​

伴随中国人口红利消失,企业用工成本逐年增长,急需降本增效、产品创新迭代的新方法,“数字化转型 数据治理”成为企业实现数据驱动增长的共同选择。同时,以“数据资产”与“数据安全”为核心的新政策频出,越来越多的企业开始认识到数据价值的重要性,数据治理市场迎来高速发展。加之,《数据安全法》发布、《个人信息保护法》立法通过,无疑给企业数据采集、数据安全、数据开放带来了巨大的挑战,催生了数据治理需求。

对企业来说,数据治理是所有数据应用的基础和根基,它的好坏直接影响数据应用过程中的价值体现。同时,数据治理也是一个组织进行数据资产沉淀的基础,直接决定一个组织的数据资产能否得到有效的沉淀,以及在数据应用过程中能否充分地发挥数据价值。

关注神策数据公众号,回复数字43,即可下载完整版白皮书。

>>报告导读

神策数据《企业数据治理价值解读与场景实践》白皮书今日重磅发布,旨在带领读者系统化地认识数据治理,破解数字化转型中的迷雾,从而最大程度地发挥数据资产的价值。本白皮书主要探析企业数字化转型时进行数据治理的六大痛点,详细拆解面向业务的“螺旋式”数据治理理念及完整能力构成,真实呈现数据治理的典型应用场景,并且通过三大行业的最佳实践洞悉其落地的关键方法和成功路径。在此基础上给出企业开展数据治理的四味良药,助力更多企业走出数据治理困境,加速数字化转型的落地。

>>报告抢先看

神策数据认为,数据治理广义上包含所有数据事项决策,狭义上包含数据采集、存储、质量、管理、应用等关键流程。接下来选取本白皮书中数据治理的五大典型应用场景,带领大家一览数据治理在企业数字化转型中的落地实践,深入实际业务场景,快速了解数据治理的应用与价值。

1.全域数据采集:企业进行精细化运营的前提

数据采集是数据应用的源头,是企业进行精细化运营的基础和前提。对企业来说,一套标准化、规范化的数据采集方案很有必要,通过数据采集 SDK、预置系统/数据对接、电商/三方平台 API、定制开发且集成进行全域的数据接入,从而打通各渠道数据,构建全域数据基础。

典型场景

品牌零售企业的整个消费者生命旅程主要分为知晓品牌、产生兴趣、首购体验、持续复购、分享裂变几个阶段,每个阶段消费者与品牌的数据交互与触点分布如下图所示。

以某餐饮品牌为例,其各渠道数据包括门店 POS 订单数据、CRM 系统中存储的会员数据、积分数据、优惠券数据、堂食与外卖小程序行为数据等,该品牌的运营人员需要看到全渠道的会员相关数据,就需要对不同渠道设计针对性的采集方案,例如门店订单数据、CRM 数据通过 API 导入统一数据平台,小程序等私域触点的用户行为数据通过 SDK 完成实时采集,通过对这些渠道数据进行采集与治理,共处理 4 亿多条数据,最终实现全渠道会员数据集中管理查看。

2.全域 One ID 打通:ID-Mapping 构建统一用户体系,获取真实画像

企业业务侧往往存在多个终端,由于终端用户所在渠道不一致,导致用户数据的标识也不一致,无法实现数据 One ID 化。比如有的渠道只能获取设备 ID,有的渠道只能获取虚拟用户名等,从而无法打通用户数据在全域上的身份标识,并获取用户在企业所有的交互数据。由此可见,企业数据治理中全域数据 One ID 体系设计对企业的用户精细化运营、CDP 构建等都至关重要。神策数据治理方案通过实时一对多的 ID-Mapping,构建全局统一的用户体系,打通用户在各端、各场景下的用户数据,获取用户真实画像,从而为后续的精准营销和精细化运营打下基础。

典型场景

某知识共享平台,经常在其公众号中推送相关活动,用户看到后进行注册,之后领取红包购买课程,接着登录 App,开始课程的学习。但由于其中牵涉 H5、小程序、App 等不同的端,许多企业在进行此步骤时并不知道该如何将多端数据统一,进行同一用户识别。通过神策的 ID-Mapping 技术,可以实现同一用户的多端行为数据的打通,如下图。

3.数据质量监控:及时发现并修复异常数据,消除质量隐患

数据治理方案可以为企业提供全局的数据质量监控体系,并通过可量化的数据质量指标体系刻画当前数据质量情况。

典型场景

某汽车品牌的数据来源纷繁复杂,包括厂商、车载车机、车联网、私域小程序、车主 App、外部 CP 内容供应商等,数据最终会用来指导产品演进、用户运营、数据应用。但由于数据异构、标准不一、时效不一,导致数据的质量隐患非常大。

针对该品牌当前整个数据体系所存在的问题,对数据产生源头的数据进行梳理,并确立每一种数据本身应该达到的质量标准,将质量标准转化为对于每一个业务数据的质量规则定义。基于神策整体数据质量管理对该汽车品牌进行如下落地架构上的整体实施设计。

关注神策数据公众号,回复数字43,即可下载完整版白皮书。

4.数据资产管理:实现可视化、极简化的数据体系管理

数据治理方案可以帮助企业摆脱底层命令式的数据管理,利用可视化、极简化的手段进行企业数据体系的管理,通过工具化的手段实现主数据、元数据的便捷管理。

典型场景

某奶饮国际巨头,公司内部数据管理过去主要是依赖外包厂商的数仓工程师和 DBA 等技术人员通过服务器端工作,非专业人员无法进行数据管理的工作,也无法直观地获取当前数据库当中的数据有哪些,因此需要有一个可视化数据资产系统管理系统进行日常数据的管理工作。

通过数据资产系统可以按照业务主题对数据进行管理和维护,同时支持查看每个数据表的血缘关系。通过数据资产系统的资产目录也可以快速索引和查找需要的数据表,同时支持对数据字典的支持和维护。

5.数据标准化管理:统一数据定义,规范企业全域数据

数据治理方案通过对数据的梳理,统一企业对于每个数据的定义,达成对数据的统一口径和认知,解决数据二义性,同时通过数据标准管理规范企业全域数据。

典型场景

某智能电动汽车公司业务发展速度较快,随着汽车保有量的逐年增长,用户数和服务量增加,数据增长速度和数据体量增大。如果不做数据治理的话,根据这种接近指数级的数据增长趋势来预测,未来数据生产、存储、服务的复杂性及成本负担都会变得非常之高。

基于此,该公司开始搭建数据治理的衡量标准,来观测和监控数据治理的效果。在具体落地时,该公司专门成立了数据管理委员会,下设业务数据产品组、业务数据开发组以及业务数据智能分析组,并明确三组的具体职责。同时,该公司还确立了数据标准框架,并上线数字报表工具。通过这些数据标准化的管理动作,该公司的数据治理效果显著。

关注神策数据公众号,回复数字43,即可下载完整版白皮书。

来源：蓝海前瞻 免责声明：本文来源于网络，仅代表作者本人观点，与TechWeb无关。凡来源非TechWeb的新闻（作品）只代表本网传播该消息，并不代表赞同其观点。TechWeb对文中陈述、观点判断保持中立，不对所包含内容的准确性、可靠性或完整性提供任何明示或暗示的保证。请读者仅作参考，并请自行承担全部责任