IT数据管理成熟度模型（转载）

获得市场的竞争优势过去一直是一种直接的，普遍认知的过程。你可能提供行业领先的产品和服务，在你的市场中制定标准。或者你可能凭着营销和销售的优势，创造着惊人的业绩。

今天，获得竞争力很难。公司必须创建他们新的系统，实施新的战略或者发现新的市场以竞争或者求得生存。一直以来为人们所忽视的就是对数据的适当管理，数据管理支持企业做出理性的，结果导向的决策。公司通常都不清楚数据管理会带来怎样的竞争优势。

虽然，很多组织认识到数据是一个很重要，不同于其他形式的企业资产。数据是唯一一个企业完全复用的业务资源。所有其它的资源，一旦使用，就不复存在了。

然而，不同于有形的企业资产，有着结构化的价值和折旧明细，公司很难对数据的价值下一个明确的定义。结果，正是因为意识到数据缺乏有形的价值给是否进行数据管理带来了困难。

最近几年，有着超前性思维的公司开始了解到一个重要的思想，和成功的数据管理相比，不能有效的实施数据管理将给企业带来高额的成本。组织依赖数据，无论什么样的行业背景，收入规模或者竞争环境，每一个公司都要依赖它的数据信息做出有效性决策。任何分析结果的质量都和数据的输入相关。

数据管理对数据的获得，维护，传播和处理创建和部署了任务，权限，政策和程序。想要成功，数据管理方案需要业务和技术小组组成伙伴关系。业务小组负责创建业务规范，来管理数据和最终负责检验数据的质量。IT小组负责创建和管理整个环境——架构，技术设施，系统和数据库——在整个企业收集和存储数据。

在广泛关注数据管理以外，有效的方案取决于人员，流程和技术的结合。该报告探讨了如何构建数据和如何利用这3个元素去制定有效的数据管理政策。报告根据实践过的流程和组织对数据管理的重视程度定义了组织的数据管理成熟度。

概要：

软件能力成熟度模型（通常也叫CMM和SW-CMM），由软件工程研究院（SEI）和卡内基梅隆大学共同发布，是一个声誉卓著的模型，根据程序和流程定义了组织的软件开发成熟度。然而，它并没有解决组织关于数据管理的成熟度问题。

该报告探索了一个新的成熟度模型——企业数据管理成熟度模型——帮助公司识别和量化它们不同的数据成熟度的级别。通过评估组织的数据管理成熟度，组织能够了解到不重视的数据管理实践可能产生的风险。该成熟度模型也帮助组织了解向新的数据管理进阶可能带来的收益和需要的成本。

组织必须认识到改进和加强数据管理流程的重要性。那些按体系制定的发展计划通常因为控制之外的事件被迫改变。在一个合理的时间框架下，实施你定义的改变，你就可以为数据成熟度精确地设立目标。

了解成熟度模型能够帮助你控制各个阶段的发展状况。你需要知道你目前运营在哪个阶段，为什么在这个阶段。何时和如何达到下一个阶段。这些阶段有：

阶段1：未开化型

阶段2：被动应付型

阶段3：积极应付型

阶段4：预测型

评估目前的等级仅仅是一个开始。组织也需要决定哪个阶段比较适合它们，及为改进建立相应的行动和优先级。

盲人摸象

大部分组织的数据管理方法就如同盲人摸想。在很多公司，人们仅仅注意了他们眼前的数据。跨企业和跨地域的合作很少。导致了由于事件而产生的混乱、争议和狭窄的意见。

3种主要方法来达到流程改进

了解目前你如何管理数据

决定实施哪些政策来改进数据管理

从现有的数据管理政策中把可能产生投资回报的部分和可能由于不符合数据管理成熟度模型产生的风险的部分进行分类。

企业数据管理成熟度模型

该模型有包括数据管理达到成熟的4个阶段，从一个等级到下一个等级的流动关系不能被破坏。通常，组织中的不同部门可能处在成熟度的不同阶段。最终，如果这种进阶的成本超出了收益，组织则不能选择进阶到下一个成熟度等级。

企业数据管理成熟度模型

公司在数据管理成熟度进阶的过程中，会得到潜在的收益。模型中的每一个阶段需要一定的贡献和投资。以下所要讨论的是的定义在每个开发阶段的元素，包括：

人——包括哪些人以及他们的贡献。

流程——需要实现哪些活动。

技术——需要哪些技术投资。

风险和回报——当前阶段组织面对哪些风险——在进阶中又会怎样。

该报告审差了每个阶段，以及每个阶段的公司特征。对前3个阶段，分别提出了一些建议帮助企业达到第4个阶段。

阶段1：未开化型

在企业数据管理成熟模型的第一个阶段，组织关于数据管理已经制定了一些法规和政策。不同的文件和数据库中可能存在着同样的或者相似的数据。冗余的数据可以是不同的数据来源，有不同的格式和不同的名称。在阶段1，不同部门或业务之间很少发生数据混乱问题，也没有数据合作。

处在这个阶段的公司没有做出数据管理成本或者效益的规划。结果，企业里面数据的质量千差万别。另外，数据管理活动是无组织的，对问题的发生和这些问题可能会产生的影响没有明确的概念。这个阶段的数据质量非常糟糕。奇怪的是35%以上的组织都处于这个阶段。

未开化”型公司的特征

人：成功依赖于一些精英的能力

组织依赖于全体人员，他们按照不同的方法去调整和修改数据。

在数据集成方面缺乏管理

行政者不能掌握数据问题的程度

组织倾向于因为数据质量问题责怪IT部门

流程

没有明确定义数据管理的流程。数据管理是工程特定的管理模式，有着杂乱无章的特征。

这种数据管理流程只有在人工驱动流程出现问题时才能解决。是一种救火模式的管理流程。

缺乏长期解决方案

冗余的数据存在于组织各个部门，导致业务单元的资源浪费。

技术

企业的工具大多是多功能的软件（微软的Excel或者微软的Access），没有使用专门的数据管理软件。

没有对数据进行建模，分析或者检验，来决定数据的特征。

现有的技术支持人工质量改进方法。

风险和收益

风险：非常高。因为不能了解客户的需求，数据问题能过导致客户流失或者是业务程序不当。一些无关的人员成了这些指责的对象。

收益：低。除了个人或者部门的成功之外，公司几乎没有从数据管理中获得任何收益。

必要的活动去升级到阶段2（被动应付型）

因为第一阶段的风险较大，竞争压力会迫使企业改进数据的成熟度。想要进阶，公司需要对数据的集成和可适用性制定措施和流程。识别并承诺确定数据管理问题，将帮助一个组织开始了解数据管理的问题，风险和收益。

第2阶段——被动应付型

在一个组织达到第2阶段的时候，它能够了解什么时候数据管理出现问题。能够掌握对成功起到关键作用的数据。数据的质量问题将在重大问题暴露或者工程脱轨的时候才能解决。但至少，组织希望对问题进行响应，以减少后果的损失。

在这个阶段，非集成的，基于某一单独技术领域的解决方案实施不同的，特定的任务。组织体验到了不同的数据质量的差异，可以基于数据完整性来做出一些预测。另外，成功的个人得到任务改进最关键的业务活动，减少风险和改进特定流程的结果。组织认识到数据管理的价值但是不想花费时间和成本去预防问题的出现。研究表明45%的组织都处于被动应付的阶段。

“被动应付”型公司的特征

人：

成功依赖于技术小组的能力（数据管理员，IT员工）。

个人创造有用的流程，但是跨组和跨地域之间没有标准的程序。

缺乏长期的解决方案

缺乏对数据的企业级管理

流程

对数据管理作用更加强化，但是仅仅强调了在数据质量问题出现时候对其修改。

大多数的流程都是短期的，并关注当前发现的问题。

在单独的小组和部门里，任务是标准化的。

技术

战术型数据管理工具可用，比如数据建模或者数据质量的解决方案。

大部分数据不是集成的，而某些个人或者部门尝试在孤立的环境中进行数据集成。

某些数据库管理策略出现，比如被动的性能监控。

尝试去固化数据（比如数据仓库）需要丢弃和重写因质量问题出错的数据。

风险和收益

风险：高，缺乏数据集成和企业整体数据的不精确。虽然数据能够分散地进行分析和修改，在跨业务的应用里，数据仍旧失灵。

收益：有限。个别的流程或者个别的人得到了投资回报，缺乏企业级数据管理的认识。

采取必要的行动升级到第3阶段（积极应付型）

在阶段2，解决方案是非集成的，不同的基于某个单独技术的解决方案。进阶第3阶段的动力通常是一个某些管理者的战略性远见，认为更好的数据管理流程能够产生实际的业务结果。要升级，公司要把流程和技术集成起来挖掘现有的数据资源。组织必须开始把数据管理的政策制定成为文档，并强化其为应用开发的核心竞争力。为了保证这些政策能够得到贯彻，需要测试其执行率。最后，组织必须对数据管权限形成一致意见，并分配权限和资源支持。

第3阶段：积极应付

达到成熟模型的第3阶段让公司有能力避免风险和减少不确定性。在这个阶段，数据管理开始在组织内发挥关键性的作用，因为数据从不受重视的商品转变为资产，用来帮助组织做出更好的决策。随着公司在这个阶段日趋成熟，他们从连续的，精确的，可靠的数据中获得实际的价值。

在第3阶段，公司不是从表层上去理解数据对关键任务的影响，支持高级数据检查和修改的必备技术得到部署。组织开始得到行政和管理层对数据管理工程的批准。

“积极应付”型公司的特征

人员：

管理者了解并重视数据管理在企业活动中的作用。

数据管理活动得到必要的人力和资源，创建高质量的数据。

企业内所有或者大部分的部门引入了数据管理的流程。

行政级的决策者开始把数据看作战略资产。

流程：

企业数据更加标准化，连续和可测量。预防措施得到部署，保证高级的数据质量。

数据的标准有时和行业标准不统一，提示了该领域需要改进。

在这个阶段，数据管理的目标从问题纠正转变为问题预防。

技术：

数据管理技术供应商成为企业的战略合作伙伴，在实施技术的同时，帮助定义最佳的实践。

企业的数据管理小组出现，维护企业数据元素的定义、同义词、业务规范和业务价值。

持续不断的数据检查和数据监控帮助公司长期维护数据的完整性。

风险和收益：

风险：由中级降到低级。风险的降低是由于信息质量的提高了保证了决策的可靠性。

收益：由中级上升为高级。早期采用数据管理的小组改进了某些业务领域的数据质量，后来因为更多的员工的参与而让数据质量获得企业级的改进。

采取必要的行动升级到第4阶段（预测型）

第4阶段将是文化、人力、流程和技术上的全面发展阶段。文化转变开始改变人们的行为，新的更好的流程和技术提供了更好的数据改进的框架。

前几个阶段的进展提供了一个数据管理的坚实基础。要达到阶段4，你必须继续并持续的实现这些改进，在整个企业中制定最佳实践的文档和重复最佳实践的流程，达到企业数据管理模型的顶峰。

阶段4：预测型

在第4阶段，组织能够对结果完全确定。数据质量是所有业务流程中不可缺少的部分，并固化在整个企业中。流程几乎是完全自动化的。想要保持数据在可接受的范围内，数据管理流程要实时的实施和持续的检验。

因为数据质量的历史问题是已知的，数据缺陷预防是阶段4需要注意的问题。还有很多跨组织的方法用来保证数据质量，帮助公司解决功能重叠，系统独立的信息孤岛的数据问题。最后，这个阶段组织的一个很重要的区别就是数据管理成为一个业务流程，而不是一个技术工具。

“预测型”公司的特征

人员：

全面引进数据管理流程和标准。

数据质量改进获得行政级的拥护和CEO的支持。

数据管理小组进行跨组织的实施并有数据质量服务人员、应用开发商和数据管理员对其支持。

整个组织在数据收集和管理方面实行“0缺陷”策略。

流程：

流程帮助组织达到最高级的数据完整性。

定期监控数据质量的流程保证数据长期的连续性、精确性和可靠性。

新的活动在研究了它们如何影响现有的数据管理基础设施以后将开始部署。

技术：

数据管理工具达到跨组织的标准化。

组织里的所有部门应用标准的元数据和规范定义，它们是由数据管理小组创建和维护的。

对数据质量审查的结果将进行持续检查，任何变化将马上得到解决。

应用数据模型捕捉企业所有数据元素的业务意义和技术细节。

风险和收益：

风险：低。数据是统一的和严格控制的，组织能够维护高质量的客户信息，长远规划，库存和产品等信息。

收益：高。稳定，企业级数据管理实践能够让组织了解目前的业务状况——保障管理层对基于数据的决策充满信心。

在成熟模型的最后这个阶段，整个组织内部发生了文化的转移。组织不再对数据管理的实施熟视无睹，也不再把数据质量问题看成是一系列的技术工程，而是采用一个综合性的，企业级的数据管理活动来提高关键业务数据管理的流程。该活动得到行政管理层的支持，扩展到在所有的业务功能中，不断改进，创造更多连续的、精确的和可靠的信息来支持整个企业的发展。

总结：

达到数据管理的最高阶段是一个不断渐进的过程。还没有重视数据质量的公司不能设想立即前进到下一个阶段，主要因为任何数据管理的改进都包含相应的因素。想要达到改进，必须改变整个组织的文化——从人员到技术，以及管理层的战略。

已经从改进的数据中得到实际效果的公司来说，不要把数据成熟度只看作一个能够修改数据的技术方法去理解。它是一个长期实施的流程，用来收集和管理信息。企业级数据管理成熟模型也是对人员、流程和技术的检查，为长期改进数据的完整性找到方法。

了解企业数据管理成熟模型对于任何寻求改进整个数据质量的组织来说是第1步。它让组织了解他们自身处在模型中的哪个阶段和如何前进到下一个阶段。

企业数据管理成熟模型就是要让组织了解如何获取数据的最大价值，并从重要战略资产的角度来应用它。

[@more@]

来自 “ ITPUB博客 ” ，链接：http://blog.itpub.net/74617/viewspace-1004408/，如需转载，请注明出处，否则将追究法律责任。

转载于:http://blog.itpub.net/74617/viewspace-1004408/