文章图片

数据治理体系建立后 ， 就要进行组织管控 ， 再向下就是人员和人才的能力问题 。 从数据管理这个话题来讲 ， 横跨了业务、数据分析、IT ， 业务要有能够准确提出业务数据分析需求、对数据理解到位的负责人；数据分析部门要有能做高级分析的人才 ， 有统计学的专业人才做分析模型 ， 有数据科学家做数据的探索和发现；IT要有数据工程师、数据架构师 ， 还做程序和数据层的架构 。

文章图片

在可靠的数据开发、生产方法支持下数据产品会具有敏捷的特点 ， 团队的敏捷性也是如此 。 数据的源头来自架构 ， 架构决定流程 ， 流程决定数据 ， 因此从源头讲 ， 要提高数据的可治理性就是要提高企业架构的可治理性 。
数据治理中包含了众多角色 ， 对起来来讲有不同的组织模式 。 一些是以IT导向为主 ， 一些是IT和业务力量均衡 ， 还有一些是业务导向为主 ， IT只做一定的基础设施建设 ， 搭好数据平台 ， 数据则有业务部分负责 。
举一个例子 ， 一家消费品企业 ， 要做产品的定价优化 ， 通过数据驱动是很复杂的 ， 要考虑这个产品在相同品类中的品牌定位、目前价位在同品类中的高低、促销因素、成本因素等等 ， 全面分析后才能得到优化后的定价及促销策略 。 这是一个很典型的数据分析场景 ， 从这个场景里 ， 我们能看到企业内部职责的划分 。 首席数据官带队数据技术人员、数据管理人员、数据分析人员 ， 和业务部门共同协作 。 这是一个由数据管理、技术主导的分工架构 ， 但依然做到了敏捷协同 。 所以 ， 对于数据分析是IT的职能还是业务的职能 ， 是没有标准答案的 。

文章图片

组织和人才确定后 ， 就要进行建立企业分析工具链的课题 。 分享的开始我们说过 ， 企业要建立模块化的技术架构 ， 数据分析工具链也包含了数据源 ， 数据源则包含了内部数据源和外部数据源 。 内部有交易系统、ERP等系统产生的数据 ， 外部有电商系统、IOT ， 甚至地理定位数据等等 。
此外 ， 在数据加载这一部分 ， 一直以来并没有很标准化的工具 。 但云计算技术的崛起 ， 为企业解决了很大的问题 。 云最大的好处即弹性扩展的计算资源 ， 巨大的数据吞吐量 ， 可以满足企业业务峰值对计算资源的高需求 。 很多大型集团和上市公司都已在云上搭建了数仓 ， 最大的益处在于可以做跨云的部署和迁移 ， 并且能实现数据的虚拟化 ， 对数据进行集中的处理和管理 。
以上是在数据管理这一层 ， 企业如何从数据源、数据质量的中间数据提取层 ， 到做好数据管理 。 再往后就是数据的分析 ， 企业要根据不同的分析场景 ， 找到适合的分析工具 。 类似观远提供的产品 ， 有基础性的报表、查询的基础分析功能 ， 再向上 ， 还有最复杂的AI分析 ， 适用于不同阶段企业 ， 企业也要根据发展的不同阶段进行匹配的数字化建设 。
最后就是要将数据和我们的数据分析最直观明确地展现出来 ， 最简单的就是做数据大屏 ， 将数据分析直观呈现 。 复杂的应用则需要形成数据服务和业务系统的连接 ， 只有建立起数据源头到数据使用的工具链 ， 才可以让复杂的应用场景落地 。
【波士顿咨询陈果：仿生型企业转型的数据分析能力提升】以上是我的分享 ， 谢谢各位 。