下面将重点介绍创建完成工作的业务案例的一些关键要素。借助构建良好的业务案例,可以更好地向高管和利益相关者表明数据治理的价值。
为业务词汇表、数据目录、数据沿袭工具或数据质量工具构建业务案例涉及确定数据治理工作将解决的具体问题或机会,然后量化实施解决方案的潜在财务和运营收益。
运营管理的领导通常关注创新、收入增长、竞争优势或成本控制、投资回报、风险降低和法规遵从性等防御性因素。话虽如此,任何加速数字化转型议程的投资也会引起他们的注意。
构建业务案例的步骤
1. 确定问题或机会
- 确定组织在数据方面面临的具体痛点。这些挑战可能包括以下一项或多项:
- 数据孤岛,保持不同系统同步
- 分散的数据和缺乏整合
- 数据重复和查询或由不同团队创建相同的报告
- 未充分利用的数据
- 不正确的数据导致对数据缺乏信任
- 缺乏数据发现和访问
- 安全挑战
- 监管不合规
- 组织可以在元数据管理工具或数据质量工具的帮助下解决这些痛点。
2. 量化问题的成本
估计与问题相关的财务和运营成本,例如由于数据孤岛或数据治理不善而导致的收入损失或费用增加。
首先概述不良数据治理的成本,例如收入损失、时间和资源浪费以及客户满意度下降。
提供具体的例子,尽可能量化成本。
一个例子可以是当另一个部门已经在使用类似的报告时,一个团队花费时间创建报告。或者联系错误的联系人时对销售或营销效率的影响。或由昂贵的数据专业人员花费在数据查找和数据清理上的时间。
要计算“坏数据”的成本,可以使用 COPQ 公式:
COPQ =(总浪费(材料)+缺陷(发生变化))×效率低下(修复时间)
作为数据项目所有者,重要的是要考虑评估的时期,因为这将帮助缩小范围。要确定贵公司因数据质量不佳而付出的成本,需要将总浪费和变化相加,然后乘以解决相关问题所花费的时间。这将使您清楚了解劣质数据给组织造成的损失。通过了解和解决这些成本,可以帮助公司改进流程并最终为客户提供更好的价值。
3. 评估解决方案的潜在好处
确定实施业务词汇表、数据目录、数据沿袭工具和/或数据质量工具的潜在好处,例如改进数据发现和访问、更好的数据治理以及改进数据驱动的决策制定。
在列出好处时,请尝试跳出框框思考并超越仅对数据团队或项目的好处。例如,对域/数据消费者有何影响?尝试与来自不同业务领域的同行进行讨论。数据计划带来的好处可能对业务盈利能力至关重要。
4.计算投资回报率(ROI)
通过比较问题的成本与解决方案的收益来确定解决方案的潜在投资回报率。好处可能包括以下内容:
- 增加收入
- 降低成本
- 改善决策
提供具体示例并尽可能量化潜在收益。
5.提供清晰详细的计划
识别与实施数据治理相关的任何潜在风险,并制定缓解计划来解决这些风险。
包括将采取的具体步骤、涉及的成本以及实施时间表。请务必包含有关如何管理该计划以及如何衡量进展的信息。
6.展示数据治理如何与公司目标保持一致
公司的主要目标通常是增加销售额、节省开支、提高生产力、数字化运营等。这些目标有一个共同点:如果没有可靠的数据,它们就无法实现。
展示并解释使用业务词汇表、数据目录、数据沿袭工具或数据质量工具如何与公司的总体目标和战略保持一致,以及它们将如何为利润做出贡献。
要回答的问题不是是否应该管理数据,而是如何主动管理数据并在问题发生之前进行预防。
7.获得其他利益相关者的支持
要增加成功的机会,请尝试获得其他利益相关者的支持,例如部门负责人(业务和 IT),他们对数据治理的成功具有既得利益。他们可以帮助为该计划建立案例并提供有关该计划的宝贵反馈。
例如,他们如何从统一的业务条款中获益。只需与销售副总裁核实他们去年花了多少时间与营销对手争论“领导”是什么,或者与客户成功团队争论“积极合作伙伴”的含义。以及为什么他们在针对同一件事的团队特定报告中有不同的数字。可以了解到该解决方案可以为数据协调和整体数据治理计划带来的好处。
尝试深入挖掘以确定其数据问题的根本原因。如果您不熟悉它,我强烈建议您使用一种称为“五个为什么”的迭代提问技术,该技术最初由丰田佐吉开发,并在丰田汽车公司广泛使用。
它用于探索特定问题背后的因果关系。该技术的主要目标是通过重复“为什么?”的问题来确定问题的根本原因。第五个为什么的回答应该揭示问题的根本原因。
8. 有效地传达业务案例
清晰简洁地传达业务案例,突出关键点并解决对实施数据治理的任何潜在反对意见。
避免笼统的争论,例如优化数据的价值,而是具体的。一旦从利益相关者那里收集到真实的数据问题,就可以使用它们来创建有形的用例。
业务主管可能对该计划有疑问或疑虑,因此请准备好解决这些问题。准备好回答他们可能对与该计划相关的成本、收益和风险提出的任何问题。
小结
通过强调不良数据治理的成本、显示潜在的投资回报并提供清晰详细的计划,可以帮助高管了解数据治理的重要性,并了解投资数据治理和相关工具的价值。
最后但很可能是最重要的提示:记住关注的对象是谁,避免使用只有数据专家才能理解的语言。人们往往不支持任何听起来很复杂的东西。相反,尝试利用大脑的情感和逻辑部分。使用所有人都能理解且相关的简单业务语言。