IBM的数据治理成熟度评估模型

作者:admin
围观群众:17
更新于

IBM数据治理体系框架由四个管理层次以及其下的十一个管理领域组成,四个管理层次包括基础支撑层、核心管控层、价值创造层和组织责任层。

IBM的数据治理成熟度评估模型

其中:

基础支撑层包括数据架构和标准、分类和元数据、审计日志和报告三个管理领域,核心内容是数据架构的业务和技术规范,以及理解数据、处理数据的相关细节信息,是建立数据治理体系所需的基础性保障,也是支持“核心管控层”相关领域落地的基础。另一部分内容为审计日志和报告,为数据安全管理提供技术支撑和基础信息保障。

核心管控层包括数据质量管理、数据生命周期管理及数据安全管理三个管理领域,是数据治理体系的核心部分,也是创造数据治理价值的关键手段。

价值创造层是数据应用层面的重要规范,也是数据治理体系价值的重要体现,主要体现在数据业务价值创造和风险管理两个方面。

组织责任层的核心内容是明确企业内部各级组织应负有的数据治理责任,是基础支撑层、核心管控层以及价值创造层三个管理层规范正常实施的组织和流程保证。其中,组织结构和政策为数据治理体系的正常运转,提供了人员和流程的保证,将数据治理上升到企业组织层面。数据责任人体系则明确了数据责任的矩阵分布,将不同主题或类型的数据责任划分清晰,做到人与数据相关联。

总之,数据治理的价值创造要求实施核心管控的技术手段,核心管控的技术手段又需要建立在基础支撑层之上,同时,为保障数据治理体系的良好运转,还需要明确组织责任来加强整个体系的健全程度。

基于以上数据治理体系框架,再结合信息化建设成熟度评估,我们采用在数据层面更为细致和专业的IBM数据治理成熟度评估标准作为数据治理现状的评估依据。该标准将企业在数据治理方面的成熟度划分为五个阶段,分别为初始阶段、基本管理阶段、主动管理阶段、量化管理阶段和持续优化阶段。

IBM的数据治理成熟度评估模型


1  第一级初始阶段

企业尚未意识到数据应作为资产进行管理,对于数据的应用仅限于基本的报表,且基于试算表。数据的获取极大程度的依赖于手工作业和特殊查询,自动化程度较低。在此阶段,企业面临手工统计、计算的极大压力,无法将人力投放在更具价值的决策支持和业务拓展上。信息超载现象比较突出,无法很好的理解和使用获取到的信息。容易发生信息未反映真实情况的问题,且与数据相关的问题都只能在事后被动的发现,无法做到问题的预先防范。

这一阶段,企业在数据的应用和管理方面主要有以下特点:

Ø  数据:结构化的、静态的内容;

Ø  集成:无连接的、孤立的、非集成的解决方案;

Ø  应用系统:孤立的模块,依赖于特定的应用系统;

Ø  基础架构:复杂、关系混乱,基于特定的平台。

2  第二级基本管理

企业初步认识到数据的价值,开始对数据的管理进行初步的探索。数据的应用体现在查询、报表和分析三大方面,已能够通过数据处理获取部分基础的信息。数据的获取不完全依赖于手工,实现了部分自动化,可以将一部分人力从手工统计的压力下解脱出来,投入到数据分析的工作中。数据已能够反映企业的真实情况,形成有限制的企业可视度。但由于数据标准不统一、口径不一致等原因,不同部门统计出来的信息不一致的现象比较突出,信息存在多版本的情况,造成数据可信度较低的问题。

这一阶段,企业在数据的应用和管理方面主要有以下特点:

Ø  数据:有组织的、结构化的内容;

Ø  集成:部分的集成,孤立的情况依然存在;

Ø  应用系统:基于组件的应用系统;

Ø  基础架构:层级式的架构,基于特定的平台。

3  第三级主动管理

随着业务的拓展,企业越来越意识到数据的价值,对数据治理的认知逐步增强,也有意愿主动的开展数据治理工作,愿意在数据治理方面进行投资。初步建立了数据治理的组织架构,形成有脉络的、基于职责的人员配合意识。对于数据的应用已基本实现了全面自动化,更多的人力投入到业务流程改造和应用系统增强上。数据实现了可获取、可信赖,跨部门和业务条线的数据得到共享,全企业形成唯一版本的信息,从而反映企业经营的真实情况。基于数据的业务绩效管理得到整合,经由数据的分析、挖掘,形成实时性的业务洞察力,为业务的拓展带来良好的推动力。这一阶段的主要矛盾体现在决策层逐步增长的数据治理意识与数据治理工作开展缓慢、效果滞后的现实之间。

此阶段与前两个阶段有着本质的差别,处在这一阶段的企业才真正开始数据治理工作的实施,在数据的应用和管理方面主要有以下特点:

Ø  数据:基于标准的,结构化的数据,以及部分非结构化的内容;

Ø  集成:孤立系统的集成,信息的虚拟化(信息的逻辑化表示,不受物理限制的约束);

Ø  应用系统:基于服务;

Ø  基础架构:组件式的,初步浮现SOA的理念,基于特定的平台。

4  第四级量化管理

经历了一个阶段的主动管理,此阶段已具备相当成熟的数据治理能力,不论是组织认知、流程规范还是技术实现都达到了一定的高度,开始步入量化管理阶段。数据治理已融入基于角色的日常工作之中,人员具备将数据质量相关工作全然融入工作流、流程和系统的能力。通过数据的挖掘,获取有价值的信息,从而激发业务流程改造和创新。同时,全面的、自动化的数据应用,为增强的业务流程和运营管理提供必要条件。从企业战略规划来看,丰富、可信的数据也能够全面的支撑前瞻性的视野和具预测性的分析,大幅提高企业的核心竞争力。

处于量化管理阶段的企业,已经通过数据治理取得了极大的业务价值,在数据的应用和管理方面主要有以下特点:

Ø  数据:无缝连接并且支持共享,信息和流程相分离,结构化和非结构化的信息完全整合;

Ø  集成:信息作为一种随时可用的服务;

Ø  应用系统:流程透过各式服务而集成;

Ø  基础架构:有随时恢复能力的SOA架构,不限于特定技术的平台。

5  第五级持续优化

持续优化阶段建立在量化管理的基础之上,企业的数据治理水平已达到最高的程度,开始步入持续优化的科学发展阶段。在此阶段,企业的数据问题都已迎刃而解,能力和业务创新也达到了相当的高度。贯通企业内外有弹性的、具适应力的业务环境。数据的价值创造被发挥到最高水平,具备由下而上的战略业务创新的促进能力。企业绩效和运营管理不断的优化,建立在高水平信息展现基础之上的战略洞察力也得到体现。

进入持续优化阶段的企业在数据应用和管理方面具有以下特点:

Ø  数据:所有相关的内部及外部信息无缝连接,并且共享,新增的信息很容易加入;

Ø  集成:虚拟化的信息服务;

Ø  应用系统:动态的应用系统组合;

Ø  基础架构:动态的、可重新配置的、侦测和回应。



非特殊说明,本文版权归 数据矿工的博客 所有,转载请注明出处.

本文分类: 数据资讯与书籍推荐

本文标题: IBM的数据治理成熟度评估模型

本文网址: http://www.zwd56.cn/?id=87

发表评论:

◎欢迎参与讨论,请在这里发表您的看法、交流您的观点。