当公司认为合并和收购比单独运营时更有价值时，就会发生合并和收购。这些公司加入劳动力、系统、基础设施和数据，成为一个新的、更强大、更有价值、更有效的实体。直到他们意识到他们忽略或低估了数据、IT 基础设施和集成计划的关键问题。事实上，大多数并购计划都因数据集成挑战而惨遭失败。

为自己节省合并失败的毁灭性成本。在评估其数据基础设施和对质量的坚持之前，不要收购一家公司。


为什么强调数据质量？
截至 2019 年，全球并购交易的价值为 3.9tr 美元。具有讽刺意味的是，另一份报告得出的结论是，高达 90% 的合并 未能实现其目标。

虽然导致这种失败的因素有很多（其中大部分取决于公司的文化、预算、基础设施等），但我们已经看到，缺乏数据尽职调查是迁移失败的最常见原因。

数据质量问题并不新鲜。然而，随着世界朝着利用大数据做出重要决策的方向发展，公司必须了解忽视数据质量的风险。大多数公司将数据质量作为迁移后的关注点，但是，这种方法会显着减慢并购过程；如果不把它完全变成失败。

除了失败的合并之外，当忽视对数据质量的重视时，还会遇到其他典型挑战。这些都是：

由于数据不佳导致成本激增： 迁移后，公司通常最终花费数百万美元聘请数据科学家或分析师和专家来解决数据质量问题。每年花费 250 美元以上只是为了雇佣和留住数据质量管理人才。加上因错过目标、碎片数据以及处罚威胁、违规等造成的其他费用，您将损失数百万美元的收入。数据基础设施的多样性和复杂性足以导致企业在成本、声誉和失去机会方面的衰落。
重复数据是一项关键挑战： 虽然脏数据或混乱数据是一项挑战，但它并不像重复数据那样危险。事实上，重复数据是最令人担忧的数据质量挑战。重复可能会导致对利益相关者、贸易伙伴、客户和供应商的业务绩效的错误认知。除了有缺陷的感知和分析之外，重复付款可能会使公司损失年度发票付款的 0.5% 到 0.1%。这相当于在一家拥有 10 亿美元应付账款的公司 中重复支付 100 万美元。
不同数据源的问题：在数据 方面，组织几乎没有单一或统一的事实来源——特别是在并购的情况下是黄金的客户数据。不同的数据源不仅在格式或结构方面有所不同，而且在信息方面也有所不同。
例如，销售和营销可能会存储两组不同的客户信息，从而导致对受众的理解分散。不同的数据源是重复数据的主要原因，需要付出巨大的努力才能解决。您将需要整合来自每个来源的数据，清除深层隐藏的重复数据，清理数据，对其进行重组，并根据新系统对其进行调整。仅此一项就需要数月甚至数年的努力。

公司经常错误地认为清理数据只需要 6 个月，但从本质上讲，这需要多年的努力。数据质量问题成为一个长期存在的问题——公司花费数百万美元来纠正这个问题。

数据安全与合规： 重要的是要检查您要收购的公司是否执行安全的数据道德，或者它们是否符合当地和全球数据法律。除非您已对业务流程进行必要的审计并遵守数据法，否则您将面临处罚和法律诉讼的风险。
审查公司的数据管理流程： 公司如何捕获管理和维护数据？采用的数据标准是什么？他们如何看待数据质量？
在与组织领导者交流他们对数据质量的理解时，您可以学到很多东西。一个不了解或不了解数据质量的组织很可能会将其传递给 IT 部门，而 IT 部门可能会讨论他们对云基础设施、数据湖、新 ERP 系统和其他花哨的术语的所有宏伟抱负——他们刚刚赢了。没有解决数据质量问题的计划。

根据我们与财富 500 强公司的经验，几乎所有公司都让 IT 部门负责数据问题。无论是客户数据还是业务用户数据；数据的提取和转换以供使用一直是推给 IT 的。不幸的是，IT 部门并不是客户数据的真正所有者，他们也不了解数据的预期用途。

如果一家公司无法为您提供有关其数据质量管理实践的正确答案，您可能希望确保在合并“之前”解决数据问题。

合并前如何评估数据质量问题

很多时候，组织在合并后花费大量人力资源来解决数据质量问题。然后在不解决数据质量问题的情况下实施其他更改。组织，尤其是积极的收购方，需要在收购公司之前实施数据质量评估流程。

这是一个简化但有效的问题列表，您可以提出这些问题来确定组织对数据质量问题的严重程度。

数据与错误的比率是多少？这可以通过将错误总数除以项目总数来找到。
当您将信息转换为不同的格式时，会出现多少错误？
重复的严重程度如何？唯一 ID 是否维护良好？
公司是否有存储在不同来源的大型数据集？
公司实施了哪些数据收集、存储、转换过程？
公司使用了哪些数据策略和技术？
您如何确定与合并数据集相关的潜在价值和未来价值？
数据合并将遇到哪些重大挑战？
是否可以创建黄金的、统一的或单一的客户视图？
成功传输或整合数据需要哪些工具和解决方案？
虽然这些问题可能感觉过于简单，但它有助于初步评估公司的数据处理方式。数据“符合目的”至关重要。忽视这一关键方面可能会导致昂贵的诉讼。

利用商业工具评估数据

虽然您可能有长期聘请数据分析师的计划，但必须使用商业数据质量软件或工具进行迁移前或迁移后快速解决数据问题。不良数据不能无人看管。如果您等待聘请团队，然后开发流程和测试算法，那么您就是在浪费时间和金钱——而糟糕的数据正在对您的关键运营目标造成严重破坏。

现在是投资解决方案的合适时机，该解决方案允许您执行以下关键操作：

数据整合： 直接整合第三方数据源，评估数据质量。
数据分析： 了解数据的“健康状况”。
数据匹配：整合来自不同来源、来源内部和来源之间的数据
数据清洗：轻松清理杂乱数据
重复数据删除：重复删除。您选择的工具应该能够清除至少 95% 的重复项。
总结：

我会保持简短。不要让不良数据破坏您的迁移工作。每当您计划收购或与公司合并时，都要进行数据质量评估。

编辑推荐
1、2022年300个以上最佳免费数据科学课程
2、大厂数据分析面试指南！来自亚马逊、谷歌、微软、头条、美团的面试问题！
3、机器学习模型方法总结
4、历史最全机器学习/深度学习/人工智能专业术语表中英对照表
5、机器学习如何应用于商业场景？三个真实的商业项目
6、数据工作者的自我修养 | 哪些技能是必不可少的？
7、《汗牛充栋：数据分析书籍分享》CDA网校新课上线
8、文本挖掘常用的107个语料库
9、一图读懂“东数西算”工程
10、零基础转行数据分析，看这篇文章就够了

DA内容精选