伴隨中國人口紅利消失，企業用工成本逐年增長，急需降本增效、產品創新迭代的新方法，“數字化轉型 + 數據治理”成爲企業實現數據驅動增長的共同選擇。同時，以“數據資產”與“數據安全”爲核心的新政策頻出，越來越多的企業開始認識到數據價值的重要性，數據治理市場迎來高速發展。加之，《數據安全法》發佈、《個人信息保護法》立法通過，無疑給企業數據採集、數據安全、數據開放帶來了巨大的挑戰，催生了數據治理需求。
對企業來說，數據治理是所有數據應用的基礎和根基，它的好壞直接影響數據應用過程中的價值體現。同時，數據治理也是一個組織進行數據資產沉澱的基礎，直接決定一個組織的數據資產能否得到有效的沉澱，以及在數據應用過程中能否充分地發揮數據價值。
報告導讀
神策數據《企業數據治理價值解讀與場景實踐》白皮書今日重磅發佈，旨在帶領讀者系統化地認識數據治理，破解數字化轉型中的迷霧，從而最大程度地發揮數據資產的價值。本白皮書主要探析企業數字化轉型時進行數據治理的六大痛點，詳細拆解面向業務的“螺旋式”數據治理理念及完整能力構成，真實呈現數據治理的典型應用場景，並且通過三大行業的最佳實踐洞悉其落地的關鍵方法和成功路徑。在此基礎上給出企業開展數據治理的四味良藥，助力更多企業走出數據治理困境，加速數字化轉型的落地。
報告搶先看
神策數據認爲，數據治理廣義上包含所有數據事項決策，狹義上包含數據採集、存儲、質量、管理、應用等關鍵流程。接下來選取本白皮書中數據治理的五大典型應用場景，帶領大家一覽數據治理在企業數字化轉型中的落地實踐，深入實際業務場景，快速瞭解數據治理的應用與價值。
1.全域數據採集：企業進行精細化運營的前提
數據採集是數據應用的源頭，是企業進行精細化運營的基礎和前提。對企業來說，一套標準化、規範化的數據採集方案很有必要，通過數據採集 SDK、預置系統/數據對接、電商/三方平臺 API、定製開發且集成進行全域的數據接入，從而打通各渠道數據，構建全域數據基礎。 典型場景 品牌零售企業的整個消費者生命旅程主要分爲知曉品牌、產生興趣、首購體驗、持續復購、分享裂變幾個階段，每個階段消費者與品牌的數據交互與觸點分佈如下圖所示。
以某餐飲品牌爲例，其各渠道數據包括門店 POS 訂單數據、CRM 系統中存儲的會員數據、積分數據、優惠券數據、堂食與外賣小程序行爲數據等，該品牌的運營人員需要看到全渠道的會員相關數據，就需要對不同渠道設計針對性的採集方案，例如門店訂單數據、CRM 數據通過 API 導入統一數據平臺，小程序等私域觸點的用戶行爲數據通過 SDK 完成實時採集，通過對這些渠道數據進行採集與治理，共處理 4 億多條數據，最終實現全渠道會員數據集中管理查看。
2.全域 One ID 打通：ID-Mapping 構建統一用戶體系，獲取真實畫像
企業業務側往往存在多個終端，由於終端用戶所在渠道不一致，導致用戶數據的標識也不一致，無法實現數據 One ID 化。比如有的渠道只能獲取設備 ID，有的渠道只能獲取虛擬用戶名等，從而無法打通用戶數據在全域上的身份標識，並獲取用戶在企業所有的交互數據。由此可見，企業數據治理中全域數據 One ID 體系設計對企業的用戶精細化運營、CDP 構建等都至關重要。神策數據治理方案通過實時一對多的 ID-Mapping，構建全局統一的用戶體系，打通用戶在各端、各場景下的用戶數據，獲取用戶真實畫像，從而爲後續的精準營銷和精細化運營打下基礎。 典型場景 某知識共享平臺，經常在其公衆號中推送相關活動，用戶看到後進行註冊，之後領取紅包購買課程，接着登錄 App，開始課程的學習。但由於其中牽涉 H5、小程序、App 等不同的端，許多企業在進行此步驟時並不知道該如何將多端數據統一，進行同一用戶識別。通過神策的 ID-Mapping 技術，可以實現同一用戶的多端行爲數據的打通，如下圖。
3.數據質量監控：及時發現並修復異常數據，消除質量隱患
數據治理方案可以爲企業提供全局的數據質量監控體系，並通過可量化的數據質量指標體系刻畫當前數據質量情況。 典型場景 某汽車品牌的數據來源紛繁複雜，包括廠商、車載車機、車聯網、私域小程序、車主 App、外部 CP 內容供應商等，數據最終會用來指導產品演進、用戶運營、數據應用。但由於數據異構、標準不一、時效不一，導致數據的質量隱患非常大。
針對該品牌當前整個數據體系所存在的問題，對數據產生源頭的數據進行梳理，並確立每一種數據本身應該達到的質量標準，將質量標準轉化爲對於每一個業務數據的質量規則定義。基於神策整體數據質量管理對該汽車品牌進行如下落地架構上的整體實施設計。
4.數據資產管理：實現可視化、極簡化的數據體系管理
數據治理方案可以幫助企業擺脫底層命令式的數據管理，利用可視化、極簡化的手段進行企業數據體系的管理，通過工具化的手段實現主數據、元數據的便捷管理。 典型場景 某奶飲國際巨頭，公司內部數據管理過去主要是依賴外包廠商的數倉工程師和 DBA 等技術人員通過服務器端工作，非專業人員無法進行數據管理的工作，也無法直觀地獲取當前數據庫當中的數據有哪些，因此需要有一個可視化數據資產系統管理系統進行日常數據的管理工作。 通過數據資產系統可以按照業務主題對數據進行管理和維護，同時支持查看每個數據表的血緣關係。通過數據資產系統的資產目錄也可以快速索引和查找需要的數據表，同時支持對數據字典的支持和維護。
5.數據標準化管理：統一數據定義，規範企業全域數據
數據治理方案通過對數據的梳理，統一企業對於每個數據的定義，達成對數據的統一口徑和認知，解決數據二義性，同時通過數據標準管理規範企業全域數據。 典型場景 某智能電動汽車公司業務發展速度較快，隨着汽車保有量的逐年增長，用戶數和服務量增加，數據增長速度和數據體量增大。如果不做數據治理的話，根據這種接近指數級的數據增長趨勢來預測，未來數據生產、存儲、服務的複雜性及成本負擔都會變得非常之高。 基於此，該公司開始搭建數據治理的衡量標準，來觀測和監控數據治理的效果。在具體落地時，該公司專門成立了數據管理委員會，下設業務數據產品組、業務數據開發組以及業務數據智能分析組，並明確三組的具體職責。同時，該公司還確立了數據標準框架，並上線數字報表工具。通過這些數據標準化的管理動作，該公司的數據治理效果顯著。