2020年《爱分析•中国数据智能应用趋势报告》正式发布。报告从企业数字化转型视角解码数据中台实践案例。分别从：1、数据治理助力企业数字化转型、2、数据中台支撑数据智能落地、3、数据智能应用趋势展望。三个方面分享企业如何利用数据治理方法成功实现数字化转型过程。

传统企业面临多种数据应用的困境：内部数据孤岛现象严重，且数据碎片化，无法统一融合赋能业务；传统企业内部通常是IT部门负责处理和管理数据，业务部门无法直接使用数据,影响业务运营与规划；数据开发工作成本高，不同需求导致企业存在数据服务能力重复建设的问题等。

        御数坊深耕数据治理领域多年，逐步形成的数据治理咨询理论与实践，从实际中攫取经验，为企业数据治理工作提供行之有效的方法论指导和实践落地方案。同时，配合御数坊独家研发DGOffice数据管理办公室软件，打通咨询与工具的断层，为企业数据治理工作提供更多可能。

        御数坊向业界贡献面向业务场景的数据治理，我们更加关注价值实现。御数坊在《爱分析•中国数据智能应用趋势报告》分享成功案例，为企业数据化转型赋能助力。

        数据治理的核心在于数据全生命周期管理，企业需要在数据采集之前在源端业务系统中即关注数据治理，覆盖数据中台与数据中台之外的数据资产。

        数据治理应当结合业务场景进行，明确区分数据治理是面向源系统还是数据中台。同时，企业需要同时通过技术与制度搭建企业的数据治理体系。

以下为御数坊为爱分析报告提供的成功实践案例。

数据治理体系搭建

        数据治理的核心在于数据全生命周期管理，企业需要在数据采集之前在源端业务系统中即关注数据治理，覆盖数据中台与数据中台之够外的数据资产。

        数据治理应当结合业务场景进行，明确区分数据治理是面向源系统还是数据中台。同时，企业需要同时通过技术与制度搭建企业的数据治理体系。

源端数据治理是根本，某电信运营商的数据治理实践

        面对快速增长的数据，某电信运营商省公司从战略和业务层面都亟需提升数据管理能力，建立从上到下的数据治理体系。

        从战略层面，集团总部对省级大数据平台的数据治理能力提出了更高的要求：数据治理需要做到可视化、高效化、可靠化。同时，该分公司大数据发展规划提出构建全新的数字化创新战略体系。从战略规划来看，高价值数据整合及共享的要求促使公司必须提升企业数据管理能力。
在业务层面，数据质量问题也影响着业务开展。一方面，该分公司已发展自有渠道3百余家、社会渠道3万余家，但是各系统间分类体系不统一、重点业务数据不一致、渠道酬金结算不准确不及时等问题，影响了渠道的健康发展，造成了业务部门对信息系统数据质量的投诉与质疑；另一方面，市场部每天有上百个指标，指标按月对比波动，管理层无法知晓指标波动大背后的原因。
        因此，该分公司启动了数据治理项目，与御数坊共同合作，组成数据治理项目组，结合其自身战略规划和具体业务问题，制定公司数据治理的方案规划。
        御数坊是专业的数据治理培训、咨询及软件服务商，以“咨询服务+软件产品”的方案为企业提供全生命周期的数据治理解决方案，帮助客户建立数据治理能力、建立数据资产目录、对多源异构数据进行标准化，提高数据中台的数据质量，创造数据资产价值。

        项目组采用顶层设计与热点业务问题结合的建设方案，分5个关键阶段推动项目。顶层设计涉及资产梳理和体系设计，业务问题解决方案主要结合大数据平台解决具体业务问题。
        整体项目主要分为数据管理现状分析、数据质量根因分析、专项数据治理、数据治理体系建设等阶段，短期解决公司的业务实际问题，长期提升企业的数据管理能力。

（1）数据管理现状分析
在现状分析阶段，分别进行了顶层设计和具体业务问题的现状分析调研。项目组基于业务发展重要性及数据质量提升紧急性，优先选择家庭宽带和渠道两个模块，针对酬金结算不准和订单数据不准等场景作为切入点，对相关的5个系统累计进行13余次深入调研。
其中，流程梳理主要分为数据流和业务流梳理。在数据流梳理过程中，重点分析接口数据、基础数据现状，进行自下而上数据流分析。例如，分析渠道收益阶段的指标在数仓是如何加工的、由哪些数据加工、基础数据的分布情况、各部门在哪些系统修改创建数据等；在业务流梳理过程中，项目组关注数据承载业务及流程前后衔接、上下对应关系，识别各类数据管理问题及风险。
基于DAMA数据管理体系，项目组确定工号类、渠道类和组织类数据是主数据，并提出19项初步数据治理优化建议。同时，针对短期问题解决要求，设计包括组织保障、数据规范、制度流程等方面在内的数据质量问题管理机制。

（2）数据质量根因分析
项目组选取发卡数据不一致、家宽酬金数据不准确、酬金BI接口问题、4A基础数据准确性、问题管理机制不完善等5类与核心业务发展、与内外部客户满意度密切相关的问题，将其纳入根因分析范围，确定质量问题根本原因，并制定相应改进计划。

（3）专项数据治理
        数据治理并非仅仅清洗数据并存入数仓，而是要结合业务场景进行深度治理，在源端改变业务人员的职责、业务流程和业务系统自身的数据规范和接口，同时改变后台数据仓库的规则、标准和模型。项目组选取出现频繁、与项目紧密相关的基础数据，设计“基础数据数据治理方法论”模型，设计数据标准和数据质量规则，进行基础数据专项治理，提升数据质量。

        在数据标准管理方面，项目组制定术语标准和与基础数据相关的参考数据与主数据标准；在数据质量管理方面，根据基础数据数据价值链分析，制定系统间数据校验规则，以加强数据质量管理。
        专项数据治理工作由该分公司信息系统部大数据支撑中心牵头，会同市场部相互协作，历时2个月，保证了基础数据优化及改进工作。同时企业级数据治理项目组协同各系统厂商、市场部业务人员详细分析了基础数据在重点系统间的信息价值链，绘制了渠道酬金基础数据信息价值链全视图，有效分析了数据系统间使用冲突，并根据信息价值链分析原理，给出了科学的数据源权威系统建议。

        专项数据治理完成了3大类基础数据数据治理，并由市场部牵头面向4A系统、渠道管理系统集中下发改造需求。
（4）数据治理体系建设
        数据治理的需求是全局的，来自于企业管理层和业务部门，需要从管理层到业务层均采取行动，并优化其组织架构和业务体系。数据治理体系分为数据治理组织体系与数据治理能力体系。
        项目组首先结合具体业务问题，优化公司组织架构，并动态地调整和增加组织成员。数据治理体系建设由公司高层领导挂帅，业务与信息部门协同的数据治理组织体系，包括数据治理委员会，总体协调组，各业务部门、信息系统部、各分公司和各项目组。其中数据治理委员会是最高议事机构，负责全面协调、指导和推动公司的数据治理工作。

        公司建立1个总纲、7个管理分册、1套数据规范的“1+7+1”数据治理体系，规定数据治理目的、范围、原则、组织职责及工作内容、工作评估方法。基于此，该通信运营分公司从顶层设计和业务运营方面实现了数据治理效果提升。
        在顶层设计层面，公司建立了数据治理组织架构，提升数据管理能力，编制数据治理体系制度，为数据治理运营管控提供基础保障。建立了长效机制，指导后续工作常态开展。
在业务层面，公司实现了三方面的效果。
        第一，改进底层数据质量，通过DAIC数据质量问题管理机制，开放业务部门反馈数据质量问题渠道，有效分析并解决了17类市场部关注数据质量问题，完成了发卡数据不一致、家宽酬金数据不准确等5类热点问题的根因分析及改进方案制定。
        第二，消除了业务流程中的断点，改善业务运营。
        第三，提升业务绩效。项目组实现了数据治理体系创造收益的量化分析。例如，可基于公司原本的每月错误业务归属订单评估数据治理为业务带来的价值，对该项目进行业务ROI测算。数据统计的指标长期稳定，波动减小，和营业厅的数据核对差异很小。
        该数据治理项目成功的核心在于和市场部门的业务场景紧密结合，率先实现了部分业务收益，获取管理层和市场部分的进一步投入与支持，进而能够持续数据治理体系的建设。