
大数据2.0时代:释放主数据价值 推动企业增长
上海2017年7月4日电 /美通社/ -- 在数字商业时代,人们所触及之处都会产生数据,数据正在呈现着爆发式的增长。90%的数据都是在近几年内产生[1],并仍在以50%的速率增长[2]。企业也正在以新的方式在组织内部全面使用数据,从财务、人力资源、IT、销售、营销到采购等。而随着数据驱动型的决策越来越多,企业也开始面临着新的挑战,数据量及其更新速度的迅猛发展,使得本可以为我们提供洞察力的大数据,却在制造混乱。企业发现数据越来越难以为我们所用。
在近期于成都举办的一场题为“让主数据为您所用 - 释放数据价值 推动企业增长”的会议上,邓白氏中国区CEO 黄超群女士提出,“我们已经进入了大数据2.0的时代,企业不应再去追逐获取更多的数据,而应让公司内部的主数据尽其所用,充分释放价值。”
作为在中国拥有两家子公司 - 华夏邓白氏和微码邓白氏的邓白氏集团深谙企业在运用数据推动业务发展方面的痛点。如今,无论是初创型还是跨国企业,都在经历相似的挑战:不同部门、地区的系统、工作流程,市场策略或供应商关系管理等相互脱节、缺乏交互,并随之产生了使用着不同定义、缺乏内部标准的多个数据源,且无法实时更新,进而形成了一个个信息孤岛。
鉴于这种情况,行之有效的解决方案就是在整个企业上下采用“通用语言”,确保内部系统无缝互通,这个“通用语言”便是主数据。这是具有高业务价值、可在企业内部跨越各个业务部门被重复使用的数据,是统一、准确、权威的数据来源,可以给予企业统一化的视角,360度审视所拥有的所有业务关系。
主数据:企业的基石
“就如同建筑结构一样,企业这座‘大厦’要获得长足发展,必须打好地基,这个地基就是主数据。”邓白氏中国区市场总监姚文捷在会上说道。而对于主数据战略,企业目前仍面临重重挑战,研究显示,47%的企业为数据分析能力不足而困扰,42%的企业认为数据存储于太多独立的系统中,39%的企业拥有数据质量问题的挑战[3]。缺乏良好数据管理的企业还将经历长时间的阵痛才能将数据转化为价值。
根据邓白氏的经验,主数据战略应帮助企业解决四个方面的难题:实现数据的标准化管理、打通企业的业务生态圈、数据深度及广度,及确保数据的时效性和可靠性。
标准结构作为开启主数据战略的第一步,企业首先需要对使用了多重定义的数据进行标准化,使得它们相互之间可以被关联和整合。这就需要一套独一无二的编码系统,将每一个数据记录进行编码,即将数据“结构化”的过程。邓白氏独创的邓氏编码(D-U-N-S
®Number)作为一个独一无二的由9位数字组成的全球编码系统,就被广泛应用于企业识别、商业信息的组织、归集与整理,并可通过家族树清晰呈现出企业自身的多层级关系及外部关联关系。
有效互联经历了“结构化”的数据进而通过关联和匹配的技术,不仅可帮助企业清洗数据库中的重复、有歧义的数据记录,还可以由此打通企业内部及外部的各套系统,最终帮助企业获得一套反映跨越不同部门及地区的业务关系视图的主数据,它可被纳入到整个业务生态圈中的各个部门及环节的运营管理中,帮助各部门捕捉业务关系中的风险及机遇,并提升企业各个环节的效率。
全面覆盖企业还可以借助邓白氏的拥有2.75亿家企业数据档案及海量企业深度特征数据的全球数据库,对企业自身的数据库进行补全,从而可以获得其主数据的全球广度及本地深度,满足业务版图广泛覆盖的数据要求。
高效维护主数据管理并非一劳永逸,相反,它是一个持续性的过程。因为只有确保数据质量时刻都具备时效性和准确性,主数据实施才具有意义。这便需要高效的数据治理过程对数据质量进行维护。邓白氏超过3万个数据源、平均每日数据更新500万次的数据库,以及独特的DUNSRight
®信息质量管理流程,加上覆盖全球各地的商业信息供应网络,不仅可使企业的数据被及时更新,还可确保数据的收集、维护及使用合法合规。
目前,邓白氏在帮助企业实施主数据战略并将其运用到企业的各个职能部门(IT、销售、市场、财务、采购、合规等),提升各职能部门效率方面已有颇多成功案例。据全球知名市场研究公司Forrester公司近期的调研显示,实施了主数据战略的企业平均可将合规尽职调查时间缩短50%,将供应链风险降低30%,将销售效率目标精准率提高20-30%等。凭借母公司在主数据领域的技术专长,结合在本土市场的经验,邓白氏在华子公司华夏邓白氏及微码邓白氏帮助中国企业提升信用、合规及供应链风险管理效率,同时提升市场营销效率、加速销售周期。
“主数据战略是企业增长的推进器。它是水之于管道,燃料之于汽车。没有前者,后者则毫无意义。毋庸置疑,在瞬息万变的商业环境中,我们应当充分挖掘主数据的价值,并快速转化成企业独到的竞争优势。”
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22在企业数据分析中,“数据孤岛” 是制约分析深度的核心瓶颈 —— 用户数据散落在注册系统、APP 日志、客服记录中,订单数据分散 ...
2025-10-22在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14