“数据治理”对数字化供应链为何如此重要?（图）

随着数字化转型大潮汹涌，“数据治理”近年来也逐渐成为热词。在国标GB/T 36073-2018（《数据管理能力成熟度评估模型》），DAMA（国际数据管理协会）等领域的知识体系中，都有专门章节论述数据治理的重要性。行业内还有专门的“数据治理工程师”认证。在供应链管理领域，随着数字化供应链的普及，数据治理也日益受到企业的重视。

数据治理是什么？它和数字化转型又有何关系？

（一）数据治理是什么？

在国标GB/T 36073-2018中提到，数据治理是“对数据进行处置、格式化和规范化的过程”。之所以需要这样一个过程，无疑是因为企业中现存的数据普遍存在“格式化”、“规范化”等方面做得不好的情况，亟待改善。

事实上，这类情况在供应链管理各个环节十分常见。例如，在许多管理不甚严谨的制造业工厂中，物料编码做得不完善，就会出现“一物多码”或者“多物一码”的情况。实物品类和信息系统中的编码不能一一对应，会导致采购、库存管理等环节许多混乱现象。又如：一些全国性的分销流通组织，其内部层级机构可能会有好几种不同的叫法，如“省级-市级-县级”或“一级机构-二级机构-三级机构-四级机构”等，每种叫法可能都有其历史原因，但同时存在于一个组织中，就可能会给管理带来麻烦。至于管理原因造成系统中数据缺失、数据错误，更是普遍现象。

现代供应链组织对于数据治理日益重视，还有一个原因：随着降本增效的压力日益增大，供应链各个环节之间进行整合的需求也更加迫切 - 只有将上下游的信息充分打通，才能挖掘出更大的效率/成本优化空间。然而，不同组织之间数据不互通、格式不统一等现象是非常普遍的。即使每一家企业内部都做得很好，如何避免跨企业沟通的“鸡同鸭讲”也是很大的难题。数据规范不统一，数据就无法顺畅流动，供应链的沟通交流就存在“堵点”。

图：数据治理面临的一些常见问题

（二）数据治理处于数字化转型的哪个阶段？

根据笔者理解，数字化转型过程可以概括为“四个阶段，一条线索”:

第一阶段 - 业务标准化：在这个阶段要为数字化作好充分的准备，如运营操作体系的标准化，组织流程的清晰定义等。数字化运作的一大特征就是确定性、可重复，这必须以业务的标准化为前提。

第二阶段 - 局部在线化：让一部分场景先数字化起来。让发生在线下的“碳基”活动转变为线上的“硅基”活动。注意：实时在线非常重要。如果线上数据和线下活动有很大的“时差”，甚至需要靠人工“后补”数据，则效果大打折扣。

第三阶段 - 全局在线化：供应链各个环节的数据都实时在线。到这个地步可以算实现了“数字孪生”。注意：完整覆盖“各个环节”是非常重要的，因为供应链运作就是具有环环相扣的特点，一个环节出问题就可能导致整个供应链出问题。一个环节没有数字化，数字化就还需努力。

第四阶段 - 从“数”到“智”：到这个阶段，AI等智能技术可以发挥最大化的作用。不仅可以看到问题表象，而且可以基于大数据来分析问题背后的本质原因。不仅能够描绘现状，而且可以预测未来（如提前判断出物料缺失、或是机器停摆的情况）。

图：数字化转型的整体思路

在最理想的情况下，数据治理应该处于数字化转型的第一阶段，即：在所有数字化建设开始之前，就已经把各种流程梳理得一清二楚，数据规范定义得明明白白，不同组织之间的数据交互也已经理清了。然而，现实往往很骨感：当我们意识到数据治理的重要性时，企业中往往已经存在许多（历史遗留下来的）信息系统，如一个个孤岛般散步在各处。“数据打通、格式统一”等理想状态还是遥不可及。

在非理想情况之下，数据治理如何推进？

（三）非数字原生企业的数据治理

在《华为数据之道》这本书中，笔者提到：华为是一家非数字原生企业（通常来源于实体制造业，有别于互联网公司等从创业之初就进入数字化领域的“数字原生企业”）。这类企业在数字化方面有着比较重的历史负担，但又不能完全另起炉灶、一次性推翻现有的信息系统（那样业务就没法开展下去了）。

华为提供的思路是：首先为各种途径的数据建立连接，采用一定技术手段将它们集成到同一个平台（华为的称呼是“数据底座”），然后以“统一、清洁、智能”的数据底座为基础，给华为公司遍布全球的机构提供各种数据服务。作者对此的理解是建立了一个“隔离层”：既然源头的数据比较混乱，存在“数据缺失”或是“质量太差”的情况，那么我们就不要直接使用这些数据，而是先用“隔离层”机制来把关一下：所有数据都要进入隔离层，在进入的时候就解决“数据找不到”、“数据无人负责”、“内容有缺陷”的问题，从而确保数据从隔离层出来的时候是完整、规范、易用的。

华为数据管理是一套完整而精巧的体系，具体包括数据综合治理体系、数据分类管理框架、信息架构建设、数据底座建设、数据服务建设等多个方面（详见《华为数据之道》），实施起来并没有那么简单，也并非任何公司都可模仿。但它至少给我们提供了一点信心：非数字原生企业的数据治理是可做的，并且是有一定章法可循的。近年来，许多其它领域的初创企业也在探索基于技术的数据治理路径，例如用IoT（物联网）技术把工厂车间或是物流运作场所的数据集成到一个平台上，从源头消除数据孤岛。在此基础上，各种智能装备、AI技术等会有更大的用武之地。

（四）数字化转型是越快越好吗？

数据治理并不是一件简单的事情。即使是行业知名公司，在高度重视和确保投入的情况下，完成全公司“数据底座”/“数据中台”的所耗时间也往往以年计。并且，还需要注意到，数据规范只是数字化转型的一个维度而已：

- 在国标《数据管理能力成熟度评估模型》中，数据管理能力被分为八个方面，包括数据战略、数据治理、数据架构、数据应用、数据安全、数据质量、数据标准、数据生存周期等。八个方面合起来才是完整的数据管理。在DAMA等体系中，也有类似的多维度定义。

- 这里需要注意的是人员培养和能级提升的问题：再好的体系和技术工具，如果交给思想认识落后的人员，也无用武之地。所以，许多公司在数字化推进过程中会对员工进行数据治理相关考核，或是专题组织学习行业先进经验等等。

- 在企业数据管理中，有一些“红线”必须引起高度警觉，例如数据安全问题。对于个人隐私等方面，国家的法律法规越来越完备，并且对一些管理疏失的企业已开出罚单。

综上：数字化转型的升级打怪并不是单纯的技术问题或经济问题，一定要注意“综合考虑企业组织文化、数据安全等因素”，不能让企业误入歧途。如果整个数字化体系还存在明显的风险隐患，那么转型太快或许并不是好事。

（五）小结

如果把数字化时代的企业比作一只鹰，那么，数据流就是它体内流动的血液。只有通过数据治理让血液更加顺畅的流动（不至于血管堵塞)，生命体才能健康地生存下去。

而要让企业在数字化基础上真正发展壮大，则还需要兼顾安全、组织流程变革等各个方面，并且尽快达到数字化转型的第三阶段 ：这只鹰在长大之前就需要先“五脏俱全”，成为一只没有明显缺陷的小鹰。然后，随着持续锻炼和吸收养分，可以不断成长，成为能够展翅高飞的成年雄鹰。