- 数据治理效果如何评价，如[2022-08-08]
- 全球领先的数据架构五大[2022-08-05]
- 坚持“六个导向”和“三[2022-08-04]
- 数据治理：数据质量的度量[2022-08-03]
- 数据质量管理参考体系：IS[2022-08-02]
- 数据治理：数据集成和应用[2022-08-01]
- 如何解释”主数据“的含[2022-07-29]
- 为什么2022年仍然存在数[2022-07-28]
- 企业数据治理面临的 6 [2022-07-27]
- 企业架构驱动下的数字化[2022-07-26]
数据治理效果如何评价，如何考核？
数据治理既要严抓过程，更要注重结果。为了提高数据治理执行效率，通过建立相应的数据治理考核办法，并关联组织及个人绩效，通过检验数据治理各个环节的执行效果，以保证数据治理制度有效推进和落实。
数据治理绩效考核体系的建设主要包含以下几个方面：
01 数据治理绩效考核目的
数据治理绩效考核本质上是一种对企业数据治理的过程管理，而不是仅仅对结果的考核。其目的是有效执行数据标准、提升业务操作的规范性、提高数据质量，进而促进业务效率、决策水平的提升。
它是通过对数据治理过程的管控，将数据治理目标按时间、按主题、按部门等多个维度进行分解，形成可量化考核的指标，不断督促相关干系人实现，加强企业对数据治理的认知和数据文化的培训，是达成企业数据治理目标的有效方法。
02 数据治理考核原则
企业的数据治理工作应作为企业的一项常态化业务，数据治理绩效考核应融入企业管理的组织绩效考核体系，并应遵循以下考核原则：
1、公平公正原则
公平公正原则是设计、确定的推行绩效考核机制的前提。绩效考核体系不具备公平公正的原则，就无法发挥绩效考核应有的作用。绩效考核的内容、考核指标、考核程序均应向数据治理利益相关者进行公开；同时，考核应客观、准确地体现出数据治理的效果和被考核人员的能力和态度。数据治理绩效考核也是帮助企业员工提升数据管理、数据应用能力的一种重要的手段。
2、严格考核原则
企业一旦开始执行数据治理绩效考核，就必须遵循严格的原则。考核不严格，就会就会流于形式，形同虚设，不仅不能全面地反映数据治理真实情况，而且还会产生消极的后果。考核的严格性包括：要有明确的考核标准；要有严肃认真的考核态度；要有严格的奖惩制度与科学的考核方法等。
3、公开透明原则
数据治理应具有透明性，数据治理的各项策略和流程不应成为企业内个别部门或人员的私有或保密的内容，而应该对企业所有人员公开，让大家对数据治理工作都有一定的认识和理解。数据治理的考核内容、考核指标、考核办法、考核结果也应是公开的，这是保证绩效民主的重要手段。
考核结果公开，一方面，可以使被考核人员认识到数据治理的重要性，并了解自己的在数据治理工作中的不足，帮助绩效差的部门和人员提升能力和思想认知，鼓励绩效好的部门和人员再接再厉、保持领先。另一方面，还有助于防止考核中可能出现的偏见以及种种误差，以保证考核的公平与合理。
4、客观评价原则
对于无法量化或者无法借助计算机软件程序进行评价的数据治理考核指标，需要人工考核。人工考核应当根据明确规定的考评标准，针对客观的考核资料进行评价，避免渗入主观性。
03 数据治理考核指标体系
与企业的其他业务（销售、采购、生产、财务等）相比数据治理是企业业务中最困难的领域，一个重要的原因是数据治理的成效难以量化。销售、采购、生产、财务这些业务都是可以通过数据量化的，比如，销售了多少产品，采购了多少物资，生产消耗、产量，财务收款、付款的数量……都是可以量化的。而当被问到企业的数据治理是否奏效？这样的问题常常让人无所适从。
企业数据治理普遍存在的一个现象：当一切业务正常且没有数据问题时，数据治理的努力就会被忽略，功劳永远是前端业务部门的。当出现业务问题且是数据问题引起的时，首先要怪的是数据治理没有做好，数据流程无法正常工作，数据质量就无法正确控制！这听起来很耳熟吧？
为了向企业证明，企业在数据治理上的努力和投资能够让企业受益——降低了成本，增加了收入，提升了决策效率。企业还需要对数据治理的目标进行分解，定义出可量化、可执行、可度量的数据治理指标体系。
数据治理指标体系的三个要素：
问题：数据报告不准确，业务沟通耗时较大，业务处理效率低下。
目标：通过使用准确的数据和已定义的数据管理流程，降低销售、库管、生产等业务部门的沟通成本，提升业务处理效率，提高业务和管理决策的效率。
影响：提高数据报告准确性，降低业务的沟通成本。了解企业亟待解决的问题、治理的目标以及解决问题的影响，能够得出需要改进的内容，形成数据治理的指标。通过使用指标来衡量数据治理的成功对实现数据目标至关重要，它可以帮助企业走上正确的数字化转型道路。
04常见数据治理考核指标
一些常见的数据治理考核指标包括：
1、组织人员相关
l 数据治理运营报告的提交频次
l 数据治理运营报告的平均查阅人数，最高查阅人数
l 数据治理例行会议的召开频次
l 高层领导参与数据治理例行会议次数的百分比
l 确定的数据域数量和数据治理关键干系人数量
l 数据治理流程在业务部门的执行率
l 参加数据治理培训的人数/次数
l 在新系统/流程中接受数据治理培训的人数/次数
2、数据质量相关
l 数据完整性，例如：属性完整性的百分比
l 数据及时性，例如：数据从发送到接收的时间
l 数据正确性，例如：某数据集中脏数据的百分比
l 数据一致性，例如：某数据指标在数仓和源系统的数值是否一致，某相同名称数据实体在不同系统的业务含义、数据结构、质量规则是否一致
l 既定周期内发生数据质量问题的个数
l 数据质量问题的影响范围，例如：集团范围、组织内部、部门内部、仅对操作者本人有影响
l 数据质量问题的严重程度，以存在的潜在风险或造成的经济损失为依据进行人工考核
l 数据质量问题处理的及时性
l 周期性数据质量稽核的执行情况
3、数据标准相关
l 按主题域划分的接受数据标准（用于特定数据或数据元素的数据）的部门的百分比
l 按主题域划分的共享数据标准的应用系统数据元素数量的百分比
l 按主题域划分的使用数据标准的业务流程数量的百分比
l 按主题域划分的使用数据标准的输出报告数量的百分比
l 按主题域划分的使用数据标准人数的百分比
l 按主题域划分的集成业务流程数量的百分比
4、治理流程相关
l 数据治理流程在业务部门的执行率
l 数据的安全合规使用天数
l 确定的数据问题数量
l 上报给数据治理委员会的问题数量
l 从问题识别到解决的时间
l 批准和实施的数据治理政策和流程的数量
l 发布的数据标准数量
l 数据标准被企业采用的数量
l 提高项目效率和新项目启动的设置
l 对新产品上市时间影响（以时间为衡量标准）
5、治理技术相关
l 数据问题修复的时间/成本
l 合并的数据源数量
l 使用主数据的业务系统数量
l 每日主数据分发的数量，失败数量
l 使用的本地电子表格数量
l 从源到使用的可追溯的数据属性数量
l 唯一标识符的数量
l 重复的产品数量
l SKU的上架数量
l 在来源验证的数据百分比
l 在中央分配中心验证的数据百分比
l 源数据库和目的数据库验证的数据之间的差异数
l 映射到数据模型和对象的业务术语数量
l 血缘分析完成百分比
l 提高数据报告效率和准确性
6、业务价值度量
l 将搜索客户信息的呼叫中心处理时间从5分钟减少到2分钟
l 提高生产率，可以使1-2人重新分配到其他高价值活动
l 改善客户满意度，缩短呼叫处理时间
l 销售额提高5–10％，可使销售团队增加广告的投入数量
l 将财务的对帐时间从每月3天减少到每月3小时
l 在一年之内，企业应能够确定由于受监管的报告中的不正确归档而减少了因违反监管规定而导致的罚款。
05 数据质量的检查办法
数据治理的绩效考核需要对单个数据点的数据准确性进行检查，及时发现数据质量问题，常用的数据质量问题检查方法有：记录数检查法、关键指标总量验证法、历史数据对比法、值域判断法、经验审核法及匹配判断法。
1、记录数检查法
通过比较记录条数，对数据情况进行概括性验证。主要是检查数据表的记录数是否在确定的数值或确定的范围内。
适用范围：对于数据表中按日期进行增量加载的数据，每个加载周期的记录数为常数值或可以确定的范围时，必须进行记录条数检验。例如：每日新增会员数
2、关键指标总量分析法
对于关键指标，对比数据总量是否一致。主要是指具有相同业务含义，从不同维度统计的汇总逻辑的检查。
适用范围：①同表内对同个字段从不同的维度进行统计，存在汇总关系时必须进行总量检验。本表的字段与其他表中的字段具有相同的业务含义，从不同的维度统计，存在汇总关系，且两张表的数据不是经同一数据源加工得到，满足此条件时必须进行总量检验。例如：企业的总收入、总利润、总费用、总投资等指标。
3、历史数据对比法
通过历史数据观察数据变化规律，从而验证数据质量。从变化趋势、加速或减速、周期，拐点等方面论证数据的可靠性程度。通常以同比发展速度进行判断，评估时应根据各种指标发展特点，重点对同比发展速度增幅（或降幅）较大的数据进行审核。历史数据对比法包括同比和环比两种方式。
适用范围：不能进行记录数检查法、关键指标总量分析法，且事实表的记录数小于1000万条时必须采用历史数据对比法。
4、值域判断法
确定一定时期内指标数据合理的变动区间，对区间外的数据进行重点审核，其中数据的合理变动区间范围是直接根据业务经验来确定的。
适用范围：事实表中的字段可以确定取值范围，同时可以判断不在此范围内的数据必定是错误的，满足此条件必须进行值域判断法。例如：基于年龄维度统计在职员工的数量，低于18岁，高于65岁的数据属于异常数据，应重点审核。
5、经验审核法
针对报表中指标间逻辑关系仅靠计算机程序审核无法确认、量化，或有些审核虽设定数量界限，但界限较宽不好判定的情况，需要增加人工经验审核。
适用范围：无法量化或量化界限无法评定的情况，使用人工经验审核法。例如：某数据安全事故对企业声誉的影响程度。
6、匹配判断法
通过与相关部门提供或发布的有关数据进行对比验证，判断数据的有效性。
适用范围：与相关部门提供或发布的有关数据口径一致的，可以使用匹配判断法。例如：上市公司的净资产收益率，总资产负债率。
06 数据治理考核机制
在数据治理考核的实际操作中可根据不同企业的具体情况，建立数据治理评估指标体系，明确考核办法。数据治理考核办法应涵盖数据治理的组织人员、制度流程保障、技术措施等方面，重点突出数据录入、审核、维护、备份、安全等重点环节，进行指标量化。
依据考核标准，对必录项的考核指标，在采集/录入环节，其及时率、准确率、完整率必须达到95%以上；经过审核、修正后，其“三率”的考核指标应达到99%以上。数据治理考核结果应纳入企业组织绩效管理考核内容中。
写在最后的话
绩效考核机制是企业数据治理的各项制度有效推进和落实的重要保证，也是形成并固化“数据文化”的重要手段。
实施数据治理的绩效考核机制，企业必须对“数据治理”和“数字化”有深刻的认知和理解，并将数据真正作为重要的“生产要素”来管理，而不是一知半解，浅尝辄止。再深刻理解“数据治理”内涵的基础上，与自身情况相结合，制定有针对性的绩效考核方案，而不能盲目搬用。
中翰软件：专注数据治理17年（http://www.jobhand.cn）
免责声明：本网站所发布的文章为本网站原创，或者是在网络搜索到的优秀文章进行的编辑整理，文章版权归原作者所有，仅供读者朋友们学习、参考。对于分享的非原创文章，有些因为无法找到真正来源，如果标错来源或者对于文章中所使用的图片、连接等所包含但不限于软件、资料等，如有侵权，请直接致电联系，说明具体的文章，后台会尽快删除。给您带来的不便，深表歉意。
