通过数据治理，数据如何充分发挥价值？

数据在各行业的应用和价值

金融行业：一是数字人民币，它是基于数字原理，通过特定的算法大量计算产生的网络虚拟货币；二是金融的自动化交易，通过数据去做分析、评估、授信、贷后的预警。

医疗行业：如影像的辅助、临床诊断的辅助、基因/药检的检测药品管理、医保管理等。

工业：工业4.0，即用数据做生产制造、运维检测、仿真设计、经营管理等。

零售：零售有较多场景，如品宣获客、用户分享、智能补货、货盘标签等。

零售行业如何发挥数据价值

数字体验成为新的一种消费习惯，爆发强烈的需求。

2017年到2021年，国内生产总值趋势都在上涨，网上零售增长保持两位数，数字体验已成为一种新的消费习惯，同时也爆发出新的购物场景，可总结为四个变化：购物渠道的多元化，门店与电商结合的购买方式已经成为一种习惯；消费主力热衷线上；疫情下线上群体扩大；线上线下边界模糊，如电商和线下门店线上线下一体化服务消费者。

场景复杂化后，产生更多数据治理诉求，去发挥数据价值。

场景复杂化、数据积累越来越多后，企业需要进行数据治理解决以下问题：安全合规；风控预警：企业做了很多营销活动，其中是否套利行为？如何对消费者做智能推荐？如何打破信息孤岛？如何提升运营效率？如何做数据智能决策？如何实现数据的可视化、协同执行、减少内部壁垒、口径统一、降低管理成本...

治理过程的典型问题，经常导致数据无法发挥价值，数据治理过程中，数据发挥价值并非是一帆风顺的，遇到的典型问题可总结为以下6个：

1.数据不准：业务系统会收集业务流程产生的一系列数据，更多解决的是信息流问题。但收集上来的数据没有经过清洗，若把数据直接直接放在库中，使用数据时就会不准。

2.一个指标，多个口径：当使用的数据面向业务，又会在业务上产生另外的坑，如一个指标，多个口径。比如客单价，销售部门看客单价的统计口径是订单价格，但用户部门/会员部门的口径是消费者买多少价值的商品。因为会员部门是以用户购买来看，其客单价一般高于销售部门的客单价。

3.不懂业务：数据不懂业务，不清楚业务的出发点。使用数据时发现即使做了大量的关联分析工作也很难去理解、贴近业务。

4.快餐文化：没有做清洗，且最终的呈现的报告中存在很多专有名词难以理解，快餐文化是业务团队与IT团队配合过程中常会遇到的问题。

5.应用少：团队间没有达成共识时，真正能选到数据应用的场景就会很少。

6.查询慢：资源没有投入，系统一直存在问题，导致查询的结果非常慢。

产生这些原因是没有构建好数据生态

原来企业是基于业务临时需求去找IT寻求数据，取数据时不是不准确就是没有数据。

做新的生态需要提前规划业务目标，按照一套体系来做：上游如何养数据、中游如何存数据、下游如何用数据。整个生态始于业务，用于业务。

在上游养数据时，导购、终端销售需要贡献自己的经验与知识，进行标签化、流程在线化，通过浏览行为做触点、收集数据。获取数据后同步到中游，存到数据库。需要给进来的数据如何存储定义一个规范，当数据量很大时，引入比较好的算力使数据能跑起来。下游是如何用数据。通过打标、建立业务模型赋能业务。

具体如何做？

如何“养”数据：

定性收集：基于上游业务场景转化成文字数据，如：门店定位；

定量收集：补全订单没有的信息策略，如：会员注册填写；

扩展收集：问卷收集；

硬件收集：通过传感设备，将运营过程数据收集起来；

SOP流程：以业务目标出发，建立起一套完整的数据收集策略。

如何“存”数据：

数据湖：收集多方数据，集中管理；

入库规范、统一：进入库的数据要符合规定的格式、统一维度；

实时/定时检测异常：匹配数据是否缺失，断点；

业务匹配排查：排查业务需要的指标、标签数据源，如：客单价需要会员和订单数据；

数据血缘关系追踪：做好每个数据的血缘关系，用于排查。

如何“用”数据：

模型：构建可以分析业务过程的模型，可自创与引入。在沟通、分析业务时，有模型、有共同的目标、维度，分析与沟通也更加有方向感；

指标：经营指标实时洞察、检测情况、与智能预警、分派任务；

标签：将运营过程的状态，对象标签化，通过标签串联运营。如：千万店的标签，通过标签可了解特定规模的门店数量、销售额等。

数据治理规划应该是基于业务需求变化逐步构建

数据治理的体系规划是分步走的、需要逐步迭代的。可通过三个维度来看：数量、速度、范围。

速度范围在初级时，在数量与范围的应用比较少的情况下，企业需要做好数据收集的SOP，制定收集规范，建立数仓。根据小的业务场景先定义几个指标与标签，熟悉流程，把业务跑起来，产生业务效果。

当数量增加时，需要增加制定一个完整的数据治理计划、规划统一的业务口径、血缘关系，包括建立数据中台。因为只有数据中台在数据量大时，处理的效率才会更高。

当业务范围增长时，需要做多渠道的埋点。业务应用范围增长一般都是多渠道多触点的增长，所以需要做触点埋点和行为监控，以及分析跳转与关联情况，制定数据治理机制。搭建指标体系、标签体系。也包括建立业务中台，更好去串联业务，方便数据对接。

速度、数量与范围都同时在增长的过程中，除了上述之外，企业搭建数据中台与业务中台会更加顺畅，同时需要考虑投入产出比。传统行业由于原先的系统基础与思维意识均相对比较薄弱，所以前期的投入会比较大：一是团队组织的培训成本；第二，无论是搭建数据产品还是业务系统做数据在线化，其成本投入会相对比较大。但投入后随着应用场景越多，体系重复利用，边际成本就会逐步下降。与互联网企业不同，互联网企业一开始是通过线上渠道销售，一开始就有基础，但后座扩充相对简单。

总的来讲，数据治理产生价值一定是小步快跑快速迭代的，逐步发挥数据价值。既不是纯IT部门的职能，也不是纯业务部门职能，而是共同的部门合力做好数据治理，使数据发挥出业务期望的价值。

延伸阅读

数据中台战略高效落地，你还不知道的那些事

“XYZ法则”下的数据中台全局规划，你学会了吗？

数据中台系列直播课干货汇总，限时2周免费领取！