Kurumsal Veri Merkezi ve Data Governance: From Data Solo to Data Asset

Arka plan: "İş Verileri"

Son on yılda Çin, işletmeler için bilgi teknolojisi geliştirilmesinde büyük adımlar atmıştır - ERP hesabı, CRM, WMS, OA ve büyük ve küçük işletme sistemleri her bir işletme alanını kapsamaktadır.Daha fazla sistem var, daha fazla veri var, küresel görüş yönetimi daha belirsiz.。

Tipik semptomlar: Finans sektörü tarafından ERP'den ihraç edilen gelir rakamları, CRM istatistiklerinden gelen para miktarıyla eşlemez; tedarik zinciri takımları için borsada gerçek giriş ve giriş verileriyle eşleşmez; CEO, "geçmiş 12 ay boyunca ürün hatlarında Māori oranlarının trendi" görmek istiyor ve IT ekiplerinin üç bölümü koordine etmesi gerekir, beş ifadeyi çalıştırmadan önce, ve manuel olarak konsolidize etmek için beş rakam.

Bu verilerle bir sorun değil. Bir problem.İş sistemlerinde "koastal", harmoniz tanımları, standartları ve erişim noktalarının yok edilmesi.Burada açıklanan sahneler, çok sistemli verilerle izole edilmiş işletmeler içindir, rapor kalibrasyonları çelişkili ve analiz verimsiz olarak analiz edilir.ZhiHua TechVeri orta istasyon inşaatı ve veri yönetimi metodolojisi belirli müşteriler için verilerin açıklanmasını temsil etmiyor.

Tipik operasyonel zorluklar

1. Veriler birden çok sistem dağıtıldı, küresel birleşik görüş eksik

• ERP finansal kuponları kontrol ediyor, CRM müşteri işini kontrol ediyor, WMS, üç sistemin veri modelini diğerlerinden bağımsız olarak, farklı kodlar, özellikler ve durum tanımları ile ilgili sistemlerde "ürün" ve "ifa" kontrol ediyor.
• Yönetim "Müşteri 360" görmek istiyor - hangi ürünler, işlem tarihi, şikayet kayıtları, geri dönüşler - en az üç sistemden verileri manuel olarak çekmeli ve sonra onları bir araya getirmeli ve süreç zaman alır ve sonuçlar hataya eğilimlidir.
• Her işletme Excel ifadelerini ve veritabanı sorgularını ayrı tutar ve aynı gösterge (örneğin, "aylı satış" beş kişinin bilgisayarlarında beş farklı figüre sahip olabilir.

2. Veri kalitesi eşitsizdir ve analiz güvenilirlik düşük

• Malzeme master verileri "bir boyutta birden": Aynı tedarikçinin aynı vidası, ERP'de bir set olan WMS'de başka bir set ve R & D BOM'de üçüncü set. Bu, envanter sayar, tedarik uzlaşmaları ve maliyet muhasebesi için sık hatalar yapar.
• Tekrarlanan ve çatışma müşteri verileri: Birden fazla kayıt (aynı müşteri için aynı müşteri CRM'deki aynı müşteriden farklı isimler ve farklı iletişim detayları) aynı müşteriye üç kez aynı mesaj gönderebilir.
• Veri eksik ve anormal değerler: Anahtar alanlar (örneğin, sözleşme miktarları, teslimat tarihleri) boş veya açık anormal (bugün 1970'-01), ancak otomatik kalite tespiti ve onarım mekanizması yoktur ve analitik raporlar için kirli veri akışı yoktur.

Data analysis, manuel ve kötü karar verme zamanında- çerçeveli

• İş analizleri, üç hafta önce kuzenlere güveniyor. Yetkin partiler fiyat stratejilerini gerçek zamanlı verilere ayarlıyor ve sonuçları bekliyorlar.
• İş bir keşif sorusu sorduğunda – “Son üç ayda yeni müşteriler geri ödeme oranı nedir?” – veri analistleri SQL, calibrate ve sonuçlar üretirler.
• Kendi kendine yardım analizi kapasitesi eksikliği: Operatörler kendilerini açıklayıcı analiz için verileri sürükler ve tüm veriler BT sektöründe ' s çalışma listesinde sıralanır, tipik veriler "bottleneck etkisi" yaratır.

ZhiHua Tech Data Media Construction Methodological

Data varlık envanteri ve master Data Governance

Veri merkezi inşa etmek için ilk adım teknik seçim değil, teknik seçim.Verilerin ne olduğunu öğrenin, nerede dağıtılırlar, onu kullananlar ve hangi kaliteler olduklarını.. ZhiHua Tech, veri varlık envanter atölyesi aracılığıyla, işletmedeki iş birimleriyle çalışır:

• Global Data Asset DirectoryVeri sayfalarını, veri alanlarını, tüm iş sistemleri için veri güncelleme frekansı ve verileri birleştirin ve Sahibi, kurumsal düzeyde veri haritalarını oluşturmak için.Bu adım, verilerin nerede olduğu sorusunu ele alır.
• Ana veri standardizasyonMalzemeleri, müşteriler, tedarikçiler, örgütler, hesaplar gibi temel veri varlıkları hakkında kurumsal düzeyde kodlama kuralları, özellikleri ve bakım süreçleri oluşturun.
• Data Quality baseline• Quantitative göstergeler (tamlık, benzersizlik, tutarlılık, zaman çizelgesi, doğruluk) veri kalitesini tanımlar, mevcut verilerin tam kaliteli tarama, en kritik kalite panellerinin ve yönetim planlarının geliştirilmesi.

2. Dataset formasyon ve stratification modelleme

Veri ortamı inşa eden teknik iskeletler veri varlıklarının açık olduğundan oluşur:

• Dataset Katman (ODS): İş sistemlerinden orijinal verileri CCDC (değişim verileri yakalama) aracılığıyla gerçek zamanlı olarak algılamak, ETL/ELT conduit ve API. tam ham veri modelini, işlenmemiş ve veri izlenebilirliğini sağlamak.
• Data Repository Level (DW): Kimball boyut modelleme veya DataVault metodolojisini kullanarak, temiz, standartlaştırılan, ham verileri ilişkilendirir ve analitik olarak tematik alan modellerini - satış temaları, tedarik konuları, envanter konuları, finansal konular, insan konuları vb. Bu katman "bir tek güvenilir veri kaynağı"dır.
• Datasets (DM)Belirli iş senaryoları için (yöne kokpit, satış eğlence analizi, tedarik zinciri performans analizi, müşteri imajı), önceden belirlenmiş bir tablo ve gösterge görünümünü inşa etmek, iş taraflarına gerekli analizi minimum SQL karmaşıklığı elde etmek için izin vermek.
• Gösterge kalibrasyon yönetimi• İşletme göstergelerini bir sözlüğü oluşturun - her gösterge (örneğin, GMV, Māori, hisse senedi günlerini, müşteri tutma oranları) tek bir isim, kalibrasyon, veri kaynağı ve sorumlu kişi. herhangi bir açıklamada alıntılandığında, indeksleme "gösterilen sayıların" problemini ortadan kaldırır.

3. Self-help analizi ve veri hizmetleri

Veri merkezinin değeri nihayetinde "buna ihtiyaç duyanlara erişilebilir veriler" yansıtılıyor:

• Kendi kendine yardım BI PlatformOperatörler doğrudan veri kümesi belediye seviyesine sürüklenerek bağlanırlar - ve-BI araçları (örneğin Metabase, Superset veya Power BI), SQL'in yazılarındaki kişiselleştirilmiş raporları ve panelleri oluşturun. IT ekibi "data picker"den "data platformunu" geçiş yaptı.
• Data API Service: Orta kanaldaki veri varlıklarının dış görünüşü, REST API aracılığıyla ön uç uygulamalar, mobil son ve küçük program tüketimi için. Örneğin, CRM sistemi müşteri 360 görüntü verilerini gerçek zamanlı olarak aramayı mümkün kılar, çünkü yerel olarak sona erebilecek bir müşteri kopyasını korumaktan daha.
• Data Blood and impact analysis: Tüm veri akışı yolunu (kanline) her raporun sonuna kadar kaydetmek.Bir masa alanı genişletildiğinde, tüm alt uç bağımlı partiler otomatik olarak bilgilendirilir, onu kimin kullandığı bilmeden "upstream gezisinden kaçınır"

Anahtar teknik bileşenler

Teslimatlar

Intended value Orient

• Bir numara, bir kalibre.Temel kurumsal performans göstergesinin tanımı, kaynağı ve hesaplama mantığı orta aşamada merkezi olarak yönetiliyor ve yönetimin herhangi bir rapor üzerinde gördüğü rakamlar ve herhangi bir ekranda aynı verilerden elde ediliyor.
• "T+7"den "T+0"'a kadar.İş verileri güncelleme döngüsü, hafta/aydan saat veya dakikalar ile otomatik olarak senkronize edilir ve karar vericiler sorunun gününde veri sinyallerine cevap verebilir.
• Salı günü IT üretkenliğiOperasyonlar günlük kullanım ihtiyaçlarının% 80'ini kendi kendine yardım BI tarafından gerçekleştirir ve IT ekibi veri platformlarını inşa etmeye ve veri kalitesini bir dizi iş siparişi almaktan ziyade geliştirmeye odaklanır.
• AI için veri tabanını ayarlayın.Yüksek kaliteli, iyi yönetilen iş verileri AI uygulamaları için ön koşullardır. Veriler tamamlandığında, AI'nin RAG bilgi tabanı inşa ve model eğitimi doğrudan doğruya doğru olarak AI projeleri için liderlik döngüsü azaltılabilir.