Centrum danych korporacyjnych i zarządzanie danymi: od Solo danych do aktywów danych

Tło: "Tłuszcz danych biznesowych"

W ciągu ostatniej dekady Chiny poczyniły wielkie postępy w rozwoju technologii informatycznych dla swoich przedsiębiorstw - konta ERP, CRM, WMS, WMS, OA, a duże i małe systemy biznesowe obejmują każdy obszar działalności.Im więcej systemów, tym więcej danych, tym bardziej niejasne jest zarządzanie poglądami na świecie.。

Typowe objawy: Dane dotyczące przychodów wywożone z ERP przez sektor finansowy nie są dopasowane do ilości podpisanych pieniędzy ze statystyk CRM; dni obrotowe dla zespołów łańcucha dostaw nie odpowiadają rzeczywistym danym logowania i logowania magazynu WMS; CEO chce zobaczyć "trend Māori stawek w liniach produktów w ciągu ostatnich 12 miesięcy" i zespoły IT muszą koordynować trzy działy, wykonać pięć oświadczeń i ręcznie konsolidować przed podaniem "przypuszczalnie możliwe" dane.

To nie problem z danymi, tylko problem.Dane rozproszone po systemach biznesowych "przybrzeżnych", brak zharmonizowanych definicji, norm i punktów dostępuSceny opisane tutaj są dla firm z multisystemowe dane izolowane, raportuj kalibracje niekonsekwentnie i analizy nieefektywne.ZhiHua TechMetodologia budowy i zarządzania danymi na stanowiskach danych nie obejmuje ujawniania danych dla konkretnych klientów.

Typowe wyzwania operacyjne

1. Dane rozproszone wiele systemów, brak globalnego jednolitego widoku

• ERP kontroluje bony finansowe, CRM kontroluje działalność klientów, WMS kontroluje przepływ wody ze zapasów - model danych trzech systemów jest niezależny od siebie, z różnymi kodami, atrybutami i definicjami statusu dla tego samego "klienta", "produktu" i "zamówienia" w swoich systemach.
• Kierownictwo chce zobaczyć "Klienta 360" - które produkty, historia transakcji, skargi, rejestry, zwroty - musi ręcznie pobierać dane z co najmniej trzech systemów, a następnie zderzyć je razem, a proces wymaga czasu i wyniki są podatne na błędy.
• Każdy biznes utrzymuje swoje Excel i bazy danych zapytania oddzielnie, a ten sam wskaźnik (np. "miesięczna sprzedaż") może mieć pięć różnych danych na komputerze pięciu osób.

2. Jakość danych jest nierówna, a analiza jest niska w wiarygodności

• Materialne dane master "jeden rozmiar wielokrotny": Ta sama śruba tego samego dostawcy, który jest zestawem kodów w ERP, inny zestaw w WMS, a trzeci zestaw w BOM R & D. Prowadzi to do częstych błędów w liczeniu zapasów, uzgadniania zamówień i księgowania kosztów.
• Wielokrotne i sprzeczne dane klientów: wiele rekordów (nieco różne nazwy i inne dane kontaktowe) tego samego klienta w CRM z przyczyn historycznych, sprzedaży nie są jasne, co jest najnowszą wersją i marketing może wysłać ten sam SMS-a trzy razy do tego samego klienta.
• Brak danych i wartości nietypowe: Kluczowe pola (np. kwoty kontraktu, daty dostawy) są puste lub wyraźnie nieprawidłowe (data 1970- 01- 01), ale nie ma automatycznego mechanizmu wykrywania i naprawy jakości, a brudny przepływ danych do raportów analitycznych.

Analiza danych opiera się na manualnej i słabej strukturze czasu podejmowania decyzji

• Analizy biznesowe opierają się na zagadkach kuzynów Excel z dnia na dzień, które są trzy tygodnie temu. Strony konkurujące dostosowały swoje strategie cenowe do real- time danych, i czekają na wyniki.
• Kiedy firma zadaje pytanie rozpoznawcze - "Jaka jest stopa odkupu nowych klientów w ciągu ostatnich trzech miesięcy?" - analitycy danych zajmują pół dnia, aby napisać SQL, kalibracji i wyników. Kiedy otrzymują odpowiedź, uwaga biznesu może się zmienić.
• Brak możliwości analizy pomocy własnej: Operatorzy nie mogą sami przeciągnąć danych do analizy rozpoznawczej, a wszystkie potrzeby w zakresie danych są w kolejce do listy roboczej sektora IT, co tworzy typowe dane "efekt wąskiego gardła".

ZhiHua Tech Dane Media Budowa Metodologia

Wykaz aktywów i zarządzanie danymi podstawowymi

Pierwszym krokiem w budowie centrum danych nie jest wybór techniczny, ale raczej techniczny.Dowiedz się, jakie są dane, gdzie są rozpowszechniane, kto ich używa i jaka jest ich jakość.ZhiHua Tech, poprzez warsztat inwentaryzacji aktywów danych, współpracuje z jednostkami biznesowymi w przedsiębiorstwie do:

• Katalog globalnych aktywów danych: Łączenie arkuszy danych, pól danych, częstotliwości aktualizacji danych i danych dla wszystkich systemów biznesowych, oraz Właściciel, do tworzenia map danych na poziomie przedsiębiorstw. Ten krok dotyczy kwestii, gdzie dane są.
• Główna standaryzacja danychUstanawia zasady kodowania na poziomie przedsiębiorstw, przypisuje specyfikacje i procesy utrzymania wokół podstawowych podmiotów danych, takich jak materiały, klienci, dostawcy, organizacje, rachunki.
• Baza danych o jakości• Wskaźniki ilościowe (kompletność, wyjątkowość, spójność, terminowość, dokładność) określające jakość danych, pełne badanie jakości istniejących danych, określenie najbardziej krytycznych paneli jakości oraz opracowanie planów zarządzania.

2. Tworzenie i modelowanie danych i stratyfikacji

Po tym, jak aktywa danych są jasne, tworzone są techniczne szkielety, które tworzą nośnik danych:

• Warstwa dataset (ODS): Synchronizuje oryginalne dane z systemów biznesowych do nośnika danych w czasie niedalekim od czasu rzeczywistego poprzez CCDC (przechwytywanie danych zmiany), ETL / ELT i API. Zachować pełny surowy wzór danych, nieprzetworzony i zapewnić identyfikowalność danych.
• Poziom repozytorium danych (DW): przy użyciu modelowania wymiaru Kimball lub metodologii DataVault, która czyści, standaryzuje, łączy surowe dane i konstruuje analitycznie zorientowane modele tematyczne - tematy sprzedaży, tematy zamówień, tematy inwentaryzacji, tematy finansowe, tematy ludzkie itp. Warstwa ta jest "jednym źródłem wiarygodnych danych".
• Dane (DM): W przypadku konkretnych scenariuszy biznesowych (kokpit zarządzania, analiza lejków sprzedaży, analiza wydajności łańcucha dostaw, wizerunek klienta), należy stworzyć arkusz informacyjny i przegląd wskaźników z prezagregowanym, pozwalający podmiotom gospodarczym uzyskać wymaganą analizę przy minimalnej złożoności SQL.
• Zarządzanie kalibracją wskaźników: Stwórz słownik wskaźników przedsiębiorstwa - każdy wskaźnik (np. GMV, Māori, dni obrotu akcjami, wskaźniki retencji klienta) posiada jedną nazwę, kalibrację, źródło danych i osobę odpowiedzialną. Kiedy cytowany w dowolnych oświadczeniach, indeks jest pobierany ze słownika wskaźników, eliminując problem "nieokreślonych liczb" w ogóle.

3. Analizy Self-help i usługi danych

Wartość centrum danych jest ostatecznie odzwierciedlona w "udostępnieniu danych tym, którzy ich potrzebują":

• Self- Help BI Platform: Operatorzy bezpośrednio łączą się z poziomem komunalnym zbioru danych poprzez przeciągnięcie narzędzi BI (np. Metabase, Superset lub Power BI), tworzenie samogenerowanych raportów i paneli bez interwencji IT w piśmie SQL. Zespół IT przeszedł z "zbieracza danych" do "nośnika platformy danych".
• Usługa API: Zewnętrzne narażenie aktywów danych w kanale środkowym poprzez REST API na aplikacje przednie, mobilne i małe zużycie programu. Na przykład, system CRM może szukać danych obrazu 360 klienta w czasie rzeczywistym, zamiast utrzymywać kopię klienta, który może wygasnąć lokalnie.
• Analiza krwi i wpływu danych: Zapis pełnej ścieżki przepływu danych (linia krwi) od tabeli źródłowej do końca każdego raportu. Kiedy pole tabeli zmienia się w górę rzeki, wszystkie strony zależne od dalszych źródeł są automatycznie informowane, unikając "podróży w górę rzeki bez wiedzy, kto jej używa"

Kluczowe elementy techniczne

Realizacja

Docelowa orientacja wartości

• Jeden numer, jeden kaliber.Definicja, źródło i logika obliczeniowa wskaźnika efektywności przedsiębiorstwa podstawowego są zarządzane centralnie w fazie środkowej, a dane, które zarząd widzi na każdym sprawozdaniu i na dowolnym ekranie, pochodzą z tych samych danych.
• Od "T + 7" do "T + 0".: Business data update cycle jest ręcznie agregowane z tygodnia / miesiąca do godziny lub minut do automatycznej synchronizacji, a decydenci mogą zobaczyć i odpowiedzieć na sygnały danych w dniu problemu.
• Wydajność IT: Operacje realizują 80% codziennych potrzeb związanych z wydostaniem się poprzez pomoc BI, a zespół IT skupia się na budowaniu platform danych i poprawie jakości danych, a nie zmęczeniu się przyjmowaniem szeregu zleceń pracy.
• Ustaw bazę danych dla AI.: Wysokiej jakości, dobrze zarządzane dane biznesowe są warunkami wstępnymi dla wdrożenia AI. Po zakończeniu medium danych, AI baza wiedzy RAG i szkolenia modelu może bezpośrednio połączyć się z czystymi źródłami danych, znacznie zmniejszając cykl lead- up dla projektów AI.