Kantor Pusat Data dan Data Perusahaan: Dari Data Solo hingga Aset Data

Latar Belakang: "Fat Data Bisnis"

Selama dekade terakhir, Cina telah membuat langkah besar dalam pengembangan teknologi informasi untuk perusahaannya - akun ERP, CRM, WMS, WMS, WMS, OA, dan sistem bisnis besar dan kecil meliputi satu area bisnis masing-masing.Semakin banyak sistem yang ada, semakin banyak data yang ada, semakin samar pandangan global manajemen dapat melihat.。

Gejala khas: Angka revenue yang diekspor dari ERP oleh sektor keuangan tidak dipadankan dengan jumlah uang yang ditandatangani dari statistik CRM; angka lowongan saham untuk tim rantai pasokan tidak cocok dengan login aktual dan data login gudang WMS; CEO ingin melihat " tren tarif Māori melintasi jalur produk selama 12 bulan terakhir" dan tim IT perlu mengkoordinasikan tiga departemen, menjalankan lima pernyataan, dan konsolidasi secara manual sebelum memberikan angka yang mungkin".

Tak masalah dengan data, itu masalah.Data yang tersebar di sistem bisnis "coastal", kurang selaraskan definisi, standar dan titik aksesAdegan yang digambarkan di sini adalah untuk bisnis dengan data multisistem terisolasi, laporan kalibrasi tidak konsisten dan analisis tidak efisien.ZhiHua TechMetodologi konstruksi dan tata kelola data pertengahan dan data yang dikontrol tidak mewakili pengungkapan data untuk klien tertentu.

Tantangan operasional khas

Data tersebar sistem ganda, global terpadu pandangan hilang

• ERP mengontrol voucher keuangan, CRM mengendalikan bisnis pelanggan, WMS mengendalikan aliran air dari stok - model data dari tiga sistem tersebut independen satu sama lain, dengan kode, atribut dan definisi status yang berbeda untuk "klien", produk" dan "order" dalam sistem masing-masing.
• Management wants to see "Customer 360" — which products, transaction history, complaint records, returns — it needs to pull data manually from at least three systems and then collide them together, and the process takes time and results are prone to error.
• Setiap bisnis mempertahankan pernyataan Excel dan pertanyaan basis datanya secara terpisah, dan indikator yang sama (mis., "bulanan penjualan") mungkin memiliki lima angka yang berbeda pada komputer lima orang.

Kualitas data tidak merata dan analisis rendah kredibilitas

• Data master material "satu ukuran multiple": sekrup yang sama dari pemasok yang sama, yaitu seperangkat kode dalam ERP, satu set lain dalam WMS, dan yang ketiga ditetapkan dalam R & D BOM. Hal ini menyebabkan kesalahan yang sering terjadi dalam penghitungan inventaris, rekonsiliasi akuisisi dan akuntansi biaya.
• Data klien yang berulang dan bertentangan: beberapa catatan (sedikit nama yang berbeda dan rincian kontak yang berbeda) pelanggan yang sama di CRM untuk alasan sejarah, penjualan tidak jelas tentang mana yang versi terbaru dan pemasaran mungkin mengirim pesan teks yang sama tiga kali ke pelanggan yang sama.
• Data yang hilang dan nilai abnormal: Bidang kunci (mis. jumlah kontrak, tanggal pengiriman) kosong atau jelas tidak normal (tanggal 1970-01-01), tetapi tidak ada deteksi kualitas otomatis dan mekanisme perbaikan, dan aliran data kotor ke laporan analitis.

Analisis data alisalis mengandalkan manual dan pengambilan keputusan yang buruk time-frame

• Analisis bisnis alisalisalis mengandalkan teka-teki Excel sepupu dalam semalam, yang tiga minggu lalu. pihak-pihak yang bersaing telah menyesuaikan strategi mereka untuk real-time data, dan menunggu hasil.
• Saat bisnis bertanya pertanyaan yang eksploratif – \"Apa nilai pembelian kembali klien baru dalam tiga bulan terakhir?\" – analis data mengambil waktu setengah hari untuk menulis SQL, kalibrasi, dan hasilkan.
• Kekurangan kemampuan analisis bantuan-sendiri: Operator tidak dapat menyeret data untuk analisis eksplorasi sendiri, dan semua kebutuhan data dibarisan dalam daftar kerja sektor IT ' s, membuat data khas "bottleneck efek".

Metologi Pembinaan Media Data ZhiHua Tech

Aset data aset dan master pemerintahan data

Langkah pertama pembuatan pusat data bukanlah pemilihan teknis, melainkan pemilihan teknis.Cari tahu datanya, di mana mereka didistribusikan, siapa yang menggunakannya, dan apa kualitasnya.ZhiHua Tech, melalui lokakarya inventori aset data, bekerja dengan unit bisnis di perusahaan untuk:

• Direktori Aset Data Watafel GlobalMenggabungkan lembaran data, bidang data, frekuensi dan data update data untuk semua sistem bisnis, dan Pemilik, untuk membentuk peta data tingkat enterprise. langkah ini alamat pertanyaan di mana data berada.
• Standarisasi data utama morfKeabsahan aturan kode enterprise-level, spesifikasi atribut dan proses pemeliharaan di sekitar entitas data inti seperti material, pelanggan, pemasok, organisasi, akun.
• baseline berkualitas data line• Penunjukan kuantitatif (kelengkapan, keunikan, konsistensi, garis waktu, ketepatan) mendefinisikan kualitas data, pemindaian kualitas penuh data yang ada, identifikasi panel kualitas paling kritis dan pengembangan rencana tata pemerintahan.

2.Pemodelan pembentukan dan stratifikasi Dataset 2.

Rangka teknis yang membangun medium data diatur setelah aset data jelas:

• Lapisan Datase Lapisan (ODS)): Menyelaraskan data asli dari sistem bisnis ke dalam medium data dalam waktu dekat secara real melalui CCDC (perubahan tangkapan data), saluran ETL/ELT dan API. Menjaga pola data mentah penuh, tidak diproses, dan memastikan kebolehlacak data.
• Aras Repositori Data (DW): menggunakan modelling dimensi Kimball atau metodologi DataVault, yang bersih, standardisasi, link data mentah dan konstruksi berorientasi analitis model domain - tema penjualan, topik akuisisi, topik inventaris, topik keuangan, subjek manusia, dll Lapisan ini adalah "sumber tunggal data kredibel".
• Datasets (DM)Untuk skenario bisnis tertentu (management cockpit, analisis corong penjualan, analisis kinerja rantai pasokan, image pelanggan), membangun tampilan lembar lebar dan indikator pra-agregatasi, memungkinkan pihak bisnis untuk mendapatkan analisis yang diperlukan pada kompleksitas SQL minimum.
• Indicator calibration management:Menciptakan kamus indikator enterprise – setiap indikator (misalnya, GMV, Māori, hari pergantian saham, tarif retensi pelanggan) memiliki nama tunggal, kalibrasi, sumber data, dan orang yang bertanggung jawab.Ketika dikutip dalam pernyataan apapun, indeks diambil dari kamus indikator, menghilangkan masalah "jumlah yang tidak ditentukan" pada semua.

3. Analisis dan layanan data bantuan diri sendiri

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

• Peron BI Bantuan Diri¡: Operator terhubung langsung ke tingkat municipal dataset dengan drag-and-truffing alat BI (mis. Metabase, Superset atau Power BI), membuat laporan dan panel yang dihasilkan sendiri tanpa intervensi IT dalam menulis SQL. Tim IT transisi dari "data picker" ke "data platform carrier".
• Layanan Data API:Pendedahan eksternal aset data di saluran tengah melalui REST API untuk aplikasi depan-akhir, mobile end dan konsumsi program kecil. Sebagai contoh, sistem CRM dapat mencari data gambar pelanggan 360 secara real time, daripada mempertahankan salinan pelanggan yang mungkin kadaluarsa secara lokal.
• Analisis data dan dampak darahRekam jalur aliran data penuh (garis darah) dari tabel sumber hingga akhir setiap laporan. Ketika sebuah bidang tabel diubah ke hulu, semua pihak dependen hilir secara otomatis diberitahu, menghindari perjalanan "naik tanpa mengetahui siapa yang menggunakannya"

Komponen teknis kunci

Deliverables

Orientasi nilai yang diinginkan

• Satu nomor, satu kaliber.Definisi, sumber dan logika perhitungan indikator kinerja core enterprise dikelola secara terpusat di tahap tengah, dan angka-angka yang dilihat manajemen pada laporan apapun dan pada layar apapun berasal dari data yang sama.
• Dari "T+7" ke "T+0.":Operasi pembaruan data bisnis secara manual dirangkum dari minggu/bulan ke jam atau menit untuk secara otomatis disinkronisasi, dan pembuat keputusan dapat melihat dan merespon sinyal data pada hari masalah.
• Produktivitas IT ReleaseOperasi mencapai 80% kebutuhan pengambilan-keluar harian mereka dengan pertolongan diri BI, dan tim IT berfokus pada membangun platform data dan meningkatkan kualitas data daripada bosan mengambil sejumlah perintah kerja.
• Dia menetapkan basis data untuk AI.:Kekualitas tinggi, data bisnis yang dikelola dengan baik merupakan prasyarat untuk implementasi AI. Setelah medium data selesai, AI RAG pengetahuan dasar membangun dan pelatihan model dapat langsung terhubung ke sumber data bersih, secara signifikan mengurangi siklus lead-up untuk proyek AI.