企业数据管理的关键要素及解决方案

　　1 引言

　　在大数据时代背景下,数据不再是简单地记录信息,海量数据为统计、分析、决策的真实性、准确性、科学性提供了来源和基础。企业将数据转换为商业价值过程的核心就是以企业的大数据管理为基础,通过数据分析或挖掘等方式提炼出价值数据,最终实现数据创造价值。国内外企业数据管理与应用的现状如何?如何从企业大量的数据中提取出高质量的数据,并将其应用在企业的管理决策过程中是本文研究的重点和意义所在。

　　2 企业数据管理概况

　　企业数据泛指所有与企业经营相关的信息、资料,包括工资概况、产品信息、经营数据、研究成果、商业机密等。这里所指的企业数据是通过分布式渠道获取的数据,即由企业透过下属部门通过各种技术手段分散获取并统一管理,一般对数据的精确度有一定的要求。随着机构、技术和应用需求的发展,企业对数据的关注度更多在于其时效性,因此数据管理也逐步向动态数据方向发展[1]。同时,由于数据整合度的提升及数据使用范围的扩大,在数据的使用过程中发现了大量有关数据质量的问题,数据管理成熟度[2]如图1所示。

　　第1级初级阶段指意识到存在数据管理的问题,但几乎没有采取措施进行解决;第2级被动响应阶段指根据具体问题采取了部分措施,效果有限;第3级主动管理阶段指数据管理章程的一部分,从企业级层面设计、组织制度和流程来系统性进行数据管理;第4级量化管理阶段指信息作为企业资产进行管理,企业组织和流程全面覆盖数据管理的各个方面;第5级持续优化阶段指数据管理提升为企业战略要求,数据问题大部分在源头被预防和解决,并关注于架构和流程的不断优化。现阶段国内大部分企业对数据的管理处于第3级主动管理的初步阶段。随着信息化的快速发展,各企业对于数据信息准确度的要求越来越高,要求其自身的数据管理能力越来越成熟。【1】

　　
　　3 企业数据管理的关键要素及解决方案

　　3.1企业数据管理的关键要素

　　企业数据管理需要有效的开发管控体系、数据管控体系和价值评估体系,需要把数据的加工处理和标准定义、数据质量管理和元数据管理进行有效的结合及合理的应用规划。企业数据管理重点关注基于业务价值、数据管控、组织流程、数据平台等四个维度的长期规划,规划的内容包括绩效和客户指标、数据标准和质量、组织机构、审批流程、数据模型、分析工具等。同时,数据平台还应建立数据团队,培养业务主动探索意识的挖掘,使良好的数据管控机制和数据平台进行有机融合,从而满足现在和未来业务的需求。

　　早在1996年,商业智能(Business Intelligence,BI)便由Gartner Group提出,其本质是通过数据仓库、在线联机分析处理、数据挖掘等技术来完成从数据到信息的提炼,最终获得对企业经营和决策有用的知识[3]。因而,企业数据管理的关键要素与BI密切相关,主要包括以下几个方面:

　　策略和方法———数据管理要发展关键的BI计划和战略,以实现其业务远景,对BI需求、解决方案、方法论有一个统一的框架。

　　BI管理———BI的发展与企业的战略保持一致,得到高层领导的支持和参与。数据管理能够支持BI推广的组织结构和业务流程,从而充分发挥BI能力中心的作用。

　　项目管理———持续有效的项目管理能够支持BI计划,充分发挥BI落地的能力,确保BI每一步的实现历程是有价值的。

　　数据和系统———获取的信息用以满足业务的需求,对业务系统的支持数据进行抽取、转换和加载,同时,解决数据治理和数据质量的问题,使数据管理具有关键架构的设计和信息整合的技能。

　　业务———业务部门对BI具有一定的认识和理解,而且能够提出对BI的需求和期望,与IT部门还能够有效的合作。

　　3.2企业数据管理的解决方案

　　(1)企业数据管理的框架结构BI的本质就是让数据“说话”,具体体现在“三美”:1)关联之美———数据只有在特定的上下文,才能体现其意义;2)可视化之美———复杂数据表图表,直观、简单的图示胜过长篇大论;3)动态之美———让数据动态化,自己“说话”。

　　原来的企业数据管理是通过打通企业内部边界的需要来实现,由于能力有限,总会出现数据过载、数据孤岛、猜测并非洞悉、新元素视而不见等问题;目前以及未来的企业数据管理转变的重点在于顺势而为,在理解数据价值、商业分析集成、全面考虑信息、信息共享、无缝互通、通过外部数据更好的提高洞察力等方面拥有无限潜力。

　　企业管理数据的目的在于更快地访问数据、更准确及时地获取数据、更易于理解数据及可复用共享数据,进而做出更好、更快的决策,极大提升效率和产能,迅速满足客户需求,实现全方位价值。企业数据管理的框架结构如图2所示。

　　(2)企业数据管理实现过程BI是企业数据、人员、技术、治理、战略等多个方面的结合体,其定位且服务于管理层、业务分析及操作人员,通过收集企业内外部的数据,提供与战略和管理重点相一致的具体行动力信息,以用来支持更好的经营和决策。因此,企业数据管理应以实现全方位价值为驱动力,包括以下六个实现步骤:

　　第一步,战略理解———理解企业的中长期战略,因为这些战略体现了整体价值,决定了决策层、管理层及操作层利用BI系统分析的重点和方法。

　　第二步,确定价值动因———确立整体价值,该步骤确立能够促进整体价值的关键因素或管理重点,形成企业价值图。

　　第三步,形成指标库———为价值动因的衡量提供具体的指标定义,形成指标库体系。

　　第四步,指标分析与应用———借助分析模型和报表展现,建立指标内在的关联关系,形成各个层面的管理场景和报表应用,体现管理意义和价值。

　　第五步,BI实施———按照BI实施方法和确定的分析主题,建立数据仓库,并按照管理场景和报表应用构建分析平台。

　　第六步,提升优化———随着对BI的使用,逐步扩展应用层次和范围,优化分析平台。

　　(3)基于Oracle BI[4]的企业数据管理实施通过Oracle BI实施办法可以保证上述实现过程的成功运转,并能使企业实现变革管理、数据治理、报表设计、参考架构、差异分析、安全设计、任务策略、数据加载、支持运维、知识转移等功能。基于Oracle BI的技术框架如图3所示。

　　其中,核心架构包括以下部分:

　　流程 平 台———采 用Oracle的 应 用 开 发 框 架(Application Development Framework,ADF)服务平台。

　　短信平台———采用统一短信平台,与BIEE 11g建立接口。

　　移动展示平台———采用Oracle移动BI或商务数据图形化平台Romabi。

　　展示平台———完成报表前端的建设,包括定制报表、分析指标等,采用BIEE 11g。

　　数据仓库———采用Oracle 11g数据库作为企业统一数据仓库。

　　调度平台———采用数据仓库管理控制台(DataWarehouse Administration Console,DAC)工具完成对工具Informatica的调度。

　　ETL[5]平台———采用Infromatica工具完成业务系统数据的装载、抽取、转换、清洗等工作。

　　4 企业数据的应用

　　数据应用,这里主要指基于数据的产品或商业模式,即以数据为素材,对其进行分析和提炼,将数据价值应用到产品或商业模式中,或直接催生新产品或新商业模式。与传统的以业务驱动的产品或商业模式不同,数据应用更侧重于从数据的角度思考业务问题,通过对数据的分析和挖掘,发现人们无法直接洞察到的事物的潜在联系或规律,并以此驱动,动态地对产品或商业模式进行完善和提升。

　　数据应用主要包括面向企业自身的管理类数据应用和面向客户的服务类数据应用。管理类数据应用主要运用于流程优化、精细化绩效等领域,例如通过对业务流程中各环节数据进行采集,量化出流程相关指标,然后分析并定位出流程中存在的问题,进而优化内部流程,提升运营效率。服务类数据应用主要为以数据为基础和驱动,为客户提供数据支持或数据产品。例如,淘宝的“数据魔方”就是一款典型的数据产品,其通过整合和分析淘宝商城的海量交易数据,将行业宏观情况、品牌市场状况、消费者行为情况等分析结果进行包装,并以数据产品的形式销售给淘宝商家,商家可参考相关数据,及时调整销售策略。

　　管理类数据应用一般指基于企业价值图,映射并形成关键绩效指标(Key Performance Indicator,KPI)[6]体系,以达到战略意旨,如图4所示。下面以某企业数字化服务的KPI体系为例,该企业作为业界的典范,对于KPI体系构建的理解和思路非常清晰,其整个KPI体系遵从自上而下的标准进行设计,最上层是企业的核心财务指标,例如杜邦分析的净资产收益率、净利润率、资产周转率、权益乘数等,然后逐级向下,依次确定部门、业务条线及最小考核单元的量化考核指标。通过对企业各层级的量化指标梳理,可以让各部门、各业务条线、各最小考核单元非常清晰、明确地知道需要达到的目标,能够以量化指标的方式实现精细化考核的目的。当然,整个KPI体系是以可量化的数据为基石,这需要将各环节的操作过程以自动化、数字化的方式进行管理和记录,在有了基础数据后,才能结合实际情况计算相应指标。

　　其次,关于服务类数据应用,利用在线联机分析处理(Online Analysis Process)[7],例如企业利用客户数据、地理信息和商家数据,进行促销信息推送。

　　做为一个典型的服务类数据应用,数据在整个业务流程中扮演了关键角色,在确定给谁推送,推送什么,内容是否合适等一系列问题时,决策者已不再是营销人员,而是数据本身。通过特定算法,数据在经过运算处理后,系统计算出最优结果,即在哪个位置的哪些人适合哪类促销活动,紧接着系统会自动将匹配信息推送给目标客户。与传统服务产品相比,服务类数据应用更注重以数据和算法为驱动,并借助自助渠道来完成对客户的服务。

　　与上述案例相比,还有一些更原始、更简单的服务类数据应用。比如,推特公司(Twitter)每天会产生几亿条消息数据,其自身较少对如此巨量数据进行分析,而是把数据授权给一些数据服务公司,通过类似出售数据的方式,为公司带来直接收入。数据服务公司在购买数据后,进行深入分析和挖掘,将分析结果以产品的形式再进行转售。

　　5 总结与展望

　　大数据时代各行各业随时都在产生数据,大数据应用比比皆是。对于企业而言,数据意味着企业的价值和命脉,采用高效的方法和技术对数据进行管理和应用成为了企业发展的重中之重。只有有效地融合结构化和非结构化数据,更及时、更准确、更全面地获取和分析信息,并将信息转换为价值,才是企业不断发展的必由之路。
　　
　　[参 考 文 献]

　　[1] 洪正华.新一代数据仓库建设模式探索实践[J].银行家,2013(2):19-21.
　　[2] 薄璐.中小型金融机构数据平台建设探讨[J].电子测试,2013(8):172-173.
　　[3] 刘红伟.商业智能技术及其在配方辅助系统中的应用研究[D].青岛:中国海洋大学硕士学位论文,2010.
　　[4]Micheal Jiang.Oracle BI商务智能[EB/OL]
　　[5] 王克龙,王玲,等.数据仓库中ETL技术的探讨与实践[J].计算机应用与软件,2005,22(11):30-78.
　　[6] 王敏志.企业关键绩效指标的构建[J].现代商业,2012(5):129-130.
　　[7] 张亮.基于OLAP技术的业务流程多维数据模型分析[D].北京:北京交通大学硕士学位论文,2012.