信息化健康稳定发展的重大问题。唯有如此,才能纲举目张,为解决其他问题铺平道路。

3.高层领导对数据治理重视程度

数据治理是企业战略层的策略,而企业高层领导是战略制定的直接参与者,也是战略落实的执行者。数据治理的成功实施不是一个人或一个部门就能完成的,需要企业各级领导,各业务部门核心人员,信息技术骨干的共同关注和通力合作,高层领导无疑是数据治理项目实施的核心干系人。

企业高层领导对数据治理的支持不仅在于财务资金方面的支持(当然这是必须的),对数据战略的细化和实施充分授权、所能提供的资源是决定数据治理成败的关键因素。

企业数据治理一般都需要成立专门的组织机构,例如:数据治理委员会,尽管很多企业的数据治理委员会是以一个虚拟组织。但是这个组织必须安排一名“德高望重”的高管进行支持,我们姑且可以给这个岗位命名为“首席数据官(CDO)”。数据治理委员会由CDO、关键业务人员、财务负责人、数据科学家、数据分析师、IT技术人员等角色组成,负责制定企业数据治理目标、方法和一致的沟通策略和计划。

数据治理项目实施中,CDO不仅需要负责对数据的定义,数据标准,治理策略,过程控制,体系结构,工具和技术等数据治理工作的统筹,还需要关注如何为业务增加价值以及是否获得关键业务负责人的支持。CDO经常关注数据的业务价值,并利用数据科学家,分析师和管理人员的更多技术技能,向首席执行官(CEO)报告以获得持续的资金、政策和资源支持。

4.数据标准不统一,数据整合困难

一是企业内部数据标准的不统一。我国各行业的企业信息化水平不均衡,数据缺乏行业层面的标准和规范定义。在信息化早期信息系统的建设是由业务部门驱动的,缺乏统一的规划,形成一个个信息孤岛。而随着大数据的发展,企业数据呈现出了多样化、多源化的发展趋势,企业必须将不同来源,不同形式的数据集成整合到一起,才能合理有效的利用,以充分发挥出数据的价值。但是由于缺乏统一数据标准定义,让数据集成、融合困难重重。

二是企业之间的数据标准不统一。各行业、各企业之间都倾向于依照自己的标准采集、存储和处理数据,虽然在一定程度上起到了包含商业秘密的作用,但阻碍了企业之间(尤其是位于同一产业链上的上下游企业)的协同发展,不利于企业“走出去”加强企业间的交流和合作。

5.普遍认为数据治理是IT的事

在很多企业中,普遍认为数据治理是IT部门的事,而业务人员只是数据的用户,有很多业务人员对数据治理都是“事不关己高高挂起”的态度。但我要清楚地表明这个想法是错误的,IT部门对数据应负有很大责任,但是不包括数据的定义,数据的输入和数据的使用。数据的定义、业务规则、数据输入及控制、数据的使用都是业务人员的职责,而这恰恰都是数据治理的关键要素。大多数业务部门对IT部门的感情是复杂而矛盾的,一方面感觉到IT越来越重要,业务的发展离不开IT部门的支持;但另一方面却是对IT部门不是很了解,因为大多数时候业务部门对IT存在的价值还心存疑虑。

数据质量问题到底应该由谁来负责?这也是IT部门和业务人员经常互相推诿的问题。难道IT和业务真的是两个不可调和的矛盾体吗?事实上,并非如此。离开业务的IT并不会产生价值,而离开的IT的业务却失去了数字化时代的竞争力。因此,数字化时代,IT和技术更应当紧密的融合在一起,朝着共同的目标努力!有效数据治理策略是实现数据驱动业务,业务融入IT的重要举措,这些举措包括:数据治理的规划应与业务需求相匹配,数据治理的目标围绕业务目标的实现而展开。建立数据治理委员会,将业务人员与IT人员融入相同组织,为了一致的目标而努力,荣辱与共!业务人员与IT部门一起进行数据标准的定义,规范数据的质量以及合理的使用数据。

在企业数字化转型过程中,IT即业务,IT即管理,业务人员目标如果是“在正确的时间正确的地点获得正确的数据,来达到服务客户,做出决策,制定计划的目的”,而IT的目标就是“在正确的时间正确的地点将正确的数据送达给业务”成为对业务部门的可靠的供应者。

6.缺乏数据治理组织和专业的人才

数据治理实施的重要一个步骤是建立数据治理的组织并选拔合适的人才,这看起来容易,但真正执行起来却存在很大的挑战。成立实体的数据治理组织还是建立一个虚拟的组织?人员安排是专职岗位和是人员兼职?到底哪种性质的组织和岗位设置好,这是会经常被企业管理层问及的问题。我的通常回答是:根据企业的组织、管理现状而定,没有最好的组织模型,只有更合适企业的组织模式。

数据治理需要一种开放的企业文化。实施组织变更,就意味着岗位和权责的分配。结果,数据治理成为一个政治问题,因为这最终意味着分配、授予和撤消责任与权力。如果只是形式上的组织设置,没有从行政、人力上解决权责分配的问题,就无法产生团队的凝聚力,从而影响数据治理的效果。例如:某集团为主数据治理成立了数据标准管理委员会的虚拟组织,该组织4名人员是从集团下属的4家公司抽调来的,兼职负责集团主数据的审批工作。但实际执行过程中,4位主数据审核人员达成了默契各自审核自家单位的数据,导致集团层面的主数据管控模式成了一个摆设。不久之后,集团层面数据的重复、不完整、不准确等问题又暴露无遗了。

写在最后的话

到底,笔者认为:数据管理问题是一个“意识”的问题。

首先,企业应意识到数据是企业的一项重要资产,对数据管理的重视应上升到战略的高度上去认识和重视才行。

其次,企业应意识到数据管理不是某一个部门的事,需要企业全员参与。全面进行数据管理或数据治理,离不开各级领导的重视和支持,只有领导重视,才是做好数据管理和深入分析的关键。同时,企业所有人员,都应该把好各自工作环节的数据管理,不制造垃圾数据、错误数据,发现问题及时解决,追根求源,争取将错误数据、垃圾数据剔除干净,确保数据的正确完整。

第三,企业应意识到信息技术只是实现手段,而业务规范才是提升数据质量的根本。数据管理不仅涉及信息化技术的选择和应用,同时还涉及到企业业务流程的规范和统一,并且直接影响企业数据质量的好坏,从而影响业务的效率和决策的水平。

最后,企业应意识到数据管理要抓好,还应健全数据管理的保障体制。建立数据管理的组织体系,明确岗位分工和工作职责,制定数据管理办法,启用完善的数据管理流程,做好数据管理运营策略和运维保障,只有科学的管理,才能保证数据的准确、完整。

责任编辑:华轩 来源: 谈数据
相关推荐

2020-06-09 12:12:34

大数据安全数据泄露数据安全

2020-10-10 17:34:11

大数据IT技术

2017-07-27 14:18:41

大数据挑战动向

2022-10-19 14:23:17

2015-08-26 10:46:16

大数据

2022-08-08 10:20:19

数据安全首席信息安全官

2020-09-04 15:07:54

网络威胁情报CTI网络攻击

2020-07-19 07:32:49

运营物联网IOT

2022-04-15 11:36:03

SaaS安全数据安全网络安全

2019-02-17 16:18:13

数字化转型CIO大数据

2015-09-09 16:23:58

苹果核心产品

2013-11-12 09:35:16

大数据

2021-08-20 14:59:32

机器学习人工智能工具

2020-02-25 15:37:31

数据安全数据存储

2021-12-12 10:21:43

互联风传统企业电子商务

2015-06-02 10:02:04

数据中心

2019-07-02 09:23:55

大数据数据分析机器学习

2012-12-24 10:49:27

企业IT大数据内存计算

2021-09-23 09:10:43

数字化转型IT技术

2013-02-22 12:09:55

BYODBYOD安全

51CTO技术栈公众号