首页 > 御数大家谈
一条公众号留言引发的争议......
发布时间:2018-04-18 11:24:34

 

事情的经过是这样的。

御数坊公众号的一位忠实粉丝在后台留言,提出了一个很好的问题:如何评估数据治理的效果和收益?

图片-御数大家谈-20180418-01.jpg

 

不怕事儿大的小编将问题转到了公司群,引发了御数坊小伙伴们的热烈讨论。

 

在此,小编总结精选了部分讨论观点,分享给大家。


如何评估数据治理的效果和价值?

 


 

是不是可以换个角度来回答这个问题:我们感觉得到的数据问题越少,则数据治理效果越好。

 

数据治理属于管理范畴,治理成果分为两类:1.解决已知的数据问题;2.避免未知的数据问题。第一种相对容易看到效果,评估通过数据治理解决了多少数据问题,挽回了多少损失即可提现。第二种就不那么明显了,可以通过评估数据治理范围内的数据如果发生数据问题可能会带来多少损失,以此来评估影响。数据治理的最终目标是是你不再被数据问题困扰。所以,数据问题越少,说明数据治理效果越好。

 

——寇媛灼

 

 

关于数据治理的投资回报,理论上可以从增加收益和减少损失两个方面衡量,就我个人项目经验而言,很多实际的企业都是通过解决数据问题,实现“开源节流”。举2个具体的例子:

 

 

某销售型企业,代理销售渠道出现了业务定义、统计口径不一致的数据问题,这些问题导致企业向代理渠道商结算酬金时,可能会出现多付酬金的情况,间接影响了企业利润。经过渠道数据专项整治,财务口径依据业务规则和数据认责进行了调整,后续的渠道酬金计算金额在统一的口径下进行,直接节省了相当数额的渠道酬金支出,而这部分数额就是可以量化的数据治理工作带来的收益。

 

另一个案例,某企业处于战略转型期,需要根据业务战略对当前的人员配置进行调整,以实现对业务发展更好的支撑。对人力资源部门的挑战是,首先需要对现有员工进行能力画像,进而厘清企业人力资源的优势和短板,才能针对性地进行人才引入,从而避免盲目的人员扩张。因此人力资源部门对人资基础数据进行专项整治,核实人员标签,成功描述了在职员工能力画像,挖掘员工专业资质及潜在人脉,优化配置人员结构,充分调配现有人员,有效减少了新招聘人员的数量,从而直接减少了人力成本。这部分节省的人力成本就可以看做是通过数据治理工作带来的企业受益。


——陈燕琦

 

 


数据治理的效益评估,直接或者可视化的部分可映射到组织的质量提升、组织的数据资产增值两个方向上。前者,数据质量的提升,通常可以和组织既有的数据质量考核规则以及影响分析结合起来,进行量化;后者,数据资产增值,有赖于组织所提供的数据服务所创造的价值。而数据治理对于组织战略、业务支撑更多是管理效益和社会效益,不太好量化。

——方俊霆

 

 

 

数据治理的价值如何量化?

 


如何量化是个问题,数据治理价值的量化是建立在数据价值量化的基础上。一块高质量的手表很值钱,但是一包纸巾你再怎么提升质量,价值也是有限。

——林宇街


 


量化价值可在具体的落地实施过程中体现,例如企业系统中数据标准落地的覆盖率、数据质量专题解决的关键问题数量等。

——郭星

 

 


直白说,受控范围内的数据价值就是数据治理的价值。因为数据治理避免了这些数据发生问题所带来的资金风险。那么数据治理的价值如何衡量?笼统讲可以用这些数据所支撑的业务的价值来衡量;如果需要精确计算,那么假设没有高质量的数据支撑,这些业务收益将会损失多少,就是数据治理的价值。

——寇媛灼

 


在什么场景下会重点关注这个问题?


一般在立项阶段。

——朱瑞

 

还有项目后评价阶段。

——方俊霆

 

 


也许,这是一个伪命题......


早在几年前做银行数据治理项目时,我就想到过这个问题。假如有一种方法或模型,能直观的把数据治理项目的效果通过货币形式量化体现出商业价值,不论是对甲方客户还是对我们数据治理服务商,都会是一个亮点,极大的推动数据治理工作的顺利开展。

 

于是查阅了很多资料,包括学术论文资料,结果令人失望。


关于数据资产的价值评估方法和模型倒是很多,但是对数据治理的评价,尤其是数据治理项目的量化评价,寥寥无几。其中有一篇名为《基于方法集的企业数据治理综合评价》的论文,从数据战略规划、数据支撑管理、数据质量管理、数据服务能力4个一级指标、20个二级指标建立了企业数据治理评价指标体系,基于“最终结果好说明治理水平高”的假设对不同企业进行评价,之后又借助ELECTRE评价模型、PROMETHEE评价模型、TOPSIS评价模型、灰色评价模型等对专家评分结果进行评价对比。个人感觉是为不同企业进行数据治理评价对比确实提供了一种方法,但是唯结果论的假设前提是否合适有待商榷,而且并没有解决我的疑问:如何显性量化方式展示数据治理价值。

 

进一步思考,发现数据治理项目之所以很难做到量化评估,有几点深层次原因:一是数据治理(广义)本身就是集合诸多数据管理领域于一体的概念,包含数据战略、数据架构、数据标准、数据质量、参考数据与主数据、元数据、数据仓库与商业智能、数据安全、数据生命周期等各个领域,希望通过一种方法来量化评价如此多的内容,基本不可能;二是开展数据治理的企业(组织更准确)主体涉足各行各业,管理方式、盈利模式各不相同,对商业价值的关注点也不尽相同,客观上决定了找寻一条放之四海而皆准的评价方法是不现实的;三是数据治理作为基础性工作,传导到企业价值实现端,是需要一个时间周期的,很难立即的体现在商业价值上。就像“十年树木百年树人”,数据治理的价值体现更多的其实是在未来。

 

相应的,对数据治理项目的评价,如果聚焦在某一个行业的某一个专题领域,理论上应该是可行的。最明显的数据质量管理域,通过一个数据质量专项提升的项目,可以统计整改的数据字段,结合企业自身情况,比如银行业客户精准营销领域,增加一个有效客户的有效联系方式基本等同挽回一个有效客户,结合对应的平均一个客户给银行带来的收入基本可以量化出一个金额;又比如银行的风险管理领域,通过客户某个潜在风险的数据质量提升,可以提高识别风险客户的成功率,也能量化一个潜在损失金额。这些结果尽管不是特别准确,但毕竟是往前迈了一大步。

 

再往深了思考,发现我苦苦追寻数据治理项目的评价方法,到最终并没有太大的实际意义。数据治理项目在一定程度上同其他信息化项目一样,都是为了支撑业务更便捷更高效的开展,都是伴随企业业务开展发展到特定阶段必须要开展的工作。从这个角度讲,数据治理项目评价的好坏,并不直接影响数据治理项目的开展,更多的是在项目汇报时显得更有说服力,仅此而已。

 

所以,真的不必纠结于开展数据治理项目带来的商业价值评估方法,只要是明确了数据治理项目当前要解决的问题,专注于推动数据治理工作的顺利开展,最终实现了数据治理项目的阶段目标,那对企业的商业价值,就是不可估量的。


——王少锋

 

 

专家有话说


国际数据管理协会中国分会(DAMA China)副会长、御数坊创始人刘晨先生早在2014,就对数据资产的估值及变现做过系统研究,并形成了MBA毕业论文《数据资产估值及数据变现商业模式研究》。论文参考无形资产的估值方法、结合对组织内的数据应用实例和全球数据市场的分析,分别评估了收益法、市场法和成本法应用于数据资产估值的适用性和局限性,最终得出了“推荐使用收益法,有条件地使用市场法,不推荐使用成本法的总体结论

——刘晨



小编觉得

 


在这个张口闭口数据变现、数据交易、数据应用的大数据时代,希望更多的数据从业者们静下心来踏实研究思考一下数据治理、数据管理和数据质量这样的基础问题,也许,这才是数据价值变现、数据应用落地的关键。


同时,正如刘晨总所言,“在中国各行各业普遍地、迅速地开展大数据实践的时点,我们不缺少技术方案和商业案例,但似乎缺少一些对于数据、数据资产、数据资产估值、数据变现商业模式的概念、组成要素和相互关系的慢节奏的、系统的思考和讨论。在理论层面思考得更细致和深入,在实践层面才可能走的扎实和长远


那么,对于这个问题,你的看法是什么?欢迎留言你的观点!

 

当然,你也可以像这位粉丝一样,把你的问题留言提出,点赞多的留言,小编也会放在公司群里帮你征询观点哦~

 

 

御数坊(北京)科技咨询有限公司成立于2014年12月,是一家专注于数据管理领域的出版,培训,认证,咨询和软件开发的专业服务机构。公司成立之初便得到清华x-lab创业平台和清华科技园启迪孵化器认可,顺利成为入孵企业,获得投资、技术、市场和人才全方位创业指导。

御数坊专注而有耐心的定位于数据治理与管理领域,在大数据淘金时代打好“地基”,为各行业企业客户夯实数据基础,提升数据质量,为企业数据资产价值的挖掘和创造保驾护航!

地址:北京市海淀区双清路33号学研大厦

邮箱:info@@dgworkshop.com.cn

微信号:DGWorkshop_CN

 

联系我们
地址:北京市海淀区双清路学研大厦B座807室
邮箱:
info@dgworkshop.com.cn
微信号:DGWorkshop_CN
关注我们
Copyright © 2016 御数坊(北京)科技咨询有限公司