《滴普科技&Gartner:2023企业级数据治理体系建设指南(29页).pdf》由会员分享,可在线阅读,更多相关《滴普科技&Gartner:2023企业级数据治理体系建设指南(29页).pdf(29页珍藏版)》请在三个皮匠报告上搜索。
1、企业级数据治理体系建设指南数据智能服务,激活业务创新2023年6月目录企业级数据治理体系建设指南 3来自Gartner的研究:采用五步法构建通俗易懂的 数据与分析治理业务案例 19关于滴普科技 292目录前言 3一、数据治理的目标与价值 4 1.数据治理的定义 4 2.数据治理的目标 4 3.数据治理的价值 4二、数据治理市场需求与趋势 6 1.政策层面:数据要素市场化和数据安全法规推动数据治理需求持续增长 62.行业层面:发展阶段和行业特点的差异导致各行业数据治理需求显著分化 83.企业层面:业务需求的主导和牵引成为数据治理的大势所趋 10 三、企业级数据治理建设指南 11 1.总体目标 1
2、1 2.数据治理的核心内容 11 3.数据治理的开展路径 15 4.数据治理的持续运营 16 5.数据治理的落地平台支撑 17结语 18企业级数据治理体系建设指南前言数据治理是企业数字化转型中的关键一环。为了让业务用户在数据分析与应用中能够方便地获取高质量的数据,企业必须首先开展数据治理工作,让数据反应真实的业务状况,并在此基础上基于数据对企业经营管理中的各类问题进行定性及定量地分析。数据治理工作的开展需要企业充分考虑其业务需求,并进行系统规划和长期运营。然而,很多企业以往的数据治理会从单一目标出发,如配合顶层规划、数据平台建设,以及局部的专题治理等要求而进行,导致数据治理的实际效果并不理想;
3、与此同时,当下政策环境、行业需求差异等因素,也给企业今后开展数据治理的模式带来了新的变化和要求。基于以上背景,本报告梳理总结了一套针对企业的业务和分析需求,可以帮助企业高效实现数据价值的数据治理建设方法论。其根本目标是从企业业务视角出发,为企业打造一体化的业务流、信息流与数据流,让数据尽可能地还原企业的业务事实,从而更好地实现对业务过程及结果的监控。41Gartner Inc.,数据和分析治理的技术成熟度曲线,2022年6月22日。G00770125图1:数据治理的价值一、数据治理的目标与价值1.数据治理的定义根据Gartner的定义,数据治理是指在数据创建、评估、使用、控制等数据管理活动过程
4、中,对组织内相关部门和人员权责的一系列规范和要求,包括了流程、角色、制度、标准等方面内容,以保障组织能够通过高效地使用数据实现其 目标。12.数据治理的目标在企业或机构进行信息化和数字化建设的过程中,由于各部门的信息系统往往是分散建设,缺乏对数据进行统一的管理,导致出现了数据孤岛、管理职责混乱,数据标准和数据指标不一致,以及数据不完整、数据错误等质量问题。数据治理的整体目标即是通过体系化的机制与方法,构建和持续运营数据资产,保障数据全链路的畅通,提升数据质量,让数据资产可被信任,并易于访问和使用,从而充分发挥数据的价值,以提升组织的管理水平和业务运营效率,增强创新能力等。此外,在部分政府强监管
5、的行业领域,如金融、政务、医疗等,企业机构进行数据治理的目标还包括了满足行业监管要求、保障数据安全、促进数据流通共享等。3.数据治理的价值大量的实践表明,数据治理是将数据转变为可信、可用的数据资产的必要方法,也是支撑企业机构应用数据的基础。具体而言,数据治理主要可以为企业在数据管理和应用中带来以下四方面的价值:51)建立有效的数据管理协作机制通常,企业的数据无法被有效利用的首要原因在于,其内部没有将数据管理上升到组织架构的层面进行整体的规划。一方面,仅靠IT或数据等少数部门单方面开展数据管理工作难以取得理想效果;另一方面,企业内部现有的制度、权责划分、历史遗留系统等在尚未统一的情况下将制约数据
6、管理的 推进。数据治理可以帮助企业在全公司层面对数据管理工作进行统一规划,设立数据管理的相关部门和关键人员角色,规定其权力和责任,同时会厘清各部门间的协作机制,将数据管理工作流程化、规范化,提升组织的协作效率和产出成果。2)用方法论驱动数据资产的构建数据资源只有在经过一系列的加工整理后,能够被使用或交易,并为企业带来经济价值,才可以称之为数据资产。然而,企业内普遍存在数据源多样,数据的格式、类型混乱的情形,要将数据资源转变为可用数据资产,需要一套体系化的方法和流程作为支撑。数据治理的核心价值是借助成体系的方法论,帮助企业将数据资源转变为数据资产。具体而言,数据治理通过提供一整套用于梳理和设计数
7、据资产目录、数据标准、数据模型,以及定义数据分布、提升数据质量的方法与流程,开展数据治理活动,从而打通各业务系统的数据,建立完整的数据资产体系,实现数据的标准化和资产化管理。3)通过平台化工具支撑数据资产持续运营数据总是动态变化的,为保证数据资产持续可用,就需要对其进行持续的运营和维护。因此,企业需要首先将已经构建的数据资产和相关的数据治理能力固化,然后在此基础上,在企业后续的业务运营中,将随业务而不断变化的数据资源进行持续治理,动态更新数据资产目录,持续运营数据 资产。通过数据治理开发平台等工具,一方面可以帮助企业将建立的数据标准,数据资产等沉淀在管理平台中,以便企业可以持续的使用和维护数据
8、资产;另一方面,在相关机制和方法的指导下,平台工具可以提供相关的功能,当业务系统有新增数据,或者数据标准发生变化时,将数据通过人工整理或者由机器操作自动落标,并实现分级分类管理。4)提高数据质量以促进业务对数据的分析与应用数字化的根本目的是用数据驱动业务,然而企业在很多情况下无法有效利用数据进行分析与应用的原因在于,其内部数据存在各种质量问题,导致用户经常难以找到所需数据,或者数据的完整性、一致性、准确性存在问题制约了用户获得分析结果。6通过数据治理,企业可以建立完整的数据质量管理体系,制定数据质量管控目标和数据质量标准,并用机制、工具、方法持续提升数据质量。而高质量的数据能够促进企业有效进行
9、各类数据分析和应用,最终让业务部门更快获得洞察、缩减成本、增加用户获取、提高产品上市效率等,实现业务目标。二、数据治理市场需求与趋势国内企业开展数据治理已经有二十多年的历史,从早期企业为了配合数仓建设或满足行业监管要求开展数据治理,到近年来为了实现数字化转型以及数据平台建设的目标。最近几年,政府出台的一系列数据要素市场化和数据安全的法规,又为企业开展数据治理提出了一个新的长期方向。而各行业企业在长期的信息化、数字化建设过程中,目标和步调不一致,发展不均衡,导致不同行业企业在现阶段的数据治理需求出现了显著的分化。与此同时,企业以往的数据治理工作多重视顶层规划、体系设计及通过数据平台的数据整合,随
10、着业务部门逐渐成为企业数字化的核心,诸多企业也将数据治理的首要目标转为满足业务部门的分析和应用需求。具体而言,数据治理市场需求在政策、行业和企业三个层面正在发生如下变化趋势。1.政策层面:数据要素市场化和数据安全法规推动数据治理需求持续增长1)数据要素市场化相关政策的陆续出台,催生了数据确权、数据资产评估的大量需求,而数据治理是其基础。数据要素,是指将原始数据通过加工整理、确权,使其成为具备潜在利用价值的数据资产,并通过在市场上交易流通,让这些数据资产成为可用于社会生产经营活动,可为使用者带来经济效益的生产要素。随着数字经济的崛起,数据成为一项与土地、劳动力、资本、技术并列,能够推动社会生产力
11、发展的重要生产要素,已逐渐成为各界的共识。因此,政府近年来不断出台相关政策,提出要建立和培育数据要素市场,加快数据流转,盘活数据资产,充分释放数据在社会生产中的价值。并且随着2023年3月国家数据局的正式组建,标志着数据要素市场建设真正进入落地阶段。但数据资源要想成为可以被定价和交易的数据资产,需要企业机构首先围绕数据的加工整理、确权、数据资产评估,开展大量与数据治理相关的基础性工作。预计随着这些政策的推进落实,数据治理在数据要素市场化中的重要性将进一步提升,催生企业机构更广泛的数据治理需求。7表1:近年来“数据要素”相关政策及其关键内容时间部门政策名称关键内容2020.04中共中央、国务院关
12、于构建更加完善的要素市场化配置的体制机制的意见首次正式将数据视为与土地、劳动力、资本、技术并列的第五大生产要素,并提出要加快培育数据要素市场,推进政府数据开放共享,提升社会数据资源价值,加强数据资源整合和安全保护。2021.11工信部“十四五”大数据产业发展规划提出要加快培育数据要素市场,建立数据要素价值体系,提升数据要素配置作用;同时要发挥大数据特性优势,加强数据“高质量”治理。2022.01国务院“十四五”数字经济发展规划提出到2025年,数据资源体系要基本建成,利用数据资源推动研发、生产、流通、服务、消费全价值链协同。同时,数据要素市场化建设成效显现,数据确权、定价、交易有序开展,探索建
13、立与数据要素价值和贡献相适应的收入分配机制。2022.12中共中央、国务院关于构建数据基础制度更好发挥数据要素作用的意见提出“数据二十条”,要求建立保障权益、合规使用的数据产权制度,建立合规高效、场内外结合的数据要素流通和交易制度,建立体现效率、促进公平的数据要素收益分配制度,建立安全可控、弹性包容的数据要素治理制度。2023.02中共中央、国务院数字中国建设整体布局规划提出到2025年,数字中国建设取得重要进展。数字基础设施高效联通,数据资源规模和质量加快提升,数据要素价值有效释放,数字经济发展质量效益大幅增强,数字治理体系更加完善等。2023.03中共中央、国务院党和国家机构改革方案组建国
14、家数据局,负责协调推进数据基础制度建设,统筹数据资源整合共享和开发利用,统筹推进数字中国、数字经济、数字社会规划和建设。82)财政部会计处理新规将数据入表为企业数据治理增添新动力。财政部关于企业数据资源会计处理的新规,使得数据要素将在企业财务报表中有所体现,并反映企业生产经常状况。2022年12月,财政部发布企业数据资源相关会计处理暂行规定(征求意见稿),拟规范企业数据资源相关会计处理,强化相关会计信息披露,发挥数据要素价值,并要求企业应当按照企业会计准则相关规定,对数据资源相关交易和事项进行会计确认、计量和报告。根据新规,企业的数据资源被分为内部使用和对外交易两类,并适用不同会计处理原则。对
15、于企业内部使用的数据资源,企业可以根据相关的会计准则将其确认为无形资产;对于企业对外交易的数据资源,企业可以根据相关的会计准则将其确认为存货。自此,企业对于数据资源的处理将从费用化走向资本化,有望从根本上改变企业管理数据资源的方式。由于以往的会计处理准则没有与数据资源处理相关的明确科目,企业加工处理数据或者外购数据的成本通常都被计入费用开支。新规实施后,企业用于数据资源的成本将可以计入资产负债表,起到增厚资产,提高利润的作用。因此,新规将会使企业对数据资源价值的重视提升到一个新的高度,并投入更多资源进行数据治理工作,加强数据资产管理。3)数据安全治理被提升至关乎国家安全的战略高度。数据可以产生
16、巨大的经济价值,但数据在被开发利用,并创造价值的过程中,如果发生数据被泄露、篡改、滥用等安全事件,则会对个人、组织、社会、甚至国家利益带来严重威胁和损害。由于近年来全球范围内数据安全事件频频发生,导致政府及相关部门已将保障数据安全视为对维护国家安全至关重要的一项任务。为应对日趋严峻的数据安全挑战,政府近年来陆续出台 网络安全法、数据安全法、个人信息保护法等多项法律法规和政策,逐渐规范数据处理活动,要求在保障数据安全和个人隐私的前提下推动数据依法合理有效利用。在此背景下,加强数据安全管理成为企业当前和未来在数据开发利用中必须要考虑的问题。一些领先的行业企业已经开始探索数据安全治理这一课题,包括如
17、何安全地存储、传输和使用数据,尤其在数据使用方面,企业需要根据数据资产的重要性和敏感性,对数据进行分级分类管理,明确数据的开放方式、使用范围、不同等级的数据在不同场景使用的安全策略,降低数据被泄露和滥用的风险。2.行业层面:发展阶段和行业特点的差异导致各行业数据治理需求显著分化9当前,中国各行业企业的数据治理水平已经出现了显著的分化。银行、电力、互联网等行业的数据治理成熟度最为领先,正在探索一些前沿的数据治理方向;而证券、保险、政务、制造、医疗、消费品与零售相对落后,这些行业在国民经济体系中处于非常重要的位置,以及存在大量待开发利用的数据,目前正在积极开展数据治理工作,提升数据资源的利用水平。
18、具体而言,一些典型行业企业的数据治理现状及其未来的数据治理需求如下:1)银行银行有着海量的数据资源,以及丰富的应用场景,因此银行业很重视,也很早就开始了数据治理工作。当前,银行尤其是头部大型银行已经普遍建立相对完善的数据治理流程与制度,整合并打通了银行内部多源异构数据,构建了全行级数据资产管理体系,在数据资产分级分类等管理、数据质量等方面已经能够满足大部分经营管理的要求。因此,银行未来在数据治理方面的重点将是针对重点业务主题,如零售、风控、财务等,做深化的数据治理,并提供更加全面的数据指标。同时,银行业作为数据资源丰富,研发实力强的代表行业,为积极响应数据要素市场化的政策方向,将会重点探索数据
19、资产价值的评估和变现。2)制造制造业大部分企业目前还处于数字化相对初级的阶段,信息系统间的数据尚未被充分打通和有效利用。由于制造业企业业务领域众多,包括研发、采购、生产、销售、物流等,并且这些业务领域存在大量业务系统,如ERP、MES、WMS、QMS,以及生产控制系统,如DCS、SCADA、PLC。这些系统之间彼此割裂,且由于制造业的业务链条复杂难以形成统一标准,造成数据质量低,严重制约了数据价值的 发挥。在此背景下,大量大中型制造业企业目前正在积极开展数据治理工作,其核心需求是打破数据孤岛、建立数据统一标准,为企业建立有效的数据资产体系,赋能企业经营管理。同时,由于数字化转型的必要性和紧迫性
20、,数据基础较弱的制造业企业普遍希望在一些重点业务域,如采购、生产等,首先推进专题数据治理,快速实现效果。3)消费品与零售数字化时代,以消费者数据为核心推动全渠道的精细化运营已成为消费品零售企业保持企业竞争力的关键。但受限于数据基础薄弱,消费品零售企业普遍存在数据维度不全面,数据系统割裂的问题,从而无法形成覆盖消费者服务全流程的数据洞察,并赋能业务应用场景。因此,消费品零售企业进行数据治理的重点是强化全域数据采集以及整合能力,打通移动端、电商端、社交媒体、CRM等各渠道的数据,打造数据全面、标准一致的消费者数据平台,全面掌握消费者多维度的数据,并通过构建丰富的数据标签体系,提升数字化运营能力。1
21、03.企业层面:业务需求的主导和牵引成为数据治理的大势所趋。由于企业数据治理的目标、所处阶段,以及数据基础的差异,表2:不同数据治理模式的核心需求与建设内容企业画像核心需求建设内容顶层规划 有全面数字化转型需求的大中型企业;数据基础较薄弱,尚未开展大规模数据治理。基于数字化战略设计能够满足企业长期发展的业务架构和数据架构,以及数据管理的流程框架。构建完整的数据治理体系;制定清晰的数据治理建设路径,以及数据应用规划;制定分阶段数据深化治理的目标 和事项清单。体系设计 在企业的数字化转型规划中有明确的数据治理计划需要执行;需要盘点数据资产,并对数据资产进行体系化的管控;获得一些行业标准认证。针对数
22、据治理各细分内容,建立体系化的数据管理流通、机制和模板。设计数据管理组织架构,明确各部门权责;通过体制机构、流程文件规定数据 标准、主数据管理等各方面具体的 建设方法。数据平台建设 有明确的数据平台建设 需求;需要对数仓中的数据质量 进行提升。通过数据平台将各系统的数据进行集中管控,并提供相关数据分析专题的高质量数据。制定面向数据平台的数据治理规范;针对一些分析专题,从不同业务系统中抽取数据并进行整合,并提高数据质量。专题治理 有长期的信息化建设历史,但由于系统割裂,标准不统一,制约数据赋能业务;企业已经有一定的数据管理流程和机制,但业务域或主题域的数据尚未进行有效治理。通过专题数据治理使得单
23、一业务领域的数据高效畅通,以满足特定领域的业务需求,并快速取得效果。针对业务域如采购、销售等,或主题域如客户、供应商等的数据进行深化治理,进行数据标准、数据模型、数据分布及可信源定义的深化设计。导致不同企业开展数据治理的切入点和具体实施路径也各不相同。在业务实践中,企业开展数据治理的模式通常有以下四种类型:11上述不同的数据治理模式都有着不同的侧重点,并在企业不同的发展阶段发挥了一定的价值,但任何一种单一的模式都无法解决企业全部的问题。在面向顶层规划和体系设计的数据治理中,企业制定了数据治理中关于组织、制度、流程、规范等各方面的问题,但缺乏对数据的统一管控,以及对具体业务领域的考虑,难以满足业
24、务的需求;在面向数据平台的数据治理中,单纯以技术手段为主开展数据治理,由于缺少相关流程、规范和机制,以及缺乏从源端业务系统进行数据治理,数据治理难以取得理想效果;而在面向专题的局部数据治理中,尽管充分考虑了业务和分析需求,但很可能出现后续难以统一其它业务系统的数据,以及数据治理维护工作量大的问题。基于上述原因,一些企业在近年来逐渐摸索出了一套结合上述多种模式优势,通过统一规划、统一标准,以及针对业务和分析需求,实施面向主题的数据深化治理,让数据治理更好和更快的实现效果的方法,既实现了业务部门可感知的价值,又实现了IT部门基于长远考虑的夯实数据基础的目的。我们将在下一章中对相关方法进行具体介绍。
25、三、企业级数据治理建设指南滴普科技结合行业通行标准以及大量业务实践,并参考行业和企业的需求趋势,总结了以下针对满足企业业务和分析需求,可以更高效实现数据价值的数据治理建设指南。1.总体目标从业务视角出发,利用体系化的机制与方法,减少业务流中的表、证、单、书等信息,以及数据对象在流转过程中的耗散,保证企业的业务流、信息流与数据流的一致性,让数据尽可能地还原企业的业务事实,并支撑数据的分析和应用。2.数据治理的核心内容数据治理核心内容通常包括三大类:数据治理体系设计,业务数据深化治理,分析数据体系设计。1)数据治理体系设计数据治理体系设计的核心是为企业组织设计固定的流程和机制以指导后续数据治理工作
26、的持续开展。首先,数据治理体系设计需要帮助企业设计数据管理组织架构,规定数据部门、IT部门、业务部门等部门和相关人员的权责,以及协作机制。其次,数据治理体系设计需要基于对业务系统和分析系统现状的诊断,帮助企业建立一个粗颗粒度的治理体系框架,规定主数据、数据标准、数据质量等各方面建设内容具体的执行方法,并建立模板。最后,数据治理体系设计通常还会帮助企业基于对业务的全面梳理,建立一个概要级的包含各业务域业务概念的数据资12图2:数据治理核心内容来源:滴普科技产地图,以便企业建立对其数据资产状况的全局理解,以及在后续可以分领域、分专题持续开展数据深化治理。2)业务数据深化治理在完成数据治理体系的基础
27、上,为了让业务部门获取高质量数据用于业务分析,企业需要按业务域或主题域,对业务数据进行深化治理,通常主要会在数据资产目录、数据标准设计、数据分布定义、数据质量提升、数据模型设计这五个方面开展以下具体工作。数据资产目录数据治理工作的核心抓手是盘点数据资产,形成按概念数据和逻辑数据进行分级分类,覆盖企业数据资产全貌的数据资产目录。如下图所示,数据资产目录包含L1-L5层,其中,L1-L3层是按业务概念进行分类的结构,依次为业务域、子业务域和业务对象,L4-L5层分别是逻辑实体和逻辑属性,用于拆解业务对象包含的具体内容以及描述其属性。数据资产目录对企业而言有两点主要的作用。一是数据资产的结构是基于业
28、务线构建,可以形成对业务用户非常友好的可视化结构,同时可以关联IT系统的库表结构、数据对象实体,以及后续梳理的指标标签。从而为业务人员提供友好的数据资产入口,并支撑高阶的数据分析人员及数据开发人员找数;二是数据目录包含从业务域到业务子域到整个业务对象的目录映射,可以起到划分责任田的作用。当出现一些数据标准、跨领域的数据争议的时候,可以很容易的找到每一个数据的责任人,快速定位和解决问题。13图3:数据资产目录分级分类示例来源:滴普科技梳理和构建这样的数据资产目录需要从自上而下和自下而上两个方向同时推进。具体而言,在自上而下的方向,企业需要从IT系统甚至纸质表单中,识别出研发、采购、生产、销售等各
29、业务域的关键信息,基于业务链条构建数据资产目录,并进行分级分类管理;同时,为避免单纯基于业务链条梳理可能会被忽略的业务细节,企业还需要在自下而上的方向,基于IT系统存量的数据库表进行数据盘点和映射作为补充,从而得到相对接近企业数据资产全貌的数据资产目录。数据标准设计数据标准是涵盖了基础数据和分析类数据的定义、操作、应用等多层次的标准化体系,而数据标准设计应该面向未来的业务需求,结合考虑技术标准和业务标准。具体而言,技术标准包括了数据格式、字段长度、表结构等技术属性的标准,业务标准则包括了业务规则、业务含义、业务的管理角色等相关标准。数据标准建立后,需要面向增量数据和面向存量数据进行数据落标。对
30、于增量数据,数据标准可以用于约束数仓内增量的数据变更或者新增的IT系统的数据结构。对于存量数据,其数据结构可能和数据标准存在差异,由于不能强制修改存量IT系统的数据,企业通常可以基于数据标准建立与元数据的映射关系,以兼顾业务连续性需求及面向未来业务的合理性。数据分布定义数据分布定义包括了识别数据分布、厘清数据血缘,以及识别可信数据源等工作。通过数据分布定义,企业可以增强对数据资产的理解和信任,帮助建立有效的数据模型,以及在数据出现错误时,能够快速定位数据来源,修复数据错误。在实操层面,识别数据分布通常需要盘点数据标准在存量的业务系统和数仓内的分布情况,对于有些企业的数据分布极其复杂,如一些制造
31、业企业有数十个系统,每个系统各管一14个业务段,可能单一属性分布在十几个系统和几十张表中,需要在识别数据分布的同时厘清数据的血缘关系;在此基础上,企业还需要识别可信数据源,如从20个数据源里面定义Top5的可信数据源,并可能需要在Top5的可信数据源里面建立交集、并集、筛除等关系。数据质量提升高质量的数据是支撑企业进行数据分析与应用的基础。提升数据质量需要首先明确数据质量管理的目标,并建立数据质量评估标准,通过标准比对,提升数据的完整性、准确性、规范性、唯一性、一致性等;同时,通过建立相应的数据质量管理机制,在数据管理的全生命周期多方位提高数据质量。而在企业需要针对某些业务问题,做数据质量的专
32、题探查与提升时,企业可以通过业务梳理,收集业务人员以及IT人员遇到的问题,并对其进行根因分析,制定数据探查的规则以识别数据问题,再进一步分析这些问题的根源,如可能是业务、数据流转、系统应用功能,或者是数据结构和数据标准执行不到位等方面的问题。在此基础上给出改善建议,企业短期内可以通过映射关系解决提高数据治理,长期内则可以通过业务及数据管理动作进行改善,因为业务及数据管理动作才是数据质量产生的源头。数据模型设计数据模型描述的是数据之间的关系,其能够提高数据的合理分布和使用。具体而言,企业在模型设计阶段,需要完成维度表、事实表以及模型关系的定义和构建,并基于前期建立的数据标准,完成字段名称、字段描
33、述、元数据等信息的填写,规范表结构。同时,数据模型包括概念模型、逻辑模型和物理模型,但数据治理初始阶段通常只完成了概念模型设计,只包含对象和对象之间的关系,因此后续需要持续进行逻辑模型的建设,如加入主外键、关键属性等。此外,在做专题的主数据治理时为了实现数据清洁干净,提升质量,深化的逻辑模型设计是其重要支撑。3)分析数据体系设计针对分析需求,企业还需要进一步开展分析数据体系的设计,通常包括指标管理体系设计、运营绩效指标设计、以及算法模型设计等。指标管理体系设计指标管理体系设计的目的是厘清企业的分析数据资产,更好地支撑数据分析需求。指标管理体系设计包括存量分析指标设计和增量分析指标设计。对于存量
34、分析指标,需要首先对企业相关业务部门进行调研,梳理各个业务部门已经在使用的系统、报表中的指标。由于同一个指标可能被多个部门使用,需要将这些指标收集起来,做标准化设计,包括指标的聚合、收敛、规则定义等,统一指标口径;对于增量分析指标,通常的做法是参考行业领域通行的指标体系,如供应链领域的SCORE模型规定的关于供应链可靠性、实效性的一系列指标。15 运营绩效指标设计对于处于管理变革阶段的企业,企业还需要进行运营绩效指标设计。企业可以基于业务方向的变化,设计一套前瞻性的考核指标体系,同时可以借鉴吸收一些行业实践的成套体系,例如IPD、MTL等,进行企业内部管理的优化,从而指引变革落地的方向。算法模
35、型设计对于一些需要AI算法进行高阶数据应用的企业,其还需要根据业务需求设计相应的算法模型。图4:数据治理开展路径如在制造业,企业通常会需要用到库存优化的算法模型,在汽车行业,车企构建车联网时,需要用到充电优化调度模型。3.数据治理的开展路径企业在已经建立数据治理组织架构,以及数据治理体系框架后,即可以开展具体的数据治理工作。数据治理的开展路径通常包括内部治理和外部赋能两个部分,企业在内部治理的每个阶段通常都需要由外部机构提供相应的方法论指导,并建立标准和流程,具体如下:来源:滴普科技161)内部治理数据治理的切入点是数据资产盘点。企业需要基于业务视角做数据盘点,建立对业务人员友好,可读性高的资
36、产地图,做好数据分级分类管理;同时,企业需要按主题或业务域对数据资产的价值进行排序,确定需要优先治理的资产。在建立数据资产地图的基础上,企业需要定义数据标准和规范,对存量数据基于数据标准做溯源映射,对增量数据则用数据标准约束新增数据的结构。最后是数据应用的建设,包括了数据共享分发和数据分析场景。其中,共享分发可以基于原生的业务形态、业务系统数据,或者基于指标、报表、标签进行数据共享。2)外部赋能首先,企业需要外部机构提供咨询服务,帮助其搭建数据治理的体系框架、数据架构,并提供方法论指导。在搭建数据治理体系框架方面,需要帮助企业建立数据治理组织,规定数据共享、数据权属设计、增量数据的标准约束、审
37、批流程等方面的制度、流程和模板。在设计数据架构的方面,需要首先帮助企业进行现状诊断,调研和梳理企业业务体系、核心系统数据、数据应用等方面的现状;在此基础上帮助企业盘点数据资产,构建数据资产目录,建立数据标准,以及设计数据模型等。在提供方法论方面,由于企业的数据资产会随业务动态变化,所以需要帮助企业沉淀一套设计数据资产目录、数据标准和数据模型的方法和模板,使得企业后续可以根据业务变化情况定期刷新资产目录。在具备了体系框架、数据架构和方法论赋能之后,需要帮助企业根据业务需求,在业务域数据或者主数据领域开展专题数据深化治理,从识别数据资产目录的L3层业务对象入手,建立包含概念数据-逻辑数据-物理数据
38、的完整映射,并进一步完善数据标准,提升数据质量,设计数据模型。在上述工作基础上,为满足企业对数据分析和应用的需求,需要帮助企业分析数据资产,设计指标体系、特定领域的算法模型,并构建数据共享机制。最后,为了保障企业的数据治理成果可以得到呈现和有效利用,需要为企业提供平台化的产品固化数据治理成果,通常包括通过数据开发与治理平台支撑数据资产目录、数据模型、数据标准的落地,管理和共享数据资产;通过数据分析平台管理分析指标、算法模型;通过湖仓引擎存储数据模型。4.数据治理的持续运营在已经完成体系框架、数据架构设计,完成初步数据治理的基础上,企业还需要对数据治理进行持续运营。这是由于企业的各业务系统中,总
39、是会不断产生新的数据,并且企业的业务总是会动态变化,导致前期已经建立的数据标准,以及指标的计算口径都会发生相应的变化,使得企业需要通过持续的数据治理,更新和维护数据资产。17传统的模式下,企业开展持续的数据治理工作通常是由专门设置的数据团队,依据前期梳理的数据治理机制和流程,并借助数据平台的数据管理功能进行,但仅靠人工维护的成本很高,且由于数据团队无法保证对业务都很了解,导致传统模式效果不够理想。基于上述背景,近年来一些领先企业会尝试主动数据治理的模式。通过在数据治理开发平台中提供相应的功能,主动数据治理可以将治理活动嵌入到企业日常的工作流程中,通过AI技术将新增数据,根据数据标准自动同步到元
40、数据管理,减少数据治理成本;以及通过知识图谱,识别数据间的关联关系,构建更清晰的数据资产和数据血缘关系,方便检索数据,提高数据利用率。此外,主动数据治理还可以通过提供数据模型评估协作功能,提高业务团队与数据团队的协作效率,当业务人员使用数据时可及时反馈数据模型的数据质量、支撑场景、数据描述等内容,数据团队可以及时掌握数据模型的应用情况和改进点,从而提升数据部门自助服务能力,消除部门间的依赖。5.数据治理的落地平台支撑FastData是滴普科技提供的企业级智能湖仓平台,基于云原生、存算分离的湖仓架构,支持批流一体的实时数据采集、湖仓一体的多模数据存储、敏捷数据开发、主动数据治理和低代码指标分析、
41、BI可视化,为企业提供全面、智能的数据管理和分析能力,助力业务持续发展。图5:滴普科技FastData治理套件来源:滴普科技18其中FastData治理套件致力于实现客户数据治理咨询成果的可落地,涉及多个数据管理活动,包括数据标准、元数据管理、全生命周期、数据资产目录、数据质量、数据资产评估及数据安全,使数据真正汇聚成有价值的资产。在传统场景中,企业通常会首先进行数据开发建设,在后续出现数据质量问题时,才会考虑开展数据治理工作。而FastData致力于将数据开发与治理一体化,在开发环节同时将治理动作执行到位,从根源上保证数据质量;同时,协助数据团队满足数据安全法和企业数据安全管理要求,提供数据
42、的分类分级及其规则管理,实现敏感数据识别、跟踪、数据使用检测,支持事中告警和事后稽核,完成数据安全加固;最后,FastData还将主力发展主动数据治理,参考Data Fabric借助智能技术,打造“智能化数仓平台”解决大规模下的数据治理难题,大大减少数据治理的工作量,真正为企业决策和业务驱动赋能。结语展望未来,数据在经济和社会发展中的重要性将进一步提升。一方面,随着数字化转型的深入,在企业日常的经营管理中,将有越来越多的业务场景需要数据分析与应用作为支撑。最终,领先企业的大部分业务都将实现由数据驱动;另一方面,随着数据要素市场化相关政策的落地推广,数据会真正成为一项重要的生产要素,企业因此会更
43、加重视数据资产的构建和运营,并推动数据资产变现。而为了更好地应对这样的变化,各行业企业都应该将数据治理作为一项基本战略,并进行长期的运营。在此过程中,企业需要结合自身数据基础状况和业务目标,精心设计与之匹配的数据治理体系,持续地开展数据治理工作,从而为业务提供高质量的数据,让数据发挥更大的价值。来源:滴普科技采用五步法构建通俗易懂的 数据与分析治理业务案例来自Gartner的研究:数据和分析领导常常苦恼于制定令人信服的治理商业案例,而当中的佼佼者能直接在数据与分析治理和具体业务成果间建立联系,成功签单。概览 关键要点 随着数字化业务的迅猛发展与风险偏好的提升,组织要不断加大对数据和分析治理的投
44、资,但对组织而言,数据和分析治理实践通常极其薄弱甚至不存在。因此,我们发现数据和分析职能部门面临较大压力,因为他们可能无法实现企业目标。数据和分析领导发现,就数据和分析治理改进而言,打造令人信服的业务案例困难重重。通常情况下,他们的业务案例偏向于技术,较为复杂,并且以数据和分析为中心,这会让业务利益相关者感到困惑、不现实,同时提不起兴趣。20建议作为数据和分析领导,如果您意在通过构建强大的治理业务案例来完善数据与分析项目和实践,那么不妨采取以下做法:可通过采取五步法来促成业务案例的成功构建,这种方法侧重于问题、影响、方案、方法和财务这5个方面。将治理方案作为数据和分析战略及运营模式中的根基,使
45、业务利益相关者能够理解治理方案的价值与目的。介绍业务案例时,讲述数据与成果的关联情况,向主要利益相关者进行推销。晓之以理动之以情,促使他们作出行动。战略规划设想到2025年,在众多寻求扩展数字业务的组织中,有80%将会失败,因为他们没有采取新式数据和分析治理方法。1简介良好的治理对于取得业务成功至关重要。然而,现今的组织每每被他们的业务实践所拖累,罪魁祸首就是效果糟糕(或不存在)的数据和分析治理。在数据和分析治理方面卓有成效的组织均营造了数据驱动型文化。这些组织积极与利益相关者互动并与他们达成共识,推动数据共享,打破孤岛,并普及数据素养。Gartner的第七次年度CDO调查2发现,如果CDO能
46、够在数据和分析与高优先级的量化业务成果和指标之间建立关联,他们会比没有这样做的同行更成功。然而,如图1所示,很少有组织针对治理制定令人信服的业务案例,将可衡量的业务成果、支持性业务流程与组织为实现这些成就所必须治理的数据和分析资产的范围关联起来。在某些情况下,数据和分析领导发现,他人所提出的不实施治理举措的理由很难反驳。在其他情况下,这些领导可能缺乏所需的专业知识,无法制定基于成果的业务案例,或可能将其业务案例建立在错误的治理框架之上。如果不能从一开始就构建业务成果导向型数据和分析治理业务案例,我们将难以实现治理目标,也难以基于这些目标实行对业务至关重要的举措。例如,在近期的一份关于数据和分析
47、治理的Research Circle调查中,有61%的受访者表示他们的治理目标包括为业务流程和效率优化数据,但在作此表述的受访者中,只有42%的人表示他们正在按部就班地实现这一目标。3那么,为什么数据和分析治理的业务案例会失败?大多数情况下,这是因为无法回答企业高层领导提出的五个关键业务问题。图2显示了如何通过具体解答这些问题来构建令人信服的业务案例。21图1:亟需构建令人信服的数据和分析治理业务案例图2:如何构建令人信服的数据和分析治理案例22分析采取以下五个步骤,构建您的数据和分析治理业务案例第1步:识别哪些业务成果会因数据和分析治理不力或缺失而无法实现2023年“多变全球环境中的业务战略
48、”董事会调查4称,89%的董事会成员同意现在是后数字时代。也就是说,数字化是增长战略的隐含部分,71%的组织目前正在改变或计划改变企业经济结构,以向数字经济架构迈进。4然而,如果缺少对可持续的数据和分析环境的必要投资,上述目标不可能实现,而这一环境的核心需求就是有效的数据和分析治理。明确这一点是构建业务案例的唯一目的。第一步是向企业领导提出他们能够认同和“愿意接受”的问题陈述。为此,您需要采取以下做法:确定战略业务成果及其相对优先级。从组织业务战略方面出发,了解组织的预期目标和方向、市场驱动因素和监管环境。这进一步强调了CIO和首席数据官(CDO)作为企业领导的这个身份,而不是IT方面的领头羊
49、。直接与关键业务领导接触,了解数据和分析在哪些方面能发挥作用,在哪些方面无济于事。通常情况下,优先事项指的是正在运行或筹划中的关键业务计划,这些计划均有指定的高管负责领导。逐字逐句地记录他们的经历和问题,并特别关注数据和分析治理不力会给业务造成的影响。评估当前和过往的内部审计报告,了解数据和分析治理不力已对组织产生的影响。取得内部审计报告,这类报告会显示企业的审计意见、审计要点和提出的风险。在各个业务领域内部和各业务领域之间评估上述内容与数据和分析治理的关系,以及成本。与关键业务利益相关者确认问题陈述。在采取行动之前,务必要向关键业务领导报告简要的调查结果。确保您已经用恰当的商业语言作出了问题
50、陈述,并已正确理解了业务优先事项,同时对成果作出了合理设想。完成这一步即代表您已获得足够的材料,能够借此建立让企业高层领导产生共鸣的问题陈述。第2步:使用关键指标关联业务绩效和信息价值对于大多数企业高层领导来说,认识到问题和投资解决该问题是截然不同的事情。毕竟,企业面临的挑战很多。为什么数据和分析治理应得到特别关注呢?答案是:因为信息是一种资产,必须作为资产来管理。如果企业高层领导无法意识到并强调治理工作的重要性,这将反映出他们自身缺乏数据素养。如果要构建令人信服的治理业务案例,就必须强调数据和分析不力与业务绩效不佳之间的因果关系。数据和分析领导在揭示其组织中数据和分析的现状方面有独特优势。需
51、要加强的方面是把这种现状与它对业务绩效的影响联系起来。明确这种联系是创造令人信服的业务案例的关键,也是推动将信息作为资产进行治理和管理的重要步骤。23要做到这一点,数据和分析领导必须做到以下几点:识别在解决所述问题的过程中发挥至关重要作用的业务流程和流程负责人。关键业务流程往往会跨越多个业务领域。要专注于关键流程而不是业务线,这样有助于打破孤岛,以免导致数据和分析治理偏狭和缺少扩展性。确定对所识别的业务流程影响最大的关键绩效指标(KPI)和关键风险指标(KRI)的候选清单。许多KPI和KRI都与业务流程相关,但其中只有少数对业务流程的成功有重要影响。与流程负责人合作,根据自身的数据素养,采取方
52、法将价值与信息和分析联系起来,找出关键的KPI和KRI。单独挑选出KPI和KRI中涉及的特定数据和分析资产,这些资产会直接支持业务流程负责人制定关键决策。这些资产是您的数据和分析治理方案必须涵盖的范围。分析并记录这些数据和分析资产的当前状况和使用情况,并将其中的不足与业务流程负责人的具体需求联系起来。使用信息估值技术来说明业务影响。例如,各业务领域的主数据可能不一致且数据质量较差,而关键算法或决策模型可能无效,但仍然在整个企业中共用。如果不加以控制,这种情况将导致数据债务,并阻碍企业实现其目标。完成这一步后,您即可完成问题陈述的创建,在其中使用确凿的证据来证明如果组织要实现其业务目标,就需要对
53、数据和分析进行有效治理。第3步:给出实现高优先级成果所需的人员、流程和技术,概述治理的范围和规模效果拔群的数据和分析治理计划的关键特征之一是能够有效地定义和管理范围。这些计划会一心一意地专注于高优先级业务成果和挑战,然后设计恰当的治理方案,将合适的人员、恰当的流程和正确的技术汇集在一起。治理范围也由此而得。为了构建重点关注高优先级业务成果的恰当治理方案,数据和分析领导应该做到以下几点:明确治理范围内外的事项。使用信息原则、业务成果和优先事项来推动范围讨论。不要从其他方面出发,而要以重点关注的业务成果为基础,明确范围的定义。确定组建数据和分析治理指导小组所需的关键利益相关者。首先,小组中需要囊括
54、负责交付业务成果的业务领导、关键业务流程和KPI/KRI的负责人,以及信息高管,如CIO和CDO。您还必须强调在各业务领域内进行治理的必要性,以便通过信息监管人等角色协调统一决策的制定和执行。创建并评估实现数据和分析治理关键业务成果的所有可行模式。通常而言,会有多种可供使用的治理模式,而每一种模式中的人员、流程和技术组合各不相同。分析各模式的优势、成本、风险和预期成果。24 确定数据和分析治理的最佳解决方案,权衡组织中的机会、风险、文化和成熟度。运用自身在组织运作方式方面的知识和经验来选择符合组织文化、主张和成熟度的最佳方案。与参与方案批准的关键业务利益相关者开展测试,评估您提出的治理方案的可
55、行性。完成此流程还可提前让对方知道他们需要在后续签署您的方案。获得相关见解,了解会在潜在问题领域和后期阶段遇到的任何异议。至此,您的介绍内容便说服力十足,业务案例的逻辑也将变得清晰:组织中存在一个会损害业务价值的重大问题,而您在深思熟虑后提出的治理方案是解决这个问题的途径。第4步:定义方法、成果、时间轴和产出必须避开“治理工作必定十分艰巨,同时流程众多,效率低下,进展缓慢,并且由几个人集中控制”这一认识误区,而业务案例正是实现此目的的一个良机。您提出的方法必须能解决规模各异的长期治理方案的需求,对不同的业务场景使用不同的治理方式。您可借此赢得更好的信誉,并让业务利益相关者更加确信您的方案能够如
56、期取得收益,而不会使业务陷入停顿。要定义方法,请采取以下做法:请根据治理范围的定义,将业务成果的实现划分为多个可管理阶段。对于划分的每一次部署,确定将达成的业务价值,交付对象,以及对组织的具体业务影响。请选择灵活的数据和分析治理方法作为治理部署模式。请注意,您的应用环境可能很复杂,并且包含多个平台,这些平台支持记录系统、差异化和创新的不同组合。为满足不同的数据和分析要求和用例,需要采用不同的治理方式,您的方法必须接受并体现这一现状。确定治理各阶段会产生的可交付成果,及其对业务价值改进的具体贡献。此类可交付成果将包括政策和标准,但这些都是死板的,其价值往往难以评估。将这些可交付成果与更明智的数据
57、驱动型业务决策、组织行为的改善以及促进产生新业务价值的能力联系起来。制定分段路线图,介绍可交付的数据和分析治理成果。说明实施治理方案的具体时间表,相关交付成果以及交付对象。此外,还必须列明从属关系,并且务必要在提交业务案例之前验证这些关系。第5步:完成方案的财务部分最终,您需要有一组清晰的财务数据,用数字证明您的治理方案的价值和不采用此方案的财务影响。完成这一步骤需要花些功夫,应同样予以重视。您应该悉心请教财务领域的相关人员,以了解具体需求。征求广受好评的方案范本,并以这些方案为蓝本,构建您自己的方法。25通常情况下,您可以采取以下方法编写财务相关内容:从总体拥有成本(TCO)的角度评估治理方
58、案。如果关键的业务和财务利益相关者已经参与整个过程,则业务案例的财务模型可能只需要针对推荐选项作出详细的财务估算,对所有其他选项只需进行简要估算即可。对于数据和分析治理方案,TCO模型必须考虑资本支出(capex;即一次性成本)和运营支出(opex;即长期成本)。此外,方案还必须考虑构建TCO模型各阶段产生的任何成本折现和抵扣。上述两类成本适用于治理组织(例如,新的全职员工、外部服务提供商的成本)、其流程(例如,重新设计业务流程的成本)和支撑方案的技术(例如,治理技术、需要的额外硬件、云服务)。根据各种可能的结果,制定投资回报率(ROI)模型。考虑可能对成本产生影响的理想情况、最可能的情况和最
59、坏情况,并为成本预估给出上/中/下阈值。通常情况下,组织使用净现值(NPV)、偿还期和内部收益率(IRR)等指标来反映投资回报率。每种情况的成本和收益可以通过组织中最普遍的ROI方法来表示,而您应该尽可能地利用财务领域的支持。在向高级利益相关者展示最终业务案例之前,审查您的治理业务案例的故事线、逻辑和证据。将“不采取行动”作为一种情况考虑在内,并预测这种情况的财务影响。在演示中应重点关注可能遭遇困难的潜在领域。在向正式决策董事会提交方案之前,邀请支持方案的业务利益相关者帮您找到方案中的漏洞。做好准备,根据实际情况、新数据和审查小组提出的新问题来更新业务案例。将治理方案作为数据和分析战略及运营模
60、式中的根基实施规模化的数字化转型需要在多个方面采取一致、协调和统一的行动。CIO、CDO和企业架构师在帮助协调转型工作中的作用至关重要,而实现转型的下列关键蓝图是密切相关的:数据和分析战略以及运营模式。差异化的数据和分析战略使用数据驱动型愿景来创造创新的价值主张,进而向利益相关者交付丰硕的成果。运营模式通过其交付模式、数据生态系统和底层架构实现您在数据和分析战略方面承诺的价值。虽然组织有实现其战略的部分能力,但也存在不足之处,许多组织对数据和分析的治理不当即为一大弊端。打造强有力的故事线,以此为基础构建您的数据和分析治理业务案例。图3显示了数据和分析战略与运营模式之间的关系,以及如何在交付模式
61、中通过治理帮助解决关键的战略缺陷。使用类似的图片来展示业务案例将能帮助业务利益相关者更好地理解治理的战略重要性。用心对待:通过浅显易懂的案例向关键利益相关者推销业务案例组织从不缺少好想法。组织中的每个团队和部门都有才华横溢的员工,他们能找出新的、更好的方法来实现丰硕的业务26图3:将治理方案作为数据和分析战略及运营模式中的根基成果。正因为如此,数据和分析领导(就像组织中的大多数其他人一样)发现很难打破界限,让这些员工的关键方案引起组织中高层领导的注意。非常遗憾的是,当机会终于在会议期间出现时,关键决策者却分身乏术,要么是正盯着移动设备,要么是回复不相关的电子邮件,根本无暇顾及这些方案。鉴于您的
62、数据和分析治理方案是为了帮助他们,如果没能把您的观点传达给他们就结束会议会令人感到懊恼和丧气。他们并没有真正听到您说了什么,相信更是无从谈起。组织中最成效斐然的领导往往是使用讲故事的方式来说动利益相关者的。您必须采取同样的方式来推销自己的业务案例,并促使他们采取行动。讲故事是人与人之间千百年来传递信息的最古老形式。2故事通过将个人经历和集体经历挂钩,能够在情感层面上打动人心,使彼此相互理解并达成共识。制定治理业务案例后,可使用以下方法来书写和传达您的故事:以终为始。在与关键利益相关者召开会议并向他们展示业务案例之后,要明确您的目标。您可能只会向董事展示一次业务案例,以请求签字,也可能经历几轮会
63、议,这取决于流程的复杂性和组织文化。准确了解您在这一过程中的所处阶段,并用一句话清楚地说明。这是您的成功标准,在会议开始时明确这一点将使您的利益相关者重点关注您希望他们关注的事项。为业务案例创建一个故事线。如果您采取了本研究纪要中描述的五步法,那可以展示的故事线已经呼之欲出了:首先是愿景。对于组织,尤其是对于您的利益相关者而言,何为“丰硕成果”?27 目前面临哪些阻碍?存在什么问题?说明这些问题对您的利益相关者所领导的业务领域和流程的具体 影响。接下来,说明可以采取哪些行动来帮助您的利益相关者。解决方案是什么?简要概述您的方案将如何帮助解决他们的问题。不采取行动的后果是什么?如果要采取行动,方
64、法是什么?说出您的方法,以及您在这个过程中需要利益相关者提供哪些帮助。这将帮助他们了解其各自业务领域为何需要做出相应 改变。将财务部分的内容准备妥当,但仅当被要求时才进行展示。做好预演并准备好详细介绍财务内容,在被要求时给出完美答卷。专注于传播信息而不是介绍数据,但要用可靠证据来支持您的故事,以表明您的信心。了解能说服您的利益相关者的故事,并直接将故事与业务成功关联起来。了解您的企业利益相关者目前向他们的同行和团队如何讲述自己在组织成功中扮演的角色。确定有效的数据和分析治理如何为其角色增光添彩。这将让您与他们达成更深的共识,表明您想其所想。真诚为本。用“破冰”的故事作为开场,善用幽默,但前提是
65、您的确谈吐风趣,避免刻意而为。只有当人们相信你的时候,才会相信你的故事。因此,如果您在组织中以严肃和干练著称,做真实的自己。以积极的语气结束故事。讲故事的目的是为了激励人们采取行动。以积极的语气结束故事会使人感到愉悦并受到鼓舞,从而能够促使他们做出改变。在故事的开头先把不好的方面和盘托出。通过真诚打动倾听者。对于真正的领导者而言,不矫揉造作才能造就强大的影响力。故事结束后,重新强调关键信息。在会议结束时,呼吁大家采取行动,并就后续行动及其时间计划达成一致。在介绍故事之前,务必要测试您的“推销计划”。利用您的组织人脉来验证您计划的方法是否能说动关键决策者。如有可能,请尽量与有成功经验的同事交谈,
66、以收集实际有效的说法。最后,要接受成功销售人员所必备的“一定要成交”的态度。虽然您一开始可能觉得难为情,但您的毅力会得到回报。依据1 2021年预测:治理、扩展和改造数字业务的数据和分析战略2 2022年“Gartner首席数据官议程”调查:此调查旨在探索和追踪CDO角色和/或CDO办公室的业务影响,以及创建数据驱动型组织的最佳实践。Gartner于2021年9月至11月在全球496名受访者中开展了此项在线调查。受访者必须是组织中最高级别的数据和分析(D&A)领导:首席数据官、首席分析官、IT部门中负责数据和分析的最高级别领导、首席数字官等业务主管或负责数据和分析的其他业务主管。调查样本取自各
67、种渠道(包括LinkedIn),其中大部分来自Gartner精选的超过4,519人的CDO以及其他数据和分析高层领导的 28名单。这项调查是由Gartner D&A分析师和主要研究团队合作开展的。3 2021年“Gartner数据和分析治理”调查:Gartner的“数 据和分析治理调查”于7月12日至7月23日在线上开展,旨在测试我们的设想,即与集中式的IT/D&A主导型举措相比,采用基于业务成果的分布式治理模式的组织能取得更好的业务成果。共有105名IT&商业领导Research Circle成员*参与了调查。其中57位来自Gartner的ITL Research Circle(Gartne
68、r管理的小组),48人来自外部。受访成员分别来自北美(51%)、欧洲、中东和非洲(35%)、亚太地区(3%)和拉丁美洲(11%)。我们依据受访者在其组织的数据和分析治理方面决策的参与情况界定了他们的资格。该调查由Gartner分析师团队合力制定,并由Gartner的研究数据、分析和工具团队进行审查、测试和管理。*Gartner的IT和商业领导Research Circle成员包括来自应用管理、数据和分析、业务流程改进、企业架构和技术创新、IT基础设施和运营、项目和投资组合管理、安全和风险管理、采购和供应商关系、战略规划、产品开发和管理、软件工程师等部门的领导,他们代表了不同的行业和组织规模,大
69、多数在北美和西欧。4 2023年“多变全球环境中的业务战略”董事会调查:这项调 查是为了了解非执行董事会(BoD)在快速变化的商业环境中为推动业务增长所采取的新方法。调查还试图了解BoD对数字加速领域的重点投资;可持续性;以及多样性、公平和包容性。Gartner于2022年6月至7月开展了这项线上调查,来自北美、拉丁美洲、欧洲和亚太地区的281名受访者参与了调查。受访者来自各行各业,但其中不包括政府、非营利组织、慈善机构和非政府组织,以及年收入超过5,000万美元的组织。受访者必须为董事会董事或企业董事会成员。在多个董事会任职的受访者会代表最大的公司回答,公司的规模大小由他们作为董事会成员所在
70、公司的年收益来界定。来源:Gartner研究G00774548,分析师Saul Judah,发布时间为2023年 1月3日企业级数据治理体系建设指南由滴普科技发布。由滴普科技提供的编辑内容与Gartner的分析结果相互独立。使用任何Gartner调研报告须获得Gartner的许可,Gartner调研报告最初作为Gartner面向所有具备资格的Gartner客户的联合调研服务的一部分发布。2023 Gartner,Inc.和/或其关联公司。保留所有权利。使用或者出版本出版物中的Gartner调研报告并不表示Gartner认可滴普科技的产品和/或策略。未经Gartner事先书面许可,不得以任何形式
71、复制或分发本出版物。本出版物中包含的信息均取自公认的可靠来源。Gartner不对此类信息的准确性、完整性或适当性做出任何保证。此处表明的观点随时可能更改,恕不另行通知。虽然Gartner研究可能会讨论相关的法律问题,但Gartner并不提供法律建议或法律服务,不应将其研究解释为或用作法律建议或法律服务。Gartner是一家上市公司,其股东拥有的公司或基金可能与Gartner调研报告中涉及的实体有财务利益关系。Gartner的董事会成员可能包括这些公司或基金的高级管理人员。Gartner调研报告是由其调研机构独立完成的,并没有受到这些公司、基金或其管理人员的介入或影响。如需了解Gartner调研报告的独立性和完整性的详细信息,请参阅其网站上的“独立性和目标的指导原则”。联系我们如需详细信息,请通过以下方式联系我们:关于滴普科技滴普科技成立于2018年,定位为数据智能服务商。滴普科技以数据的商业价值为核心,依托最新数据智能技术,为客户提供数据智能领域相关产品和服务。滴普科技提供云原生、流批一体、湖仓一体的数据智能平台,配备涵盖数据存储和计算、数据治理、数据运营、数据可观测性以及增强型商业智能的一站式数据服务。通过与主流商业智能工具的主动连接,实时湖仓平台FastData可实现数据资产管理,并为您的决策流程赋能。扫描二维码以了解详情。