暂无图片
暂无图片
暂无图片
暂无图片
暂无图片

为什么您的数据治理策略失败了

数据驱动智能 2021-12-22
43

一 什么是数据治理,如何衡量成功
数据治理系统的回答了关于数据的核心问题。首先明确关键问题:什么是数据,谁可以使用数据,他们如何使用数据,为什么使用数据?根据企业的行业和发展战略,答案会有很大不同。
但是在这些问题设置好之后会发生什么呢?成功是什么样子的?领导者如何确保他们的治理计划有助于实现更大的组织目标?
迈向成功的数据治理策略的第一步是设置适当的目标和里程碑。这些目标也必须是SMART的——具体的,可衡量的,可实现的,相关的,有时间要求的。几十年来,这一最佳实践一直是全球所有行业和商业领域最盈利的组织的基础。然而,今天仍有许多公司在实现数据策略和治理方面遭遇惨败。
二 为什么你的数据治理策略失败了
为了度量失败与成功,数据治理领导者必须积极地监视所有治理工作。根据Gartner的报告,大约80%的企业承认数据分析治理的状况比想象的还要糟糕。高质量的数据治理对于实现长期业务目标、期望和结果至关重要。然而,大约50%的受访者也承认他们没有评估、监控或测量他们的数据治理。也许更令人担忧的是:33%的人预计在未来两年内,他们的数据分析投资会超过回报。
Gartner估计,每年有60 - 85%的组织在大数据分析战略上失败,那么大多数业务领导已经充分意识到详细的、经过深思熟虑的数据治理方法的关键重要性。那么,为什么数据治理策略会失败呢?答案可能比想象的要简单。
三 常见的数据治理挑战
公司的数据策略和治理无法交付的主要原因是通用的,不管行业部门是什么。为了成功地监控、管理和优化数据资源,组织必须始终将数据驱动的主动性工作放在所有战略规划议程的首位。
毫无疑问,没有一家公司能够通过构建糟糕的数据治理方法实现持久的盈利和可持续的增长。如今,所有公司都必须将数据分析、机器学习和人工智能作为任何标准商业计划的组成部分。数字经济的发展趋势不可避免地会给不遵守这一核心原则的公司留下任何空间。然而,人们往往不知道这些算法所训练的数据缺乏可信性。
对于一家公司来说,创建企业数据治理策略时甚至没有考虑到最终用户,这是很常见的。大多数数据治理项目关注的是结果和遵从性,而不是效率、可伸缩性或易用性。这些焦点的分歧会导致消费者感到被过于复杂的流程所困,或者领导团队无法看到主动性投资获得预期的业务成功指标的期望回报。
随着时间的推移,这种策略上的失败将导致最终用户完全回避这些实践。他们可能只是简单地移动和复制数据,而不经过所有与数据安全性和其他最佳实践标准相关的必要协议。下面列出了实现良好数据治理策略如此棘手的主要原因。
四 成功的数据治理策略的最大障碍是什么
障碍#1:治理委员会的原因
缺乏对正确领域的关注。在许多情况下,数据策略和治理协议失败是因为治理委员会成员更多地关注他们的日常任务,而不是定义和监视公司特定的度量、规则和KPI。
缺乏承诺。当公司更多地专注于谈论项目的理想和目标,而没有完全致力于项目的成功时,治理策略可能会失败。管理层不能做到说到做到。
不当的优先事项。当委员会面临两种极端情况之一时,治理策略就会失败。要么是程序太过复杂,以至于实质性的问题仍然没有解决,要么是系统被琐碎的细节所掩埋,缺乏重要性或相关性。后者的一个典型例子是使用“数据警察”来监督低层终端用户。
负责的项目太多。数据治理策略失败的情况也很常见,因为委员会成员要负责太多的项目。委员会经常花更多的时间在处理争论上,而不是在创造有利的结果方面取得进展。
不完整的数据。如果管理者依赖于不完整或无效的度量标准,这可能会阻碍策略。例如,跟踪所有数据相关流程的特定日常活动或基准可能很有帮助。
在讨论有意义的事情之前,花太多时间讨论细微的事情。无数的委员会花费数小时的时间来审议术语表定义中的每一个词,然后6个月后,领导者抱怨没有足够的价值显示。
障碍#2:数据问题和不一致的原因
不具有代表性的数据可能是成功数据治理的巨大障碍。一个常见的例子是,一个部门的员工使用的数据字段和表单代码与最初的程序员没有预料到的不同。当这些字段和代码不符合最新的业务现实时,很容易出现协议中的分歧。操作系统的用户总是会找到一些变通的方法,使他们能够快速完成工作,数据反映了这一点。由数据治理领导者来识别导致用户以这些方式操作的业务流程中的问题。
期望的不一致可能会在数据质量和治理方面产生巨大的负面问题
在组织内的不同部门之间缺乏共享的词汇表可能导致数据报告中的不一致,从而使启动或坚持有效的数据治理策略变得更加困难。而随之而来的负面反馈循环则会带来更多的困惑和更不同的见解。
不同的员工对基本业务度量使用不同的计算方式。当每个员工在独立的非系统解决方案中执行这些计算时,情况会恶化,这些解决方案没有与公司的集中的数据中心同步。
障碍#3:竖井产生误解的原因
数据竖井是一个个信息孤岛。通常,这些数据竖井将妨碍组织内外的双向数据流。这种问题经常妨碍公司有效和准确地执行分析报告任务。
分析的竖井代表同样的关注,但它象征着如果人们孤立地工作,他们对数据的理解和信任会受到怎样的影响。如果同一条信息对5个人意味着5件事,那么没有BI报告、分析或模型是一样的!
数据治理策略失败的一个重要原因是,它缺乏一个坚实或健壮的知识中心来存放其信息和累积的元数据。这种部门间的脱节会导致许多不同的问题,包括无效的沟通、错误的信息和糟糕的决策。
五 数据治理对人工智能的影响
缺乏数据治理可能会导致数据质量低下。错误的数据会给人工智能系统带来麻烦。一个常见的问题是对来自不同数据源的原始数据的误读,这些数据源包括分散在物理档案、基于云的服务器和其他数据库中的原始数据。
当公司缺乏统一的信息存储方式,或者公司缺乏对用于运行AI和ML的数据质量的检查时,这种情况也很常见。进入模型的数据质量越低,输出的数据就越不可靠,有偏差的模型进行分析做出的决策可能会导致被监管部门罚款。
这种情况的结果是,拥有不同技能和工具的员工将以不同的方式读取数据,从而导致错误的推断和结论。这些不一致会导致糟糕的决策,甚至会导致与各种报告和程序中不正确的数据使用相关的安全问题。
六 如何将数据战略和治理与业务目标相结合
数据治理的战略目标是使正在制定的决策与业务目标相一致,最终弥合技术和业务线之间的差距。这种联系应该存在于组织的各个层面,从部门和部门级别到最高领导层。整个组织层级必须彻底理解数据计划如何与公司的整体盈利能力和成功联系在一起。为了实现这一目标,具有前瞻性的企业将业务战略与数据治理相结合。
1如何使业务战略与数据治理相结合
•制定可衡量的KPI。
•将KPI与相关数据资源进行关联,以达到预期目标。
•确保指标和资产都与利益相关者和公司价值明确关联。
•建立一个数据治理程序,通过使团队角色与KPI一致来驱动业务价值。
•数据质量管理团队与数据治理委员会协作,使企业数据治理策略帮助每个部门实现相关目标。
•数据质量管理团队的另一个重要目标是培养员工的积极性,并取得业务部门的支持。这样一来,长期成功的机会就会成倍增加。
数据管理的失败正在伤害各种规模、行业和商业部门的组织。随然,大多数高管都敏锐地意识到了这个问题,但他们并没有采取什么行动。从一开始就制定出一份详细的行动计划,使整个过程更加流畅。
2 如何选择正确的数据治理工具
每个企业最终都会面临关于其数据治理策略的挑战。涉及数据质量、可见性和安全性的问题可能既非常复杂,又有一定的预期。此外,某些行业中的许多组织面临着来自HIPAA、SOX、GDPR和CCPA等组织的监管审查的不断增长的冲击,决策者感到不知所措。
•实现数据治理从企业数据文化培育开始。作为数据领导者,您应该培养业务领导者如何开发有效的数据治理操作模型,因为这将帮助他们更好地理解应该如何制定数据治理决策。授权他们在整个组织中放大最佳数据治理策略的重要性,同时提供指导,说明如何在未来几年最好地保持这种新发现的热情。
•通过标准化的、文档化的流程,如RACI矩阵,数据质量主管将促进部门间的协作,更好地沟通他们的数据使用协议,并主动地更快地解决潜在的冲突。
•通过关注智能数据策略、访问控制和隐私增强技术(PETs),采用主动数据治理框架可以实时交付经过专家治理的数据。换句话说,有效的数据治理在某种程度上是秘密运作的:团队越关注结果,而不是为了治理而严格治理,主动性工作就越成功。
•简化云数据访问控制:基于属性的访问控制帮助企业避免涉及跨多个平台的数据复制的内部冲突,以及不同领导角色和观点的潜在混淆。无论读者的技术背景如何,始终要用清晰易懂的语言编写策略,这对涉众和其他非技术关系尤其有益。再次强调,关注业务语言而不是技术术语,您将满足更多用户的需求。
•数据发现和分类:自动化数据发现通过分类和标记全局策略节省了时间和精力。这些功能使您能够快速访问所需的信息,而无需经历繁琐的手工检查过程——比以前更快的周转时间。自动敏感数据发现帮助企业快速发现具有宝贵洞察力的隐藏资产,同时还降低了风险敞口。
•一致的数据隐私:允许数据隐私团队在一个地方控制对敏感数据的访问,无论使用的是何种技术或云提供商。利用一个策略,将所有满足条件的数据链接到一个集中存储库中,然后从那里部署规则。
该框架包括动态屏蔽技术,如:格式屏蔽、连接屏蔽数据、微分隐私、随机响应、条件逻辑功能,使实现这些控制变得容易,同时仍然保护最敏感的信息。
•数据监控和审计:数据对任何公司来说都是重要的,但如果敏感信息落入错误的人手中,它也可能是危险的。利用自动数据审计追踪,为管理大量有价值数据的提供保障。有一个工具可以跟踪哪些数据被谁、何时以及出于什么目的访问了,这一点很重要。同时,数据指纹功能可以识别随着时间的推移所做的更改,以防出现任何可疑的情况。
数据治理策略失败的原因比许多业务领导人想象的要常见得多。专注于业务成果、即时价值和自动化,并以敏捷的方式交付,持续的改进可以增加主动性的认可和成功。

往期推荐

谈谈制定数据治理战略路线图的方法

主数据管理的前世 今生 未来(一文深入了解主数据管理)

如何组建数据治理团队

您可以利用战略性数据资产快速实现数据价值

数据治理和数据管理如何协同工作

数字化转型治理:董事会必须知道的内容


文章转载自数据驱动智能,如果涉嫌侵权,请发送邮件至:contact@modb.pro进行举报,并提供相关证据,一经查实,墨天轮将立刻删除相关内容。

评论