數字化轉型與數據治理的關系

心靈救贖 2023-03-25 發布于江蘇

展開全文

都知道數字化轉型以數據為生產要素，通過云計算、大數據、人工智能等技術對數據進行分析、挖掘、洞察，促進生產方式、生活方式等的變革和創新。但對數據進行分析、挖掘和洞察等，往往需要很高的數據質量才能取得比較好的效果。當前很多項目的大部分時間其實是花在對數據的處理上，這就造成了轉型的效率低下，不同項目對相同數據的重復處理，也造成了很大的浪費。因此，企業在進行數字化轉型之前，往往需要完成數據治理，提升數據質量，打好數據要素基礎，才能更好的進行轉型。

數據治理往往被認為是費力不討好的事。如何更簡單的實現數據治理？可能傳統的數據治理思路和數倉、大數據平臺、數據湖的建設思路需要調整。其實筆者一直是反對企業建設數據湖的。不建議用數據湖的原因就是數據湖中存儲著各種各樣未經過處理的數據，想要使用數據是你需要額外很多中間環節的數據處理工作。當然你也可以使用數據湖進行數據治理，但數據量達到一定的程度，可能會超過人的管理極限，只能靠工具去做治理，這就可能會帶來很多意想不到的問題，所以最終會走向數據沼澤、數據深淵，難以再從這些數據獲得價值，除非付出更大的代價。

信息化這么多年，其實很多公司已經積累了很多的經驗，只是拗于廠商的思路和方案，往往無法走出思維誤區。遇到阻礙可能是企業流程重構的契機。傳統數據治理的思路也需要重構的。數據治理最省力的方式是使數據產生的時候就是標準化的，而不是在后期進行數據的轉換和繁瑣處理。傳統圍繞元數據管理的方式也使數據治理缺乏立體性，而基于企業主數據的數據架構能更好的體現數據的全局性、系統性和立體性，更便于對數據的處理和使用。

在對數據進行處理和使用時，數據的質量就很關鍵了。如果數據質量高，那么數據用起來就得心應手；如果數據質量差，不得不額外增加繁多的數據處理過程，會造成事倍功半的結果。這是體現數據治理價值所在的。數據治理可以早做也可以晚做，甚至可以不做，關鍵在于數據應用場景和數據應用的深度。數字化和數字化轉型往往需要對數據進行深度處理和分析，所以數據質量往往會影響到數字化的能力和轉型的效率。數據治理往往是需要做的，不過是早做晚做、早花錢晚花錢的問題。否則可能無法分析數據之間的關系和聯系，或者會得出錯誤的結果，比如說，同樣的術語可能代表不一樣的含義，不同的數據實體也可能是同一個東西。數據冗余、缺失、錯誤、格式不同、編碼不同等等都會增加數據處理環節，從而降低數據處理的效率，降低數據的價值。

數據順利應用的前提是良好的數據質量，良好的數據質量來自于良好的數據治理能力。新的數據治理方法面臨著存量業務系統和增量業務系統數據治理問題，需要分開來考慮。對于增量的系統，需要考慮全部遵循規范化和標準化。提前規劃設計數據架構體系、數據標準和治理體系。對于存量系統，暫維持原來的方式，根據實際需要以新的數據架構和標準逐步替換這些存量系統，直至全部替換。數據規范化和標準化是第一步，數據被使用和應用之前，往往還需要很多的數據預處理工作，比如說，數據計算和統計、數據分類和歸類、數據標記和存儲等等。這樣在使用數據的時候，就可以按圖索驥，快速找到需要的數據。這樣可以構建企業數據的一個“圖書館”，也就實現了企業數據資產的管理。

因此總的來說，數據作為數字化轉型的驅動要素，數據質量的高低決定了數字化轉型的難易和成本，做好數據治理將有助于企業的數字化轉型，促進企業的數字化轉型。