Corporate Data Centre e Data Governance: dai dati personali ai beni dati

Background: Il "Fat of Business Data"

Nel corso degli ultimi dieci anni, la Cina ha fatto grandi passi avanti nello sviluppo della tecnologia dell'informazione per le sue imprese - il conto ERP, CRM, WMS, WMS, OA, e i grandi e piccoli sistemi di business coprono una zona commerciale ciascuno.Più sistemi ci sono, più dati ci sono, più vago la gestione globale della vista può vedere.。

Sintomi tipici: i dati delle entrate esportati da ERP dal settore finanziario non sono abbinati alla quantità di denaro firmato dalle statistiche CRM; i giorni di fatturato azionario per i team della supply chain non corrispondono ai dati di login e login reali del magazzino WMS; CEO vuole vedere "la tendenza dei tassi Māori nelle linee dei prodotti negli ultimi 12 mesi" e i team IT devono coordinare tre reparti, eseguire cinque dichiarazioni, e consolidare manualmente una cifra.

Non e' un problema con i dati, e' un problema.Dati sparsi attraverso i sistemi di business "coastal", senza definizioni armonizzate, standard e punti di accessoLe qui descritte sono per le aziende con dati multisistema isolati, segnalano le tarature in modo inconsistente e l'analisi inefficiente.ZhiHua TechLa metodologia di costruzione e di governance dei dati di media stazione non rappresenta la divulgazione dei dati per i clienti specifici.

Sfide operative tipiche

1. Dati sparsi sistemi multipli, vista unificata globale mancante

• ERP controlla i buoni finanziari, CRM controlla il business del cliente, WMS controlla il flusso di acqua dallo stock - il modello di dati dei tre sistemi è indipendente l'uno dall'altro, con diversi codici, attributi e definizioni di stato per lo stesso "cliente", "prodotto" e "ordine" nei rispettivi sistemi.
• Gestione vuole vedere "Customer 360" — quali prodotti, cronologia delle transazioni, record di reclami, restituisce — ha bisogno di tirare i dati manualmente da almeno tre sistemi e poi li collide insieme, e il processo richiede tempo e risultati sono inclini ad errore.
• Ogni azienda mantiene le sue dichiarazioni di Excel e le query di database separatamente, e lo stesso indicatore (ad esempio, "vendita mensile") può avere cinque cifre diverse sul computer di cinque persone.

2. La qualità dei dati è irregolare e l'analisi è bassa di credibilità

• I dati master materiali "una dimensione multipla": la stessa vite dello stesso fornitore, che è un insieme di codici nella ERP, un altro insieme in WMS, e il terzo set nella R & S BOM. Questo porta a frequenti errori nelle contee di inventario, nelle conciliazioni di approvvigionamento e nella contabilità dei costi.
• Dati client ripetuti e contrastanti: più record (poco nomi diversi e diversi dettagli di contatto) dello stesso cliente in CRM per motivi storici, le vendite non sono chiare su cui è l'ultima versione e il marketing può inviare lo stesso messaggio di testo tre volte allo stesso cliente.
• Valori mancanti e anormali: I campi chiave (ad esempio gli importi dei contratti, le date di consegna) sono vuoti o chiaramente anormali (data 1970-01-01), ma non c'è un meccanismo automatizzato di rilevamento e riparazione della qualità, e il flusso di dati sporco ai rapporti analitici.

L'analisi dei dati si basa sul tempo di decisione manuale e povero

• Le analisi aziendali si basano sui puzzle di Excel dei cugini durante la notte, che sono tre settimane fa. Le parti partecipanti al Competing hanno corretto le loro strategie di prezzo per i dati in tempo reale e stanno aspettando i risultati.
• Quando il business pone una domanda esplorativa – “Qual è il tasso di riacquisto di nuovi clienti negli ultimi tre mesi?” – gli analisti di dati prendono mezzo giorno per scrivere SQL, calibrare e produrre risultati.
• Mancanza di capacità di analisi di auto-aiuto: gli operatori non possono trascinare i dati per l'analisi esplorativa stessi, e tutte le esigenze dei dati sono in coda nella lista di lavoro del settore IT, creando i dati tipici "effetto collo di bottiglia".

ZhiHua Tech Data Media Costruzione Metodologica

Inventario di asset dati e gestione dei dati

Il primo passo nella costruzione del data center non è la selezione tecnica, ma la selezione tecnica.Scopri quali sono i dati, dove vengono distribuiti, chi lo sta usando, e quale qualità sono.. ZhiHua Tech, attraverso il workshop di inventario delle risorse di dati, lavora con le unità aziendali nell'impresa per:

• Directory globale di dati: Combinare schede di dati, campi di dati, frequenza di aggiornamento dati e dati per tutti i sistemi aziendali, e il proprietario, per formare mappe di dati a livello aziendale.
• Standardizzazione dei dati principaliStabilisce regole di codifica a livello aziendale, attribuisce specifiche e processi di manutenzione intorno a entità di dati fondamentali come materiali, clienti, fornitori, organizzazioni, account.
• Baseline di qualità dei dati• Indicatori quantitativi (completezza, unicità, coerenza, tempestività, precisione) che definiscono la qualità dei dati, una scansione di qualità completa dei dati esistenti, identificazione dei pannelli di qualità più critici e sviluppo dei piani di governance.

2. Modellazione di formazione e stratificazione dei Dataset

Gli scheletri tecnici che costruiscono il supporto dati vengono impostati dopo che i dati sono chiari:

• Dataset Layer (ODS): Sincronizzazione dei dati originali dai sistemi aziendali nel supporto dati in tempo reale, attraverso il CCDC (cambio di dati), il condotto ETL/ELT e API. Mantenere il modello di dati grezzo completo, non elaborati e garantire la tracciabilità dei dati.
• Livello di repository dati (DW): utilizzando la modellazione di dimensione Kimball o la metodologia DataVault, che pulisce, standardizza, collega i dati grezzi e costruisce modelli di dominio tematico analiticamente orientati - temi di vendita, argomenti di approvvigionamento, argomenti di inventario, argomenti finanziari, soggetti umani, ecc Questo strato è "una sola fonte di dati credibili".
• Datasets (DM): Per scenari aziendali specifici (gestione cockpit, analisi deimbuti di vendita, analisi delle prestazioni della supply chain, immagine del cliente), costruire una visione di fogli e indicatori di pre-aggregati, permettendo alle parti di business di ottenere l'analisi richiesta alla complessità minima SQL.
• Gestione della calibrazione degli indicatori: Creare un dizionario di indicatori aziendali – ogni indicatore (ad esempio, GMV, Māori, giorni di fatturato azionario, tassi di fidelizzazione del cliente) ha un unico nome, calibrazione, fonte di dati e persona responsabile.Quando citato in qualsiasi affermazione, l'indice viene prelevato dal dizionario di indicatori, eliminando il problema dei "numeri non specificati" affatto.

3. Analisi e servizi di dati di auto-aiuto

Il valore del data center si riflette in definitiva in "fai accedere ai dati a coloro che ne hanno bisogno":

• Piattaforma di auto-gestione BI: Gli operatori si connettono direttamente al livello municipale del set di dati tramite strumenti BI trascinanti (ad esempio Metabase, Superset o Power BI), creano report e pannelli autogenerati senza intervento IT per iscritto SQL. Il team IT passa dal "data picker" al "data platform carrier".
• Servizio dati API: Esposizione esterna dei dati attivi nel canale centrale tramite REST API per applicazioni front-end, terminale mobile e piccolo consumo di programma. Ad esempio, il sistema CRM può cercare in tempo reale i dati dell'immagine 360 del cliente, piuttosto che mantenere una copia di un cliente che può scadere localmente.
• Analisi del sangue e dell'impatto dei dati: Registrare il percorso di flusso dati completo (bloodline) dalla tabella di origine alla fine di ogni rapporto. Quando un campo di una tabella viene modificato a monte, tutte le parti a valle sono automaticamente informate, evitando un "passo a monte senza sapere chi lo sta usando"

Componenti tecnici chiave

Prodotti

orientamento del valore intenzionato

• Un numero, un calibro.La logica di definizione, sorgente e calcolo dell'indicatore di performance aziendale core è gestita centralmente nella fase centrale, e le cifre che la gestione vede su qualsiasi rapporto e su qualsiasi schermo sono derivate dagli stessi dati.
• Da "T+7" a "T+0".: Il ciclo di aggiornamento dei dati aziendali viene aggregato manualmente da settimana/mese all'ora o minuti per sincronizzare automaticamente, e i decisori possono vedere e rispondere ai segnali di dati il giorno del problema.
• Rilasciare la produttività IT: Le operazioni compiono l'80% delle loro esigenze quotidiane di take-out da parte di BI, e il team IT si concentra sulla costruzione di piattaforme di dati e migliorare la qualità dei dati piuttosto che essere stanco di prendere un certo numero di ordini di lavoro.
• Impostare la base dati per AI.: I dati aziendali di alta qualità e ben gestiti sono prerequisiti per l'implementazione AI. Una volta completato il supporto dati, la base di conoscenza AI RAG e la formazione di modelli possono connettersi direttamente alle fonti di dati pulite, riducendo significativamente il ciclo di lead-up per i progetti AI.