鑽石舞台

主持人：

今天我們邀請到了崔愛軍來參加我們的CDA持證人專訪！崔愛軍可以和大家打個招呼！

嘉賓：

大家好，我叫崔愛軍，畢業於華南理工大學。目前就職於時代中國這家地產50強公司，任集團數據中台負責人，主要負責數據相關平台的規劃、建設及運維，同時負責數據架構、數據標準、數質量、元數據、主數據等數據治理工作。

點擊下方視頻，先睹為快

👇👇👇

問題 1：

嘉賓：

好的，我知道大家印象裡面地產行業比較傳統，它的管理手段相對也比較粗放，數字化進程也相對緩慢。

但其實呢，這幾年隨着互聯網+浪潮的衝擊，地產行業的數字化轉型正進行得如火如荼，我們時代中國算是比較早開啟數字化轉型的地產公司。

從2017年開始至今，經過5年多的建設，已經建成80多套信息與數據系統或平台，覆蓋集團的各個業務條線，做到業務數據從秒級到天級的多頻率更新，賦能業務的統計分析。

說到數據應用案例，就拿我們房地產行業的關注現金流和利潤來說吧。

我們除了做到對集團已發生的現金流和利潤進行高效統計匯總，對未來的現金流和利潤情況我們也構建了測算模型進行預測，我們整合了項目的主數據、樓棟產品價格數據、房間銷售數據等多個數據源的業務數據，疊加了項目的節點信息和相關銷售計劃，設置了多個業務線條的預測規則和業務標準，經過中台計算後就可以很方便地輸出未來三個月、半年及一年分月的現金流和盈利狀況，支持我司高層進行多場景的業務決策，如：投融資、項目拓展、銷售鋪排等。

問題 2：

嘉賓：

這個問題很多人都有困惑，很容易混為一談，其實，它們有時候真的可以互換，而它們具體的差異主要是側重點各有不同。

數據治理側重於企業頂層設計、戰略規劃方面的內容，是數據管理活動的總綱和指導，它指明數據管理過程中有哪些決策要制定、由誰負責，更強調組織模式、職責分工和標準規範，以及數據治理的藍圖規劃，治理的整體目標、治理步驟路徑及治理實施計劃等。

數據管理側重於執行和落實數據治理策略並在過程中給予反饋，強調管理流程和制度，涵蓋不同的管理領域，比如元數據管理、主數據管理、數據標準管理、數據質量管理、數據安全管理、數據服務管理、數據集成等模塊的管理辦法及相關落地。

數據管控側重於執行層面，是具體落地執行所涉及的各種措施，例如在數據建模、數據抽取、數據處理、數據加工、數據分析等數據開發過程中的預防、預警和糾偏措施。數據管控的目的是確保數據被管理和監控，從而讓數據得到更好的利用。

總的來說，數據治理強調頂層的策略，數據管理側重於流程和機制，而數據管控側重於具體的措施和手段，三者是相輔相成的。那麼很多時候描述這一整塊工作的時候，我們就常常用數據治理進行概括了。

問題 3：

嘉賓：

數據質量參差不齊確實是一個很普遍的數據問題。

它一方面主要表現為數據不全面。部分相關信息未能納入系統管理, 從而削弱了應用軟件的作用。

另一方面表現為數據不準確。提供的信息有誤、工作人員錄入錯誤或系統技術問題引起的數據錯誤以及數據採集的標準不統一都會導致垃圾數據的產生，進而影響在此基礎上的一系列應用的準確度,數據分析系統也難以發揮出正常功能。

我覺得可以採取的對策主要有三點：

第一、需要完成業務在線化，提升系統的覆蓋度，要將核心業務流程及業務操作遷移到線上，實現核心業務數據的在線及時更新。

第二、建立主數據、核心業務數據及指標數據的標準，規範數據的系統錄入及數據開發的要求，落實責任人，滾動培訓，定期考核，嚴格獎懲。

第三、建立集團數據質量管理體系，按照PDCA循環，通過人工報障和自動監控相結合及時發現數據問題，組織整改糾錯，不斷提高系統中的數據質量。目前，這幾點在我們時代中國已經基本落地了，總的來看還是行之有效的。

問題 4：

嘉賓：

我有以下幾點建議。

1、經營管理目標驅動。

不能為了數據資產建設而建設，而是服務於當下的經營管理目標，例如精細化管理供銷存、提高費效比，有的放矢地進行資產盤點、治理和建設。

2、治理由點到面。

在繪製完整數據藍圖後，與經營管理目標聯繫緊密的數據先治理，緊密銜接業務與IT、協同管理與業務一線，共同完成對應主題的數據標準制定、指標制定、IT系統改造、管理流程搭建。在滿足一定經營管理用數分析的目標後，分階段逐步補充完整全部藍圖，並且針對已治理的部分要動態管理。

3、逐步完善資產管理框架。

數據資產建設不能全面鋪開，而是一條線服務經營管理目標，將快速見效的工作優先級提高，另一條線全面周全籌劃，將重要而不緊急的業務系統資產盤點、數據安全治理、元數據管理等工作逐步補充完整，同時引入相關的數據資產管理平台的相關工具與組件。

問題 5：

嘉賓：

數據中台的概念在前幾年由阿里巴巴引入業界，之後迅速掀起了中台熱。

現在在不同行業對於數據中台有不同理解和多種定義，在我看來其實數據中台可以理解為是傳統數據倉庫的升級版，它可以包含多個子系統，它與數倉最大的不同是它釋放的高價值數據需要嵌入到業務運作中，因此對數據質量的要求非常高。

因此，除了有傳統數據倉庫的功能外，在數據治理、開發管理等方面做了非常大的加強，有力的保證了高的數據質量。

同時，在傳統數倉分層中增加了標籤層來對業務實體進行全方位的描摹，可支撐對客戶的精準營銷，在傳統的支撐數據分析可視化應用的基礎上，增肌了數據服務，可通過API集成對業務系統進行實時數據和模型共享，讓提煉的高價值數據直接嵌入業務，賦能業務系統。

我們就有將供應商招標風險分析做成數據服務，通過API嵌入到供應鏈管理系統，在業務進行招標操作時選擇好了入圍供應商，數據服務實時返回供應商相關的風險信息，這幾家供應商是否有圍標風險、與公司內部員工是否有利益衝突等，大大降低了招標管理的風險。