数据治理:自助分析部署的基础

这一切都是为了保护您的数据，并在企业范围内采用数据分析

什么是数据治理?它为什么重要?

数据治理形成了组织范围内的数据管理实践和流程的指导方针，使有效使用值得信任的数据成为可能。

随着数据和数据源的爆炸式增长，再加上我们的业务功能越来越倾向于数据驱动，IT团队简直不堪重负。这就产生了使组织中的每个人都具备数据读写能力的需求，这样他们就可以自己识别数据中的模式，并告知自己的决策，而不必等待IT团队。我们称这种现象为自助分析。

一旦你认识到自助分析的必要性，你就会想要开始为数据管理奠定基础，这就是为什么它是自然的下一步:当公司的每个人都在看你的数据时，它不仅是最佳实践，确保他们所看的数据是最新的，准确的和相关的，而且是常识。试想一下，如果业务开发、销售和营销部门分别查看不同版本的销售和收入数字，会发生什么情况。考虑一下，如果敏感数据落在高管手中，而他可能在没有足够背景的情况下对数据进行误解，那么您的组织将面临什么样的后果。灾难!

如果您认为大多数组织都有针对个别部门和应用程序的某种形式的数据治理，那么您没有错。然而，挑战在于它并不一定是制度化的。因此，数据管理实践的系统引入就是从非正式规则到整个组织一致的正式控制的过渡。如果没有良好的治理，在数据和分析方面的投资将无法满足关键的组织需求，如收入增长、成本优化和更好的客户体验。因此，数据治理是自助服务分析．

在组织中观察到的常见数据问题

• 数据的所有权和责任不明确不知道该向谁求助以获得清晰的数据
• 数据可发现性低无法在需要时找到数据
• 不明确的变更管理过程——不知道在对数据进行更改后要做什么，不知道如何记录或交流更改
• 没有单一的真相来源不确定用户应该参考哪个数据集的最新版本
• 缺少数据定义和公式无法理解数据代表什么，在什么上下文中或如何有效地使用它
• 角色和责任不明确谁监督数据源的维护，数据所有者的期望是什么，等等。

数据治理的优势

• 一致的数据和统一的过程导致更好的决策支持
• 在技术、业务和组织级别上增加IT领域的可伸缩性
• 通过集中控制机制优化数据管理成本
• 实现合规指南
• 改进了内部和外部数据的安全性
• 透明沟通，提高效率，缩短周转时间
• 数据治理模型的三个组成部分

在理解了常见的数据生命周期问题之后，从数据治理中获益需要重新思考其组织设计。有效的管治结构包括三个关键组成部分:

数据管理处(DMO)

DMO由首席数据官(CDO)领导，通常负责定义治理策略和标准。它为数据领域内的数据领导者提供工具、剧本、培训等，并确保数据生命周期中关键角色之间的协调和一致性。

数据域的领导

数据领导者制定并执行其领域的战略，包括主动培训高管、雇佣外部来源填补信息空白等。他们的工作是了解数据消费者的需求，并找到满足他们的方法。他们拥有和管理数据——评估和改进数据质量，更新数据定义等。

数据委员会

由DMO负责人主持的数据委员会拥有组织中数据治理的战略方向和原则。它的参与者是DMO和数据域领导层，充当它们之间的接口。它负责提出DMO结构，定义域，分配领导者。确认对标准和政策的遵守、审查倡议的进展、充当资金门户和解决问题也是数据理事会的职责。

卓越数据治理的最佳实践

一旦您有了这三个治理组件，麦肯锡，建议遵循某些最佳实践，以确保您的治理创造价值。

采用自上而下的组织方法
实现成功的数据治理的第一步需要DMO与业务领导接触，了解他们的需求，强调数据挑战，解释数据治理的作用，并获得他们的支持。下一步是与高级管理人员组成一个委员会，该委员会将为治理战略提供与业务需求一致的正确方向，并监督和批准各种计划，以推动改进。

将治理与组织转换主题联系起来
为了确保治理工作创造价值，直接将它们与已经得到管理层关注的正在进行的转换工作集成，可以更容易地将数据责任和所有权转移到产品团队。因此，在生产和消费的点上结合正确的治理思维。

确定数据资产的优先级并调整数据领导地位
一个组织经常犯的错误是一次查看所有的数据资产。这不仅会使他们不堪重负，而且还会使他们无法专注于与业务需求直接相关的工作。为了取得成功，应该以两种方式对数据资产进行优先级排序:按域和按每个域中的数据。转换主题将指导数据委员会确定域的优先级，并为部署创建路线图。根据业务需求，可以决定治理的复杂程度。

让人们对数据感到兴奋
不可否认的事实是，数据驱动的决策产生更高的成功率。为了让人们习惯数据文化，领先的组织认为应该先进行由高层领导采纳的案例研究。他们成为推动变革、倡导高质量数据的影响、建立数据支持者和转变怀疑者的榜样。当领导者将数据和统计数据作为日常用语的一部分时，它会渗透到组织的各个层面。

采用迭代的方法和集中的实现
为了保持兴奋感，更快地取得胜利是至关重要的，可以更快地展示影响力。使用迭代导致更快的采用，并帮助数据领导者确定用例和域的优先级。它使他们能够应用基于需求的治理，在优先级转移时使业务利益最大化。一旦治理计划的价值得到证明，就可以进行长期的开发。

开始

要实现交付价值的数据治理，流程首先为管理数据的人员和策略制定关键决策或需求。这是一个很好的开始:

1. 理解数据治理不当的机会成本，包括错过的好处、手动清理数据损失的大量时间，或者不正确和次优的业务决策。
   
   
2. 选择将监督程序的数据管理员和管理员。问问你自己，把对话提升到最高管理层会是什么样子。
   
   
3. 确定最需要治理工作的域或域的部分。
   
   
4. 定义为您的企业工作的流程和策略。
   
   
5. 实施一个迭代的工作周期，让你尽快开始工作，并让你在未来的改进中具有灵活性。
   
   
6. 选择一个数据治理解决方案这可以很容易地与您的本地体系结构一起工作，并且可以对其进行定制，以适应您不断变化的业务需求。
   
   
7. 设计和计划你的员工培训计划，并不断地对他们进行最佳实践教育。
   
   
8. 对于在这个高度连接的世界中寻找变革机会的组织来说，数据治理至关重要。取得成功的关键是使治理活动成为组织日常操作的自然组成部分，而不是将它们视为框架。

如果您有兴趣了解更多关于Dundas BI如何在您的数据治理工作中发挥重要作用的信息，我们很乐意与您交流。请与我们联系．

关于作者

Dan Crowther是Dundas数据可视化公司的客户成功顾问。他支持客户在其商业智能之旅的每个阶段，以帮助他们实现他们的目标和持久的竞争优势。

跟随在Linkedin