企业动态
发布日期:2022-12-05 来源:
从2017年到2021年,我国的数据产量增长了2.8倍,位居世界第二,数字经济的规模也已经增长了1.6倍,占国内生产总值的39.8%,可见数据已经渗透各行各业,做好数据治理可给各行业企业带来业务价值,在商业活动中成为必不可少的动力因子,如金融、医疗、工业、零售等行业,通过数据治理提升数据的价值。数据治理不可或缺,是企业实现数字战略的基础。
通过数据治理,数据如何充分发挥价值?
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。
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