时过境迁

2023-03-03

制造业数字化转型的核心在于数据，数据的链接、汇聚和治理是制造业企业数字化转型的第一步。制造企业究竟要如何提升数据质量？经过10多年的摸索，Ezpay作为数据治理领域的领航者，现在已经有了一整套行之有效的管理数据质量的方法，具体实施步骤如下：


数据质量提升的标准流程

步骤1：调研数据问题

针对相关业务部门及IT系统召开问卷调查，收集在信息使用中存在的障碍和挑战，理清数据现状和用户需求。以调研问卷为基础，针对项目发起者重点关注的领域组织专项面对面访谈，从源系统、数据应用系统、业务部门、科技主管部门到数据治理主管领导，逐步建立整体架构视图，勾勒出目标蓝图。

步骤2：数据治理成熟度评估

企业数据成熟度阶段分为数据积累阶段、初始阶段、体系阶段、定量管理阶段、持续优化阶段。认知自身所处的数据成熟度，对于企业来说十分必要。现在，制造行业的信息化建设已取得显著效果，企业普遍希望顺利获得数据治理为建设数据应用夯实基础，从而实现数据价值。

步骤3：确定治理目标、获取高层支持

数据治理是一把手工程。数据治理是一个跨部门、跨系统的活动，需要得到高层的极大支持。

步骤4：制定数据治理实施路线图


步骤5：搭建数据治理组织体系

组织跨部门的数据治理工作小组，确定组织目标与定位，确定组织形式与层级，明确管理内容和职责划分，设置岗位与人员安排。

步骤6：梳理业务系统，摸清家底

不仅是对数据，还需要对业务流程进行“全面体检”，梳理业务系统，摸清数据现状。


步骤7：建立元数据存储库


步骤8.1：基础标准定义模板


步骤8.2：数据质量管理闭环机制

在质量管理的开展过程中形成了众多的质量管理理论，PDCA循环顺利获得计划、执行、检查、处理四个循环反复的步骤进行质量管理。PDCA映射到数据问题闭环管理，包括数据问题发现，到问题定位、跟踪问题处理、完善问题知识库，到考核评价，形成一种可持续运行、可持续解决问题的机制。

步骤8.3：主数据管理


步骤9：建立数据治理长效机制

数据质量管理贯穿数据的全生命周期，是一个长期的、需要持续召开的工作，需要业务人员和技术人员共同努力，才能取得高质量的数据。因此需要从以下几方面建立长效机制，持续优化迭代提升数据价值：

1.推进数据资产化，使得数据战略与业务战略结合统一

2.数据治理可视化展示，直观呈现，从数据治理域的各维度分析

3.治理成效评估，顺利获得成果度量成效，并定期向委员会汇报

4.推广数据治理文化，宣传数据战略，建立数据论坛

5.建立体系化数据服务体系，形成统一的数据服务入口