数据管理成熟度诊断

业务现状调研

• 调研目的

  一般情况下，数据管理实施专业服务开展工作的第一步都是从调研开始的。考虑到数据使能方案往往需要拉通业务与IT，因此调研工作需要并行向业务和数据开展。本章节先讲解业务调研。

  业务调研的目的在于深入了解客户的核心业务流程、需求、挑战和目标，以某零售行业客户为例，具体的调研目标可能包括以下几个方面：

  1. 分析客户的核心业务流程和组织结构，理解客户的业务模式。
  2. 识别业务中的关键挑战和机会，为业务优化提供方向。
  3. 明确业务目标和战略方向，为业务增长提供支持。
• 调研方式

  业务调研的方式涵盖访谈交流、现场观察、市场分析和竞争对手研究等多种方法，用以深入了解客户的业务现状。以某零售行业客户为例，具体内容可能包括：

  1. 访谈交流： 通过有针对性的沟通了解业务现状，调研对象分为：

     管理层人员：深入了解客户企业战略和发展方向，理解客户在当前市场中的定位和竞争态势，了解客户的组织结构与管理流程等。

     业务侧人员：调研客户日常业务的流程和效率，了解客户业务当前的需求，以及周边对客户产品或服务的满意度。

  2. 实地考察：实地考察参观客户的零售门店或工厂，观察实际运营流程。与不同岗位的人员深入交流，了解各方面的核心诉求。
  3. 市场分析：通过市场报告、行业分析等方式，了解客户相关的市场趋势、竞争态势；分析主要竞争对手的业务模式和战略，评估客户在市场中的地位。
  4. 集体研讨：包括调研会议、赋能会议、联合周例会等，确保多方面的信息汇聚达成一致。

数据现状调研

• 调研目的

  除了对客户进行业务调研外，数据管理实施专业服务在前期还需要进行数据调研，目的在于了解客户当前数据的质量、一致性、可信度和可用性。以某零售行业客户为例，具体的调研目标可能包括以下几个方面：

  1. 了解客户整体数据资产及其关系：通过调研，可以深入探究客户不同业务系统间的数据资产，并揭示数据之间的相关性和相互影响。
  2. 识别并改进数据质量问题：调研过程能够识别客户的数据质量问题，包括数据准确性、完整性、时效性等，并针对这些问题提出具体的改进措施。
  3. 评估数据治理成熟度：通过对组织的数据治理能力进行深入评估，确保公司的数据管理能力符合不断复杂化和快速变化的市场需求，以及相关的法律法规要求。
  4. 明确数据治理的目标与策略：通过数据调研，帮助确定客户的数据治理目标和策略，涵盖数据采集、处理、存储、分析等各个方面的具体需求和目标。
• 调研方式

  数据调研的方式涵盖访谈交流、数据探查、实地考察、集体研讨等多种方法，用以深入了解客户的数据现状。以某零售行业客户为例，数据调研的具体内容包括：

  1. 访谈交流： 通过有针对性的沟通了解数据现状，调研对象分为：

     研发侧人员：深入了解整体数据体系、主数据、数据性能、数据质量和数据标准现状，收集相关数据问题。

     业务侧人员：与运营和门店店主沟通，以理解业务对数据的需求，并提出针对性建议。

  2. 数据探查：包括数据血缘和数据质量探查，涉及系统间调用、作业依赖、存储过程依赖、数据表关系、代码字段、数据一致性、数据完整性和数据准确性等方面的分析。
  3. 实地考察：实地考察客户总部办公大楼和门店，与不同岗位的人员深入交流，了解各方面的核心诉求。
  4. 集体研讨：包括调研会议、赋能会议、联合周例会等，确保项目的协同和效率。

  整体调研不仅需要借鉴华为的数据治理实践经验，同时也要参考国内外广泛应用的管理体系，旨在为深入理解客户的数据现状和解决存在的问题提供坚实的支持。这样全面而系统的调研方法确保了项目的专业性和实用性，对客户的持续发展具有积极推动作用。

源系统数据库表盘点

在数据现状调研过程中，需要对源系统数据库表进行盘点，来实现以下几个目的：

1. 了解客户的数据资产。通过盘点清楚地知道客户拥有哪些数据库、表、字段等数据资产，以便为客户提供相关的数据服务。
2. 分析数据资产的状态。通过分析源端系统库表的结构、属性、关系等，可以了解数据资产的完整性、一致性等状态，有利于后续的数据整合和应用。
3. 识别数据重合和冗余。通过比较不同源端系统库表之间的结构和内容，可以识别出数据重合和冗余的情况，为后续的数据整合提供依据。
4. 评估数据质量。通过对源端系统库表的内容和结构进行审查，可以初步评估数据的质量，识别缺失和错误的数据。
5. 确定数据整合和迁移方案。了解源端系统库表的情况，可以帮助确定最佳的数据库整合和数据迁移方案，以实现数据的同源共享。
6. 为数据应用提供依据。了解源端系统库表的详细情况，可以为后续的数据分析和应用提供依据，帮助构建有效的数据模型和架构。

在盘点动作执行前，需要客户提供所要盘点的数据库IP地址、数据库端口号、数据库名称以及至少有源库表和视图只读权限的账号。

对源系统盘点的方法有很多，例如Haydn平台交付中心的探源功能，可以通过配置相应的探源规则，对待集成的源端系统数据进行探源，方便用户快速获取到要进行数据实施的源系统数据结构，且支持基于探源结果生成入湖清单。

数据管理成熟度评估

数据管理成熟度评估是一种基于能力成熟度模型框架的能力提升方案，描述了数据管理能力初始状态发展到最优化的过程。成数据管理成熟度模型通过描述各阶段能力特点来定义成熟度的级别。当一个组织满足某阶段能力特征时，就可以评估其成熟度等级，并制订一个提高能力的计划。它还可以帮助组织在等级评估的指导下进行改进，与竞争对手或合作伙伴进行比较。在每一个新等级，能力评估会变得更加一致、可预测和可靠。

数据管理成熟度评估将组织内部数据能力划分为数据政策与流程、数据组织、数据标准、数据架构、数据应用、数据质量、主数据、元数据管理、数据安全等9大能力域。每个能力域下面又分为不同的子能力域，共计28个子能力域；每个评估细项按照5个等级模型进行评估，综合平均后计算出整体数据管理成熟度。数据管理成熟度评估成熟度评估等级如下：

图2 评估等级

数据管理成熟度评估对企业有巨大的意义：

• 准确把握现状：通过数据管理成熟度评估对组织数据管理的现状进行全面分析，总结当前数据管理工作的优势和劣势
• 明确建设方向：通过数据管理成熟度评估明确数据治理的薄弱项以及和业界标杆的差距，结合企业数字化发展需求，识别亟待完善的数据管理能力，明确数据管理工作的建设方向
• 持续提升管理水平：将评估结果纳入企业数字化转型考核评价体系，定期对组织及其下属单位进行评价考核，实现数据管理能力持续提升