企業數據治理與應用誤區

總結過去四年遇到的企業客戶，成功開啟數據之路的企業不少。但許多企業在開展數據工作之后，并沒有達到預期的目標。下面總結一些典型的誤區。

誤區1：過去信息化沉淀了海量數據，亟待通過數據項目釋放數據潛能。

真相：絕大部分傳統企業信息化程度低，現有數據潛能潛能極其有限。匆忙啟動數據應用項目，往往還沒開始就注定失敗。

誤區2、當前人工智能非常火，數據是“原材料”，那就先搞數據治理。

真相：決定人工智能成敗因素有許多，而且當前大部分應用場景并不成熟。數據治理只是人工智能的必要條件之一，而且周期長。以人工智能作為數據治理的目標和衡量標準往往導致“雙輸”。

誤區3、數據治理體系是好東西，引入進來后數據“病”有救了。

真相：企業當連基本的質量體系和實際業務運作還是兩張皮，數據治理體系落地缺乏必要的“土壤”。

誤區4、只要請到合適的專家顧問，就能把企業治理好數據。

真相：企業自身缺乏必要的組織和人才保障，再有能耐的專家顧問也無法替代企業自身去實施數據治理工作。

誤區5、國家有關機構在力推DCMM、數據入表，還有政策補貼，搞搞非常劃算。

真相：治標不治本，錯過了數據治理的時機，結果導致后續巨大時間成本、機會成本，往往得不償失。

誤區6、數字化轉型工程太大，那就先啟動數據項目試試水。

真相：還沒搞清楚數據治理是干啥的，試水注定失敗。

企業數據戰略“三問”

無論是將數據治理作為數字化轉型中的基礎工程，還是將數據作為企業關鍵資源，數據工作的長期性已經不容置疑。

無論是否制定顯性化的數據戰略，在開啟數據數據工作之前，需要想清楚下面三個問題。這三個問題，也是本人在跟企業高層首次見面交流的主題之一。

一問：投入值不值

企業開展數據治理的動力來自兩方面。一是上級管理部門的要求，數據治理工作同樣是“必答題”。二是期望通過數據應用幫助企業自身經營管理效率提升、業務創新等等。

但動不動數百萬上千萬的短期投入，精打細算的企業管理層難免不猶豫。價值回報便是重要的衡量標準。

相對可衡量的價值跟當前數據使用場景有關。業務部門要不不敢承諾投入所能帶來的回報，因為這樣等于自己給自己套了個“枷鎖”，那不如不去“趟這灘渾水”。

業務部門講不清楚價值，數據工作遲遲停滯不前。

數據治理是企業當前以及未來發展的一項基本能力。華為內部流傳著一個“做企業是養兒子還是養豬”的靈魂之問。意思是，如果將企業當作豬來養，想盡辦法迅速“催肥”后賣掉（包括上市），那數據治理顯然不是“精飼料”；如果將愜意當作兒子來養，那就沒有哪個家長會問值不值的問題。

當然，“砸鍋賣鐵”的行為還是不主張，量力而行是有必要的。

二問：治用誰優先

根據華為數據之道的介紹，華為自2006年開始啟動數據治理工作。根據數據工作的戰略重點劃分為兩個階段，第一階段以數據治理為主，實現數據清潔，支撐主業務流打通和財報準確；第二階段以數據共享、應用為主，支撐數據驅動的數字化轉型。但是并非第一階段華為沒有數據應用，只是沒有被列為數據的重點工作，而是作為IT工作的一部分。

當前企業在數據方面的投入，更加偏好數據應用。這符合企業管理層的期望，也符合數據平臺服務商的價值主張。

對于具有一定信息化基礎的企業，先通過數據應用快速產生價值。同時采取“以用促治”的策略，逐步推動前端數據源頭的治理，不失為務實之選。

但是，許多傳統企業的信息化、數字化還屬于初級階段。一味追求數據應用，難免要走許多彎路。

某次跟國內某家二線品牌整車車企高層交流了解到，當前經營面臨最大的挑戰是獲客問題。對方聽說數據治理可以應用算法模型、人工智能幫助企業進行用戶畫像、精準營銷。看起來是很好的切入點。但是進一步交流，過去企業以渠道經銷模式為主，幾乎很少有最終客戶的信息。

除了人工智能，企業管理駕駛艙是傳統企業的另一個應用熱點。然而盤點當前企業的IT系統，管理層關注的指標中，60～70%數據并沒有數據源，而是依靠業務部門手工錄入維護。

這種狀況之下大談數據資源利用，實屬“巧婦難為無米之炊”。

作為長久之計，恐怕還得從數據治理開始。當然，數據治理工作必須結合業務數字化工作配合開展。數據在數字化過程中同步開展數據架構、數據標注建設，并有效的指導數字化系統建設。

這也是數據據工作長期性的其中一個重要原因。

三問：體系如何建

無論是用數據優先，還是治數據優先，系統性的引入數據工作方法都是有必要的。數據治理體系建設的條件是否具備，如何建，如何落地？這些都是值得探討的問題。

圍繞數據要素的種種專業能力方法，對于企業來說，還是相當陌生的。圍繞數據構建的管理體系，那就更加抽象。對于企業決策者來說，理解數據體系都是一個巨大挑戰，更不用說正確的決策。

根據數據治理、應用不同側重點，可以嘗試分成兩種模式：

一、數據質量管控型

如果企業確定以數據治理為戰略重點，那不妨參照企業ISO9000等質量管理體系的模式。這種模式有如下幾個特點：1、最高管理者對體系的有效性負責（“一把手工程”）；2、相關的質量要求都與已有的業務活動相結合；3、質量體系貫標組織專職人員并不要求太多，以統籌推動評估活動為主。

二、數據資源運營型

以數據應用為戰略重點，那不妨參照人力資源體系的模式。盡管將員工和數據作為企業資源相提并論讓人難以接受，但二者與企業主業務之間的關系具有相似之處。

這種模式有如下幾個特點：1、作為一種重要資源服務于核心業務；2、資源自身管理有其專業性，人力資源的“選、用、育、留”，數據自愿的“采、存、算、用”；3、資源管理專業組織的形態一定的相似性。人力資源三支柱模型（COE、BP、SSC）的模式同樣適合于數據管理。

需要補充說明的是，這兩種模式并非非此即彼。一方面數據資源運營型需要涵蓋質量管控型的職能；另一方面，可以構建二者混合模式。待運作一定時期后，再進行裂化。集團機關承擔質量管控職責，數科等三產公司承擔數據資源運營職責。

管理模式確定之后，還需要充分評估企業構建數據體系的基本條件。

一個管理體系包含組織、管理制度、流程文件、支撐工具等要素。

首先，重點聊聊管理制度和流程方面。

數據管理體系方法起源于西方企業，經過企業實踐、理論總結之后成為DMBOK、DCMM等理論框架。以DCMM為例，囊括了8大領域、29個子領域，非常系統而完善。但是是不是所有企業都必須而適用呢？當企業當前整體管理水平還沒達到一定程度時，勢必“水土不服”。

在數據戰略領域，包括戰略規劃、戰略實施、戰略評估三個模塊。然而許多企業業務戰略、數字化轉型戰略就做得馬馬虎虎，壓根談不上戰略評估。現在要求做數據戰略評估，實在有點勉為其難。

在數據治理方面（尤其是數據認責方面），如今業務部門是數據Owner的理念開始被大家所廣為認同和接受。但是，當前許多企業實際情況是由于業務分散運作，專職的業務優化與持續改進組織能力很弱，甚至缺失。這種情況下，要其承擔數據設計、運營的職責，面臨實際的困難。

在數據架構、數據標準領域。管理體系要求不僅僅發布架構交付件、例行更新維護，而且要求進行落地管控。而許多企業缺乏企業架構團隊對架構長期看護，數字化實施項目缺乏例行的架構遵從度評審機制。這種情況下，前期設計再完美的體系化制度文件最終也只是廢紙一堆。最多能換了另一張“廢紙”，以及若干政府補貼。

其次，數據組織方面。無論是質量管控型還是數據資源運營型，專職的人力配置必不可少。

構建數據體系的基本條件似乎不成問題。根據過去幾年所經歷的案例來看，往往成為數據體系有效落地的阻力。

歸根結底，還是數據戰略方面出現問題。