隨著近年來
數字化轉型的深入,人們已經意識到數據是企業重要的資源,企業的數據分析工作也進入了更深的層次。
過去的單業務系統數據統計分析,現在已經過渡到對業務系統數據的聚合;過去的單體商務智能(
BI)系統,已經過渡到企業級大數據管理平臺。大數據管理平臺提供更豐富的數據類型、數據維度、數據分析方法,以及更多樣化的數據展示和分析工具。

然而,隨著企業可分析的數據范圍不斷擴大,先進的
數據分析工具不斷出現并投入應用,
數據質量和數據分析的效率和結果卻沒得到真正的提高。數據仍以人工處理為主,在低級別的
數據清洗、合并、映射等方面需要投入巨大的時間和精力,而數據分析、業務洞察等高級別的數據分析和數據利用工作改進見效甚微,仍處于低質量、低效率、低產出的狀態。究其原因,是因為企業的數據質量不高。
數據分析與數據質量
輸入決定輸出,高水平的數據質量是提升數據分析效果的必要條件。高質量的數據結合先進的數據分析工具和數據分析方法,才會產生高質量的數據分析成果。
數據質量高低的衡量標準在不同的語境下是不同的,不同類型數據質量高低的衡量標準也是不同的,但基本可以從及時性、完整性、一致性、準確性等幾個方面進行判斷。
就業務數據而言,主要關注及時性、完整性和一致性,保證能夠在最短的時間獲取最新的數據進行分析,保證獲得分析對象數據的全維度信息,以及數據顆粒度的一致性,以確保數據可以在不同的維度上進行聚合和拆分。
所有的分析對象和維度其實就是
主數據,我們以收入指標為例,需要分析客戶收入、產品收入、部門收入、人員收入(銷售人員的業績)等等,實際的分析對象和維度就是客戶、產品、部門、人員等。
在分析過程中,集團型企業的多個分子公司合并同一客戶的銷售收入時,如果判斷不同分子公司的客戶之間的關系(主要是同一客戶的合并統計),會影響到數據分析的及時性,當有自然的關聯關系時,可以自動、快速、高效地進行合并;當沒有自然的關聯關系時,每次都需要通過人工建立數據之間的映射關系,耗費大量的時間,也影響數據分析的及時性。
因此,對于數據中的分析對象和維度作為主數據和參考數據進行管理,我們可以通過建立主數據管理機制,構建
主數據管理平臺,來提升數據的標準性、提升主數據的質量,和數據分析的效率和準確性等。
將集團型企業的客戶信息、供應商信息、產品信息、組織信息、人員信息等通過主數據管理平臺統一管理,同時構建主數據管理的組織、人員、流程、制度和考核機制,不僅能保證持續的高質量的主數據管理,還能確保高效、準確的數據分析結果輸出。
(部分內容來源網絡,如有侵權請聯系刪除)