如果沒有適當(dāng)?shù)男畔⒅卫頇C(jī)制作為支撐，企業(yè)很可能與有價(jià)值分析結(jié)論失之交臂。

早在近三十年前，Sam Walton在創(chuàng)建沃爾瑪這一全球零售巨頭企業(yè)時(shí)就已經(jīng)確立了大數(shù)據(jù)技術(shù)興起的必然性。沃爾瑪利用商品條形碼收集復(fù)雜的消費(fèi)者信息，這不僅為其帶來了巨大的商業(yè)及市場競爭優(yōu)勢(shì)、同時(shí)也使沃爾瑪成為了數(shù)據(jù)管理領(lǐng)域的先驅(qū)者。時(shí)至今日，F(xiàn)acebook、谷歌以及Amazon等企業(yè)都開始利用面向數(shù)據(jù)的收集、匯總以及分析機(jī)制幫助自身制定商業(yè)戰(zhàn)略。如此一來，他們能夠更具說服力地將大筆資金投入技術(shù)及流程方案，進(jìn)而更透徹且更及時(shí)地掌握消費(fèi)者購買模式并理解客戶及用戶的觀點(diǎn)與情緒動(dòng)態(tài)。在此基礎(chǔ)上，數(shù)據(jù)分析技術(shù)幫助這些企業(yè)優(yōu)化促銷活動(dòng)、改善客戶體驗(yàn)、提升產(chǎn)品組合并迎來更多其它極具競爭優(yōu)勢(shì)的顯著收益。

由于具以上種種切實(shí)回報(bào)，很長一段時(shí)間以來大部分企業(yè)開始紛紛推出自己的“大數(shù)據(jù)”技術(shù)舉措。不過就當(dāng)時(shí)的情況看，只有其中極少部分能夠提供必要的資源來創(chuàng)建出真正的數(shù)據(jù)驅(qū)動(dòng)型運(yùn)營體系。然而時(shí)至今日，大數(shù)據(jù)解決方案的實(shí)施成本已經(jīng)進(jìn)入合理區(qū)間，這意味著來自不同行業(yè)、各種規(guī)模的企業(yè)——包括公共事業(yè)部門——都能夠從大數(shù)據(jù)及分析機(jī)制當(dāng)中獲得收益。換句話來說，這是一場新時(shí)代下的競賽，比的就是誰能更充分地利用數(shù)據(jù)內(nèi)的有形價(jià)值并借此獲取競爭優(yōu)勢(shì)。但話說回來，大家的企業(yè)真的已經(jīng)準(zhǔn)備好迎接數(shù)據(jù)泛濫這一新難題了嗎？殘酷的現(xiàn)實(shí)告訴我們，答案很可能是否定的。

大部分企業(yè)所采用的都是復(fù)雜性較高的異構(gòu)分布式運(yùn)營模式。在組織機(jī)構(gòu)內(nèi)，各種舉措獨(dú)立推出、技術(shù)各自部署、信息逐條收集。我們幾乎很少看到一種具備集中性與統(tǒng)一性的數(shù)據(jù)收集方案，這意味著企業(yè)陷入了由大量非連接信息存儲(chǔ)體系所構(gòu)成的迷宮當(dāng)中，而且這些信息幾乎很難以有意義的方式加以共享。企業(yè)中的某個(gè)部門也許根本不知道其它部門到底在使用哪種信息管理機(jī)制，這將直接導(dǎo)致其在處理合規(guī)性與記錄保存問題時(shí)遭遇資源浪費(fèi)、政策一致性缺失以及流程重復(fù)等弊端。此外，企業(yè)收集的信息總量越大，這一問題就越嚴(yán)重、越具破壞性。

我們不妨考慮可能由此帶來的難題，如果一家企業(yè)打算收購另一家完全使用不同類型CRM與ERP系統(tǒng)的公司，那么結(jié)果會(huì)如何？大量內(nèi)容重復(fù)的聯(lián)系人數(shù)據(jù)庫可能帶來數(shù)量龐大的非必要通信，并令客戶對(duì)企業(yè)的能力及水平產(chǎn)生懷疑。由于對(duì)于存儲(chǔ)在被收購對(duì)象的CRM及ERP系統(tǒng)中的信息內(nèi)容缺乏了解，買方公司很可能會(huì)在收到發(fā)現(xiàn)請(qǐng)求時(shí)忽略掉這類系統(tǒng)。同樣，一旦政府給出管理要求發(fā)生變化，買方雖然有意認(rèn)真將其貫徹到收購對(duì)象的數(shù)據(jù)當(dāng)中，但卻可能受到數(shù)據(jù)認(rèn)知水平的限制而無法被全面覆蓋、進(jìn)而帶來潛在的違規(guī)可能性甚至因此面臨罰款。最后，由于拿不出切實(shí)可行的方案可清理不必要的信息——也就是所謂“數(shù)據(jù)碎片”——那么法律條款與合規(guī)性要求也就得不到保障，這意味著收購方與被收購方將把一切原有信息保存起來。這不僅會(huì)從基礎(chǔ)設(shè)施構(gòu)建及維護(hù)成本的角度帶來高達(dá)數(shù)十萬美元的巨額資金浪費(fèi)，同時(shí)也使企業(yè)客戶更難找到自己所需要的高價(jià)值信息。

要應(yīng)對(duì)上述難題或者其它更為復(fù)雜的狀況，最理想的解決方案在于采取全面的信息管理機(jī)制，從而在業(yè)務(wù)、法律、合規(guī)與IT等部門的不同需求及流程之間找到平衡點(diǎn)。要實(shí)際這個(gè)目標(biāo)，企業(yè)需要以自上而下的方式來開發(fā)出一套信息治理（簡稱IG）規(guī)程。

信息治理

信息治理規(guī)程的目標(biāo)非常簡單，但其實(shí)現(xiàn)過程卻往往沒那么容易：

在大多數(shù)企業(yè)當(dāng)中，人們可能并不認(rèn)同這類任務(wù)繁重的協(xié)調(diào)性嘗試以及對(duì)新型技術(shù)方案的投資決策，這往往導(dǎo)致相關(guān)項(xiàng)目預(yù)案遭到冷遇甚至無疾而終。但是從歷史角度來看，無所作為才是風(fēng)險(xiǎn)的主要根源，而成功的信息治理規(guī)程需要在企業(yè)內(nèi)得到高層管理團(tuán)隊(duì)的直接支持?？紤]到這一點(diǎn)，許多企業(yè)正在積極物色優(yōu)秀的首席數(shù)據(jù)官（簡稱CDO）——這一職位通常負(fù)責(zé)領(lǐng)導(dǎo)大數(shù)據(jù)相關(guān)項(xiàng)目——并由其擔(dān)任信息治理計(jì)劃的主要推動(dòng)者。

將信息治理工作納入CDO權(quán)限極具實(shí)際意義。畢竟，CDO的最大愿望就是從數(shù)據(jù)分析工作中獲得精確可信的結(jié)論，而質(zhì)量糟糕的數(shù)據(jù)將使這一切成為空談。作為高管團(tuán)隊(duì)中的一分子，CDO是理解信息治理實(shí)際需求并將其納入企業(yè)文化體系的最理想人選。成功的信息治理項(xiàng)目絕不僅僅是提供必要的技術(shù)與流程方案。讓相關(guān)人員為其所創(chuàng)建的信息負(fù)責(zé)才是將信息治理性轉(zhuǎn)型真正貫徹到整個(gè)企業(yè)當(dāng)中的根本性前提。

目前人們已經(jīng)開始越來越多地對(duì)這一觀點(diǎn)表示認(rèn)同。舉例來說，根據(jù)Gartner公司發(fā)布的一篇新聞稿，Gartner將CDO職位定義為“一位負(fù)責(zé)打理企業(yè)內(nèi)整體數(shù)據(jù)與信息戰(zhàn)略、治理、控制、政策發(fā)展以及高效運(yùn)用等事務(wù)的高層領(lǐng)導(dǎo)者。CDO這一角色需要負(fù)責(zé)信息保護(hù)與隱私、信息治理、數(shù)據(jù)質(zhì)量與數(shù)據(jù)生命周期管理等事務(wù)，并切實(shí)將數(shù)據(jù)資產(chǎn)轉(zhuǎn)化為商業(yè)價(jià)值。”

那么這是否意味著擔(dān)任CDO的人選必須擁有信息治理工作背景？這倒不一定。盡管這樣的背景積累確實(shí)值得肯定，但其并不足以證明該CDO在其主要分析工作中已經(jīng)切實(shí)了解到信息治理的價(jià)值所在。輸入分析引擎的數(shù)據(jù)的實(shí)際質(zhì)量決定著最終輸出結(jié)果以及據(jù)此制訂出來的決策的準(zhǔn)確性。簡而言之，高質(zhì)量輸入才能高質(zhì)量輸出（簡稱QIQO）。作為CDO，他們需要掌握信息治理機(jī)制所能帶來的價(jià)值與效益，以領(lǐng)導(dǎo)者身份將合適的團(tuán)隊(duì)與技術(shù)方案落實(shí)到位（或者與現(xiàn)有團(tuán)隊(duì)進(jìn)行協(xié)作），只有這樣才能最終迎來成功。

在非數(shù)據(jù)驅(qū)動(dòng)領(lǐng)域當(dāng)中，企業(yè)中的高層管理者們往往純粹憑借著自己的智慧與洞察力進(jìn)行工作，并借此克服措施不力、信息質(zhì)量低下或者質(zhì)量內(nèi)容不一致等負(fù)面因素的束縛。但如今情況已經(jīng)不同于以往。企業(yè)無法在大數(shù)據(jù)時(shí)代之下憑借依靠著差距顯著而且管理不善的數(shù)據(jù)基礎(chǔ)設(shè)施繼續(xù)茁壯成長。如果能夠讓CDO切實(shí)成為信息治理工作的負(fù)責(zé)人——甚至是個(gè)中大師——那么無論是CDO本身還是所在企業(yè)都將獲得巨大收益。請(qǐng)不要猶豫，馬上行動(dòng)起來。

原文鏈接：

http://www.computerworld.com/article/2912441/big-data/getting-the-most-out-of-big-data.html