每天，组织都依靠报告来了解其日常运营和战略决策中的信息。对于所有仪表板或记分卡，今天的数据来源于分布式和不同的数据源。
当我们从组织中的某个人那里听到“我的报告没有意义”时，报告所有者通常会联系报告开发人员以在报告中进行更正。
谁应对报告要求负责？
是来自 System(s) 的报告开发人员、业务分析师或
数据分析师吗？
这种差距在组织中很常见且很明显。让我们看看组织在 2018 年面临的商业智能挑战：
企业通常缺乏正确的数据和分析组织结构。每个部门都有自己的不可互操作的数据。
组织没有合适的资源， 技能 或技术，以实现面向未来的战略可能带来的变化。
数据源中缺乏有效、最新和一致的数据。
对经认证的供应点了解程度低。
拥有大量数据，但缺乏适当收集、分析和管理数据的文化和人类能力
商业智能有无数的工具，但由于数据质量差，这些工具的基本功能没有得到利用
在 BI 平台的规则管理过程中发现的数据质量问题不会发送回记录系统进行清理。
应对商业智能
优质数据源
当我们在记录系统中拥有高质量的数据时，报告总是正确的。与其花费在供应商提供的额外功能上，不如积极管理系统和流程中的数据问题；从而利用相同的报告要求。
管理元数据
捕获数据元素的定义，同时了解这些元素是否在合规、风险报告中用作报告属性是一个很好的做法。捕获此信息将有助于分析师更好地了解创建元素的上下文以及使用它的上下文。此外，了解合规性报告的报告属性可以更好地帮助数据所有者专注于这些数据集。
正式化数据质量管理
这就是数据治理可以帮助在整个企业中规范化数据办公室功能的地方。数据治理是对数据管理活动的监督，以确保政策和数据所有权在组织中强制执行。重点在于规范化数据管理功能以及相关的数据所有权角色和职责。此外，治理还通过启用数据的主动质量管理来确保数据管理即服务作为一项功能是可持续的。
利用与工具相关的沉没成本
大多数情况下，工具不一定有问题，但我们现在知道的问题在于基础数据。其他工具或 API 的表单中还有其他功能，可以提供用于报告的数据质量。还有其他功能，例如通过工作流解决问题或提出问题的能力。
数据收集和数据清理涉及从事这些方面工作的人员，企业有责任确定数据质量并享受必须开发洞察力的成果。
扫码加好友，拉您进群
全部版块
我的主页
收藏
