第16章 数据管理组织与角色期望
一、了解现有的组织和文化规范
数据管理组织应与公司的组织层级结构和资源保持一致。找到合适的人员，需要了解数据管理在组织内部的功能和政治作用。目标应该是跨职能的不同业务利益相关方共同参与。需要做到：
- 识别当前正在执行数据管理职能的员工，认识并先邀请他们参与进来。仅在数据管理和治理需求增长时，才考虑投入更多的资源。
- 检验组织管理数据的方法，并确定如何改进流程。改进数据管理实践可能需要进行多次改变。
- 从组织的角度考虑，规划需要进行的各种变更，以更好地满足需求。
二、数据管理组织的结构
数据管理组织设计中的一个关键步骤是确定组织的最佳运营模式。可靠的运营模式有助于组织建立问责机制，确保组织内部的正确职能得到体现，促进了沟通，并提供了解决问题的流程。运营模式构成了组织结构的基础，但它不是组织结构图，不是简单地将人名放在框中，而是描述组织各组成部分之间的关系。
2.1 分散运营模式
在分散运营模式中，数据管理职能分布在不通的业务部门和IT部门。委员会是互相协作的基础，委员会不属于任何一个单独的部门。许多数据管理规划从基层开始，意图统一整个组织的数据管理实践，因而具有分散的结构。
- 优点：组织结构相对扁平，数据管理组织与业务线或IT部门具有一致性。
- 缺点：让过多的人员参与治理和制定决策，实施协作决策通常比集中发号令更加困难。
2.2 网络运营模式
通过RACI（谁负责，Responsible；谁批准，Accountable；咨询谁，Consulted；通知谁，Informed）责任矩阵，利用一系列的文件记录联系和责任制度，使分散的非正规性组织变得更加正式，成为网络模式。
- 优点：类似于分散模式（结构扁平、观念一致、快速组建）。采用RACI，有助于在不影响组织结构的情况下建立责任制。
- 缺点：需要维护和执行与RACI相关的期望。
2.3 集中运营模式
最正式且成熟的数据管理运营模式是集中运营模式。所有工作都由数据故那里组织掌控。参与数据治理和数据管理的人员直接向负责治理、管理职责、元数据管理、数据质量管理、主数据和参考数据管理、数据架构、业务分析等工作的数据管理主管报告。
- 优点：为数据管理或数据治理建立了正式的管理职位，且拥有一个最终决策人。因为职责是明确的，所以决策更容易。在组织内部，可以按不同的业务类型或业务主题分别管理数据。
- 缺点：实施集中模式通常需要重大的组织变革。将数据管理的角色从核心业务流程正式分离，存在业务知识逐渐丢失的风险。
2.4 混合运营模式
混合运营模式包含分散模式和集中模式的特点。在混合模式中，一个集中的数据管理卓越中心与分散的业务部门团队合作，通常通过一个代表关键业务部门的执行指导委员会和一系列针对特定问题的技术工作组来完成工作。
混合模式的有点是它可以从组织的顶层制定适当的指导方向，并且有一位对数据管理或数据治理负责的高管。业务团队具有广泛的责任感，可通过业务优先级调整给与更多的关注。他们受益于这个专门的数据管理卓越中心的支持，有助于将重点放在特定的挑战上。
该模式的挑战包括组织的建立，通常这种模式需要配备额外的人员到卓越中心。业务团队可能有不同的优先级，这些优先级需要从企业自身的角度进行管理。
2.5 联邦运营模式
作为混合运营模式的一种变体，联邦模式提供了额外的集中层/分散层，这在大型全球企业中通常是必需的。
联邦模式提供了一个具有分散执行的集中策略。一个负责整个组织数据管理的主管领导，负责管理企业卓越中心。该模式使组织能够根据特定数据实体、部门挑战或区域优先级来确定优先级。
该模式的主要缺点是管理起来较复杂。它的层次太多，需要在业务线的自治和企业的需求之间取得平衡，而这种平衡会影响企业的优先级。
2.6 确定组织的最佳模式
运营模式是改进数据管理和数据治理实践的起点。引入运营模式之前，需要了解它如何影响当前组织以及它可能会如何发展。由于运营模式将帮助政策和流程的定义、批准和执行，因此确定最适合组织的运营模式是至关重要的。
2.7 DMO替代方案和设计考虑因素
大多数组织在转向正式的数据管理组织（DMO）之前，都处于分散模式。当一个组织看到数据质量改进带来的影响时，它可能已开始通过数据管理RACI矩阵来制定责任制度，并演变成网络模式。随着时间的推移，分布式角色之间的协同作用将变得更加明显，规模经济将被确立，从而将一些角色和人员拉入有组织的群体，最终变形为混合模式或联邦模式。构建一个运营模式时，需注意以下要点：
- 通过评估当前状态来确定起来
- 将运营模式与组织结构联系起来
- 考虑：组织复杂性+成熟度；领域复杂性+成熟度；可扩展性
- 获得高层支持——这是可持续发展模式的必要条件
- 确保任何领导机构都是决策机构
- 考虑试点规划和分批次实施
- 专注于高价值、高影响力的数据域
- 使用现有的资源
- 永远不要采用一刀切的方法
三、关键成功因素
3.1 高管层的支持
拥有合适的高管层支持，可确保受数据管理规划影响的利益相关方获得必要的指导。在组织变革的过程中，将新的以数据为中心的组织有效地整合在一起，从而获得长期持续地发展。
3.2 明确的愿景
明确的愿景以及推动的计划，对数据管理组织的成功至关重要。组织领导者必须确保所有数据管理影响的利益相关方明白和理解数据管理是什么，为什么很重要，他们的工作将如何影响管理及数据管理对他们自身的影响。
3.3 积极的变更管理
管理与建立数据管理组织相关的变更过程，需要规划、管理和保持变更。将组织的变革管理应用于数据管理组织的建立，可以解决人们面临的挑战，使数据管理组织获得长期可持续发展的可能。
3.4 领导者之间的共识
领导者之间的共识，确保了对数据管理规划的一致性和统一支持，并就如何定义成功达成一致。领导者之间的共识，包括领导者对目标与数据管理成果和价值的共识，以及对领导者宗旨的共识。
3.5 持续地沟通
应尽早展开沟通，并保持公开和一定的频率。组织必须确保利益相关方清楚地指导数据管理是什么，为什么它对公司很重要，什么在变化以及行为需要如何变化。如果不知道该采取何种不通过的方法，就无法改进管理数据的方式。
3.6 利益相关方的参与
利益相关方分析有助于组织更好的地理解那些受数据管理变更影响的内容。通过获取这些信息并根据组织内的影响程度和数据管理实施中的兴趣对利益相关方进行映射，组织可以确定让不同利益相关方参与变更火车的最佳方法。
3.7 指导和培训
不同的群体需要不同类型和层次的培训，领导者需要明确数据管理的方向，并明确数据管理对公司的价值。数据管理专员、所有者和管理员都需要深入地了解数据管理计划，有针对性的培训可以使他们有效地发挥作用。
3.8 采用度量策略
采用度量策略有助于了解当前的数据管理路线图是否有效，以及是否继续有效。如何制定度量标准，具体如下：
- 是否采用
- 改进的程度，相对于之前状态的增量
- 数据管理的有利方面。数据管理如何影响结果可测量的解决方案。
- 改进的流程和项目
- 识别并规避的风险
- 数据管理的创新方面。数据管理如何从根本上改变业务的方式
- 可信度分析
3.9 坚持指导原则
指导原则阐明了组织的共同价值观，是战略愿景和使命的基础，也是综合决策的基础。指导原则构成了组织在长期日常生活中遵循的规则、约束、标准和行为准则。无论是分散的运营模式，还是集中的运营模式，还是介于两者之间的任何形式，都必须建立和商定指导原则，使所有参与者保持一致的行事方式。
3.10 演进而非革命
“演进而非革命”的理念有助于最大限度地减少重大变化或大规模高风险项目。建立一个持续发展和成熟的组织非常重要。以逐步改进数据管理和业务目标优先级的方式，将确保和持续改进新的政策和流程的执行。增量变化更容易被证明，因此也更容易获得利益相关方的认可和支持，并让那些重要的参与者参与进来。
四、建立数据管理组织
4.1 识别当前的数据管理参与者
回顾现有的数据管理活动，如谁创建和管理数据，谁评估数据治理。通过对组织的调查，找出谁可能已经担任了所需的角色和职责，这些人可能拥有不同的职位，他们可能是分散组织的一部分，尚未被企业识别出。编制“数据人员”清单后，找出差距，确认执行数据策略还需要哪些其他角色和技能。
完成人员盘点后，为他们分配合适的角色，并审查他们的薪酬，使其与数据管理的期望保持一致。
4.2 识别委员会的参与者
让合适的人员加入指导委员会，让他们了解情况并专注于改进数据管理，将有助于他们实现业务目标和战略目标。
4.3 识别和分析利益相关方
利益相关方是指能够影响数据管理规划或被其影响的任何个人或团体。利益相关方可以在组织内部或外部，利益相关方分析可帮助组织确定一些最佳方法，通过这些方法让参与者参与数据管理流程，并让他们在运营模式中发挥作用。利益相关方分析需要回答以下问题：
- 谁将受到数据管理的影响
- 角色和职责如何转变
- 受影响的人如何应对变化
- 人民会有哪些问题的顾虑
分析的结果将确定：利益相关方名单、他们的目标和优先事项，以及这些对他们重要的原因。
4.4 让利益相关方参与进来
推动数据管理工作的个人或团队，应阐明每个利益相关方对项目成功不可或缺的原因。并将数据管理过程的输出与他们的目标关联，这样他们就能看到直接联系。
五、数据管理组织与其他数据相关机构之间的沟通
数据管理组织则需要对数据管理方式产生重大影响的其他团队合作，这些团体通常是：
- 首席数据观组织
- 数据治理机构
- 数据质量团队
- 企业架构团队
5.1 首席数据官（CDO）
CDO往往是业务战略家、顾问、数据质量管理专员和全方位数据管理大使中的一员，CDO常见任务包括：
- 建立组织数据战略
- 使以数据为中心的需求与可用的IT和业务资源保持一致
- 建立数据治理标准、政策和程序
- 为业务提供建议以实现数据能动性，如业务分析、大数据、数据质量和数据技术
- 向企业内外部利益相关方宣传良好的信息管理原则的重要性
- 监督数据在业务分析和商务智能中的使用情况。
5.2 数据治理
数据治理是用于建立有效管理企业数据的战略、目标和策略的组织框架。它由管理和确保数据的可获得性、可用性、完整性、一致性、可审计性和安全性所需的流程、策略、组织和技术组成。由于数据治理过程需要数据战略、标准、策略和沟通同的相互作用，因此它与数据管理具有协同关系。
数据治理是要“做正确地事情”，数据管理是要“将数据做正确”，它们是创造有价值数据所需要的两个方面。通过这种方式，数据治理为数据管理提供了指导方向。
5.3 数据质量
数据质量管理是数据管理实践和组织的关键能力。当数据质量管理的目标是提升跨业务线或应用程序共享的数据质量时，通常侧重于主数据管理。数据管理组织通过数据质量计划有机发展是很常见的饿，因为对提高数据质量的投资可增加整个公司的价值，与提高数据质量相关的工作可以扩展到其他领域，如主数据管理、参考数据管理和元数据管理。
5.4 企业架构
企业架构团队负责设计并记录组织的总体蓝图，阐明如何实现其战略目标并进行优化。企业架构实践包括：技术架构、应用架构、信息架构、业务架构。
5.5 管理全球化组织
全球化组织需要特别注意：
- 遵守标准
- 同步流程
- 明确责任制度
- 培训和交流
- 有效地监控和度量
- 发展规模经济
- 减少重复性工作
六、数据管理角色
6.1 组织角色
IT数据管理组织提供从数据、应用程序和技术架构到数据库管理的一系列服务。集中式数据管理服务组织专注于数据管理，该组织团队可能包括数据管理执行官、其他数据管理的管理人员、数据架构师、数据分析师、数据质量分析师、数据库管理员、数据安全管理员、元数据专家、数据建模师、数据管理员、数据仓库架构师、数据集成架构师和商务智能分析师。
6.2 个人角色
6.2.1 执行官角色
数据管理执行官可能侧重于业务或技术层面，首席信息官和首席技术官则在IT方面发挥着重要作用。
6.2.2 业务角色
业务角色主要关注数据治理功能，尤其是管理职责。数据管理职责的最初重点，通常为其主题领域定义业务术语和有效值。在很多组织中，数据管理专家还负责定义数据属性，以及维护数据质量要求和业务规则，并帮助识别和解决数据问题，为数据标准、策略和过程提供输入。
6.2.3 IT角色
IT角色包括不同类型的架构师、不同级别的开发人员、数据库管理员以及一系列支持性角色。
- 数据架构师。负责数据架构和数据集成的高级分析师。可以在企业级或某个功能级别开展工作。数据架构师一般致力于数据仓库、数据集市及其相关的集成流程。
- 数据建模师。负责捕获和建模数据需求、数据定义、业务规则、数据质量要求、逻辑和物理数据模型。
- 数据建模管理员。负责结构化数据资产的设计、实施和支持，以及提高数据访问性能的技术方法。
- 数据库管理员。负责结构化数据资产的设计、实施和支持，以及提高数据访问性能的技术方法。
- 数据安全管理员。负责确保对不同保护级别数据的受控访问
- 数据集成架构师。负责设计数据集成和提高企业数据资产质量的高级数据集成开发人员
- 数据集成专家。负责实现以批量或准实时方式集成（复制、提取、转换、加载）数据资产的软件设计或开发人员。
- 分析/报表开发人员。负责创建报表和分析应用解决方案的软件开发人员。
- 应用架构师。负责集成应用系统的高级开发人员。
- 技术架构师。负责协调和集成IT基础设计，以及IT技术框架的高级技术工程师。
- 技术工程师。负责研究、实施、管理和支持某一块信息技术基础设施的高级技术分析师。
- 桌面管理员。负责处理、跟踪和解决与信息、信息系统或IT基础设施使用相关的问题。
- IT审计员。负责包括审计数据质量和数据安全性的IT内部或外部的审计人员。
6.2.4 混合角色
混合角色需要同时具备业务和技术知识，根据组织的不同情况确定担任这些角色的人员是汇报给IT部门还是业务部门。
- 数据质量分析师。负责确定数据的适用性并监控数据的持续状况；进行数据问题的根因分析，并帮助组织识别提高数据质量的业务流程和技术改进。
- 元数据专家。负责元数据的集成、控制和交付，包括元数据存储库的管理。
- BI架构师。负责上午智能用户环境设计的高级商务智能分析师。
- BI分析师/管理员。负责支持业务人员有效使用商务智能数据。
- BI项目经理。负责协调整个公司的BI需求和计划，并将它们整合成一个整体的优先计划和线路图。