Centro de Datos Corporativos y Gobernanza de Datos: De Data Solo a Data Asset

Antecedentes: La "Fat of Business Data"

En la última década, China ha hecho grandes avances en el desarrollo de la tecnología de la información para sus empresas - la cuenta ERP, CRM, WMS, WMS, OA, y los grandes y pequeños sistemas de negocios cubren cada una de las áreas de negocio. Pero una realidad irónica es:Cuanto más sistemas hay, más datos hay, más vago puede ver la gestión global de la visión.。

Síntomas típicos: Las cifras de ingresos exportadas desde ERP por el sector financiero no se corresponden con la cantidad de dinero firmado de las estadísticas CRM; los días de facturación de acciones para los equipos de cadena de suministro no coinciden con los datos de inicio de sesión y login del almacén WMS; CEO quiere ver "la tendencia de las tarifas maoríes a través de las líneas de productos durante los últimos 12 meses" y los equipos de TI necesitan coordinar tres departamentos manuales, ejecutar cinco declaraciones y consolidar una figuras posibles.

No es un problema con los datos, es un problema.Datos distribuidos en los sistemas de negocio "coastal", falta de definiciones, estándares y puntos de acceso armonizados. Las escenas descritas aquí son para empresas con datos multisistema aislados, reportar calibraciones inconsistentes y análisis ineficientes.ZhiHua TechLa construcción de datos a mitad de la estación y la metodología de gobernanza de datos no representan la divulgación de datos para clientes específicos.

Problemas operacionales típicos

1. Datos dispersos múltiples sistemas, visión unificada global faltante

• ERP controla los vales financieros, CRM controla el negocio del cliente, WMS controla el flujo de agua de las acciones - el modelo de datos de los tres sistemas es independiente de uno de otros, con diferentes códigos, atributos y definiciones de estado para el mismo "cliente", "producto" y "orden" en sus respectivos sistemas.
• La administración quiere ver "Customer 360" — qué productos, historial de transacciones, registros de denuncias, devoluciones— necesita extraer datos manualmente de al menos tres sistemas y luego collidelos juntos, y el proceso toma tiempo y los resultados son propensos a error.
• Cada empresa mantiene sus declaraciones de Excel y sus consultas de base de datos por separado, y el mismo indicador (por ejemplo, "venta mensual") puede tener cinco cifras diferentes en el ordenador de cinco personas.

2. La calidad de los datos es desigual y el análisis es bajo en credibilidad

• Los datos materiales master "un tamaño múltiple": El mismo tornillo del mismo proveedor, que es un conjunto de códigos en el ERP, otro conjunto en WMS, y el tercer set en el R & D BOM. Esto conduce a errores frecuentes en los recuentos de inventarios, conciliaciones de adquisiciones y contabilidad de costos.
• Datos de cliente repetidos y conflictivos: múltiples registros (nombres ligeramente diferentes y diferentes detalles de contacto) del mismo cliente en CRM por razones históricas, las ventas no son claras sobre cuál es la última versión y marketing puede enviar el mismo mensaje de texto tres veces al mismo cliente.
• Valores no deseados y anormales: Los campos clave (por ejemplo, los importes de los contratos, las fechas de entrega) están vacíos o claramente anormales (fecha 1970-01-01-01), pero no existe un mecanismo automatizado de detección y reparación de la calidad, y el flujo de datos sucios a los informes analíticos.

El análisis de datos se basa en el calendario manual y en la falta de adopción de decisiones

• Los análisis de negocios dependen de los rompecabezas de Excel de los primos durante la noche, que son hace tres semanas. Las partes que compiten han ajustado sus estrategias de precios a los datos en tiempo real, y están esperando resultados.
• Cuando el negocio hace una pregunta exploratoria – “¿Cuál es la tasa de rescate de nuevos clientes en los últimos tres meses?” – los analistas de datos tardan medio día en escribir SQL, calibrar y producir resultados. Cuando reciben la respuesta, la atención de negocios puede haber cambiado.
• Falta de capacidad de análisis de autoayuda: Los operadores no pueden arrastrar datos para el análisis exploratorio, y todas las necesidades de datos se encuentran en la lista de trabajo del sector TI, creando datos típicos "efecto de cuello".

Datos de ZhiHua Tech Medios de construcción Metodológico

Inventario de activos de datos y gobernanza de datos principales

El primer paso en la construcción del centro de datos no es la selección técnica, sino la selección técnica.Descubra cuáles son los datos, dónde se distribuyen, quién lo está usando, y qué calidad son.. ZhiHua Tech, a través del taller de inventario de activos de datos, trabaja con unidades de negocio en la empresa para:

• Global Data Asset Directory: Combine hojas de datos, campos de datos, frecuencia de actualización de datos y datos para todos los sistemas de negocio y Propietario, para formar mapas de datos a nivel de empresa.
• Normalización de los datos principalesEstablece reglas de codificación a nivel empresarial, especificaciones de atributos y procesos de mantenimiento en torno a entidades de datos básicos como materiales, clientes, proveedores, organizaciones, cuentas.
• Base de referencia de la calidad de los datos• Indicadores cuantitativos (complejidad, singularidad, coherencia, puntualidad, exactitud) que definen la calidad de los datos, un análisis de calidad completa de los datos existentes, la identificación de los paneles de calidad más críticos y el desarrollo de los planes de gobernanza.

2. Modelización de formación y estratificación de conjuntos de datos

Los esqueletos técnicos que construyen el medio de datos se establecen después de que los activos de datos sean claros:

• Dataset Layer (ODS): Sincroniza los datos originales de los sistemas de negocio en el medio de datos en tiempo real cercano a través de la CCDC (cambiar la captura de datos), el conducto ETL/ELT y API. Mantenga el patrón de datos completos sin procesar, y asegure la trazabilidad de datos.
• Nivel de depósito de datos (DW): utilizando la metodología de modelado de dimensión Kimball o DataVault, que limpia, estandariza, vincula datos brutos y construye modelos de dominio temáticos orientados analíticamente - temas de ventas, temas de compras, temas de inventario, temas financieros, sujetos humanos, etc. Esta capa es "una única fuente de datos creíbles".
• Datasets (DM): Para escenarios específicos de negocio (cucha de administración, análisis de embudos de ventas, análisis de rendimiento de cadena de suministro, imagen de cliente), construir una hoja amplia y vista indicadora de pre-agregado, permitiendo a las partes de negocio obtener el análisis requerido al mínimo SQL complejidad.
• Gestión de la calibración de indicadores: Crear un diccionario de indicadores de empresa – cada indicador (por ejemplo, GMV, maoríes, días de facturación de acciones, tasas de retención de clientes) tiene un solo nombre, calibración, fuente de datos y persona responsable. Cuando se cita en cualquier declaración, el índice se toma del diccionario de indicadores, eliminando el problema de "números no especificados" en absoluto.

3. Análisis de autoayuda y servicios de datos

El valor del centro de datos se refleja en última instancia en "haga que los datos sean accesibles a los que lo necesitan":

• Autoayuda BI Platform: Los operadores se conectan directamente al nivel municipal de conjunto de datos mediante herramientas BI de arrastrar y de arrastre (por ejemplo Metabase, Superset o Power BI), crean informes y paneles autogenerados sin intervención de TI por escrito SQL. El equipo IT transfirió de "ta picker" a "portador de plataformas de datos".
• Servicio de API: Exposición externa de activos de datos en el canal medio vía REST API para aplicaciones de gama frontal, terminal móvil y pequeño consumo de programas. Por ejemplo, el sistema CRM puede buscar datos de imagen de cliente 360 en tiempo real, en lugar de mantener una copia de un cliente que puede expirar localmente.
• Análisis de sangre y impacto de datos: Recordar el camino de flujo completo de datos (bloodline) desde la tabla fuente hasta el final de cada informe. Cuando un campo de una tabla se cambia en el río arriba, todas las partes dependientes aguas abajo son informadas automáticamente, evitando un " viaje de corriente sin saber quién lo está usando"

Componentes técnicos clave

Entregas

Orientación de valor integmentada

• Un número, un calibre.La definición, fuente y lógica de cálculo del indicador básico de rendimiento empresarial se gestionan centralmente en la etapa media, y las cifras que la administración ve en cualquier informe y en cualquier pantalla se derivan de los mismos datos.
• De "T+7" a "T+0".: El ciclo de actualización de datos de negocios se agrega manualmente de semana/mes a hora o minutos para sincronizar automáticamente, y los responsables de la decisión pueden ver y responder a las señales de datos en el día del problema.
• Liberar la productividad de la TI: Las operaciones cumplen el 80% de sus necesidades diarias de retiro por autoayuda BI, y el equipo de TI se centra en construir plataformas de datos y mejorar la calidad de los datos en lugar de estar cansado de tomar una serie de órdenes de trabajo.
• Establecer la base de datos para AI.: Los datos de negocios bien gestionados de alta calidad son requisitos para la implementación de AI. Una vez que se complete el medio de datos, la base de conocimientos RAG de RAG puede conectarse directamente a fuentes de datos limpias, reduciendo significativamente el ciclo de ejecución de los proyectos AI.