CDO管理数据质量123步

CDO 作为企业数字化转型的推动者,在将数据作为资产加以利用方面发挥着积极的领导作用,需要深刻认识到数据质量决定着数据智能应用的效果。

因数据质量差导致据应用出错、业务价值无法深入挖掘、转型成本增加的现象屡见不鲜。尽管如此,一些企业领导对于优先考虑数据质量仍持有不明确的态度。

除了数据质量未得到足够的重视外,数据团队在保障数据质量时仅仅重视数据间的逻辑与事实,并不以业务需求为出发点来优化数据质量,这种工作模式也无法保障数据质量。

所以,在数字化转型过程中,CDO、CTO/CIO 与其他相关部门领导应该针对数据质量的管理制定统一的规范。

1)统一数据质量与业务指标,在数据质量管理过程中建立问责制。

2)建立数据分析模型以检验当前数据质量及未来数据应用效果,为挖掘业务价值提供高质量的数据。

3)规划数据质量管理总体成本与数据应用业务价值变现之间的回报比例,为调整数据质量管理方案及申请预算提供参考

0 1
统一指标,建立质量问责制
很多企业领导人对数据质量的重要性缺乏深刻认识,忽视了数据质量差导致企业转型成本上升的问题。糟糕的数据质量会导致错误的分析决策,且由于缺乏系统的问责体制及数据追踪体系,数据出错后无人负责。因此,企业数据管理负责人或 CDO应该按照一定的操作流程管理数据质量。下面给出一些相关的机制和方法,供大家参考。
1
了解数字化转型目标,设立负责人问责机制

在管理数据质量之前,CDO 应该先了解企业数字化转型的目标,然后逐一梳理不同业务场景下相关联的数据治理模块。

在了解企业数字化转型目标后,CDO 需要设立技术、业务、数据分析团队负责人的问责机制,明确各个团队在数字化转型过程中的职责和内部各成员要承担的任务,施行责任到 人、原因梳理、改进办法的工作流程,使相关团队和人员重视数据质量,为业务提升做坚强的后盾。

2
数据质量与业务绩效指标统一,支持业务成果

企业数据质量不佳的原因之一在于未将数据质量与业务目标联系起来,仅关注数据本身质量,即数据治理结果重在数据逻辑的呈现、数据事实的公布,而忽视了从业务角度出发思考数据质量。梳理清楚数据质量与业务绩效之间的关系也有利于制定数据质量问责制。

在数据治理过程中,如果数据治理团队仅关注客户数据的准确率是否从原来的 80% 提高到90%,对这一优化是否有助于业务提升毫无兴趣,就会导致业务分析团队从数据结果中只能看到详细的数据指标和治理路径,忽视了数据背后的业务逻辑,最终造成数据治理结果使用率低,无法真正为业务赋能。事实上,提升业务份额会涉及不同维度的关键指标,如财务绩效指标、经营业绩指标、客户服务指标等,数据治理团队应对这些业务指标有足够的了解。

提升数据质量必须以业务成果为导向,不能是纯粹的数据展示。一线业务人员已熟悉数字化市场运作规律,制定某项决策时会看重数据的分析价值,但也会结合自身的行业经验进行综合分析。纯技术性的数据术语并不能帮助业务人员快速理解数据意义,因此,呈现给一线业务人员的数据治理结果也应该具备一定的业务属性。CDO 只有理解了数据质量与业务目标之间的关系,才能更好地推导出各个模块要实现的功能,并匹配给相应的负责人。

梳理数据质量与业务绩效指标之间的联系,可从以下 3 个方面着手。

1) 厘清业务需求

数据团队在开始数据治理工作前,须从业务需求出发,根据业务逻辑和 数据质量之间的关系,厘清各个业务线和产品线的脉络,挖掘不同业务线的需求,梳理数据治理工作的各个环节。

2) 统一数据质量与业务指标

以业务绩效指标来确定数据质量,可以帮助数据团队验证数据质量的有效性与准确性。 数据团队应建立业务部门使用数据分析结果的反馈机制,探明业务绩效指标、分析决策过程、基础数据质量三者之间的关系。 CDO 作为数据管理的主导者,应确保数据治理过程及结果与关键业务指标和业务逻辑具有一定的相关性。

3) 建立异常数据纠查体系及问责制

在数据治理过程中,需要根据数据质量对业务目标的影响,持续测试数据质量。 同时,新业务的出现会导致数据量发生变化,因此,数据质量测试的重点和方法也应做出相应调整。

02

建立数据分析模型,制定数据质量改进计划

在数据管理的过程中,数据团队需要对数据从产生到应用的整个生命周期进行识别、诊断、修复和完善,以确保数据质量。数据团队需要针对数据应用的全生命周期建立数据分析模型,制定以业务目标为核心的数据质量改进计划,方便数据团队及业务分析团队随时检验数据质量,为业务分析团队的数据应用提供智能推荐。

1
分析当前数据质量并判别数据质量对业务价值的影响

一旦确定数据治理的业务目标,就可以开始数据分析了。数据分析贯穿数据智能应用的整个周期。利用数据分析模型对早期的数据质量进行检验,可以为最终的数据质量结果奠定基础。检验初始数据质量,为后期提升数据质量提供基准,以此为衡量标准,可以判别提升数据质量对业务价值的影响,帮助 CDO 规划数据管理团队的预算。

2
运用数据分析工具打造数据分析模型

一款性能优良的数据分析工具可以帮助企业较好地衡量关键业务流程指标并分析数据之间的关系。通过数据分析功能可以打造数据分析模型,帮助数据技术人员及业务分析人员在较短的时间内了解当前的数据质量,模型还可以配置更复杂的数据分析功能,以实现对复杂多变的业务场景下的数据进行质量检查。

3
制定以业务目标为核心的数据质量改进计划

CEO 有时较难理解为何数据质量改进周期长、覆盖广,这是因为 CEO 还未理解数据生命周期与数据质量之间的关系。因此,CDO 管理数据质量时首先要向 CEO 汇报,制定以关键业务指标为核心的数据质量改进计划。制定数据质量改进计划可从以下几个方面着手。

1) 确定数据质量改进目标

根据业务流程,确定实现数据质量的策略,梳理可实现价值的业务指标和数据质量指标,建立相应机制保证数据治理的效果。

2) 确定执行方案

CDO 根据数据质量改进目标确定数据质量解决方案,确定该方案的最终 结果是在数据团队内部托管还是设定为服务共享模式,采取分阶段的方式确定具体的业务领域和特定领域的数据质量治理,确定内部开发团队和供应商参与数据治理工作的比例分配。

3) 执行注意事项

不同业务团队可能对同一数据集的理解并不一致,两个不同的数据集可能被解释为相同语义。 所以 CDO 带领的数据治理团队需要正确理解不同业务单元对同一数据集的意义,明确业务规则,保障元数据管理。 在对内部数据统一汇总、联通后,整合合作伙伴数据、集成商数据、全网开放数据等第三方数据时,数据治理团队需要建立一套可行的模式,鉴定并跟踪第三方数据源,从看起来完整、正确、及时的数据中找出数据源不一致的原因。 数据治理团队还须验证外部数据的真实性,建立对外部数据的信任。 业务人员对数据治理过程中的技术问题可能不甚了解,CDO可建立一套完整的数据质量培训体系,帮助业务人员了解基础数据、识别数据格式、明晰数据含义。

以业务为导向的数据质量改进计划是为了实现利用数据提升业务价值的长期目标,该计划由 CDO 或 CTO/CIO 制定并推行。 数据质量改进计划可以帮助数据治理团队建立“任何数据质量管理均要以业务为出发点,并形成业务优势”的意识。 数据质量管理要构建“闭合循环”的模式,需要CDO 积极整理内部闭合数据,拓展外部数据并不断形成数据循环利用模式。 如此,企业才可以更好地洞察市场需求,预判数据决策的效果。

03
估算数据质量成本及投资回报率

企业能转型到何种程度往往取决于预算,数据质量管理效果也是一样。在制定与执行一个关乎企业存亡的关键战略之前,必须先测算预期效益,对相关人员施行可量化的绩效指标,确定预期收益及贡献。

1
估算数据质量成本及投资回报率

企业进行数字化转型的初始投资和持续投入成本必须维持在合理的投资回报率内。比如数字技术的应用(硬件基础设施、数据分析工具、云端服务器等)、数据质量管理人才的选拔与配备、数据集成商和系统集成商的人力资源成本、与数据质量计划相关的业务成本,以及应付业务中断、宕机时间和维护的成本等,均须 CDO 提前规划。

2
充分设定成本与收益的各级指标
在估算数据质量成本及投资回报率时,数据治理团队需要充分记录数据质量改进的成本类别及收益指标。在可能的情况下,设定影响成本的高、中、低各个类别,并配以成本估算的上、中、下阈值。在数据治理团队与业务负责人设定数据质量阈值时,要注意数据质量改进的技术水平、完成时间表等应与业务指标的要求一致。
数据质量管理工作结束后,在向 CEO 或 CMO、COO 等不同领域的业务负责人汇报前,CDO 可以先在数据管理团队内部进行自检,审查业务数据的逻辑,设法找出可能存在问题的地方,并调整路线及方法,完成数据质量管理。
对于急于数字化转型的企业来说,数据质量管理是以业务为导向、用数据驱动业务价值生成资产的长期计划。首先,作为企业内部数字化转型的推动者,CDO 在进行数据质量管理时,不能仅从数据本身出发思考治理方法,还应深入挖掘数据语义与业务指标之间的联系,建立数据质量问责制,保证数据质量有人负责。其次,应随时利用数据分析模型验证数据治理结果,建立数据质量改进计划,确保稳步推进数据质量管理。最后,还应该针对数据质量管理进行成本与收益间的规划,确保数据资产与数字化预算一致。

随意打赏

提交建议
微信扫一扫,分享给好友吧。