コーポレート・データセンターおよびデータ・ガバナンス:データ・ソロからデータ・アセットまで

背景:「ビジネスデータのファット」

過去10年間に、中国は、その企業のための情報技術の開発に大きな苦労しています - ERPアカウント、CRM、WMS、WMS、OA、および大小のビジネスシステムがそれぞれ1つの事業領域をカバーしています。 しかし、一つの鉄性現実は次のとおりです。より多くのシステムがあります。そこには、グローバルビュー管理が見えるほど、より多くのデータがあります。。

典型的な症状: 金融部門によってERPからエクスポートされた収益の数字は、CRMの統計から署名されたお金の量によって一致していません。 サプライチェーンチームのための株式の売上高は、倉庫WMSの実際のログインとログインデータと一致しません。 CEOは、「過去12か月にわたる製品ラインの推移」とITチームは3部門を調整し、5つのステートメントを実行し、手動で「可能に」を与える前に統合する必要があります。

問題ではなく、問題です。調和した定義、基準、アクセスポイントを欠く、ビジネスシステム「コースト」に散らばるデータ. ここに記述された場面は多系統データによって隔離される、レポートの口径測定の不整合性および分析の非有効な企業のためです。ZhiHua Techデータ・ミッドステーションの建設とデータ・ガバナンス・手法は、特定のクライアントのデータ開示を表さない。

典型的な運用課題

1. 複数のシステムを散らばらされたデータ、全体的な統一された眺めの欠落

• ERPは、金融バウチャーをコントロールし、CRMは顧客事業をコントロールし、WMSは、在庫から水の流れを制御します。3つのシステムのデータモデルは、それぞれに独立したもので、異なるコード、属性、ステータス定義は、それぞれ同じ「クライアント」、「製品」および「注文」のそれぞれに使用されます。
• 管理は、製品、取引履歴、苦情記録、返品 - 少なくとも3つのシステムからデータを手動で引き出す必要がある「顧客360」を見たいと望んでおり、プロセスは時間と結果がエラーに陥ります。
• 各事業は、Excelステートメントとデータベースのクエリを別々に維持し、同じ指標(例えば、月次販売)は5人のコンピュータに5つの異なる数字を持つかもしれません。

2. データ品質は不均等であり、解析は信頼性の低いです

• マテリアルマスターデータ「1つのサイズの複数の」:同じサプライヤーの同じネジで、ERPのコードのセットであり、WMSの別のセット、R&D BOMの3分の1セットです。 これは、在庫数、調達の調整およびコスト会計における頻繁なエラーにつながる。
• クライアントデータを繰り返して競合:CRMの同じ顧客の複数のレコード(わずかに異なる名前と異なる連絡先の詳細)は、販売は、最新のバージョンとマーケティングが同じ顧客に3回同じテキストメッセージを送信する理由について明らかではありません。
• データの欠損と異常値: 主フィールド(契約金額、納期など)は空または明確に異常(1970-01-01)ですが、自動品質検出と修理機構がなく、分析レポートに汚いデータが流れます。

マニュアルと意思決定の不良時間枠に依存するデータ分析

• 業務分析は、一晩にいとこのExcelパズルに依存しています。これは3週間前にあります。 競争相手は、リアルタイムデータに対する価格設定戦略を調整し、結果が待っています。
• 企業が「過去3か月に新しい顧客の補充率とは何か」という疑問を抱えるとき - データアナリストは、SQL、校正、結果の生成に半日かかります。 回答を得ると、ビジネス上の注意がシフトされることがあります。
• セルフヘルプ分析能力の欠如: オペレータは、探査分析のためにデータをドラッグすることはできません, そして、すべてのデータがIT部門でキューに入れられます ' sの作業リスト, 典型的なデータを作成する "ボトルネック効果".

ZhiHua Techのデータ媒体の構造の方法論

データ資産の在庫とマスターデータガバナンス

データセンターの構築の最初のステップは、技術的な選択ではなく、技術的な選択ではありません。データを配布している場所、誰が使用しているのか、そしてその品質について調べてください。. ZhiHua Techは、データ資産の在庫の研修会を通して、企業内のビジネス単位と働かせます:

• グローバルデータアセットディレクトリ: データシート、データフィールド、データ更新頻度、データ更新頻度、および所有者を組み合わせて、企業レベルのデータマップを作成します。このステップは、データがどこにあるかの質問に対処します。
• 主なデータ標準化マテリアル、顧客、サプライヤー、組織、アカウントなどのコアデータ主体に関するエンタープライズレベルのコーディングルール、属性仕様、メンテナンスプロセスを確立します。
• データ品質ベースライン• 定量的指標(完全性、独特性、一貫性、適時性、正確性)は、データ品質、既存のデータの完全品質スキャン、最も重要な品質パネルの特定、およびガバナンス計画の策定を定義します。

2. データセットの形成および stratification の模倣

データアセットがクリアされた後にデータ媒体をビルドするテクニカルスケルトンがセットアップされます。

• データセットレイヤー(ODS): 業務システムから、CCDC(データキャプチャの変更)、ETL/ELTコンジット、API をリアルタイムでデータ媒体に統合。全生データパターンを保ち、加工を解除し、データのトレーサビリティを確保します。
• データリポジトリレベル(DW): キンボール寸法モデリングやDataVault方法論を使用して、クリーンで標準化し、未加工データへのリンクをリンクし、分析的に指向のテーマドメインモデルの構築 - セールステーマ、調達トピック、在庫トピック、財務トピック、人間の主題など。 このレイヤーは「信頼できるデータの単一のソース」です。
• データセット(DM): 特定のビジネスシナリオ(管理のコックピット、販売の漏斗の分析、サプライチェーンのパフォーマンス分析、顧客イメージ)のために、前集計の広範囲シートおよび表示表示表示ビューを構成し、ビジネス パーティが最低のSQLの複雑さで必要な分析を得るために可能にします。
• インジケータキャリブレーション管理: エンタープライズ指標の辞書を作成します。各指標(例えば、GMV、Māori、株式の売上高日、顧客の保持率)には、単一の名前、校正、データソース、および責任ある人物があります。いかなる声明で引用すると、インデックスは指標の辞書から取られ、すべての「不特定番号」の問題を排除します。

3. セルフヘルプ分析とデータサービス

データセンターの値は、「必要な人にデータにアクセスできるようにする」に最終的に反映されます。

• セルフヘルプBIプラットフォーム: オペレータは、BIツール(例:メタベース、スーパーセット、またはパワーBI)をドラッグアンドトラックでドラッグアンドトラックでのデータセット市区町村レベルに直接接続し、SQLを記述するIT介入なしに、自己生成されたレポートとパネルを作成します。 ITチームは、「データプラットフォームキャリア」に移行しました。
• データ API サービス: REST API によるミドルチャネルにおけるデータ資産の外部暴露は、フロントエンドアプリケーション、モバイルエンド、小規模なプログラム消費量です。例えば、CRM システムでは、ローカルで期限切れの顧客コピーを維持するのではなく、リアルタイムで 360 の画像データを検索できます。
• データ血液と衝撃解析: ソーステーブルから各レポートの最後に、全データフローパス(bloodline)を録音します。テーブルのフィールドが上流に変化すると、すべての下流依存関係当事者が自動的に通知され、「誰がそれを使用していないかを知ることなく上流旅行」を回避します。

主要な技術的な部品

配送可能

意図した値のオリエンテーション

• 1つの数字、1つのキャリブラー。コアエンタープライズパフォーマンスインジケータの定義、ソース、計算ロジックは、中央段階に集中管理され、管理がどのレポートでも確認でき、どの画面でも同じデータから派生しているかがわかります。
• 「T+7」から「T+0」まで: 業務データ更新サイクルは、週/月から1時間または分まで手動で集計し、自動同期化し、意思決定者が問題の日にデータ信号を閲覧・応答することができます。
• IT生産性のリリース: セルフヘルプBIによって、日々のテイクアウトニーズの80%を達成し、ITチームはデータプラットフォームの構築と、作業注文数を取らないというよりデータ品質の向上に重点を置いています。
• AI のデータベースを設定します。: 高品質で、よく管理されたビジネスデータがAIの実装の前提条件です。データ媒体が完成したら、AIのRAGのナレッジベースビルドとモデルのトレーニングは、直接クリーンなデータソースに接続し、AIプロジェクトへのリードアップサイクルを大幅に削減できます。