组织不断向我们寻求帮助，以变得更加“数据驱动”。他们希望改进决策，将流程转变为更加量化，更少基于直觉和经验。这是一个有价值的目标，但比仅仅将仪表板放在经理面前要复杂一些。

存在数据驱动涉及的不仅仅是闪亮的新工具。它需要对数据质量进行投资，以改变围绕数据捕获系统的设计和使用方式的行为。它还需要投资于跨团队协作以及为核心指标构建一致的企业范围定义，以确保每个人都在同一页面上。对这些数据治理支柱的投资也为更高价值奠定了基础高级分析活动、机器学习和自动化，其中治理的附加值更加明显。

必须优先考虑数据质量
数据质量是所有基于分析的活动的基础。随着组织寻求基于数据做出更多决策，如果支持决策的数据不正确、不完整或不一致，则存在决策错误的风险。

众所周知，企业应用程序的用户体验和捕获的数据质量很差。用户体验差的系统使善意的用户难以有效地输入数据。激励系统和 KPI 通常会抑制花在数据收集上的时间。客户服务代表因快速解决故障单而获得奖励，因此他们从一张故障单跳到另一张故障单，而不会“浪费时间”有效地记录解决方案。激励销售人员完成交易，而不是准确和完整地捕获潜在客户的详细信息或流程进展情况或销售细节的更新。

当主要任务受到激励时，捕获的数据质量就会受到影响。这实质上使许多具有实际价值的指标无法使用。如果财务部门可以使用对 CRM 中管道机会的准确估计来预测收入，或者营销部门可以判断其活动的有效性，而不仅仅是门内的潜在客户，而是他们转化的可能性，那该有多好。

激励数据质量的提示：
将数据质量纳入绩效指标（例如，限制未能有效获取销售流程数据的销售人员的佣金）
确保数据质量是管理人员的 KPI
确保高质量数据捕获是新系统实施的非功能性要求 (NFR)
定期（例如，每季度）审核数据质量
数据需要一致和清晰的解释
对许多人来说，术语“数据”是“事实”的同义词，忘记了数据需要正确解释上下文。上下文因部门、业务部门、团队之间甚至团队内部而异。上下文的差异通常会导致对事物计算方式的细微不同的定义。例如，当市场营销谈论“总销售额”时：

它是指购买（交易）的数量还是这些交易的价值？
是否包括退回的物品？当一件物品在不同时期被购买和退货时怎么办？
包括运费吗？
它包括销售税吗？
当以外币进行销售时，汇率是如何计算的？
它是否包括促销中赠送的物品？
许多依赖“总销售额”的业务用户实际上可能并不知道这些问题的答案，这很可能会影响他们的决策能力。此外，虽然营销部门可能对其“总销售额”的定义充满信心，但财务部门可能会使用一个略有不同的定义，并再次使用不同的定义。整个组织的这种不同环境使得协作变得更加困难，并且可能让执行团队摸不着头脑。

PowerBI 和 Tableau 等分析平台将数据交到员工手中，使整个组织的数据大众化。它们还加剧了指标不一致的问题。突然间，营销部门的 Tom 可以轻松地从财务仪表板查看 Amy，发现她的“总销售额”数字与他的不同。这些问题可以而且确实会削弱对这些平台的信任，损害它们的采用并降低它们增加价值的能力。

一致指标的提示：
需要在所有组织单位同意的情况下，在整个组织内一致地定义和记录指标
出现在多个仪表板上的任何指标都应在同一时期具有相同的值
分析团队应审查新的和更改的仪表板，以寻找合并报告并检查其一致性的机会
指标计算方法的任何变化都应广泛沟通
指标定义应该在任何显示它们的平台上都可以轻松查看
限制最终用户自定义指标计算方式的能力
定期查看用户创建的仪表板，以确保指标标记一致
数据治理是关于人和流程，而不是技术
强大的数据治理框架应侧重于数据质量以及一致性和清晰度。数据治理的这些支柱牢固地植根于人员和流程，而不是技术。根本挑战在于改变他们的行为，无论是组织如何通过激励措施优先考虑数据质量，还是说服团队使用其他人对其 KPI 的定义。不幸的是，还没有人开发出软件来管理它！

相关帖子DA内容精选 2022年300个以上最佳免费数据科学课 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！ 机器学习模型方法总结 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 机器学习如何应用于商业场景？三个真实的商业项目 数据工作者的自我修养 | 哪些技能是必不可少的？ 《汗牛充栋：数据分析书籍分享》CDA网校新课上线 文本挖掘常用的107个语料库 一图读懂“东数西算”工程 零基础转行数据分析，看这篇文章就够了