在大数据失控之前处理它
有一段时间，就在不久前，运营商曾经在两个业务系统上并行工作。一个通常是 ERP 或财务程序，另一个是属于 Microsoft 办公套件的应用程序。但在过去的几年里，技术发生了惊人的变化。软件即服务架构的出现彻底改变了流程，用户更喜欢订阅他们需要的一切。据《2017 年 SaaS 驱动的工作场所状况》报道，与 2016 年相比，公司使用 16 种以上 SaaS 应用程序的人数增加了 33%。
SaaS系统可以让数据的积累和分析变得非常容易，在具备远程操作能力的同时，即时生成美学报告。但这说起来容易做起来难，需要明确的战略和丰富的技术资源。
员工只需订阅这些产品即可绕过传统的技术策略。这可能导致重复工作，缺乏监督。例如，在云存储和文件共享的情况下，如果您对员工进行调查，您很有可能会发现各种正在使用的产品，例如Google Drive、OneDrive、Dropbox 等。虽然使用数字工具的趋势可能会受到赞赏，但由于难以跟踪各种订阅成本，因此运营面临着变得多余和昂贵的风险。此外，公司的数据变得杂乱无章，同时也面临安全威胁。
这些都是重大问题，但还有一个更大的问题：SaaS 应用程序生成大量数据的能力。前面说过，公司使用了几十个应用程序，但让我们考虑每个应用程序生成的数据。每次登录、每次修改、通知、警告等都会生成数据。将其与在场的成百上千名员工相乘，信息就会变得一团糟。
请记住，垃圾进意味着垃圾出。如果公司想要利用工业 4.0 中的工具，数据的质量至关重要 .不完整的用户输入、损坏的第三方扩展和糟糕的数据策略都可能构成数据集的污染物。因此，它们浪费了宝贵的计算资源。
一项研究表明，公司经常花费 50% 到 80% 的时间来清理数据集。这太离谱了，因为负责这些工作的资源都是高素质的，并且被雇用用于分析而不是修复错别字。数据管理的战略方法可以解决其中的许多问题。与任何其他业务决策一样，由领导制定并得到所有职能部门支持的综合计划至关重要。
建立跨职能数据管理团队应该是第一步。团队应该包括技术专家，不仅来自 IT 部门，还包括使用服务的人员，以便他们的意见能够得到考虑。团队组建完成后，成员的工作可以集中在三个主要优先事项上：
流程和系统对齐
必须详细研究业务流程。应确定数据生成点，同时牢记两个主要目标：
- 应减少数据输入的障碍
- 应鼓励使用数据
减少数据管理的障碍
必须确定一组通用的 SaaS 工具，以使团队能够有效地工作。您应该留意已经在工作空间中使用的工具，以简化实施过程。然后应将核心应用程序用作小型推出策略的一部分，以便促进它们的广泛使用。如有必要，必须对劳动力进行充分培训和激励。此外，一旦做出决定，应指示员工遵循它，例如如果选择了 DropBox，则任何人都不应使用 Google Drive。
鼓励数据使用
设计新流程后，请考虑 SaaS 应用程序如何支持整体数据分析目标。您现在是否有能力挖掘数据以深入了解员工的工作习惯？是否可以在服务之间建立 API 连接以平滑数据流 ?
如果公司已经实施了企业级业务平台，那么在单个系统中合并数据可能是一个可行的选择。话虽如此，您应该非常严格地选择您希望保留的数据，因为您最不想做的事情是让系统陷入不必要的数据。
现在，您应该让整个团队参与头脑风暴，通过这些方法可以在日常运营中有效利用数据。创建仪表板并将其作为团队会议的一部分是一个很好的合作策略，因为它们可以轻松跟踪员工的KPI 同时提供对错过目标的洞察力。还应让员工了解所有这些策略，因为一旦他们知道自己的输入很重要，他们就会关心数据质量。
用户采用率
组织中的每个人都必须了解维护数据完整性的重要性，并将参与其中作为一项义务。
沟通在用户采用中起着重要作用。在每个团队中，经理都应该在说服和激励成员方面发挥积极作用。收集数据的结果也必须定期共享，以便员工了解他们的行动的价值。同样，问题数据的危害性也应明确说明，必要时应附带纪律处分。
数据管理应该是一个关键方面 公司的培训计划，以确保员工参与度最大化。相关部门可以不时发起团队会议、研讨会、网络研讨会和午餐会，以便员工获得所有必要的指导和指导。
维护和治理
如果用户采用和流程一致性是您的数据计划的关键目标，那么有效的维护和治理将扮演“操作指南”手册的角色。在任何时候，数据管理团队都应努力制定更新的路线图以保持数据质量。团队负责人应该可以访问该文档，以便他们在遇到困难时总能获得明确的信息。这样做还可以确保查询不会堆积在数据治理团队中，并保持一致性。
指南应该清晰、简洁和中肯。它应该包含数据安全、卫生和策略的角色，就用户应该如何与数据交互提供全面的说明。指南中还应包含数据安全模型，确保团队只能访问他们关注的数据。
所有这些听起来像是一份全职工作，是的，确实如此。所有这些问题都可以由训练有素的人来解决，这些人有很多名字：数据科学家、业务分析师、数据官等等。您永远不应避免雇用所需的技术资源，因为与人员的薪水相比，糟糕的数据管理成本可能要高得多。
自动化控制系统