论文部分内容阅读
在数字化转型之中，大数据的作用是什么？企业又应该如何开始自己的转型之路？
这两个问题看上去很大，似乎很难回答，但万事开头难，开好了头，后面的事情就好办了。
今天大家聊起大数据，都会将焦点集中在部署了多少传感器，数据收集效率提高了多少，建立了怎样的分析模型，通过对数据分析得到了哪些重要结论上。但是大数据的生态仅有收集和分析就足够了吗？是不是有什么重要的环节被漏掉了？
的确，想要真正将大数据技术利用到位，就需要还原大数据生态中重要程度不输给任何一环的——大数据治理。通过对这一环的还原，我们或许还能从大数据技术中了解更多，更重要的是，你甚至会更加了解你的企业。
每个企业都是大数据公司
互联网是大数据公司，这是业界公认的事实。但在传统行业中，企业的日常业务也会产生丰富的数据信息，这些数据信息都能够为企业带来延伸价值，因此从这样的角度来看，每一个企业都是大数据公司。在这一轮的数字化转型之中，比较明显的除了互联网行业还有电信行业和金融行业。
对于电信行业来说，经过多年积累，数据量相当可观，也极具价值。但经过了这么多年的IT建设，电信行业数据模型在各个省却是不统一的，也没有行业内通行统一的数据标准。如此，高质量的数据也就无从谈起，想要依靠数据获得创新效益，恐怕必须尽快启动大数据治理方案。
而金融行业的情况显然要好很多。今年3月中国长城资产管理公司推出了金融资产管理行业首个数据标准。数据治理梳理出的数据标准可以作为企业开展新业务的蓝本。企业在开展新业务时，直接参考和利用已有业务中的业务定义、系统规范等数据标准，在已有数据标准的基础上拓展新的业务标准，通过新老标准相结合的方式，科学提升企业数据管控效率，缩短业务流程。一方面，在外部监管层面，中国银监会，财政部，中国人民银行，中国证监会，中国保监会印发了《金融资产管理公司监管办法》，此办法明确规定金融资产管理公司需要建设统一的数据治理体系，逐步推进数据标准建设；另一方面，在内部需求层面，企业级的数据标准是企业业务发展和信息化体系建设的根本保证，只有实现了数据的标准和统一，企业的业务流程才能通畅流转，决策才有据可循。
此外，银行业也是较早启动大数据治理规划的。在大数据时代的冲击下，华夏银行意识到，跟随时代发展，将企业管理高度信息化，将是国内银行向“以客户为中心”转型的必由之路，善于高效运用海量数据的金融机构，将会在未来的竞争中脱颖而出，大数据应用也将成为商业银行获取差异化竞争优势的重要途径。而大数据应用的前提是要具备高质量的数据，要优选高质量的数据，无疑要采用“大数据治理”这一基石和关键平台。
对此，普元信息软件产品部副总、大数据产品线总经理王轩解释，大数据是企业数字化转型的先决条件，如果想把大数据做好，必须要依赖高质量的数据。随着金融创新的快速发展和信息科技的日新月异，商业银行积累的数据量呈现几何倍数的增长，数据来源从传统的结构化数据逐渐扩展到以网络日志、社交媒体为代表的半结构化和非结构化数据。大数据治理能够降低海量数据带来的各种噪声，解决日益突出的数据质量问题。金融行业光靠自己的数据，不可能分析出来真正的客户需要什么，必须要通过第三方数据的结合，这时候有两个要求：一是自己的数据是高质量的；二是了解第三方数据的质量是怎么样的。因此，真正的大数据治理，是一个全过程和全方位的事情。而在一直备受关注的制造业，现在的问题是传统制造怎么向互联网转型。以前机器卖出去以后业务就完成了，现在机器卖出去以后要给客户提供长期的服务，其实是增加黏性，从一单一单的卖给客户，到未来能够持续给这个客户提供服务，创造新的利润空间，也就是实现互联网金融，如何用大数据的手段分析客户的需求，给客户提供更多的价值。这就必定会涉及到数据交换等应用问题，在解决这些问题之前，也需要数据治理。
政府行业对大数据质量的要求已经迫在眉睫。现在很多地方都已经或正在规划自己的大数据交易所，数据成为商品被交易，商品需要质量保证，数据不治理何来高质量的保证？
因此，当下每一个企业都有可能成为大数据企业，这些数据都应该得到标准的，有效而统一的治理。
大数据治理应无处不在
人、物、商业数字化连接出现了新的商业模式。很多企业在做数字化转型的时候，需要大数据为他们提供非常精准的分析结果。那么怎样才能确保大数据分析提供的是精准的结果呢？很重要的一件事是数据质量要非常高，整个数据的体系是要有管理的，同时这个管理是非常有效的。也就是说，整个数字化转型需要以高质量的数据作为基础。如果哪个企业拥有高质量的数据，就能够加速它数字化转型的过程。
反观现在的大数据生态环境，却经常出现缺失。很多项目分析结果出来以后，发现结果都是错的。但其原因不一定就是出在分析模型上，很有可能是因为数据本身禁不起推敲，这时候就需要用大数据治理支撑整个上层用户。
大数据生态大致分为几个阶段：第一，采集。第二，数据。第三，应用。这三个阶段，都是需要有大数据治理的，而且需要大数据治理为他们提供支撑。目前不少最终用户对于大数据治理已经有了自己的要求，反倒是很多提供大数据解决方案的厂商对此认识参差不齐。
对此，王轩表示，以金融行业为例，金融行业现阶段最重要的是建立企业级的数据管控体系。原来做数据治理有个问题，大家只是做数据的集成，建立数据质量控制平台，实际上就是为每一个组织检查数据，但效果不尽人意。原因在于IT不是业务的主管部门，IT说数据质量有问题，业务部门却不以为然。每个业务部门都认为他的数据都是对的，但从企业的角度来看，业务部门之间的数据并不一致，这本身就是质量问题。怎么解决？这需要一系列非常强的组织架构。例如国开行建了一个以行长为主的数据治理机构，各个业务部门都是这个数据治理机构的参与者。IT部门变成了数据治理的执行者，业务部门变成了主导者。提高了业务部门的积极性。同时设立具有考核指标的管理体系，在这一管理体系之中，所有业务部门都需要来做质量的考核。满分是100分，数据质量考核占3分，看似不多，但第一名到最后一名差距通常也就只有3分，因此数据质量的水平直接影响部门的考核成绩，数据质量就变成每一个业务部门非常重要的一件事了。
事实上，从数据治理的角度来看，虽然不像大数据分析那样有十分鲜明的业务特点，但并不是说数据治理可以不重视业务。相反，在数据治理角度，首先要做的就是突破各个行业的业务特点。对此普元的做法是提供方法论，与了解行业业务情况的第三方合作，或者是与行业领先的客户合作，直击行业特征。
也许对企业来说每一个数据都是有价值的，只不过需要时机、条件以及适当的模型。因此数据标准并不需要大而全，而是要尽量缩小，只有具体的标准才能将对企业最有价值的核心数据筛选出来。目前对于数据资产化的研究和探索正一步步走向深入和实际，未来的某一天企业财报上或许就会将数据资产以数字的形式体现出来，这将对数据治理提出更高更严格的要求，在此之前每一个企业都应做好准备。
这两个问题看上去很大，似乎很难回答，但万事开头难，开好了头，后面的事情就好办了。
今天大家聊起大数据，都会将焦点集中在部署了多少传感器，数据收集效率提高了多少，建立了怎样的分析模型，通过对数据分析得到了哪些重要结论上。但是大数据的生态仅有收集和分析就足够了吗？是不是有什么重要的环节被漏掉了？
的确，想要真正将大数据技术利用到位，就需要还原大数据生态中重要程度不输给任何一环的——大数据治理。通过对这一环的还原，我们或许还能从大数据技术中了解更多，更重要的是，你甚至会更加了解你的企业。
每个企业都是大数据公司
互联网是大数据公司，这是业界公认的事实。但在传统行业中，企业的日常业务也会产生丰富的数据信息，这些数据信息都能够为企业带来延伸价值，因此从这样的角度来看，每一个企业都是大数据公司。在这一轮的数字化转型之中，比较明显的除了互联网行业还有电信行业和金融行业。
对于电信行业来说，经过多年积累，数据量相当可观，也极具价值。但经过了这么多年的IT建设，电信行业数据模型在各个省却是不统一的，也没有行业内通行统一的数据标准。如此，高质量的数据也就无从谈起，想要依靠数据获得创新效益，恐怕必须尽快启动大数据治理方案。
而金融行业的情况显然要好很多。今年3月中国长城资产管理公司推出了金融资产管理行业首个数据标准。数据治理梳理出的数据标准可以作为企业开展新业务的蓝本。企业在开展新业务时，直接参考和利用已有业务中的业务定义、系统规范等数据标准，在已有数据标准的基础上拓展新的业务标准，通过新老标准相结合的方式，科学提升企业数据管控效率，缩短业务流程。一方面，在外部监管层面，中国银监会，财政部，中国人民银行，中国证监会，中国保监会印发了《金融资产管理公司监管办法》，此办法明确规定金融资产管理公司需要建设统一的数据治理体系，逐步推进数据标准建设；另一方面，在内部需求层面，企业级的数据标准是企业业务发展和信息化体系建设的根本保证，只有实现了数据的标准和统一，企业的业务流程才能通畅流转，决策才有据可循。
此外，银行业也是较早启动大数据治理规划的。在大数据时代的冲击下，华夏银行意识到，跟随时代发展，将企业管理高度信息化，将是国内银行向“以客户为中心”转型的必由之路，善于高效运用海量数据的金融机构，将会在未来的竞争中脱颖而出，大数据应用也将成为商业银行获取差异化竞争优势的重要途径。而大数据应用的前提是要具备高质量的数据，要优选高质量的数据，无疑要采用“大数据治理”这一基石和关键平台。
对此，普元信息软件产品部副总、大数据产品线总经理王轩解释，大数据是企业数字化转型的先决条件，如果想把大数据做好，必须要依赖高质量的数据。随着金融创新的快速发展和信息科技的日新月异，商业银行积累的数据量呈现几何倍数的增长，数据来源从传统的结构化数据逐渐扩展到以网络日志、社交媒体为代表的半结构化和非结构化数据。大数据治理能够降低海量数据带来的各种噪声，解决日益突出的数据质量问题。金融行业光靠自己的数据，不可能分析出来真正的客户需要什么，必须要通过第三方数据的结合，这时候有两个要求：一是自己的数据是高质量的；二是了解第三方数据的质量是怎么样的。因此，真正的大数据治理，是一个全过程和全方位的事情。而在一直备受关注的制造业，现在的问题是传统制造怎么向互联网转型。以前机器卖出去以后业务就完成了，现在机器卖出去以后要给客户提供长期的服务，其实是增加黏性，从一单一单的卖给客户，到未来能够持续给这个客户提供服务，创造新的利润空间，也就是实现互联网金融，如何用大数据的手段分析客户的需求，给客户提供更多的价值。这就必定会涉及到数据交换等应用问题，在解决这些问题之前，也需要数据治理。
政府行业对大数据质量的要求已经迫在眉睫。现在很多地方都已经或正在规划自己的大数据交易所，数据成为商品被交易，商品需要质量保证，数据不治理何来高质量的保证？
因此，当下每一个企业都有可能成为大数据企业，这些数据都应该得到标准的，有效而统一的治理。
大数据治理应无处不在
人、物、商业数字化连接出现了新的商业模式。很多企业在做数字化转型的时候，需要大数据为他们提供非常精准的分析结果。那么怎样才能确保大数据分析提供的是精准的结果呢？很重要的一件事是数据质量要非常高，整个数据的体系是要有管理的，同时这个管理是非常有效的。也就是说，整个数字化转型需要以高质量的数据作为基础。如果哪个企业拥有高质量的数据，就能够加速它数字化转型的过程。
反观现在的大数据生态环境，却经常出现缺失。很多项目分析结果出来以后，发现结果都是错的。但其原因不一定就是出在分析模型上，很有可能是因为数据本身禁不起推敲，这时候就需要用大数据治理支撑整个上层用户。
大数据生态大致分为几个阶段：第一，采集。第二，数据。第三，应用。这三个阶段，都是需要有大数据治理的，而且需要大数据治理为他们提供支撑。目前不少最终用户对于大数据治理已经有了自己的要求，反倒是很多提供大数据解决方案的厂商对此认识参差不齐。
对此，王轩表示，以金融行业为例，金融行业现阶段最重要的是建立企业级的数据管控体系。原来做数据治理有个问题，大家只是做数据的集成，建立数据质量控制平台，实际上就是为每一个组织检查数据，但效果不尽人意。原因在于IT不是业务的主管部门，IT说数据质量有问题，业务部门却不以为然。每个业务部门都认为他的数据都是对的，但从企业的角度来看，业务部门之间的数据并不一致，这本身就是质量问题。怎么解决？这需要一系列非常强的组织架构。例如国开行建了一个以行长为主的数据治理机构，各个业务部门都是这个数据治理机构的参与者。IT部门变成了数据治理的执行者，业务部门变成了主导者。提高了业务部门的积极性。同时设立具有考核指标的管理体系，在这一管理体系之中，所有业务部门都需要来做质量的考核。满分是100分，数据质量考核占3分，看似不多，但第一名到最后一名差距通常也就只有3分，因此数据质量的水平直接影响部门的考核成绩，数据质量就变成每一个业务部门非常重要的一件事了。
事实上，从数据治理的角度来看，虽然不像大数据分析那样有十分鲜明的业务特点，但并不是说数据治理可以不重视业务。相反，在数据治理角度，首先要做的就是突破各个行业的业务特点。对此普元的做法是提供方法论，与了解行业业务情况的第三方合作，或者是与行业领先的客户合作，直击行业特征。
也许对企业来说每一个数据都是有价值的，只不过需要时机、条件以及适当的模型。因此数据标准并不需要大而全，而是要尽量缩小，只有具体的标准才能将对企业最有价值的核心数据筛选出来。目前对于数据资产化的研究和探索正一步步走向深入和实际，未来的某一天企业财报上或许就会将数据资产以数字的形式体现出来，这将对数据治理提出更高更严格的要求，在此之前每一个企业都应做好准备。