Menu
产品
Tempo大数据分析平台
Tempo商业智能平台
Tempo人工智能平台
Tempo数据工厂平台
Tempo数据治理平台
Tempo主数据管理平台
Tempo指标平台
解决方案
自助式可视化分析
算法模型管理
指标管理解决方案
数字指挥中心
湖仓一体解决方案
智能场景应用构建
主数据应用监管
数据中台
行业应用
发电
电网
制造
油气
煤炭
高校
政企
金融
科研院所
数据资产入表
大模型应用
产教融合
认证中心
DCMM认证
DAMA认证
关于我们
美林数据
合作生态
内容中心
帮助中心
美林新闻
行业资讯
申请试用
方案咨询
产品
Tempo大数据分析平台
面向企业级用户的一体化大数据分析平台
Tempo商业智能平台
面向业务人员的自助式可视化分析平台
Tempo人工智能平台
自动化、智能化的分析模型构建平台
Tempo数据工厂平台
批流一体的大数据开发平台
Tempo数据治理平台
打破数据治理困境,为业务价值保驾护航
Tempo主数据管理平台
解决主数据集成难、应用难的问题
Tempo指标平台
让管理更敏捷、业务更智能
解决方案
自助式可视化分析
数据指导行动,让每一次都有进步
算法模型管理
构建企业级模型管理与应用平台
指标管理解决方案
轻量化打造指标体系,让企业高质量发展
数字指挥中心
从数据中获得见解,让决策有据可依
湖仓一体解决方案
一体化的数据存储、集成、开发解决方案
智能场景应用构建
从数据开发到智能分析的一站式解决方案
主数据应用监管
解决企业主数据应用无法监管难题
数据中台
打造企业数字化转型数据底座
行业应用
发电
数字化赋能新能源电厂提质增效
电网
助力数字电网建设
制造
数字化智造从顶层设计到落地实施
油气
以AI视角优化油气行业生产流程
煤炭
AI赋能智慧煤矿安全、高效生产
高校
教学、实践、科研一体化实验室解决方案
政企
助力智慧政务决策
金融
客群价值深度挖掘,打造精准营销新模式
科研院所
提升科研转化能力,助力产业应用创新
数据资产入表
大模型应用
产教融合
认证中心
DCMM认证
掌握DCMM国家标准,全面提升数据管理技能
DAMA认证
学习国际数据管理业界权威知识体系,培养数据人才
关于我们
美林数据
连续7年大数据企业50强
合作生态
基于多年成功经验,提供技术与方法论支持
内容中心
大数据专业知识沉淀与成果共享
帮助中心
Tempo产品操作手册及常见问题解析
美林新闻
美林数据动态尽在掌握
行业资讯
第一时间洞察最新行业资讯
美林数据
ABOUT US
美林数据技术股份有限公司(简称:美林数据,NEEQ:831546)是国内知名的数据治理和数据分析服务提供商。
产品简介
Tempo商业智能平台
提供了从数据接入、数据准备、数据可视化分析于一体的完整的解决方案
Tempo人工智能平台
为“全民数据科学家”提供自动化、智能化的数据分析模型构建能力。
Tempo数据工厂平台
支持大规模数据的快速集成和高效计算,构建流批一体大数据开发平台。
Tempo指标平台
指标的体系化建设和全生命周期管理。
Tempo数据治理平台
面向企业数据治理、数据中台落地的应用平台。
Tempo主数据管理平台
为用户提供全生命周期管控的主数据治理工具。
相关推荐
数据变现狂潮!细数数据资产入表如何助力企业“一夜暴富”?
RAG vs 微调:大模型知识的进化之路
大模型在企业数智化转型中可以做哪些事情?
美林新闻
/
NEWS
首页
美林数据
行业资讯
数据治理知识分享—数据元|主数据|参考标准|指标数据|业务术语,企业数据标准如何落地?
2022-11-17 13:35:00
次
上篇文章我们提到制造企业的销售、设计、采购、生产等众多业务环节无法贯通,信息滞后严重等问题可以从企业数据标准的统一为切入点进行解决,我们也详细介绍了:
“什么是数据标准?”
“为什么要定数据标准?”
“数据标准包括哪些内容?”
等一系列问题【
数据分析行业知识分享|绝对干货!一文详解数据标准
】,那么这些标准到底如何应用、如何落地?今天让我们来一探究竟吧!
总的来说,数据服务于业务,数据标准制定要基于业务场景确定、数据标准落地要回归到业务应用中,为业务贯通、业务效率提升等发挥作用;一般的数据类项目中,数据质量、数据建模等也需要考虑对定义的数据标准进行贯彻和执行。
上期我们分享了
数据治理
中不同类型的数据,数据标准定义的侧重点不同;实际上,不同类型的数据标准,落地方案也不尽相同,需要根据该类数据的特点及场景确定合适的落地方案。
01 数据元
可以理解为属性字段,对企业中重要数据的数据元进行标准化定义,使数据的拥有者和使用者对数据有一致的理解。数据元标准主要应用到数据建模过程,包括业务系统的模型设计、数据类平台的模型设计均需要考虑模型落地等。
02 主数据
是组织中需要跨业务领域、跨流程、跨系统使用的数据。主数据管理是对主数据标准和内容进行管理,实现主数据跨系统的一致、共享使用。主数据管理落地,需要注重主数据的标准以及主数据内容两个部分,尤其是内容的规范化及共享。
03 参考数据
是用于将其他数据进行分类的数据。参考数据管理是对枚举项值进行管理,包括代码值和其唯一标识符。参考数据标准落地会特别注重枚举项值及编码的规范化及各业务环节、业务系统的共享。
04 指标数据
是组织在经营分析过程中衡量某一个目标或事物的数据,一般由指标名称、时间和数值等组成。指标数据标准的落地主要在于使各业务部门、业务环节、管理层对指标业务定义达成共识,形成企业级的指标管理体系,通常在专门的数据分析平台中落地。
05 业务术语
是企业内部理解数据、应用数据的基础,主要针对业务概念的规范化描述/解释,业务术语可以是业务流转环节的术语、表单的术语、某一字段的术语、某一参考数据条目的术语等,理解及应用数据过程中需要澄清的、界定的概念都可以定义为业务术语。业务术语标准,通常会形成业务术语表,一般是在企业范围内当成标准发布并参照执行。
►
数据元标准:Standards
数据元标准要真正在业务贯通中发挥作用,应该落地到各业务流程的输入输出数据中。数据元标准落标与数据建模有直接关系,涉及到已建系统、待建系统中模型的映射及引用等,数据元标准在业务活动中的落地方案如下:
图 数据元标准应用
应用于模型的两种模式:
1. 引用:数据模型在设计过程中引用数据标准,达到模型规范化目的。
2. 检查:数据模型关联标准、引用标准后进行贯标检查,反向推动标准落地。
落地到业务系统的两种情况:
1. 已建系统:对于已建业务系统的落地,我们通常采用属性字段与数据元标准进行映射的方式,将业务系统中的物理表属性与数据标准关联,关联后通常检查两类内容:一种是模型中数据元标准的覆盖率检查;另一种是对关联的原属性判断其与标准的符合程度。在数据管理类平台中对业务系统的属性进行贯标时,有时采用“已有模型进行映射”的方法,预留一列“数据元标准映射”,专门用于映射数据元标准,基于平台对数据应用时可以通过其关联的标准了解它的内涵及约束规则等,如下图所示。
2. 待建系统:对新建的业务系统,可要求其模型中的属性“直接引用”数据元标准,包括数据元的名称、规则等,在业务系统运行过程中仍需持续监控标准的执行情况,及时发现不符合标准项的模型予以整改;新建业务系统如遇成熟套件的情况,数据模型通常已经内置,且更改不易,也可考虑在数据管理平台中进行数据元标准映射并检查的方式贯标。
采用业务系统直接“引用”数据元标准的方式进行贯标,会涉及系统的改造,对流转中的业务也有一定的影响,但这也是基于统一的标准打通业务流程和提高业务协作效率最根本的方法;除此以外,为了兼容业务系统的异构性,在数据类项目中,通常在数据管理平台中做映射贯标,并基于此开展业务流程打通的关键业务点监控、业务可视化的方式来推动业务效率提升。
►
主数据标准落地:Standards
主数据标准
的落地重点除了数据模型的一致性,还包括主数据条目的一致性,需要对具体的数据条目进行规范化及共享。
各类主数据需要从业务定义、分类、编码规则、属性、质量规则、维护流程等几个方面进行标准的制定与落地。保障企业中跨系统、跨部门的核心数据能够在各业务环节保持一致。
01、业务定义
明确各类主数据的定义与范围,并将定义范围内的原始数据进行收集。如计量器具是指能用以直接或间接测出被测对象量值的装置、量具和用于统一量值的标准物质;计量器具数据范围指通用计量器具,不包含固定资产、仪器仪表、工艺装备和非标设备。
02、分类
这里所说的分类是针对某一类主数据进行细化的分类,制造企业的物料通常到五级分类,可参考国标、行标、集团标准等确定本企业应用的数据分类,通常为树状结构。不是所有主数据都需要制定分类,制定时可从业务或管理需要出发。如某企业产品类主数据分类见下图:
03、属性
主数据属性需要满足共享性、基础性、变化不频繁等特性,变化相对频繁的属性一般不纳入主数据管理,比如:物料数据的采购视图、仓储视图、财务视图、MRP视图等信息不纳入主数据管理。
04、编码
在标准落地过程中,每条主数据都应该依据编码规则被赋予一个唯一的编码,编码是业务流转判断唯一数据的重要依据,编码规则不适合有太多的业务含义,一旦属性值变更,则该编码表征的业务含义就不对了,通常建议物料的编码规则由大类的类别码+x位流水码确定。
05、质量规则
需要根据业务应用需求对各类主数据的关键属性确定质量规则,如唯一性、一致性、不允许出现空格、直径应统一用“Φ”等。某物料数据的质量规则要求示例如下:
06、数据维护流程
需要确认各类主数据的权威源头并基于业务制定该类数据的维护流程,确保定义的数据维护规则及分类等能够被贯彻执行。下图为某企业非金属材料主数据的管理流程:
07、数据清洗
依据标准对存量主数据开展清洗工作,清洗过程除了基于质量规则对已有不规范数据进行属性补充、规范化填写以外,更重要的是识别重复的数据、对重复数据进行去重及合并,数据层面主要通过新旧编码映射的方式确保旧编码的业务正常开展。
08、数据共享
存量数据的共享,主要通过初始化导入方式开展;增量数据的共享,主要基于
主数据管理平台
在数据新增生效/变更生效/起停用状态变更后,主动触发下游系统的分发机制,保障主数据相对实时的被共享。
主数据权威源头的确定有两种情况:
1. 业务系统为源头。当某类主数据在业务系统中管理较规范、质量较高时,可将其确定为主数据的源头,主数据新增及变更后及时推送给
主数据平台
,主数据平台再将数据推送给各下游业务系统。
2. 主数据系统为源头。当业务系统维护的数据质量较差,无法确保质量规则的落地及唯一性检查时,通常确定主数据系统作为源头系统,新增及变更在主数据系统中执行,发起流程进行审核及赋码生效后,推送给各业务系统。
►
参考数据标准落地:Standards
参考数据标准落地(也称为枚举项标准)的侧重点与主数据相同,重点是数据内容的一致性,即对具体数据条目的规范化及共享。
参考数据标准包括:
1.枚举项的定义,如“资产类别”枚举项指企业内部资产的分类方式;
2.枚举值的名称与编码,如01代表固定资产,02代表实物,03代表低值易耗品。
参考数据的变更也需要基于流程规范进行审核,比如质量等级枚举项的维护流程如下:
对参考数据标准进行制定后也需要将其分发至各业务系统中使用,业务系统中的参考数据也需要对照标准进行映射及清洗,确保后续产生的数据是规范的数据,保障各业务流转及分析过程中的枚举值一致。
►
指标数据标准落地:Standards
指标数据标准的落地主要是为了让各业务部门、业务环节及管理层等对指标的业务含义有共识,各应用场景下的业务口径有一致的理解,确保分析决策的准确性。指标数据标准的定义如下图所示,从业务视角、技术视角、管理视角进行统一定义:
“销售订单变更率”指标数据标准
指标的落地通常需要基于
企业数据仓库
支撑。通用的企业数仓分层及各层的模型设计框架中:ODS层通常按照业务系统进行数据归集和数据分类,存储业务系统原始的企业数据;DW层通常按照关系型模型建模,存储全量的明细的企业数据,可以按照数据架构中确定的主题域进行数据分类;DM层通常按照维度型模型建模,存储分析数据,通常按照分析主题进行数据分类(如沿用指标体系的分类等)。如下图所示:
支撑指标数据的仓库建设
值得注意的是,在
数据指标
构建过程中应特别注重元数据关系的梳理,确保后续的血缘追溯及数据仓库中数据的复用。
至此,为什么要定义数据标准、什么是数据标准、数据标准包含哪些内容、数据标准该如何落地的问题就全部讲完啦~
制造行业、汽车行业、司法行业、建筑行业、电网等数据标准实例,请拨打我们的咨询热线:400-608-2558联系我们。
上一篇:可视化分析图形怎么选?这篇指南手把手教你!数据可视化分析图形选择指南
下一篇:基于人工智能算法和无人机的智能防护监测实践
在线咨询
服务热线
400-608-2558
咨询热线
15502965860
电话联系
微信扫描二维码,立即在线咨询
微信沟通
申请试用