三辩问题总结模板辩论【大数据时代更需要数据治理】
“数据治理目前是一个比较新的、正在发展的学科,目前行业内对它的定义并不完全相同。”IBM全球企业咨询服务部业务分析与优化团队副合伙人谢国忠表示,数据治理是围绕将数据作为企业资产的一系列具体工作。数据是企业最大的价值来源,也是最大的风险来源。糟糕的数据管理通常意味着糟糕的业务决策,更有可能面临违规和盗窃。使用规则的可信数据有助于组织的业务创新——提供更好的服务,提高客户忠诚度,减少合规和报告要求所需的工作,提高创新能力。
国内企业的数据治理成熟度不高。
在过去几年中,数据治理的目标也发生了变化曾经帮助金融、航空、海关、电信、电网等行业客户做数据治理项目的谢国忠表示,“除了满足监管和风险管理的要求,现在很多企业都在谈论如何通过数据治理创造商业价值。如信息披露、行业领先、精细化管理需求等。”
"目前,国内大多数企业在数据治理方面还处于基础管理阶段."谢国忠评论说,“一些公司说他们已经做了大量的数据质量检查、数据存档和数据安全,但他们的问题是他们没有一个完整的系统。其次,他们不知道如何将这些字段串在一起。第三,他们还没有达到将运营数据作为核心资产的概念。”因此,谢国忠认为,国内企业首先需要一个完整的数据治理体系。
他认为国内企业的数据治理存在误区:认为数据治理是一个非常短期的行为,认为数据治理只是IT部门的责任,只把数据治理当成软件。事实上,数据治理不仅是软件,还有相应的流程和方法。
说到数据治理的实践,IBM本身就是数据治理的典型代表。在1992之前,IBM在数据治理方面存在很多问题,比如没有清晰可靠的数据来源,没有明确的数据所有者,数据质量不高。1995年,IBM在ERP中制定了业务数据标准,为所有业务制定了15业务标准和79个子业务标准,让全公司看到了统一的业务定义。2004年,IBM成立了数据所有者论坛,2005年成立了数据治理委员会,然后成立了数据审计委员会。在1992年,IBM拥有128名首席信息官,155个数据中心,80个Web开发中心,31个不同的网络和16000个应用程序。通过数据治理,IBM简化了基础设施并降低了管理的复杂性。2007年,IBM只有一名首席信息官,六个主要数据中心,一个用于Web开发中心的全球统一网络,以及来自65,438+06,000的大约4,000个应用程序。
在此基础上,2004年,IBM联合业内多家公司和学术研究机构成立了数据治理论坛,并在此论坛上制定了包括四大领域11元素的数据治理框架和方法,用以指导数据治理的发展。该框架包括输出领域:数据风险管理和价值创造;驱动领域:组织/流程、管理系统、数据所有者;核心领域:数据质量管理、信息生命周期管理、安全/信息披露/合规;支持领域:数据模型/数据架构、元数据/主数据/数据标准、质量审计和报告。
银行数据治理的成功案例
在数据治理方面,由于政策的推动和银行自身业务发展的需要,银行对数据治理有着强烈的需求。《中国银行业信息科技“十二五”规划》包含了数据治理和数据标准的主题,指出“十二五”期间,数据治理需要推进的核心领域包括:数据标准、数据质量、数据安全、数据架构,以及做好这些工作所需的保障机制,包括政策、组织、流程和技术。
IBM GBS部门已经帮助国内外银行做了很多数据治理咨询项目,包括中国最大的商业银行。
“这家银行是同行业中技术最先进的,做了数据质量和元数据,但没有完整统一的数据治理方法和配套的制度、流程;另一个问题是数据治理体系和架构还不完善。”谢国忠向记者简要介绍了该行在数据治理方面面临的挑战。
根据IBM的数据治理框架和方法,GBS从四大领域的11要素对银行的数据治理现状进行评估,帮助银行找到差距,并在此基础上分析问题,提出解决问题的建议。该项目始于2008年,在2010和2011期间,该行先后开展了一系列相关的数据治理项目,包括数据标准化项目、数据架构优化项目和数据质量管理项目。目前,该行在数据治理方面也处于全国前列。
看看一家领先全球银行的数据治理案例。美联储认为,该行没有充分控制信息的完整性和质量,以确保合规要求。经过一两年的数据治理,银行通过了美联储的审计。该行高级副行长安德鲁·邓恩(Andrew Dunn)认为,该行数据治理成功的关键因素是,选择一个拥有相关经验、流程和工具的合作伙伴,可以加速数据治理在整个企业的有效部署。
对主数据管理的需求非常突出
数据治理涉及11元素,主数据管理是其中非常重要的一部分。Informatica公司高级副总裁兼首席信息官托尼·杨(Tony Young)表示:“加强主数据管理是企业获得完整可信的数据视图的唯一途径。”
主数据用于描述企业的核心业务实体,如客户、合作伙伴、员工、产品、物料清单等。主数据管理旨在整合企业多个业务系统中需要共享的核心数据,集中清理数据,并将统一、完整、准确的主数据以服务的方式分发到企业中的运营和分析应用,包括业务系统、业务流程和决策支持系统。
托尼·杨告诉记者:“MDM的核心任务是输出‘黄金数据’。所谓黄金数据,就是企业的关键业务数据,也是绝对真实的数据。此外,MDM还应该反映主数据之间的相关性,比如客户和产品之间的关系,以及客户之间的关系。在数据仓库中,很难找到这种相关性,而MDM可以轻松做到这一点。”MDM和数据仓库之间也有区别。例如,它们处理不同类型的数据。MDM是一个事务系统,而数据仓库是一个分析系统。MDM和数据仓库可以相互促进,相互补充。Informatica MDM灵活的数据模型允许IT团队在任何数据域中实现MDM,并且可以在同一数据模型中添加其他域,并定义不同数据域之间的关系。Informatica MDM可以在企业内部或云中实现,或者作为两者的混合。此外,它还可以部署在联合MDM架构中,作为多个MDM实例之间的全局hub。
金融行业仍然是对MDM需求最强烈的行业。MDM资深专家、Information Difference总裁安迪·海勒(Andy Hayler)表示:“一般来说,企业越大,在数据管理方面遇到的问题就越多。大公司更有可能采用相关的数据分析工具来解决自己面临的数据问题。”但这并不意味着MDM只适用于金融行业。例如,Informatica公司的MDM产品已经应用于24个行业,包括医疗、石油、公共事业等行业。