数据治理框架：贯穿人员、流程和技术的三重要素
什么构成不良数据？治理框架的重点领域是什么？以及如何在大型组织中驾驭人员、流程和技术方面的细微差别？
一 什么构成“坏数据”
脏数据是指不完整、不准确、过时或重复的信息，它会对组织造成严重破坏。这是一个代价高昂的问题，它会滋生不信任、浪费资源并损害决策。尽管数据质量至关重要，但它却常常被忽视，从而导致严重的业务中断和机会损失。
1.脏数据造成的误判影响
数据质量差的后果十分严重且影响深远。研究表明，数据质量差每年给企业造成数百万美元的损失。销售团队浪费时间和金钱去追踪无效线索，财务部门在报告中出现错误，营销活动也因为目标受众错误而效果不佳。
更令人担忧的是，基于错误数据做出的决策可能会使整个公司偏离正轨，导致错失良机、资源错配和战略失误。
例如，医疗机构如果患者记录不准确，就会造成严重后果。由于数据过时或不匹配而导致的错误诊断，不仅会危及患者安全，还可能引发法律责任。在金融等行业，数据驱动的风险评估指导着数十亿美元的投资，因此容错空间更小。
2.错误数据极其普遍
尽管风险显而易见，但脏数据问题几乎在每个组织中都持续存在，其根本原因通常是数据治理实践不善、系统孤立以及缺乏责任感。
太多公司 把数据视为业务运营的副产品 ，而不是需要精心呵护、关注和维护的资产。
不从源头解决数据质量问题就急于采用新技术和人工智能，只会加剧这个问题。
在许多组织中，数据没有“所有权”。各个团队负责数据的录入、维护和报告，但缺乏协调一致的努力来确保数据的准确性。更糟糕的是，数据质量改进计划通常被视为IT问题，与依赖这些数据进行关键决策的业务部门脱节。
3.数据质量差造成的损失将超出预期
糟糕的数据质量就像一颗定时炸弹，随时可能引爆您的企业。许多企业忽视了劣质数据带来的隐性成本，但这些成本会迅速失控，最终导致的后果远不止几份错误的报告。
当数据不可靠时，整个组织对数据的信任度就会下降。决策者开始质疑报告，很快，各个部门就会自行其是。
这时， 影子数据团队就派上了用场：这些非官方的、分散的团队构建自己的报告和指标，通常基于他们更信任而非官方来源的数据。 这些团队游离于标准数据治理结构之外，创建自己的流程、定义和指标。
这种分散式方法乍看之下似乎无害，但往往会导致对事实的不同解读。当每个部门都使用不同的数据时，决策的一致性就荡然无存。
突然间，你的销售团队、市场部和财务部门都在基于不一致的数据做出战略决策。这不仅阻碍了协作，还造成了效率低下，并波及整个组织。
影子数据团队也可能导致严重的合规风险。缺乏适当的监督和管理，数据更容易被不当处理或误解，从而引发潜在的法律或监管后果。
数据质量差造成的经济损失巨大。研究表明，糟糕的数据每年可能导致企业损失数百万美元，包括生产力下降、运营效率低下和错失良机。但除了金钱上的损失之外，它对企业文化的影响更为令人担忧。数据质量差会滋生不信任的文化，员工更关注如何证明自己的业绩，而不是齐心协力实现共同目标。
那么，解决方案是什么？首先要投资于数据质量提升项目。实施强有力的数据治理实践、确保定期进行数据审计以及培养数据使用透明的文化，都是至关重要的步骤。通过优先考虑数据质量，不仅可以确保报告的准确性，还能使组织围绕单一、可信的真实数据源展开工作。
不要让糟糕的数据质量拖垮您的组织。代价太高，后果太严重。现在就投资提升数据质量，您不仅可以节省资金，还能打造一个更强大、更团结的组织，更好地应对未来的挑战。
二 如何清理不良数据造成的债务
要解决数据质量问题，企业需要转变思维模式。解决方案始于强有力的数据治理，即在整个企业范围内建立清晰的政策、标准和问责机制。从高管到一线员工，每位员工都应该明白，他们在维护数据完整性方面都扮演着重要的角色。
采用数据治理框架： 制定数据收集、存储和更新的规则。治理框架提供了一个结构，以确保数据在其生命周期的每个阶段（涵盖 人员、流程和技术） 的质量！
投资数据清洗工具： 能够自动检测、清洗和标记脏数据的技术有助于维护高质量的数据集并减少人工工作。
让数据质量成为每个人的责任： 跨部门协作至关重要。数据不仅仅是IT部门的问题。市场营销、销售、运营和财务部门都需要干净的数据才能取得成功。
从小处着手，衡量成效，逐步扩大规模： 首先清理优先级高的领域。专注于那些能够清晰衡量清理数据影响的、能够快速见效的方面，然后再将这项工作推广到整个组织。
三 治理框架贯穿人员、流程和技术三者
a.人员视角：让数据质量成为每个人的责任
数据不再仅仅是IT或数据团队的责任，而是所有现代商业决策的基础。然而，数据质量常常被视为他人的问题，一个需要在下游解决而非从源头预防的问题。如果企业真心想在数据驱动的世界中保持竞争力，就必须将数据质量作为所有知识工作者的必备素质。
问题：被动的数据质量管理方法
大多数组织都意识到，糟糕的数据会导致糟糕的结果：报告有缺陷、策略失误、监管风险以及收入损失。然而，修复错误数据的责任往往被推给数据团队，导致他们陷入无休止的善后工作，而不是从一开始就预防错误。
根本原因是什么？数据仍然被视为一种技术资产，而非一项共同的业务责任。市场营销、财务、运营，每个部门都依赖数据，但很少有部门真正负责确保数据的准确性、完整性和一致性。数据使用与责任之间的这种差距亟待改变。
解决方案：将数据质量融入到每个角色中
要使数据质量成为一项普遍的岗位要求，组织必须从被动应对转变为主动出击，让每一位知识工作者都明白自己在维护高质量数据方面所扮演的角色。以下是如何推动这种转变：
- 1. 将数据质量与绩效指标挂钩 如果数据对业务成功至关重要，那么数据质量就应该体现在绩效评估中。正如员工需要对财务目标或客户满意度负责一样，他们也应该对他们输入、管理或使用的数据的完整性负责。
- 2. 将数据素养作为一项核心技能 大多数知识工作者没有接受过批判性思考数据质量的培训。企业应该投资数据素养培训项目，教授员工如何评估、验证和改进他们日常接触的数据。
- 3. 从数据所有权转向数据问责制 仅仅指定“数据所有者”是不够的。所有接触数据的人员都应该对数据的准确性负责，就像他们对自己的工作负责一样。这需要清晰的政策、用户友好的数据治理框架以及能够简化质量检查的工具。
- 4. 将数据质量融入工作流程 指望员工手动验证数据是行不通的。流程设计必须内置质量控制机制。这意味着要实 施自动化验证、实时反馈和直观的界面，引导用户养成更佳的数据实践习惯，同时又不影响生产力。
- 5. 培育数据驱动型文化 重视数据质量的文化必须由高层领导引领。领导者需要将数据视为战略资产，表彰那些优先考虑数据质量的团队，并确保关于数据完整性的讨论像财务审查一样成为日常工作。
回报：通过更优质的数据获得竞争优势
成功将数据质量融入企业各个岗位的组织将获得直接收益：更快的决策速度、更低的风险以及更高的客户信任度。更重要的是，他们将摆脱因数据质量差而导致的错误决策、返工和错失良机的恶性循环。
数据不再是后台职能，而是现代商业的命脉。企业越早将数据质量视为一项普遍责任，就能越早充分释放信息资产的价值。
问题不再是谁拥有数据？而是谁有责任让数据变得更好？答案必须是“每个人”。
b.流程视角：建立与治理相关的直接KPI归因线
数据治理是有效数据管理的基础，但要真正蓬勃发展，它必须发展成为一个自我维持的功能。
这种演变确保了 对数据治理的每一项投资都能产生切实的回报 ，并且该职能能够适应不断变化的商业环境和技术进步，而无需过度依赖外部支持。
此外，自我维持能够促进整个组织对数据质量的责任感和主人翁意识，同时通过简化流程和优化资源利用来提高效率。
要实现数据治理的自我可持续性，必须采取几个关键步骤。
1.使指标与业务目标保持一致
首先，组织需要制定与总体业务目标相符的具体、可衡量的目标。这些目标应配备关键绩效指标 (KPI)，以便跟踪进展并展现数据治理举措的价值。此外，促进跨部门协作与沟通对于获得各方对这些举措的认可和支持至关重要。
将业务关键绩效指标与数据治理绩效挂钩至关重要。这使企业能够展示数据治理举措对最终收益的直接影响，呈现诸如收入增长、成本降低和运营效率提升等切实成果。
2.明确所有权和领域边界
赋予组织内部人员数据管理员的权力是实现自我可持续性的另一个关键要素。这些数据管理员负责确保各自领域内的数据质量和治理。利用技术和自动化工具可以进一步简化数据治理流程，减少人工工作量并提高效率。
3.持续评估和重新定义不断变化的业务目标
持续评估和改进数据治理实践对于维持自身的可持续性至关重要。组织必须定期评估其流程，征求反馈意见，并适应不断变化的业务需求和行业标准。
为了说明将业务KPI与数据治理绩效联系起来的概念，以下是一些具体示例：
- 1. 提升客户满意度 (CSAT) ：数据治理的主要目标之一是确保客户数据的准确性和可靠性。通过跟踪实施数据治理举措前后的 CSAT 分数，企业可以衡量客户满意度的提升，这些提升源于更精准的营销活动、个性化的客户体验以及更准确的计费和支持服务。
- 2. 运营效率指标 ：数据治理旨在简化数据流程、减少冗余并优化资源利用。诸如数据处理周期缩短、新产品或服务上市时间以及已识别和解决的数据错误或冗余数量等关键绩效指标 (KPI) 可以直接反映数据治理对运营效率的影响。
- 3. 营收增长 ：提高数据质量和可访问性有助于做出更明智的决策，并制定更有效的销售和营销策略。通过追踪客户获取率、平均交易额和客户生命周期价值等指标，企业可以量化数据治理对营收增长的影响。
- 4. 降低成本 ：数据治理有助于识别并消除数据管理流程中的低效环节，从而节省成本。降低数据存储成本、缩短数据处理时间以及减少合规相关的罚款或处罚等关键绩效指标 (KPI) 可以直接衡量数据治理举措带来的财务效益。
- 5. 风险缓解 ：数据治理在确保数据安全、遵守法规以及降低数据泄露或隐私侵犯风险方面发挥着至关重要的作用。诸如安全事件或泄露事件的数量、合规性审计结果以及避免的监管罚款或制裁等关键绩效指标 (KPI) 可以量化数据治理在风险管理方面的有效性。
- 6. 决策效能 ：提高数据质量和可访问性，能够为决策者提供准确、及时且可操作的洞察。诸如数据支持的决策百分比、获取相关决策数据所需的时间以及预测或预估的准确性等关键绩效指标 (KPI) 可以衡量数据治理对决策效能的影响。
将数据治理举措与这些业务 KPI 相一致，并跟踪其绩效随时间的变化，可以让组织证明数据治理在推动业务成果和实现战略目标方面的直接价值。
c.技术视角：平台的选择及其文化至关重要
- 1.为什么你的数据平台只有清理干净才能带来投资回报
随着时间的推移，我遇到过一些领导团队，他们对全新的数据平台充满热情。他们的承诺是：“这个工具终于可以解决我们的数据问题了。 ”
但事实并非如此。新的技术栈并不能解决以下问题：
未定义数据所有权。
相互冲突的关键绩效指标。
业务团队各自为政。
事实上，科技通常会放大已有的事物。
如果你的流程存在缺陷，治理不清，文化抵制，那么 世界上最好的平台只会让情况变得更糟，成本更高。
- 2.“技术优先”思维的陷阱
为什么公司会落入这个陷阱？因为工具是看得见摸得着的。它们容易购买、演示，也容易向董事会展示。
但数据战略并非关乎你购买什么，而是关乎你如何运作。
平台可以整理元数据，但无法解决“客户”定义的冲突。人工智能模型可以处理数据，但无法使销售和财务部门围绕相同的关键绩效指标 (KPI) 开展工作。云数据仓库可以集中数据，但无法说服业务团队共享数据。技术会加速发展，但不会彻底改变现状。
- 3.真正的数据平台战略是什么样的
即使是平台战略，也是从你的员工开始的。
明确你要解决的业务问题： 是收入流失？客户流失？监管风险？从结果入手，而不是从工具入手。
明确责任归属： 企业中必须有人对关键数据负责。责任归属不容商榷。
制定实现价值所需的最低规则： 数据治理并非官僚主义，而是建立足以建立信任的必要结构。
然后也只有到那时才能大规模引入技术： 工具应该增强工作流程，而不是取代工作流程。
除非你改变组织管理、拥有和使用数据的方式，否则任何平台都救不了你。
- 4.应该何时购买数据管理工具/平台
投资数据治理技术是一项战略决策，可以显著提升组织有效管理和治理数据的能力。然而，确定进行这项投资的最佳时机需要仔细考虑各种因素。
以下是如何决定何时为您的组织购买数据治理工具的方法：
1. 数据环境的复杂性 评估贵组织数据环境的复杂性。如果您需要处理多样化的数据源、海量数据以及复杂的数据关系，那么投资数据治理工具可以简化数据管理流程并确保符合相关法规。
2. 数据治理成熟度 评估贵组织数据治理实践的成熟度。如果您已经建立了基础的数据治理流程和框架，但缺乏足够的工具来支持它们，那么现在可能是时候投资专门的数据治理软件，以扩展您的工作规模并提高效率了。
3. 监管合规要求 考虑贵组织运营所处的监管环境。如果您受到严格的数据隐私法规约束，投资具有内置合规功能的数据治理工具可以帮助确保遵守法规，并降低不合规带来的风险。
4. 数据质量问题 识别组织内部存在的任何数据质量问题。如果您在数据准确性、一致性或完整性方面遇到挑战，投资具有数据质量管理功能的数据治理工具可以帮助提高数据的完整性和可靠性。
5. 业务增长与扩张 预见组织未来的增长与扩张。如果您计划扩大运营规模、进入新市场或推出更多产品或服务，尽早投资数据治理工具将有助于在不同的业务部门和地域之间实现无缝的数据管理和治理。
6. 高管认可与支持 评估高管对数据治理举措的认可与支持程度。如果高层领导认识到数据治理的战略重要性，并愿意为技术投资分配资源，那么现在可能是采购数据治理工具并向关键利益相关者展示投资回报率的良机。
7. 成本效益分析 进行成本效益分析，以确定实施数据治理工具的潜在投资回报率 (ROI)。评估前期成本、持续维护费用、预期生产力提升、风险降低和合规成本节省等因素，以证明投资的合理性。
是否投资数据治理工具的决定应以组织的具体需求、监管要求、数据治理成熟度和战略目标为指导。
只有仔细评估这些因素并评估潜在收益，组织才能就何时购买数据治理工具来支持其数据管理和治理计划做出明智的决定。
本文来自微信公众号 “数据驱动智能”（ID：Data_0101），作者：晓晓，36氪经授权发布。
