战地经验
大多数规模和年龄相当的组织现在都已经启动了一项增强数据处理和管理方式的计划。任何一种结构性增强数据管理能力的尝试都需要最少一定程度的集中化，即使仅仅是为了了解组织内部当前的实践状态。一个常见的趋势是任命一位首席数据官（Chief Data Officer，CDO），一项调查发现超过80%的财富1000强组织现在都已经有了CDO。
任何变化都可能引发反应，但特别是定义了新的责任、改变了权力和需要资金的组织变革可能是敏感的，因此也很棘手。我花了十多年的时间陪伴新晋的首席数据官在他们各自的道路上。我有一些战斗的伤痕可以证明，同时也有一些经验教训。在本文的其余部分，我们将回顾启动一个中央数据团队所伴随的典型挑战，以及您可以采取的实际行动来管理这些风险。
启动中央数据团队及相关敏感问题
创建一个初始的中央团队并集中责任可以采用多种不同的方式。它可能包括启动首席数据办公室，启动数据（治理）委员会，加强中央推动的政策和标准，以及提供中央资源来执行特定的数据治理流程。
随着中央数据团队获得权威，其他团队必然要放弃权威，这可能带来敏感问题。以下是一些常见的挑战：
- 资源争夺。中央团队需要人员和预算来发挥作用。有时，这可能意味着从其他团队的预算或人员中抽调，这可能会引发这些团队领导人的反应。
- 失去控制。过去可以自由处理某些任务的团队可能不喜欢中央团队接管，或者为如何处理这些任务提供标准。
- 缺乏地方相关性。如果中央团队与地方（或业务特定）需求、运营和细微之处相脱节，他们可能会做出不会产生所期望业务影响的决策，而且地方专业知识可能会丧失。
- 成为瓶颈。如果中央团队没有得到适当的人员配置和管理，它有可能成为组织中的瓶颈或摩擦点，从而成为一种令人沮丧和怨恨的来源。
- 成为倾销场地。中央团队可能成为没有其他人愿意承担的任务和责任的倾销场地，这些任务和责任只能产生有限的价值。
- 对变革的普遍抵制。团队和个人可能对变革有抵制情绪，特别是如果影响是未知的或理解不好，并且他们感觉无法胜任新的期望。
让我们回顾一些我亲眼见证的与这些挑战相关的真实案例。第一个案例来自一个全球排名前100的保险公司，拥有超过5万名员工。该组织的战略非常激进。新任命的CDO过去一直以“做到了”而闻名，这也是任命他的原因之一。他的计划是定义一系列被归类为“数据治理活动”的活动。然后，在手头有这些描述的情况下，通过在组织中识别已经执行这些活动的人员，最初是在评估当前状态的名义下。在被识别出来的人员中，有些人的整个工作都是数据治理，有些人只是其中的一小部分。例如，有人可能在营销流程中作为数据质量工作。
完成了这些人员的识别分析后，提议将其中相当一部分人员调入中央团队。当然，这立即引起了这些人所在的业务和功能团队的反抗。他们通过参与成熟度评估表达了善意，结果看到他们的团队成员，通常是他们各自业务的关键部分，被重新分配。新任命的CDO很快发现自己处于一种敌对的局面中，并在第一年的余下时间几乎没有取得任何成果。
另一个案例来自一家全球银行，该银行的全球首席数据和分析官（CDAO）启动了一个转型计划，创建了一个策划的数据湖。CDAO对创建数据泥潭持谨慎态度，因此坚持严格的认证流程。该计划的承诺非常强大——团队可以提交请求将其数据上传到数据湖中，而CDAO领导的中央团队将负责其摄取、标记和质量控制，以及访问授权，以便业务和功能团队可以专注于分析数据和构建分析模型。然而，需求很快超过了容量，将数据放入数据湖的平均处理时间超过了1个月，业务团队对此感到沮丧，因为中央数据团队成为了瓶颈。尽管出于良好的意图，需要进行重大调整（在上述情况进一步恶化时，我的团队协助分析了可以自动化摄取流程中的数据治理流程的工具）。
上述的例子都来源于我的个人经验，但对于那些对此更感兴趣的人来说，《Creating a Data-Driven Enterprise with DataOps》（作者：Ashish Thusoo和Joydeep Sen Sarma）提供了一些极好的阅读材料，其中还包括额外的案例研究。
缓解策略
组织可以采取各种措施来管理与集中化数据管理相关的敏感性。以下是我个人最喜欢的一些措施：
- 专注于自动化。通过采用以自动化为先导的思维方式，可以减少人工努力和成本，从而缩小对大型团队的需求。通过设计数据系统时嵌入治理原则的数据治理可以促进一致性和效率。
- 沟通和透明。清晰而及时地沟通关于集中化的原因和预期结果的信息，可以建立信任并鼓励利益相关者的支持。
- 提供指导和培训。任何新的或更新的流程或政策都应该配备适用的教育材料和社交化过程，以阐明其实施细节。
- 提供反馈和影响的途径。可以使用数据委员会或治理论坛，确保利益相关者不仅仅是数据治理准则的接受方，而是积极参与并受到赞赏的合作伙伴。
- 积极应对困难的利益相关者。识别可能有特定关注或异议的利益相关者，并在可能的情况下积极应对，包括进行一对一会议并明确管理各自的需求和要求。
- 从小处着手并取得成就。从一个具有明确业务案例、涉及相对友好的人员并具有明确业务目标的范围开始。这可以创造初步的动力，为以后处理更复杂的问题做好准备。
- 赋予本地团队和经理权力。智能数据治理不是要将所有工作集中化，而是使现有的角色和人员能够以一致的方式更好地履行责任。跨职能和跨地区的团队可能是一个选择。
- 只在需要的地方集中化。确保标准化或集中化数据治理的努力基于积极的业务案例。不确定的情况下避免集中化。
让我们从我的个人观察中再次回顾一些附加的案例研究。首先，为了避免在资源上发生激烈争斗，一家大型区域零售商采用了有针对性的、以用例驱动的方法，分析了基于共同的约25个数据角色的资源需求和差距。这些角色包括数据所有者、数据监管员、数据建模师、数据科学家、数据工程师、系统所有者、流程所有者、领域数据监管员、数据架构等。下一步是与业务和职能团队讨论这些角色，确定他们已经具备哪些角色以及面临哪些挑战，例如在专业知识和技术方面遇到的问题。当确定了可以通过中央团队有效地推动业务和职能团队的共同痛点和机会领域时，这一举措立即受到欢迎。完成商业案例以获得最初的、虽然规模较小的团队的资金支持是迅速而容易的。
与我合作的另一位首席数据官一起，我们在她新的数据治理运营模型推出之际开展了数据素养和文化宣传活动。新的运营模型带来了许多新的术语和责任，这对员工来说是新的，我们认为这可能会引起混淆和焦虑。除了其他倡议，我们还组织了一个“问我任何问题”的活动，组织中的任何人（总共超过25,000名员工）都可以匿名提交问题，并在现场回答。除了许多实际问题外，还提出了许多敏感问题，例如“这些新责任如何影响我的薪资？”、“这是连续3年的第3个新运营模型，我们真的需要另一个吗？”、“我的团队领导认为这是胡扯——我能对此做些什么？”事后通过匿名收集的反馈以及轶事性评论表明，这种透明的方法减轻了个人感受到的担忧，并鼓励了受到重新分配责任影响的人的支持。
最后一个例子，也是我最喜欢的案例研究之一，是改革后的首席数据官采用了以自动化为先导的思维方式。通过创建一个新实施的云原生数据平台的参考架构，确立了几个支持基础：数据产品方法、严格的互操作性标准和数据管理中心。这意味着任何移至平台上的内容都会自动受到治理。也就是说，只有符合数据产品标准的内容才允许存储在平台上，确保了（产品和数据）所有权的定义。互操作性标准、平台内的常见存储模式以及数据管理中心（包括数据目录）的结合几乎实现了完全自动化的元数据管理。尽管这需要大量的前期投资来确保基础设施的正确性，但它避免了中央数据平台团队需要大量分析师和工程师来操作平台及其数据产品的情况。
展望未来
集中数据管理不是一项直截了当的任务；它充满了复杂性和敏感性。然而，通过有效的沟通、利益相关者参与、有针对性的培训和审慎的方法，只有在存在明确商业案例的情况下集中数据管理，这些挑战才能得到有效管理。如果您有任何见解或经验可以分享，请在评论中分享。
参考资料
- 《首席数据官的三个被低估的成功因素》，VoAGI。
- 《首席数据官创造和展示价值的8个策略》，HBR。
- 《三次担任首席数据官的5个教训》，Data World。
- 《通过DataOps打造数据驱动型企业》，Ashish Thusoo和Joydeep Sen Sarma。