数据治理分析项目最佳实践

当今信息化建设程度不断深入，企业在优化整合各种IT能力，使IT成为企业的前进驱动力与核心竞争力的同时，将视角关注于更深层次的数据治理与分析，预示着以数据、流量、知识为主的数字经济时代到来，此背景下，数字化转型正在各行业快速萌生并发展。

随着各行业逐渐走向多元化、服务化、个性化发展，行业竞争趋势愈演愈烈，这时收集、利用数据资产，以支撑战略决策、风险规避、业务创新的需求急剧上升，而数据价值对于企业的作用不言而喻，因此许多数据治理、数据治理分析、大数据平台构建项目正如火如荼的进行.

常见问题
在数据治理分析项目调研阶段及项目实施过程中会发现，很多企业在数据治理分析项目中无论是信息化基础设施环境，还是对项目本身的意识和认知，或多或少都存在多样的问题，具体问题如下：

1 缺乏数据思维
数据思维与信息化意识略有不同，具备信息化意识的管理者未必具备数据思维，数据思维是一种量化的思维模式，即理性的运用数据去分析处理事物。很多管理者已经习惯依靠自身经验的惯性思维或根据某件事情的规律去判断、解读事物的本质，没有做到用数字说话。一种为没有意识到数据思维的重要性，另一种为有意忽略数据思维，因为即使个人判断有误权威上也不会受到损害，而这些现象都会造成数据重要性被弱化，数据架构出现断层，无法更好建设数据分析平台。

2 概念理解偏差
大数据的宣传和噱头导致很多企业对数据分析工具或成果过于神化、期待，认为只要进行了数据分析平台的构建，就可以解决企业内部存在的一切数据问题，例如：提高内部数据质量、有效利用数据价值；节省员工对业务处理时间、提高工作效率；帮助解决数据集成共享问题，屏蔽数据信息孤岛等。事实上，上述问题仅依靠大数据分析工具是无法做到的，一味偏信过度的宣传，盲目建设只会增加信息化成本，而不能带来真切收益。

3 数据资产混乱
数据治理分析对于有些企业来说，仅是停留在概念层面，建设原因多为追赶当前信息化形势、信息部为凸显功绩等，他们并不知道当前内部到底有多少数据、哪些数据是核心数据、哪些是重复数据、哪些数据是需要做为数据分析源头、数据都是以什么形式存在。造成认为只要是数据，皆为重要资源，在系统没有建设到位或没有数据治理的情况下就展开项目，甚至不惜花费大量时间精力去收集内外部一切数据，认为收集数量越大，分析效果越好，殊不知在这个过程中为企业数据中心添加大量的垃圾数据，事实上对于企业内部系统中的现有数据价值密度更高，如果企业内部数据都没有梳理、治理好情况下，盲目追求大数据只是缘木求鱼。

4 数据质量不高
数据治理分析项目的重要前提是有数据且有正确的数据可以提供分析，但很多企业并没有注意到或者真正重视起来，反而将数据可视化部分作为建设重点，注重构建炫酷的分析界面，看起来美观且高大上，实际上只起到了花瓶的作用。事实上，数据可视化只是数据治理分析的一部分，更重要的是对数据质量的把控、数据的挖掘、预测、数据分析算法的合理应用、多维查询、即席分析等。数据质量不高表现为数据以多种格式，杂乱无序的存在于企业内外部的各个业务应用系统中，无统一数据源，数据分析可用的准确数据无法识别，展示信息不准，很难有效支持领导决策。

5 分析偏离业务
数据分析成果如何让领导真实看到企业数据资产情况、有效辅助企业战略决策，避免分析结果出现偏离业务现象，也是项目中需要注意产生的问题之一。各个业务部门配合差、业务梳理进展慢、领导不够重视、没有提出针对性需求、企业信息化团队业务理解掌控能力弱都会导致分析成果业务偏离。除此之外，存在一些实施厂商对客户行业不了解，套用通用业务分析模型，不能满足企业自己的实际业务情况，造成数据分析模式、分析结果不能真实体现业务价值。

6 资源保障薄弱
基础资源薄弱包括做项目必备的资源保障，即企业具备充足的资金、信息化团队及涉及业务员工的配合等，数据治理分析项目建设是一项周期长、投资大的工程，需要长时间资金投入去运维，在实施过程中经常会出现企业内部不够重视项目的建设，对项目期望值不高，不肯投入足够的资金或选择较为便宜的平台产品进行构建，最终做成烂尾。同样的，数据治理分析与应用集成、门户集成等项目不同，需要企业信息部及各部门人员的配合才能做好，很多企业信息部推动不利，员工不愿配合业务的梳理等情况都会导致项目进展缓慢。

对应方案
面对上述问题，根据企业信息化现状及真实业务需求，将数据治理套件进行拆分重组，构建成适合企业当下业务场景的解决方案，通常来说不同阶段的方案是由简单逐渐向高阶进行的，方案之间是一脉相承的。

第一步解决企业内部应用、信息、数据的整合问题，同时构建数据门户，以实现企业内部运营数据的简单统计分析；第二步实施基础数据治理，保证企业内部质量，为后续数据分析奠定基础；第三步利用企业的BI决策分析与ETL工具进行数仓构建；第四步加深数据治理，结合数仓建设数据分析平台，实现企业内外部数据决策分析；最后构建数据中台，全面实现大数据分析，走向数字化、云计算、智能企业阶段，