数策带你一文读懂制造企业的数据治理

在众多制约中国企业进行大数据分析与应用的因素中，"缺乏高质量的数据"这一难题高居榜首。如同传统数据仓库时代所面临的困境，"垃圾进，垃圾出"的难题亟待破解。数策认为，数据治理的难点并非技术本身，而是标准的制定、协同的实现和管理的优化。

按照业界通行的数据治理成熟度评估模型，企业数据治理能力水平可划分为五个等级：初始阶段、被动管理级、主动管理级、可控管理级、有效管理级，相关等级标准及能力要求如下图所示：

根据数策多年的经验，大部分制造企业的数据治理能力水平处于从被动管理级向主动管理级转变的过程中，少部分企业正在向可控管理级前进，总体来说，距离达到有效管理级还有很长一段路要走。数据治理是以满足数据分析应用为目的，盘点数据资产以摸清家底，建立数据标准体系提升数据质量，从组织、流程、制度、系统四个方面保障数据治理工作。具体来说，数据治理工作包括：

•确立标准：构建集团统一的数据标准体系，涵盖主数据、业务数据、指标数据及元数据等，以增强数据的流动性与可用性，为数据资源的深入应用奠定基础，巩固集团数字化转型的根基，实现“统一标准、数据同源”。

•构建资产：打造集团数据资产目录，包括业务主题域组、业务主题域、业务对象及数据项等，通过全面的数据资产展示企业投资、生产和运营的经营活动状况，使管理者能够实时掌握企业运营状态，实现“我的资产我做主”。

•搭建组织：建立数据管理组织，并配套相应的制度、办法及流程等保障机制，辅以绩效考核，确保数据治理工作的持续有效运行。这项工作对于数据治理至关重要，甚至可以说是决定数据治理成败的关键。

•上线系统：开发数据治理相关的工具平台，如主数据、元数据、数据标准、数据治理、大数据平台及数据分析等系统，数策IDEAS智能决策一体化平台利用数据工具监控企业运营，控制运营风险，在关键流程和决策环节提供判断依据，实现主动监控、预警和控制，赋能业务、技术和管理。

数策在深入研究制造企业数据治理的实践中，总结了一系列宝贵的经验教训，并在此提供最佳实践建议，以助力企业避免不必要的曲折。

1.坚守价值导向，以终为始：数据治理的复杂性在于其涉及的组织范围、系统和数据量庞大，全面铺开变革成本高昂，推进困难。因此，最佳策略是先进行顶层规划，结合具体业务场景，有针对性地开展治理工作。通过“以管窥豹”的方式，聚焦核心业务价值，这样的治理成果更易于推动整体工作，避免因缺乏可见成果而影响士气，导致治理计划失败。

2.高层领导挂帅，强化宣贯力度：数据治理牵涉众多业务部门，由于种种原因，可能导致既定标准执行不力，流程受阻或产生大量异常数据。同时，数据治理可能带来业务管理或系统升级的短期不适，面临较大阻力。此时，需要高层领导（通常建立数据治理委员会）做出决策，发挥领导作用，增强管理执行力。正如“数据治理的成效取决于管理层的决心和意志”，企业还需加强宣传培训，明确各公司、职能部门及系统的对接人，共同推进治理工作。

3.循序渐进，持续优化：数据治理通常在总体规划的框架下分阶段实施。企业要形成高效的数据治理能力，非一蹴而就。不应期待数据质量能迅速提升，而是要将治理工作融入业务部门的日常操作中，严格执行标准，及时纠正错误，通过“标准制定、问题发现、错误改正、持续优化”的管理闭环，实现数据质量的持续改善。