数据中台百家争鸣,到底谁的好?我这里设计了一套指标评估体系

如何打造企业数据中台的评估指标体系,一方面指导企业自身的数据中台建设,另一方面为企业间数据中台的比较提供一个参考标准。

去年写过一篇文章谈了数据中台的初步评估方法。今天再谈谈落地的细节,即如何打造企业数据中台的评估指标体系,一方面指导企业自身的数据中台建设,另一方面为企业间数据中台的比较提供一个参考标准。
1、行业实践参考
第一个是DCMM。

数据管理能力成熟度评价模型(Data management Capability Maturity Model 简称DCMM)是国家大数据重点标准之一,是一个综合标准规范、管理方法论、评估模型等多方面内容的综合框架,涉及8个能力域5个等级,目标是提供一个全方位组织数据能力评估的模型,如下图所示,但其缺乏对数据中台最重要特征的比如服务化,业务化等的描述。

图片

第二个是大数据服务成熟度模型。

信通院推进的针对大数据服务成熟度评估的准国家标准,是对DCMM的有效补充,如下图所示。

图片

第三个是云徙科技中台能力成熟度。

云徙科技针对中台的成熟度评估实践,能力域设置比较全面,还有指标体系的设置,如下图所示。

图片

2、数据中台能力成熟度模型

结合行业及自身实践,笔者建议企业数据中台的评估从管理、技术、价值三个能力域开展,以此衡量数据中台的管理先进性技术先进性服务价值贡献,如下图所示:

图片

管理维度:从企业数字化战略、数字化人才和运营机制反应企业数据中台管理的先进性

技术维度:从架构先进性、能效水平来衡量数据中台的技术领先性

价值维度:从服务规模、服务共享及服务响应来衡量数据中台的价值贡献

3、数据中台评估指标体系

这里将数据中台价值评估指标体系分为管理、价值、技术三大能力域8个能力项10个指标,指标类型区分为定量定性,定性的根据划分阶段可以转成定量,整个指标体系如下表所示:

图片

(1)价值域

数据服务支撑度:数据服务直接支撑的接口数量/下游应用的数据接口数量,代表了数据中台的服务覆盖度,如果下游应用的数据接口大多以定制化的方式支撑,那说明数据中台的支撑范围有限,该指标可以避免一叶障目、PPT文化、亮点工程现象的发生。

数据服务复用度:数据服务直接支撑的下游应用接口数量/数据服务数量,代表了数据服务的复用共享水平,如果数据服务复用度很低,复用提效就失去了意义,说明数据服务的设计出现了问题。

数据服务交付周期:从需求提出到交付的数据服务平均提供时间,代表了数据中台对外服务的交付速度,数据服务如果可以采取配置化方式实现,那就可以大幅提升交付速度。

数据中台是赋能业务快速创新,但并不意味着可以跟业务产生的价值直接挂钩,因此这里没有把收入等业务指标直接归属到数据中台价值域。

(2)管理域

数据战略水平:组织开展数据中台工作的愿景、目标和原则。参考DCMM(数据管理能力成熟度评估模型),可以分为初始级、受管理级、稳健级、量化管理级及优化级,也可以根据项目级、部门级、公司级、行业级、标杆级来划分,并据此评定分值,数据战略水平代表了公司对数据中台的重视程度。

数据组织设置:参考数据战略水平评定方式,假如企业的数据管理组织仅限于IT部门内部,则企业即使有数据战略,执行力也大打折扣。

数据人才比例:数据专业人才数量/企业员工数量,企业数据人才的多寡一定程度决定了数据中台的建设质量和运营水平。

使用人员比例:使用数据中台的内外部客户数量/内外部客户数量,使用数据中台的人员比例一定程度说明数据中台的开放水平,数据中台建的再好没人用也是枉然。

数据汇通比例:企业采集汇通的价值数据数量/企业数据资产盘点后的价值数据数量,这个指标一定程度上代表了企业的基础数据治理水平。

(3)技术域

DataOps水平:数据开发运营一体化水平,可以分为瀑布式开发持续集成和交付一站式可视化集成交付一站式量化管理智能优化开发五个阶段,假如企业的数据需求从开发到交付的每个阶段都是割裂的,那就是处于最低级阶段,如果开发和交付实现了无缝衔接,那就到了第二个阶段,如果全部是可视化操作,那就到了第三个阶段,如果可以基于数据驱动全流程优化,那就到了第四个阶段,如果优化基于人工智能自动进行,那就到了最高级阶段,当然划分没有固定的标准,这里仅是一种示例。

云原生水平:基于AICDE的云化、在线化、智能化架构水平,可以分为竖井式架构微服务架构全面云化在线化服务化架构,具备量化管理的云化架构基于AI决策的自动化架构五个阶段,云原生水平没有固定的标准,这里仅是一种示例。

如果对以上10个指标的分数进行标准化,就可以给出一个企业数据中台在8个方面的评分,下面是一个雷达图示例,如果再加权求和,就可以给出一个综合评分:

图片

笔者在评估数据中台的时候有很多挑战,一方面受限于自身的经历和水平,很难说客观全面,也许我说得都是错的;二是数据中台没有标准定义,没有标准架构,也没有通用的最佳实践,要给出评估指标体系就更难了,三是很多指标虽然可以设置,但难以量化,比如数据战略水平、DataOps水平,这使得评估指标体系设计难上加难。

但无论有多少争议,扔一个体系出来供大家参考和批判总是有益的,因为建完了数据中台后,领导总是会问:数据中台到底产生了什么独特的价值?在行业内处于什么样的水平?

我们需要正面严肃的回答这个问题,一方面是为了获得领导的理解和支持,另一方面也为中台的运营指明方面,否则就真成了瞎子。

数据中台可以没有标准架构,但需要有相对公允的价值评估手段,就好比虽然每个企业都在做精确营销,大家的实现过程和所用技术也各不相同,但好歹还有个公认的转化率指标可以大致衡量下自己的水平,而不是鸡同鸭讲。

无论如何,量化一下总比定性的讲好很多,这是数据从业者应有的态度!

本文为专栏文章,来自:傅一平,内容观点不代表本站立场,如若转载请联系专栏作者,本文链接:https://www.afenxi.com/82259.html 。

分享本页
返回顶部