作者丨石秀峰
随着大数据技术的发展，让企业掌握数据、处理数据的能力得到质的飞跃，数据正成为继物质、能源之后的又一种重要战略资源，企业越来越重视数据资源的管理和应用。然而，信息孤岛、部门壁垒的存在成为了制约企业业务协同、智能决策重要因素。解决思路：建立“业务—技术—组织”三维一体的数据治理体系，通过数据治理消除信息孤岛，促进企业业务协同、提高业务效率，实现企业的降本增效。“协同、降本、提效、创新”是数据治理的目标。这看起来短短的八个字，谁都明白、谁都懂，但在数据治理项目真正的实施过程中，却不是那么容易。我们不止一次强调，数据治理项目的实施不是一个人、一个部门的事情是需要各级管理人员、各业务部门都参与的。但在项目实施过程中，总会碰到诸如以下之类的问题：1、组织运行需要依靠行政指令协调，高层主管都陷于事务性工作的管理，无暇顾及数据战略的规划和落地。2、部门墙厚重，数据治理的推进频遇掣肘，业务部门只关注自己的“一亩二分地”，缺乏全局数据意识，跨部门协调困难，内耗、摩擦严重。跨业务协同是企业管理的重点和难点，是公司推进数字化转型过程中要解决的关键问题。3、业务部门与技术部门相互推诿，数据质量问题无法根本解决。4、权本位思想严重，员工习惯于根据领导的指令办事，制定的数据治理流程执行不到位，导致流程形同虚设。5、数据治理以项目形式运作，项目结束后数据治理工作也结束了。
事实上，大企业存在的不仅仅是部门墙，还有业务墙、数据墙、应用墙……，这些“墙”的存在让信息化重复建设、缺乏统一标准，导致业务部门之间沟通成本大、效率低。也有部分企业认为数据治理就是IT部门的事情，数据治理由IT部门主导，没有明确的业务目标支撑，盲目进行数据梳理、标准制定，岂不知数据的全面梳理，范围太大，很难梳理完，并且梳理出来的结果无法验证，数据标准质量 不能保证。结果就是输出了一推的文档，一段时间后便束之高阁了。建立“业务—技术—组织”三维一体的数据治理体系，一是建立数据标准、规范数据质量，提升部门数据共享和应用能力；二是优化企业业务流程，建立数据治理的协同长效机制；三是创新组织制度保障、强化数治思维，三管齐下，助力企业数据治理顺利推进。1、业务面。数据治理应以业务应用为导向，找到管理层和业务部门的数据问题、痛点以及用数需求，在数据治理过程中，业务部门既是数据的生产方，也是数据的使用方，围绕数据治理建立及优化“业务协同”为目标的数据治理流程及规范体系对于数据治理至关重要。2、技术面。构建以元数据为基础、数据标准为核心、主数据及参照数据为关键、数据质量提升为目标的数据治理体系，管理企业数据资产，让企业数据可看、可查、可管、可用。3、组织面。数据治理组织是跨职能的，通常企业会建立数据治理委员会、数据治理执行团队等组织，负责整体数据战略、数据政策、数据标准、数据度量指标等数据治理规程问题。数据治理的成功落地离不开组织制度体系的保障，是数据治理长效运行的基础。影响业务协同的数据问题主要有：数据语义不明确，同一个数据在不同业务部门、个人之间的理解不一致；数据分类、编码不统一，“一物多码、多物一码”的问题在制造行业尤为典型，是业务部门的主要痛点需求；统计维度不一致，对于同一业务指标，不同业务部门的统计维度、算法不一致，统计的结果也不相同，给管理决策造成困惑；数据管理职责不明确，没有明确数据责任部门和负责人，一旦出现数据问题（质量问题、安全问题），部门之间相互推诿、扯皮……数据治理本质上治理的是企业数据资产，是对数据资产 “产”、“采”、“管”、“存”、“用”全过程管理，是对数据资产的相关利益者的协调和规范。数据治理的输出是高质量的数据，而高质量的数据是业务协同的基础。数据治理需要紧密贴合企业业务，找到业务部门的数据问题、痛点和需求，通过制定相关的数据标准、管理流程和制度来约束和规范数据生产到使用的各个过程，从而解决数据问题，满足用数需求。通过数据治理，打破企业数据孤岛，实现数据共享，从而打通“部门墙”促进企业业务协同。元数据管理，通过元数据梳理制定企业公共元数据标准，实现了技术元数据和业务元数据的贯通，为开展业务协同提供了标准。主数据管理，通过主数据管理解决企业核心数据的多源头维护、数据不一致、不标准、不完整等缺陷和问题，保障企业核心主数据的“一处产生，多方使用”，提升企业业务处理的效率。数据质量管理，建立数据的质量指标的定义、数据质量评估和分析、数据质量改进的闭关管理过程，提升数据质量、促进业务协同。数据资产管理，构建企业数据资产目录，将企业数据资产从系统后台的“黑匣子”转变为前端可查、可看的数据“字典”，为企业数据资产共享流通、创造价值打下坚实基础。在数据治理的实施过程中，有的人觉得，数据治理增加了许多的条条框框，使得业务处理没有从前方便了，数据治理没有增加业务效率，反而对业务效率产生了制约。在笔者看来，出现这种情况的主要原因有两个：一是企业部分人员墨守成规，不愿意做改变。数据治理对企业来说是一项数字化的战略创新，甚至是一场数字化变革，会涉及到组织机构的调整、业务流程的优化和数据标准的贯彻与执行，企业中不免会有一部分“保守派”，不愿意或被动接受，在他们内心深处对以数据治理为主导的“数字化变革”有一定的抵制情绪。二是没有找到合适方法或适合方案。数据治理目标不清晰，治理范围贪大求全，实施路径不明确，支撑体系保障不足；数据治理方案没有结合企业自身的特点，盲目跟随或照搬最佳实践。在DMM数据治理成熟度模型中，包含了25个数据管理过程域，DMM模型并不是要求所有企业25个过程域都面面俱到，因为没有那两家企业是完全一样的，数据治理也一样，企业要找到合适企业自身需求和特点的方法和方案。对于数据治理影响业务协同的观点只能是一种偏误，数据治理和业务协同只会是相互促进的作用。数据的产生主要源自于人资、采购、生产、财务等业务领域。但每个业务领域产生的数据都只能反映其部分信息，要最大化利用数据的价值，就必须在“生产”环节打通业务壁垒，开展跨业务协同。优化的业务流程、规范的业务操作是数据质量提升的前提，跨业务的协同对数据治理起到反哺作用。
业务流程标准化：标准化的业务流程是以流程为中心而非以部门职能为中心，强调企业战略性和业务整体性，强调全过程管理和业务部门协同。标准化的业务流程，打破部门界限，实现跨部门协同，关注整体和全局，输出的数据更加标准规范。数据操作规范化：业务操作规范化，是指业务操作基于一定的基准，例如，数据基准：计量单位、术语、符号标志、信息分类、编码、以及专用基础标准；技术标准：产品标准、原材料标准、工艺标准、设备标准等；标准规范化：标准体系如ISO、GJB等。业务操作规划化是数据质量提升的重要保证。建立专业的数据治理组织体系，明确数据权责，明确数据管理流程，制定企业数据战略和实施路线图，明确各阶段数据治理工作的目标和内容，建立一定的考核机制，培养企业数据文化。组织机构的设置和制度规范体系的制定是企业数据治理的重要保障。请参考《数据治理的成功要素4：组织制度保障体系》。在数据治理实施过程中，数据治理牵头部门、数据主责部门、IT管理部门要做好相应的职责分工可协作。数据治理牵头部门应站在数据治理如何与业务更好衔接、如何更好与技术开发和实施衔接这两个主要视角，对已有数据治理管理制度和流程进行必要的修订与完善。数据主责部门应从业务和管理的视角，提出对数据问题的用数需求和规范要求，作为后续数据标准和业务采集规范的基础。IT管理部门贯彻执行相应的数据标准，将数据标准和业务采集规范固化在相关数据源系统中，并完善优化各系统间的数据交换接口，实现系统源头的采集自动化管控落地及数据交互和更新。企业推动数据治理应以以业务价值为导向，以共享协同为重点，以优化流程为关键，以技术创新为支撑，以组织制度为保障，明确数据治理的业务目标和治理范围开展数据治理工作，并进一步完善数据治理的长效机制，业务流程的持续优化、数据标准的迭代更新，确保数据治理机制的日常持续、有效运转，充分发挥治理体系的效能，释放数据成效并实现业务价值。