数据治理这个词太大,容易做成运动。真正有效的起步方式很小:先治一个指标,跑通闭环,再复制。
第一步做什么?
选一个指标。要求三条:业务关心、口径有分歧、数据能拿到。
第二条最关键。没有分歧的指标,治了也没人感受到价值。
为什么从分歧入手?
因为分歧是痛点的信号。同一个活跃用户数,市场部算一个数,财务算另一个数,会上吵起来,这就是最好的切入点。
解决一个吵了很久的问题,治理才有说服力。
第二步做什么?
定口径。写清楚:定义、计算方式、数据来源、更新频率、责任人。
五项都要写,缺一项后面还会吵。
口径文档给谁看?
三个角色。业务方确认含义。技术方确认可实现。管理层确认可用。
三方签字,口径才算定。
第三步做什么?
建校验。每天比对一次,差异超过阈值就告警。
没有校验,口径定了也会慢慢漂。
第四步做什么?
推广。把这套方法复制到第二、第三个指标。
复制时要模板化,别每次重来。
治理要配什么组织?
一个虚拟小组即可。业务、数据、技术各一人,加一个能拍板的负责人。
不要一上来就建大部门,人越多推进越慢。
怎么衡量治理效果?
三个指标。口径争议次数、数据差异率、报表返工率。
第一个下降,说明共识在形成;第三个下降,说明数据可信了。
有哪些常见失败?
四个。第一,先买工具后定标准。第二,只治技术不治口径。第三,一次性治理全部指标。第四,没有责任人。
第三个最常见。铺太宽,每个都做一半。
和 AI 项目什么关系?
AI 项目的效果上限,由数据质量决定。数据乱,模型再强也只能给出看起来合理的错误答案。
所以数据治理不是前置任务,是基础设施。
这篇的核心结论是什么?
数据治理的起点不是平台,是一个吵不清的指标。把它治清,方法就有了。
还有哪些需要留意的点?
治理周期按季度规划。第一个指标通常要一个月,后面会快一些。
去论坛讨论
前往 ziyuanagi.com 论坛 参与讨论