数据战略体系框架体系 数据战略体系框架 01、战略与愿景 了解数据应用的领域,对目标进行分解,同时结合公司目前的数据资产管理的现状来规划数据能力建设的方向。 02、保障域 规划数据管理的范围与工作路线,对决策支持、风险识别等数据分析方面进行实际应用,同时加强宣传培训、评估数据工作的绩效,指导数据工作持续的改进;通过数据管理和数据应用的组织模式、职责和岗位角色能明确承担数据在各生命周期的管理和服务责任;以数据制度为手段,能有效控制和规范数据管理活动的执行。 03、数据治理域 建立企业完整数据管理体系,提升数据管理专业能力;打通数据管理中业务和科技建设间的协作,实现全面的数据管理能力;构建专业化的数据管理系统与工具和专业化的人才梯队提升数据管理效率和效益。 01、五一数据管理体系 数据治理体系及工具组,负责全行数据治理体系规划,数据管理与分析环境规划,同时提供数据管控平台和数据资产管理平台开发建议方案。数据资产目录及质量提升组,负责客户数据资产、模型资产以及客户标签的数据资产梳理,同时开展标准化和质量提升工作。 ★ 1.主数据管理:准确识别企业的主数据,并建立主数据管理机制和平台,确保主数据在企业内部的准确性和一致性,为企业的主数据建立统一的视图; ★ 2.数据质量管理:构建数据质量管理的流程体系和操作规范,准确识别企业的数据质量问题,并进行有效的解决,同时持续监控数据质量问题,确保企业数据质量的持续提升; ★ 3.数据标准管理:建立企业级的数据标准,为跨业务条线的数据提供一致的定义,并建立数据标准落地实施的持续机制; ★ 4.元数据管理:收集和管理企业的元数据信息,同时,建立企业级的数据地图,确保整个企业数据的可追踪和管理; ★ 5.数据隐私与安全:确保企业数据资产的安全性,杜绝非授权访问,建立相应的数据访问策略、数据分级分类、检查机制、控制和监控机制。 02、数据应用体系 探索数据应用的服务模式,提升数据应用专业能力,有效的支持运营管控和执行的统计分析和运营分析,有效支持高层决策的绩效评估和预测分析;为业务创新提供趋势洞察和商业模拟。 03、 数据治理过程 数据治理体系及工具组,负责全行数据治理体系规划,数据管理与分析环境规划,同时提供数据管控平台和数据资产管理平台开发建议方案。数据资产目录及质量提升组,负责客户数据资产、模型资产以及客户标签的数据资产梳理,同时开展标准化和质量提升工作。 04、 技术域 建立数据治理平台和数据资产平台,支持和固化数据治理体系、数据治理组织与职责和数据政策与制度,落实数据质量、数据标准、元数据和数据安全等。 由此可见,数据治理是数据管理和数据应用的高阶规划和控制,良好的数据管理能更好的实现数据的应用,数据应用能反馈促进数据管理能力的提升。数据治理机制是数据治理工作的保障,数据的一切活动均需要在数据的指引下实施开展,并设立数据管理组织进行相关工作的决策、管理与执行,同时制度的制定、流程的明确是数据活动顺利开展的必要条件。 数据战略规划与治理实施的方法和步骤 采用精益的数据治理思想,把数据治理和数据应用紧密的结合在一起,以应用来驱动数据治理专项活动的落地。如专项质量改进活动,业务目标明确,成效可见。通过持续对阶段重点关注对象如监管要求、应用需求等的专项数据评估和质量问题解决活动,实实在在向各部门展现数据治理活动的价值,调动各部门的参与积极性。 实施步骤 数据治理体系工作一般包含以下三个阶段:探索调研与评估、体系设计,规划与应用验证、体系构建,反馈和优化: 01、 探索调研与评估 第一层:数据应用, 典型数据应用的调研和访谈,也可以通过工作坊的方式来来获取业务部门的数据应用需求,最终形成企业级数据应用规划。 第二层 : 数据体系, 通过访谈、调研问卷、收集客户资料等方式获取企业在数据治理领域的资料和已经取得的成果,通过对收集资料的整理、归纳,分析企业数据治理的现状、问题等,结合《数据管理能力成熟度评估模型(DCMM)》评估对企业数据管理现状,根据评估的结果和同业领先对标找出差距,提出改进建议和数据治理体系。 02、 体系设计,规划与应用验证 第一层 : 数据应用 ,通过企业级数据应用规划,对数据应用进行排序(重要性、急迫性),从而设计数据化运行的工作流程和机制,最终形成企业级数据应用能力体系设计。 第二层 : 数据体系, 根据现状评估的结果和企业级数据应用规划进行数据治理的数据架构设计和数据治理体系功能框架、数据治理组织和制度框架、数据治理能力提升路线图、信息中心职能规划及提升路线图。 03、 体系构建,反馈和优化 第一层:数据应用 ,通过企业级数据应用能力体系设计,设计数据应用的数据用例和试点应用对数据治理的优化和建议。 第二层:数据体系, 根据数据治理体设施路线图和试点应用对数据治理的优化和建议,来完善数据治理体系。制定数据管理政策,制定数据管理工作的考核方案、考核指标、考核制度;建立数据标准全生命周期管理的流程和制度,编制公共代码基础数据标准、核心指标数据标准并给出差异分析与落地建立,设计数据标准管理系统业务需求;建立数据质量管理管理模式、管理流程和制度,同时建立数据质量认责机制。定义本项目数据质量提升数据范围并制定度量规则,依据度量规则在相关系统进行数据质量探查和分析,针对分析结果进行制定数据质量整改建议。 精益数据探索方法论 精益数据探索体系是一种方法论,体现了敏捷和精益思想,目的是推动企业数字化转型,将数据、技术和业务进行充分的结合,挖掘业务创新点,通过对数据的开发和管理为业务带来价值;同时,也为企业数据中台、数据平台的建设提供指导和依据。 精益数据探索方法论(具体内容会根据项目需求调整) 精益数据探索体系主要目的是探索有意义的业务价值点,构建企业价值服务蓝图。 01、 构建企业数据全景图 通过企业架构法、数据分类法、实体法散发、用户旅程法, 构建企业的数据全景图,从数据的角度了解业务,从业务的角度分析数据,从而对企业的数据和业务有全景的了解。 02、 发掘企业创新点 找到数据、技术和业务的结合点,发掘促进企业发展的价值点,进行创新的假设和构建。 03、 定义有价值的实施场景和方案 定义有价值的实施场景和方案,对场景和方案进行详细分析和定义,做深度的调研和设计,寻找最佳解决方案,这个过程可能会涉及规范数据标准、提高数据质量、元数据管理、建立数据资产目录等相关的内容。 04、 制定以业务价值为驱动的创新点路线图 数据的成熟度和技术的可行性,在众多创新价值点中,寻找投入产出比高的价值点,并根据价值点在企业中的重要程度,构建价值点的构建路线图。 数据探索的目的是: ✔ 拉通业务、技术和数据 ✔ 对现有数据资产进行全面梳理 ✔ 寻找基于现有数据的业务创新点 ✔ 通过基于数据的管理、建设和应用给业务带来价值 ✔ 产出创新计划、落地实施并不断改进和优化 对齐业务愿景,进行市场调查、用户研究;评估业务现状,评估技术现状,进行产品策略选择和定义架构蓝图,同时结合企业的数据资产,挖掘数据价值。 Data Discovery从业务线、数据线和技术线三个方向分别对业、数据和技术进行快速探索,产出: 1. 业务价值定义 2. 业务创新蓝图架构 3. 演进路线 4. 第一阶段实施计划 数据价值发现架构蓝图 Inception 通过和客户充分协作的Inception产出达成一致的产品策略、数据蓝图、目标客户画像、体验地图、故事板、数据价值场景、核心信息架构、交互原型、估算、交付计划、技术预演、技术架构和选型等交付物,为进入下一阶段项目实际设计和交付做好准备。 Inception过程包含:业务梳理、数据梳理、数据产品定位、产品设计、和数据产品演示。流程如下图所示 Inception交付流程 数据能力内建的赋能机制 企业通过业务在线之后沉淀下来的数据并不能称为数据资产,只有将数据通过数据中台体系化建设,按照主题域进行规范存储、建设统一的数据模型,形成标准的专题为决策分析、赋能业务提供能力才可称为数据资产。 所以,数据治理和数据资产管理是数据中台面向企业提供数据能力的一个窗口,数据(资产)中心将企业的数据资产统一管理起来,实现数据资产的可见、可懂、可用和可运营。 多数企业还期待数据中台可以提供数据化运营平台,帮助企业快速实现数据资产的可视化分析,提供包括实时流数据分析、预测分析、机器学习等更为高级的服务,为企业数据化运营赋能。 以上这些建设目标,都需要组织内所有的管理层和员工具备数据能力,在统一的数据能力和思维基础之上,采用同样的方法和策略,共同解决数据问题。 数据资管出品 作者:研究猿