工业大数据分析与治理(工业数据治理12)

2023-03-29 06:16 浏览量:358

数据的管理原则(DAMA数据管理执行指南学习笔记)
 

       数据由于自身价值和资产属性等本身的特点,使得数据管理成为一项具有独特挑战性的工作。不过,即使数据管理有其独有的特点,它和其他类型的管理仍然有共同之处。需要明确的是:组织拥有什么样的数据,这些数据可以用来做什么,如何才能最大化地利用好这些数据,从而来实现组织既定的战略目标。数据管理必须在考虑数据独特性的基础上平衡好战略和运营的需要。

       为了帮助组织实现这种平衡,DAMA已经开发出了一套旨在识别数据管理挑战和帮助大家实施数据管理的原则。总体而言,这些原则可以归纳为以下几个方面:

一、数据的重要特性就是有价值的

(1)数据资产具有独特属性。数据是一种资产,与其他资产在许多重要方面存在差异,从而其管理的方式也不一样。其中最明显的特征就是数据在使用过程中不会像金融资产和物理资产一样被消耗掉。

(2)数据的价值可以而且也应该用经济术语表述(数据资产可以货币化)。数据作为资产就意味着它有价值。目前数据资产货币化还没有一个统一的定性和定量价值的技术和标准。数据价值货币化需要开发一套统一的方法来量化,同时需要考虑到低质量数据的负面作用和高质量数据带来的利益和好处。

(3)有效的数据管理和IT建设与治理一样,是一个一把手工程。数据管理包括一系列复杂的过程。为了达到有效的数据管理目的,这些过程需要协调、合作及承诺。要做到这一点,不但要运用管理技巧,还需要来自组织一把手的愿景和目标。

二、数据管理需求核心驱动力来自业务需求

(1)数据管理离不开管理数据的质量。数据管理的主要目的就是确保数据满足组织的目标。只有明确数据质量标准和要求,并具备对数据评估的技术和管理能力,一个组织才能管理好数据质量。

(2)数据管理离不开元数据。用于管理和使用数据的数据叫做元数据。元数据可以帮助我们对各类管理和运营所需要的这些数据进行定义,从而使我们理解数据。元数据来源于与数据产生、处理、使用相关的各个环节,包括架构、建模、管理、治理、系统开发、信息技术(IT)及业务操作和分析等。

(3)数据管理离不开规划。复杂的技术和业务处理流程与组织的大小没有直接的关系。为了业务开展,数据被大量创建并流转以供使用。因此组织需要从体系结构和流程的角度对数据管理进行规划,从而有效协调工作并保持最终结果的一致性。

(4)数据管理需求与信息技术决策密不可分。数据和数据管理与信息和信息技术管理紧密交织在一起。数据管理是一个组织数据战略的需求,信息技术应确保服务于数据管理。

三、数据管理需要各种不同技术和能力的支撑

(1)数据管理是一个综合职能的体现。某个部门无法管理组织的所有数据。做好数据管理需要一系列的技能和专长。数据管理涉及技术和管理能力,还需要相互协作的能力。

(2)数据管理需要站在整个组织的视角去进行。数据管理可以在局部进行开展和应用,但为了尽可能发挥数据的作用,数据管理必须在整个组织层面进行。这就是数据管理(Data Management)和数据治理(Data Governance)总是相互交织在一起的原因。

(3)数据管理必须统筹考虑,兼顾全面。数据的流动性和变化特征,决定了数据管理的动态性特征,需要随着数据的产生和使用方式的变化而变化,以及随着数据用户的变化而变化。

四、数据管理是数据全生命周期的管理

(1)数据管理是数据全生命周期的管理。数据具有生命周期,但其动态变化的特性决定了其生命周期本身的复杂性。数据管理实践需要考虑到不断变化的数据生命周期。

(2)不同类型数据的生命周期特征各不相同。不同类型的数据具有不同的管理要求。数据管理实践必须要识别这些差异,分类分级,以满足不同类型的数据生命周期要求。

(3)管理数据会带来管理与数据相关的风险。除了资产属性之外,数据本身就具有风险性。例如数据的安全性、不可篡改性、以及被滥用或误用。因此在进行数据管理的时候需要关注数据的伦理特点,对个人隐私保护和数据有序流动需要格外关注。因此在数据全生命周期中,数据的风险考虑必须贯彻始终。

五、数据管理原则与数据管理成熟度

       数据管理成熟度评估(Data Management Maturity Assessment,DMMA)定义了通过不断增加控制,提高数据质量的一个过程。当一个组织了解了过程的特征之后,就可以通过制订计划来提高它的能力。我们在前面《工业数据治理08》中谈到了国内的数据管理能力成熟度评估模型(DCMM)数据管理成熟度的概念。

       针对数据管理的重要性、数据管理的挑战及数据管理的原则,能力成熟度评估是一种可以达到此目的的非常有效的手段。能力成熟度评估是一种基于框架(能力成熟度模型)的过程改进方法,它描述了一个过程的特征是如何从现状演化到最优的。

       每达到一个新的层级,过程执行就会变得更加一致、可预测和可靠。过程随着每个层级的特征变化而改进,将按照设定的顺序进行,不能跳过其中任何一个级别。级别通常包括:

第0级,缺乏能力。

第1级,初始级或临时级:成功取决于个人的能力。

第2级,可重复级:最小化的流程规则已经到位。

第3级,已定义级:相关标准已经设立并使用。

第4级,受管理级:流程已量化并可控。

第5级,优化级:过程改进的目标被量化。

       每个级别的标准都在过程特征中进行了描述。例如,数据管理成熟度模型可能包括如何执行过程有关的标准,以及这些过程的自动化程度。它可能侧重于策略和控制,以及过程的详细信息。这种评估有助于确定哪些工作正常、哪些工作不正常,以及组织在哪些方面还存在差距。

来源:合规一本通

上一篇:工业大数据分析与治理(工业数据治理11)

下一篇:工业大数据分析与治理(工业数据治理13)

  • 分享:
龙石数据
咨询电话: 0512-87811036,18013092598
联系我们
商务联系微信

商务联系微信

0512-87811036,

18013092598

咨询电话