DAMA-DMBOK2重点知识整理CDGA/CDGP——第16章 数据管理组织与角色期望

目录

一、分值分布

二、重点知识梳理

1、引言

2、了解现有的组织和文化规范

3、数据管理组织的结构

4、关键成功因素

5、建立数据管理组织

6、数据管理组织与其他数据相关机构之间的沟通

7、数据管理角色

---

一、分值分布

        CDGA：4分（4单选）

        CDGP：0分

二、重点知识梳理

1、引言

数据管理和数据治理组织需要足够灵活，才能在不断发展的环境中有效地工作。

数据治理为数据管理组织执行活动提供指导和业务背景。两者都没有完美的组织结构。虽然数据治理和数据管理组织应该遵循一些公共原则，但是很多细节仍依赖于组织所在行业的驱动因素和组织自身的企业文化。

2、了解现有的组织和文化规范

意识、所有权和问责制度是激励和吸引人们参与数据管理积极性、政策和流程的关键。

如何了解组织的企业文化、运营模式和人员：

• 1）数据在组织中的作用。数据驱动的关键流程是什么？如何定义和理解数据需求？数据在组织战略中扮演的角色如何？
• 2）关于数据的文化规范。实施或改进管理和治理结构时，是否存在潜在的文化障碍？
• 3）数据管理和数据治理实践。如何以及由谁来执行与数据相关的工作？如何以及由谁来做出有关数据的决策？
• 4）如何组织和执行工作。
• 5）汇报关系的组织方式。例如，组织是集中的、分散的、层级化的，还是扁平化的？
• 6）技能水平。从一线员工到高管、领域专家和其他利益相关方的数据知识和数据管理知识水平如何？

评估对当前状态的满意度，以便深入了解组织的数据管理需求和优先级：

• 1）组织是否拥有制定合理、及时的业务决策所需的信息？
• 2）组织是否对其收入报告有信心？
• 3）组织是否跟踪组织关键绩效指标？
• 4）组织是否遵守所有数据管理有关的法律？

数据管理组织应与公司的组织层级结构和资源保持一致。找到合适的人员，需要了解数据管理在组织内部的功能和政治作用。目标应该是跨职能的不同业务利益相关方共同参与。需要做到：

• 1）识别当前正在执行数据管理职能的员工，认识并先邀请他们参与进来。仅在数据管理和治理需求增长时，才考虑投入更多的资源。
• 2）检验组织管理数据的方法，并确定如何改进流程。改进数据管理实践可能需要进行多次改变。
• 3）从组织的角度考虑，规划需要进行的各种变更，以更好地满足需求

3、数据管理组织的结构

数据管理组织设计中的一个关键步骤是确定组织的最佳运营模式。运营模式是阐明角色、责任和决策过程的框架，它描述了人们如何互相协作。

可靠的运营模式有助于组织建立问责机制，确保组织内部的正确职能得到体现，促进了沟通，并提供了解决问题的流程。运营模式构成了组织结构的基础，但它不是组织结构图，不是简单地将人名放在框中，而是描述组织各组成部分之间的关系。

运营模式：

• 分散运营模式：委员会是互相协作的基础，委员会不属于任何一个单独的部门。
  • 优点：组织结构相对扁平，数据管理组织与业务线或 IT 部门具有一致性。这种一致性通常意味着对数据要有清晰的理解，相对容易实施或改进。
  • 缺点：让过多的人员参与治理和制定决策，实施协作决策通常比集中发布号令更加困难。
• 网络运营模式：通过RACI（谁负责，Responsible；谁批准，Accountable；咨询谁，Consulted；通知谁，Informed）责任矩阵，利用一系列的文件记录联系和责任制度，使分散的非正规性组织变得更加正式，称为网络模式。
  • 优点：类似于分散模式（结构扁平、观念一致、快速组建）。采用 RACI，有助于在不影响组织结构的情况下建立责任制。
  • 缺点：需要维护和执行与 RACI 相关的期望。
• 集中运营模式：最正式且成熟的数据管理运营模式是集中运营模式。所有工作都由数据管理组织掌控。参与数据治理和数据管理的人员直接向负责治理、管理职责、元数据管理、数据质量管理、主数据和参考数据管理、数据架构、业务分析等工作的数据管理主管报告。
  • 优点：为数据管理或数据治理建立了正式的管理职位，且拥有一个最终决策人。
  • 缺点：实施集中模式通常需要重大的组织变革。将数据管理的角色从核心业务流程正式分离，存在业务知识逐渐丢失的风险。
• 混合运营模式：包含分散模式和集中模式的优点。在混合模式中，一个集中的数据管理卓越中心与分散的业务部门团队合作，通常通过一个代表关键业务部门的执行指导委员会和一系列针 对特定问题的技术工作组来完成工作。
  • 优点：它可以从组织的顶层制定适当的指导方向，并且有一位对数据管理或数据治理负责的高管
  • 缺点：组织的建立，通常这种模式需要配备额外的人员到卓越中心
• 联邦运营模式：混合运营模式的一种变体，联邦模式提供了额外的集中层/分散层，这在大型全球企业中通常是必需的。联邦模式提供了一个具有分散执行的集中策略。一个负责整个组织数据管理的主管领导，负责管理企业卓越中心。不同的业务线有权根据需求和优先级来适应要求。该模式使组织能够根据特定数据实体、部门挑战或区域优先级来确定优先级
  • 优点：使组织能够根据特定数据实体、部门挑战或区域优先级来确定优先级。
  • 缺点：管理起来较复杂。它的层次太多，需要在业务线的自治和企业的需求之间取得平衡，而这种平衡会影响企业的优先级

确定组织的最佳模式：

运营模式是改进数据管理和数据治理实践的起点。引入运营模式之前，需要了解它如何影响当前组织以及它可能会如何发展。由于运营模式将帮助政策和流程的定义、批准和执行，因此确定最适合组织的运营模式是至关重要的。

DMO替代方案和设计考虑因素：

DMO：数据管理组织

无论选择哪种模式，简单性、可用性对于接受和可持续性是至关重要的。如果运营模式符合公司的文化，那么数据管理和适当的治理则可以运用到运营中，并与战略保持一致。构建一个运营模式时，需注意以下要点：

• 1）通过评估当前状态来确定起点。
• 2）将运营模式与组织结构联系起来。
• 3）考虑：
  • ①组织复杂性+成熟度。
  • ②领域复杂性+成熟度。
  • ③可扩展性。
• 4）获得高层支持——这是可持续发展模式的必要条件。
• 5）确保任何领导机构（指导委员会、咨询委员会、董事会）都是决策机构。
• 6）考虑试点规划和分批次实施。
• 7）专注于高价值、高影响力的数据域。
• 8）使用现有的资源。
• 9）永远不要采用一刀切（One-Size-Fits-All）的方法。

4、关键成功因素

无论数据管理组织的架构如何，有10个因素始终被证明对其成功发挥着关键作用：

• 1）高管层的支持。
• 2）明确的愿景。
• 3）主动的变更管理。
• 4）领导者之间的共识。
• 5）持续沟通。
• 6）利益相关方的参与。
• 7）指导和培训。
• 8）采用度量策略。围绕数据管理计划的的进展情况制定度量标准很重要。
  • 如何制定度量标准：
    • 1）是否采用。
    • 2）改进的程度，或相对于之前状态的增量。
    • 3）数据管理的有利方面。数据管理如何影响结果可测量的解决方案。
    • 4）改进的流程和项目。
    • 5）识别并规避的风险。
    • 6）数据管理的创新方面。数据管理如何从根本上改变业务的方式。
    • 7）可信度分析。
• 9）坚持指导原则。无论何种形式，都必须建立和商定指导原则，使所有参与者保持一致的行事方式
• 10）演进而非革命。

5、建立数据管理组织

• 1.识别当前的数据管理参与者。
• 2.识别委员会的参与者。
• 3.识别和分析利益相关方。
  • 利益相关方分析需要回答以下问题：
    • 1）谁将受到数据管理的影响。
    • 2）角色和职责如何转变。
    • 3）受影响的人如何应对变化。
    • 4）人们会有哪些问题和顾虑。
  • 如何找到关键的利益相关方：
    • 1）谁控制关键资源。
    • 2）谁可以直接或间接阻止数据管理计划。
    • 3）谁可以影响其他关键因素。
    • 4）利益相关方是否会支持即将发生的变化。
• 4.让利益相关方参与进来。

6、数据管理组织与其他数据相关机构之间的沟通

数据管理方式产生重大影响的其他团体：

• 1）首席数据官组织。（CDO：首席数据官）
  • CDO常见任务：
    • 1）建立组织数据战略。
    • 2）使以数据为中心的需求与可用的 IT 和业务资源保持一致。
    • 3）建立数据治理标准、政策和程序。
    • 4）为业务提供建议（以及可能的服务）以实现数据能动性，如业务分析、大数据、数据质量和数据技术。
    • 5）向企业内外部利益相关方宣传良好的信息管理原则的重要性。
    • 6）监督数据在业务分析和商务智能中的使用情况。
• 2）数据治理机构。
  • 数据治理是用于建立有效管理企业数据的战略、目标和策略的组织框架。它由管理和确保数据的可获得性、可用性、完整性、一致性、可审计性和安全性所需的流程、策略、组织和技术组成。由于数据治理过程需要数据战略、标准、政策和沟通的相互作用，因此它与数据管理具有协同关系。数据治理为数据管理提供了一个框架，使其与业务优先级和利益相关方保持一致。
• 3）数据质量团队。
  • 数据质量管理是数据管理实践和组织的关键能力。许多数据管理组织的工作最早从关注数据质量开始，期望评估和改进整个组织的数据质量。当数据质量管理的目标是提升跨业务线或应用程序共享的数据质量时，通常侧重于主数据管理。
• 4）企业架构团队。
  • 企业架构实践包括：
    • 1）技术架构。
    • 2）应用架构。
    • 3）信息（或数据）架构。
    • 4）业务架构。
  • 当组织没有数据架构师时，数据管理可以通过以下几种方式与架构组织进行交互：
    • 1）通过数据治理。
    • 2）通过ARB。
    • 3）点对点（Ad-hoc）

全球化组织需要特别注意：

• 1）遵守标准。
• 2）同步流程。
• 3）明确责任制度。
• 4）培训和交流。
• 5）有效地监控和度量。
• 6）发展规模经济。
• 7）减少重复性工作。

7、数据管理角色

• 组织角色：IT 数据管理组织提供从数据、应用程序和技术架构到数据库管理的一系列服务。
  • 集中式数据管理服务组织专注于数据管理，可能包括数据管理执行官、其他数据管理的管理人员、数据架构师、数据分析师、数据质量分析师、数据库管理员、数据安全管理员、元数据专家、数据建模师、数据管理员、数据仓库架构师、数据集成架构师和商务智能分析师。
  • 联邦式数据管理服务方式会包括一组 IT 单元，而每个单元分别侧重于数据管理的某个方面。 
  • 专注于数据管理的业务线通常与数据治理或企业信息管理团队相关。
• 个人角色：个人角色可以从业务或 IT 角度分别定义。有执行官角色、业务角色、IT 角色、混合角色。
  • 数据管理执行官可能侧重于业务或技术层面，首席信息官和首席技术官则在 IT 方面发挥着重要作用。
  • 业务角色主要关注数据治理功能，尤其是管理职责。数据管理专员通常被认为是领域专家，他们对业务实体的数据质量和元数据、主题域或数据库负责。依据组织的优先级不同，数据管理专员扮演不同的角色。
  • IT 角色包括不同类型的架构师、不同级别的开发人员、数据库管理员以及一系列支持性角色。
    • 1）数据架构师（Data Architect）。
    • 2）数据建模师（Data Modeler）。
    • 3）数据模型管理员（Data Model Administrator）。
    • 4）数据库管理员（Database Administrator）。
    • 5）数据安全管理员（Data Security Administrator）。
    • 6）数据集成架构师（Data Integration Architect）。
    • 7）数据集成专家（Data Integration Specialist）。
    • 9）应用架构师（Application Architect）。
    • 10）技术架构师（Technical Architect）。
    • 11）技术工程师（Technical Engineer）。
    • 12）桌面管理员（Help Desk Administrator）。
    • 13）IT 审计员（IT Auditor）。 
  • 混合角色：需要同时具备业务和技术知识，根据组织的不同情况确定担任这些角色的人员是汇报给 IT 部门还是业务部门。
    • 1）数据质量分析师。
    • 2）元数据专家（Metadata Specialist）。
    • 3）BI 架构师。
    • 4）BI 分析师/管理员。
    • 5）BI 项目经理