Pusat Data Perusahaan dan Pemerintah Data: Dari Data Solo ke Asset Data

Latar belakang: "Fat of Business Data"

Selama dekade terakhir, Cina telah membuat langkah besar dalam pengembangan teknologi informasi untuk perusahaan-perusahaan - yang ERP akun, CRM, WMS, WMS, dan sistem bisnis besar dan kecil mencakup satu area bisnis masing-masing.Semakin banyak sistem, semakin banyak data yang ada, semakin tidak jelas manajemen tampilan global dapat melihat.。

Ciri khas: angka pendapatan diekspor dari ERP oleh sektor keuangan tidak cocok dengan jumlah uang yang ditandatangani dari statistik CRM; stok turnover hari untuk tim rantai pasokan tidak cocok dengan data login yang sebenarnya dan login dari gudang WMS, CEO ingin melihat "tren Māori tingkat produk di seluruh jalur selama 12 bulan terakhir" dan tim IT perlu mengkoordinasikan tiga departemen, lima pernyataan, dan secara manual menghitung ulang ".

Ini bukan masalah dengan data, tapi masalah.Data tersebar di seluruh sistem bisnis "pesisir", kurang definisi harmonisasi, standar dan titik aksesAdegan yang dijelaskan di sini adalah untuk bisnis dengan data multisistem terisolasi, laporan kalibrasi tidak konsisten dan analisis tidak efisien.ZhiHua TechKonstruksi stasiun data dan metodologi pemerintahan tidak mewakili pengungkapan data untuk klien tertentu.

Tantangan operasional yang khas

1. Data tersebar beberapa sistem, tampilan unified global hilang

• ERP mengontrol voucher keuangan, CRM mengendalikan bisnis pelanggan, WMS mengontrol aliran air dari saham - model data dari tiga sistem tersebut saling independen, dengan kode berbeda, atribut dan definisi untuk "klien", "produk" yang sama, dan "ketertiban" dalam sistem mereka masing-masing.
• Manajemen ingin melihat "Pelanggan 360" - yang produk, riwayat transaksi, catatan keluhan, kembali - perlu menarik data secara manual dari setidaknya tiga sistem dan kemudian bertabrakan mereka bersama-sama, dan proses membutuhkan waktu dan hasil rentan terhadap kesalahan.
• Setiap bisnis mempertahankan laporan Excel dan kueri basis data secara terpisah, dan indikator yang sama (misalnya, "penjualan bulanan") mungkin memiliki lima angka yang berbeda pada komputer lima orang.

Kualitas data tidak merata dan analisis rendah kredibilitas

• Data master material "satu ukuran beberapa": Ketukan yang sama dari pemasok yang sama, yang merupakan set kode dalam ERP, yang lain ditetapkan dalam WMS, dan set ketiga dalam R & D BOM. Ini menyebabkan sering kesalahan dalam jumlah inventaris, pengadaan pencocokan dan biaya akuntansi.
• Data klien yang berulang dan bertentangan: beberapa catatan (sedikit nama yang berbeda dan rincian kontak yang berbeda) dari pelanggan yang sama di CRM untuk alasan sejarah, penjualan tidak jelas tentang mana versi terbaru dan pemasaran dapat mengirim pesan teks yang sama tiga kali ke pelanggan yang sama.
• Nilai data yang hilang dan tidak normal: ruas kunci (misalnya jumlah kontrak, tanggal pengiriman) kosong atau jelas tidak normal (tanggal 1970-01- 01), tapi tidak ada deteksi kualitas otomatis dan mekanisme perbaikan, dan data kotor mengalir ke laporan analisis.

Analisis data bergantung pada manual dan keputusan buruk membuat waktu - bingkai

• Bisnis menganalisa teka-teki Excel sepupu dalam semalam, yaitu tiga minggu yang lalu. Menggabungkan partai-partai telah menyesuaikan strategi harga mereka dengan data real time, dan menunggu hasil.
• Ketika bisnis menanyakan pertanyaan eksplorasi - "Berapa laju repurchase dari klien baru dalam tiga bulan terakhir?" - analis data memakan waktu setengah hari untuk menulis SQL, kalibrasi, dan menghasilkan hasil. ketika mereka mendapatkan jawaban, perhatian bisnis mungkin telah bergeser.
• Kurangnya kapasitas analisis diri-bantuan: Operator tidak dapat menyeret data untuk analisis eksplorasi sendiri, dan semua kebutuhan data yang diantrian dalam daftar kerja sektor IT, membuat data khas "efek bottleneck".

Khotologi Konstruksi Data QAZhiHua Tech

Inventaris aset data dan master data pemerintahan

Langkah pertama dalam membangun pusat data bukanlah seleksi teknis, tapi seleksi teknis.Cari tahu apa datanya, di mana mereka didistribusikan, siapa yang menggunakannya, dan kualitas apa mereka.ZhiHua Tech, melalui lokakarya persediaan data aset, bekerja dengan unit bisnis di perusahaan untuk:

• Direktori Aset Data GlobalKombinasi lembar data, bidang data, frekuensi update data dan data bagi semua sistem bisnis, dan Pemilik, untuk membentuk peta data tingkat-enterprise-. Langkah ini alamat pertanyaan di mana data berada.
• Standardisasi data utamaMenetapkan aturan kode tingkat-enter- enterprise-, spesifikasi atribut dan proses pemeliharaan sekitar entitas inti data seperti bahan, pelanggan, pemasok, organisasi, rekening.
• Baseline kualitas dataIndikator Quantatif (kompleness, keunikan, konsistensi, ketepatan, akurasi) mendefinisikan kualitas data, pemindaian kualitas penuh dari data yang ada, identifikasi panel kualitas yang paling kritis dan pengembangan rencana pemerintahan.

Formasi Dataset dan stratifikasi pemodelan

rangka teknis yang membangun media data diatur setelah aset data jelas:

• Lapisan Dataset (ODS): Sinkronisasi data asli dari sistem bisnis ke media data dalam waktu dekat melalui CCDC (ubah penangkapan data), ETL / ELT saluran dan API. Jauhkan pola data mentah penuh, tidak diproses, dan pastikan data traceablibility.
• Tingkat Repositori Data (DW): menggunakan modelling dimensi Kimball atau DataVault metodologi, yang membersihkan, standardizes, link data mentah dan konstruksi analisis model domain - tema penjualan, topik pengadaan, topik inventaris, topik keuangan, subjek manusia, dll. Lapisan ini adalah "sumber tunggal data terpercaya".
• Dataset (DM)Untuk skenario bisnis tertentu (kokpit manajemen, analisis penjualan, analisis kinerja penawaran, gambar pelanggan), membangun lembar luas dan pandangan indikator sebelumnya yang digadaikan, memungkinkan pihak bisnis untuk memperoleh analisis minimum yang diperlukan SQL kompleksitas.
• Manajemen kalibrasi indikator: Buat kamus dari indikator perusahaan - setiap indikator (misalnya, GMV, Māori, hari-hari restnover saham, tingkat retensi pelanggan) memiliki satu nama, kalibrasi, sumber data, dan orang yang bertanggung jawab. Ketika dikutip dalam pernyataan apapun, indeks diambil dari kamus indikator, menghilangkan masalah "nomor yang tidak dispesifikasikan" sama sekali.

3. / Bantu analisa dan data layanan

Nilai dari pusat data akhirnya tercermin dalam "Membuat data dapat diakses oleh mereka yang membutuhkannya":

• Bantuan BI PlatformOperator terhubung langsung ke tingkat datset kota oleh drag-and-trucking alat BI (misalnya Metabase, Superset, BI), membuat laporan yang dihasilkan sendiri dan panel IT tanpa terlibat dalam penulisan SQL. Tim IT dialihkan dari "data picker" ke "data platform carrier".
• Layanan Data API: Eksternal eksposur aset data di saluran tengah via REST API untuk aplikasi di depan, aplikasi mobile end dan konsumsi program kecil. Sebagai contoh, sistem CRM dapat mencari data 360 image pelanggan secara langsung, daripada mempertahankan salinan dari pelanggan yang mungkin kadaluarsa secara lokal.
• Analisis darah dan dampak dataRekam jalur aliran data penuh (garis keturunan) dari tabel sumber sampai akhir dari setiap laporan. Ketika bidang tabel diubah ke hulu, semua hilir tergantung pihak otomatis diberitahu, menghindari "perjalanan ke hulu tanpa mengetahui siapa yang menggunakannya"

Komponen teknis tombol

Dikirim

Orientasi nilai yang diperluas

• Satu nomor, satu kaliber.Definisi, sumber dan perhitungan logika indikator kinerja perusahaan inti dikelola secara sentral di tahap tengah, dan angka-angka bahwa manajemen melihat pada setiap laporan dan pada layar manapun berasal dari data yang sama.
• Dari "T + 7" ke "T + 0".: Siklus pembaruan data bisnis secara manual dirakit dari minggu / bulan ke jam atau menit untuk secara otomatis sinkronisasi, dan pembuat keputusan dapat melihat dan merespon pada sinyal data pada hari masalah.
• Rilis produktivitas ITOperasi mencapai 80% dari pengambilan data sehari-hari yang dibutuhkan oleh BI, dan tim IT berfokus pada membangun platform data dan meningkatkan kualitas data daripada lelah mengambil sejumlah perintah kerja.
• Atur basis data untuk AI.: Kualitas tinggi, data bisnis yang dikelola dengan baik adalah prasyarat untuk implementasi AI. Setelah medium data selesai, AI, basis pengetahuan RAG yang tertangani dan pelatihan model dapat langsung terhubung ke sumber data yang bersih, secara signifikan mengurangi siklus awal untuk proyek AI.