数据管理：有效扩展数据使用

业务数据库中塞满了数据。 这会使寻找有意义的业务洞察力来推动战略和运营变得非常棘手。 适当的数据管理可以解决这个问题。

关键要点

• 数据管理是在数据的整个生命周期（从数据创建到销毁）中有效监督数据的实践。
• 从营销的角度来看，数据管理培养了一种数据驱动的文化，并确保您收集和存储的数据可靠且值得信赖。
• 用于创建完善的数据管理策略的技术和解决方案包括数据准备、ETL 管道、数据治理等。
• 数据管理并不简单，而且充满挑战。 遵循最佳实践来制定公司中每个人都可以支持的有效战略。

什么是数据管理？

数据管理是一种以经济高效且安全的方式在整个生命周期内有效监督数据的实践。 主要目标是以一种允许轻松访问、检索和使用的方式组织、存储和管理数据。 这包括以下任务：

1. 从各种来源收集数据；
2. 以安全和有组织的方式存储数据；
3. 确保数据准确且最新；
4. 保护数据免遭未经授权的访问或篡改； 和
5. 分析和解释数据以提取见解并做出决策。

在营销方面，完善的客户数据管理流程在部门内促进了数据驱动的文化。 它确保您存储高质量的数据，以准确、全面地了解您的营销工作和各个接触点的客户。 这反过来又可以帮助您更好地了解目标受众，传达符合受众痛点的价值观，并确定更有可能提高营销投资回报率 (ROMI) 的最佳绩效策略。

为什么数据管理很重要？

有效的数据管理在企业收集的大量数据中建立秩序。

它为组织提供了关于如何正确收集和操作数据以防止其变得混乱或无法使用的路线图，从而使他们能够快速做出决策并迅速响应市场需求。

它还释放了员工的资源。 例如，Duo 的高级机器学习工程师 Vicky Boykis 的一项民意调查显示，大多数数据科学家花费 60% 的时间清理和移动数据：

数据管理解决方案可以完全自动化手动任务，让分析师完成他们的工作，而不是修复原始数据。

数据管理解决方案和技术

好消息是，可以管理 PB 级的原始数据和不良数据。 有了明确的政策和正确的工具，您的企业将在数据驱动的文化中蓬勃发展，并拥有对收集的数据负全部责任的员工。

数据准备

许多企业都在与低质量的数据作斗争，这已经不是什么秘密了。 他们的数据可能不一致且冗余，或者以不同的格式存储而没有一致的分类法。

数据准备是聚合、转换和构建原始数据以为进一步分析做准备的过程。 数据准备工具以统一格式汇集数据、消除不一致、标记错误并自动合并数据。 总而言之，此过程可确保您的团队在分析过程中获得的见解和您查看的报告是有效的，因为它们所基于的数据质量很高。

数据管道

数据管道是一系列自动化的活动，从数据摄取开始到数据接收器结束，例如数据仓库、存储服务或其他应用程序。 它通过消除手动数据输入和操作来简化数据处理，显着加快营销分析和报告流程。

ETL管道

提取、转换和加载 (ETL) 是数据管道的一个子集。

ETL 过程自动从一个或多个来源提取数据，将其转换为标准化和可用的格式，并将其加载到端点，如数据仓库或 BI 软件。

此端点成为组织的单一事实来源 (SSOT)。 存储在这里的数据已经干净、格式化，并准备好进行分析、可视化或报告。

例如，Improvado 等高级营销分析工具利用 ETL 从 Shopify、Facebook Ads、Google Analytics 等 300 多个营销和销售数据源中提取数据，将数据转换为分析就绪格式，并将其加载到指定目的地，即营销数据仓库或 BI、可视化或分析工具。

数据仓库

数据仓库是您业务的历史和实时数据的存储区域。 它通常存储来自多个来源的结构化数据，例如各种广告平台、社交媒体等。

在使用分析的早期阶段，公司通常使用电子表格来存储数据。 然而，最终，他们到达了电子表格的末尾。 此时，数据集变得太大，查询逐渐停止。 技术先进的公司迁移到云数据仓库，例如 Google Big Query，使分析团队能够更频繁地查询数据并提高他们的整体生产力。

数据安全

数据安全是采取预防措施以保护公司数据在其整个生命周期内免受损坏或未经授权访问的做法。 它还确保企业遵守数据隐私法律法规，例如 HIPAA、SOC-2 和 GDPR。

数据治理

数据治理是优质数据的基础。 这是一个详细说明数据收集、组织、存储和分析的管理策略和程序的过程。 其目的是确保数据准确、完整、一致、及时、有效和唯一。

数据管理框架

团队与这些解决方案和技术一起工作，以实现数据质量并正确设置所有流程来管理数据。 如果不同时实施数据治理、数据安全、信息系统架构等，就无法获得最高质量的数据。

数据管理框架是在贵公司实施数据管理所需的一组规则和技术。 目前，有两个公认的框架。

DAMA-DMBOK 2

DAMA-DMBOK 2 代表 Data Management Association - Data Management Body of Knowledge version 2。它是最初于 2009 年发布的框架的第二版。

该框架确定了构成数据管理的 11 个相互关联的知识领域。 在遵循这个框架时，公司需要考虑所有方面。

DMBOK 2 还意味着不仅数据管理专业人员负责数据管理流程； 所有商业专业人士都参与其中。 DAMA 六边形展示了人、流程和技术之间的直接关系。

DMBOK 2 通过以下方式定义了数据管理的主要任务：“满足所有利益相关者的数据可用性、质量和安全需求”。 它还概述了数据管理过程中涉及的工具、参与者、指标和可交付成果。

然而，这个框架有一个明显的缺点。 它不描述不同知识领域之间的关系，一切由你来决定。 总之，DMBOK 2 提供了很多理论知识，但没有那么多实用技巧。

DCAM

虽然 DMBOK 2 是一个可公开访问的框架，但 DCAM（数据管理能力评估模型）对公众访问是封闭的。 只有企业数据管理委员会 (EDC) 成员才能访问此框架。

该框架根据具有不同成熟度级别的不同功能来描述数据管理。 尽管 DCAM 具有实用性和操作性的重点，但它并未提供关于数据管理实施的清晰观点。

公司使用 DCAM 来评估他们的流程，教育利益相关者，并找出他们的数据管理程序中的弱点。 它还可以帮助您降低违反数据隐私法规（包括 GDPR）的风险。

由于该框架未公开提供，因此没有太多关于其最佳实践和建议的信息。 然而，企业数据管理委员会最近发布了他们的云数据管理能力框架的公共版本，它阐明了 EDC 用来定义其框架的方法。

这两个框架都可以作为您数据管理之旅的良好起点。 它们概述了关键概念，因此您在首次实施数据管理时保持完全清晰。

数据管理挑战

在管理组织数据的过程中，您会遇到许多挑战。 但是当您意识到这些潜在的挑战时，您就会更好地准备应对它们。

保护业务数据

数据安全性和完整性存在许多内部和外部威胁。 数据泄露随时可能发生。 这会使您客户的私人和个人数据面临风险。

以下是 DMBOK-2 定义数据安全过程的方式：

解决安全风险的最佳方式始终是协同努力，而不是单独尝试。 该过程涉及太多任务，单个员工无法处理。 在更大的范围内，数据安全围绕四项主要活动展开：

• 识别和分类敏感数据资产；
• 定位公司内部的敏感数据；
• 确定每项资产需要如何保护； 和
• 了解此信息如何与业务流程交互。

然后，您还需要评估外部威胁，例如员工的无知或疏忽。 数据访问管理和政策合规性降低了敏感数据暴露的风险，并提高了业务基础设施的安全级别。

处理太多数据

高达 73% 的数据未被使用，因为许多企业都在努力跟上来自不同来源的大量数据。 没有针对全渠道分析的数据管理指南的组织会不知所措，因此他们会编造数据或不使用可用数据。

但是，不要试图一次管理所有数据。 公司生产大型数据集，其中很大一部分从未使用过。 这就是为什么数据管理生命周期建议关注最关键的数据并最大限度地减少数据 ROT（冗余、过时或琐碎的数据）的原因。

合并来自不同来源的数据

想一想您的企业使用的数十种工具。 即使在营销部门内，您也可能使用多种数据收集和分析工具。

这会造成数据孤岛，这是因为数据存储在彼此不通信的隔离存储解决方案中。 结果，每个部门都依赖于他们的数据，这使得跨部门协作变得更加困难。

数据质量差

组织将近四分之一的收入用于解决数据质量问题。

数据质量差的原因是数据输入过程中的错误、将数据从一种工具传输到另一种工具时的数据损坏，或者缺乏标准化的做法。

以下是 DMBOK-2 对数据质量管理的全面概述：

数据管理生命周期、数据治理和对关键数据的关注是尝试提高数据质量时需要考虑的一些最重要因素。

请记住，“数据质量”是一个统称，包括可信数据集应具备的 12 个特征。

缺乏合格的数据分析师

尽管人们都在谈论数据对数字和现代企业的重要性，但专家数据分析师却很难找到。 聘请合格的分析师需要时间，培训新员工可能既昂贵又耗时。

缺乏数据治理

许多企业在他们的数据已经变得混乱时才创建数据治理标准作为事后的想法。 如果没有数据治理，组织就会被低质量的数据淹没。 结果，分析师花太多时间在杂草上清理它，而最终用户花太多时间试图理解它。

数据管理最佳实践

数据管理是一项涉及许多活动部件的艰巨任务。 但是，有一些数据管理最佳实践可以让您顺利起步。

优先考虑数据保护和安全

数据安全漏洞是价值数百万美元的问题，可以通过良好的数据管理原则加以预防。

一些数据保护措施包括拥有适当的用户权限，拥有处理和管理数据的集中式系统，以及仅使用遵守数据隐私法的软件。

整合您的所有数据并构建一个真实来源

组织有大量数据可能存储在数据孤岛中。 这意味着很难全面了解业务环境。 对于营销专业人士来说，这会阻止他们看到不同的客户接触点。

例如，当您使用 ETL 管道将所有数据集成到一个集中存储区域时，获得收入数据洞察力变得更加容易。

使用质量数据管理软件

手动数据操作不再适用于企业处理的数据量。

幸运的是，有许多新技术和自动化软件解决方案可以让数据收集和分析变得更容易、更快捷。 使用与其他应用程序集成良好的优质软件。

构建组织元数据的词汇表

对您收集的所有数据（也称为“元数据”）进行标准化定义。 包括数据属性、创建日期、创建者姓名和存储区域等具体细节。

这确保了整个组织的透明度和一致性。

让每个人对数据质量负责

数据质量是一项共同责任。 只有让组织中的每个人都对其负责，才能减少常见的数据问题。

营销人员在其中扮演什么角色？ 营销人员对主要数据收集负有部分责任——他们了解 UTM 标签分类法、广告活动的标记以及他们需要跟踪的帐户。 同时，数据工程师和分析师负责数据流其他阶段的数据质量。

建立数据管理实践的第一步

成为数据驱动组织的道路始于适当的数据管理实践。 通过遵循成功的数据驱动型企业所遵循的实践来支持这种转变。

1. 让最高管理层投资制定数据管理计划

当最高管理层未对整个事业进行投资时，数据管理将面临挑战。 他们必须看到正确执行数据管理策略的价值，以便他们积极主动地实施它。

2.审计当前数据

很可能，您的公司已经在收集大量数据。 审计你已经拥有的东西。 观察情况并根据您已有的数据制定数据管理计划，同时考虑您组织的目标和资源。

3.尽可能使用自动化工具

人为错误是数据质量差的常见原因。 如果您选择正确的自动化工具，数据管理会变得更快、更容易。 您还将显着减少数据收集、操作和分析过程中的人为错误。

4. 成长计划

贵公司收集的数据只会增加。 使您的数据管理策略灵活，以便它与您的公司一起成长并毫不费力地推动扩展。

5.寻找可靠的技术合作伙伴

构建技术堆栈和寻找合适的合作伙伴对于建立可靠的数据管理流程至关重要，尤其是在客户数据的安全受到威胁时。 Improvado 是一种高级营销分析解决方案，适合现有的分析环境并在组织中培养数据文化。 该解决方案是自动化营销数据管理和报告，可确保您的团队仅依赖高质量和最新的数据来推动业务绩效。

轮到你了

遵循本指南中概述的数据管理最佳实践将有助于清理您的数据并引导您的组织进入更加数据驱动的思维模式。 这不会是一个简单的过程。 这是一段旅程。 但是，为了获得公司中每个人都可以信任和依赖的高质量数据以获得可操作的业务洞察力，这样做是非常值得的。