关注并标星【CIO发展中心】
与更多CIO 一路同行
▲
一天，我正在公司总部接待客户来访。一线同事打来电话，“石老师，我刚刚从TT集团总部出来。上午胡总和我针对数据治理立项报告的内容讨论了两个小时。我按照之前提出的建议，坚持要进行一次数据治理顶层规划。但最终还是没有说服对方。你今天下午能不能赶过来。我来约胡总时间，明天上午再去讨论一次。”
我之前没有跟胡总打过交道，但最近参加过一次他组织的集团数字化转型推进会。记得胡总在大会上给集团老大们宣贯数字化转型工作，非常有条理，也非常有感染力。
接下来要开展的数据治理工作也是其中的基础工程之一。为什么存在这么大的分歧呢？
搭乘飞机赶到TT集团所在城市，第二天上午十点准时来到客户会议室。大家坐定下来，经过一线同事简单引荐，彼此简单认识后便快速进入正题。
“石总，我最近几个月把DMBOK，DCMM都看完了，但还是不知道该怎么做。我请你们来，不需要再跟我讲方法论，请直接告诉我该怎么做。”胡总几乎面带愁容，非常直接地提出要求。
“胡总，在当前项目筹备阶段，方法论不是最重要的，首先要搞清楚要解决什么问题，数据治理的目标是什么。”
面对胡总咄咄逼人的态势，我没有直接回应他的问题。非常明显，如果我再次重复昨天一线同事的观点，强调要先进行顶层规划，估计谈话很难进行下去。对方更不会因为我头顶着数据专家的头衔就言听计从。
“我当前面临三个问题需要考虑和解决。第一，各个板块、领域都在齐头并进开展信息化系统建设，系统之间如何保证数据集成、信息贯通。第二，集团拿不到成员企业的数据，看不清下面的业务运行情况。第三，从长远来看，我应该如何管理全集团的数据治理工作。”胡总说到。
为什么熟读了DMBOK、DCMM等当前公认的数据工作手册，依然如此困惑呢？
胡总的困惑绝非偶然。究其原因，当前数据专业方法普遍存在看不懂、学不会问题。
一、过于专业，不利于沟通
数据工作手册面向的读者群体主要是数据治理从业人员。一大堆陌生的概念足以让非专业读者望而却步。元数据、数据元，数据库、数据仓库，企业架构、数据架构，数据分析、数据分布......等等，跟相声行当里的报菜名有得一拼。
数据治理已经不仅仅只是数据从业者的事情，更需要企业最高管理层重视。去年记得网上报道某企业总经理带头学DMBOK，学习精神可嘉，至少体现了一种态度。但是从实际效果方面来说，当前这类书籍对于企业管理层等非专业读者并不那么友好。
由于相关管理机构有政策鼓励，有文件要求，最近两年许多企业纷纷启动数据项目。但企业主管领导、责任部门甚至还没搞清楚数据治理是干啥的，具体能解决什么问题等等还不甚清楚。
二、过于繁琐，难以指导实际工作
记得在一起面向企业内部数据工作初入行的学员培训时，针对DMBOK和DCMM的学习感受做了一个调研，得到的回答是两个字：“繁琐”。
DMBOK是几家美国大企业为主攒起来的一本数据管理“教科书”。DMBOK带有非常典型的西方文化特色，非常严谨而全面，考虑到了可能出现的方方面面。不仅如此，绝大部分要求与落地措施都以企业具备相应执行条件作为前提假设。而实际情况是，当前国内大部分企业离标准化管理有一定的差距。这就是所谓的“水土不服”。
DCMM名义上是国内土生土长的标准体系。但从其名字可以看出是CMM系的“近亲”，后者是美国卡内基梅隆大学的软件工程研究所的成果。因此，基因方面与DMBOK存在很大的相似性。
另一方面，DCMM是一个能力评估模型。就像一本体检手册，它能告诉你的健康状况，但并没告诉你如何提升。毕竟不是简单的“吃什么、补什么”的逻辑。
三、时过境迁，不完全匹配新的发展诉求
DMBOK自2009年发布V0.9英文版本以来，其基本框架几乎没有变化。DCMM标准发布于2018年。我国2019年首次提出数据要素的概念。
数据要素是经济学范畴的概念，意思是数据和土地、劳动力、资本、技术等其他传统生产要素一样，参与企业生产经营活动，可以创造价值，从而参与分配，并允许企业之间合法流通交易等。
在此之前，尽管也有“数据是企业核心资产”的说法，但主要停留在概念层面。从概念到具体实施，原有的标准体系自然难以完全匹配发展诉求。例如在数据（资产）入表等财务专业管理方面，在数据交易等方面。
在企业内部，传统企业资源管理包括人、财、物三大类。
误区：相比物质资源，数据资源及其生产过程太抽象，难以理解。
由于直观可视等原因，我们天然认为物质的概念更加容易理解。真的如此吗？首先做个测试，朋友们猜测下面照片中的设备是用于什么生产。
记得这些照片拍摄于某次工业遗迹的“朝圣”之旅。在我眼里，就像“转经筒”、“佛塔”一样的存在。
相信绝大部分非钢铁行业的朋友都难以答出来，但这并不影响我们对“钢铁”这个概念的理解。
接下来我们回到抽象的世界，首先不妨扫一眼钢铁生产流程图。
再了解一些经过简化的数据生产流程图。
对比数据和钢铁生产流程，后者的生产工艺并不比前者的更难理解。在初步了解数据生产过程的基础上，理解数据资源相关概念也就容易。
数据作为一种新型的企业资源，在企业内部也经历着从原材料（数据资源）到成品（数据产品）的生产过程，以及按照会计准则在数据产品入表之后成为企业数据资产（无形资产或者存货）。
为什么叫数据供应链，而不是数据产业链、数据价值链？
一、数据产业链
这两年来，产业数字化、数字化产业，两个概念频频出现在各种工作规划、总结报告中。因此自然想到了数据产业链。
产业链是产业经济学中的一个概念，包含价值链、企业链、供应链和空间链四个维度。争当产业链主是当前头部企业的目标之一。
数据作为一个产业还在发展初期，并非企业主体当前阶段关注的重点。
二、企业价值链
波特价值链模型是指由迈克尔·波特提出的“价值链分析法”（Michael Porter s Value Chain Model），把企业内外价值增加的活动分为基本活动和支持性活动，基本活动涉及企业生产、销售、进料后勤、发货后勤、售后服务。
价值链模型是以企业为主体，以对外提供产品与服务为主线，以价值创造、盈利为目标的分析模型。
大多数企业并非以数据为企业的主营业务，采用价值链分析模型可能过于复杂。
三、数据供应链
实物供应链分为内部供应链和外部供应链。数据作为一种新型的生产要素，当前依然处于“自给自足”的发展阶段。因此数据供应链首先重点依然是内部供应链。
早在本世纪初，西方大学、Gartner等资讯公司提出“数据供应链”这一概念。
埃森哲公司在《2014年技术展望》中，也曾发表“数据供应链：让信息流动起来”的专题文章。文中指出：“要想真正释放其（数据）价值，企业就必须将数据视为供应链，使其在整个组织内部便利而有效地流通起来，最终贯穿与其合作伙伴组成的整个生态系统。”
数据供应链，指原始数据资源经过采集、存储、加工等业务环节，作为一种工具可用于帮助企业生产经营的过程。
数据供应链：
数据作为一种新型的企业资源，和传统的人、财、物等资源相类似； 不再被视为数据在IT系统内被纯粹的技术处理过程； 数据资源及其供应链管理，是企业的重要业务职能之一。
熟悉实物供应链的朋友都知道著名的供应链模型（SCOR）。
即使第一次看到这个模型的朋友，大概一看也能明白个大概。
照猫画虎，此处“创造”一个数据供应链模型。如下图所示：
数据供应链模型由三大部分构成：
一、数据核心业务流
数据从“原材料”加工成被用户使用的“产品”的过程，由数据采集、存储、加工、应用四个核心环节组成。与实物供应链SCOR相比，采集、加工与采购、制造直接对应。
相比实物供应链，突出体现了数据存储、应用环节。数据存储在过去从技术实现、投资方面都占有很大的比重。如今尽管数据存储介质成本呈指数式下降，但耐不住数据量增长比例更快，存储管理更加复杂。综合历史习惯以及当前实际情况，体现了存储这一环节。另外，数据产品当前还是以“内（部）销（费）”为主，实物供应链的下游是企业所服务的外部客户，因此增加了数据应用环节。
实物供应链的“交付”主要是物流交付，相应的内、外部数据流通融合在数据应用环节中。
二、数据研发
相比于实物资源与产品，数据资源和产品的标准化程度远远不足（甚至可以说是空白），产业链上下游社会化分工刚刚起步。即使相对成熟的数据产品生产线也还需要结合产品生产工艺进行设计定制。数据产品的升级迭代周期更是以周、乃至一天计。想想领导或者业务部门三天两头提新的报表需求的情景就能体会到这一点。
因此，“自研”是当前数据行业的主旋律。
数据研发包含数据产品及其“生产工艺”研发、数据平台研发，以及数据架构与标准研究三部分。
其中，数据平台就相当于物理产品的生产线，负责数据核心业务流中的数据存储、数据加工过程。大家所熟悉的数据湖、数据中台可以认为是数据平台的同义词。
三、数据基础管理
数据基础管理模块和SCOR模型中的“使能/Enable”模块的功能类似，其目的是为了确保数据供应链能够高效、安全的持续运作，以及满足其他必要的管理要求。
数据基础管理包含数据战略、数据质量等等专业功能模块。由于篇幅有限，此处不详细介绍各模块具体的含义。况且对于理解数据供应链的目的来说，并不是最重要的。
为方便朋友们直观理解，下面尝试将数据供应链模型打开一层。如下图所示：
《华为数据之道》等书介绍了华为数据工作的整体框架（如下图所示），总体上是数据供应链模型的一个具体实例。
读到这里，熟悉数据技术方案的朋友可能会吐槽说，“又在玩概念，然而并没有实质性的增值。”
意识转变、认知升级，是高效行动的基础前提。数据成为经济领域的生产要素，不能再沿着过去的方式去行动。
在理解了数据供应链模型的基础上，再提出行动方案，总结起来概括：一张蓝图、两类基础能力、三项速赢。
一张蓝图：以数据供应链模型为基本框架，结合企业业务发展战略，具象化描述企业数据工作蓝图。
两类基础能力：包括数据平台能力，主要支撑数据存储、加工两个主业务环节，以及配套的数据开发与管理工具等硬能力；数据研发与管理能力，主要是组织、人才、流程制度等软能力。
三项速赢：包括数据标杆应用、数据入表、主数据治理等措施。
说明：
文中提到的企业、人物，乃至场景纯属虚构，请勿对号入座。
往期推荐
好文！必须点赞
