مدیریت داده اصلی (MDM)

مدیریت داده اصلی (MDM) فرآیندی است که مجموعه ای یکسان از داده ها را در مورد مشتریان، محصولات، تامین کنندگان و سایر نهادهای تجاری از سیستم های مختلف فناوری اطلاعات ایجاد می کند. به عنوان یکی از رشته‌های اصلی در فرآیند کلی مدیریت داده، مدیریت داده اصلی به بهبود کیفیت داده‌ها کمک می‌کند تا اطمینان حاصل شود که شناسه‌ها و سایر عناصر داده‌های کلیدی مربوط به آن نهادها دقیق و سازگار در سطح سازمانی هستند.

مدیریت داده اصلی (MDM)

هنگامی که مدیریت داده اصلی MDM به درستی انجام شود، می‌تواند اشتراک داده‌ها را بین سیستم‌های تجاری مختلف ساده‌سازی کند و محاسبات را در معماری‌های سیستمی که شامل انواع پلتفرم‌ها و برنامه‌های کاربردی هستند، تسهیل کند. علاوه بر این، مدیریت موثر داده اصلی کمک می کند تا داده های مورد استفاده در هوش تجاری (BI) و برنامه های تحلیلی قابل اعتمادتر شود.

اهمیت مدیریت داده اصلی MDM

عملیات تجاری به سیستم های پردازش تراکنش بستگی دارد و BI و تجزیه و تحلیل به طور فزاینده ای تلاش های تعامل با مشتری، مدیریت زنجیره تامین (SCM) و سایر فرآیندهای تجاری را هدایت می کنند. اما بسیاری از شرکت ها دیدگاه واحد و واضحی از مشتریان خود ندارند. یک دلیل رایج این است که داده های مشتری از یک سیستم به سیستم دیگر متفاوت است. به عنوان مثال، سوابق مشتری ممکن است در سیستم های ثبت سفارش، حمل و نقل و خدمات مشتری به دلیل تفاوت در نام، آدرس و سایر ویژگی ها یکسان نباشد. همین نوع مسائل می تواند برای داده های محصول و انواع دیگر اطلاعات نیز اعمال شود.

برنامه‌های مدیریت داده اصلی با ادغام داده‌ها از سیستم‌های منبع چندگانه در قالب استاندارد، آن نمای واحد را فراهم می‌کنند. در مورد داده‌های مشتری، مدیریت داده اصلی آن‌ها را برای ایجاد مجموعه‌ای از داده‌های اصلی برای استفاده در همه سیستم‌های قابل اجرا هماهنگ می‌کند. این به سازمان‌ها امکان می‌دهد تا سوابق مشتریان تکراری را با داده‌های نامتناسب حذف کنند و به کارگران عملیاتی، مدیران تجاری و تحلیلگران داده تصویر کاملی از مشتریان فردی بدون نیاز به جمع‌آوری ورودی‌های مختلف ارائه دهند.

داده اصلی چیست؟

داده اصلی اغلب به عنوان یک رکورد طلایی از اطلاعات در یک دامنه داده نامیده می شود، که مربوط به نهادی است که موضوع داده در حال تسلط است. حوزه های داده از صنعتی به صنعت دیگر متفاوت است. به عنوان مثال، موارد رایج برای تولید کنندگان شامل مشتریان، محصولات، تامین کنندگان و مواد است. بانک ها ممکن است بر مشتریان، حساب ها و محصولات تمرکز کنند که دومی به معنای مالی است. بیماران، تجهیزات و ملزومات از جمله حوزه های داده قابل اجرا در سازمان های مراقبت های بهداشتی هستند. برای بیمه‌گران، آنها شامل اعضا، محصولات و مطالبات، به علاوه ارائه‌دهندگان در مورد بیمه‌گران پزشکی می‌شوند.

کارکنان، مکان‌ها و دارایی‌ها نمونه‌هایی از حوزه‌های داده‌ای هستند که می‌توانند در صنایع به عنوان بخشی از ابتکارات مدیریت داده اصلی اعمال شوند. دیگری داده های مرجع است که شامل کدهای کشورها و ایالت ها، ارزها، ورودی های وضعیت سفارش و سایر مقادیر عمومی است.

داده های اصلی شامل تراکنش های پردازش شده در حوزه های مختلف داده نمی شود. در عوض، اساساً به عنوان یک فایل اصلی از تاریخ‌ها، نام‌ها، آدرس‌ها، شناسه‌های مشتری، شماره اقلام، مشخصات محصول و سایر ویژگی‌هایی که در سیستم‌های پردازش تراکنش و برنامه‌های تحلیلی استفاده می‌شوند، عمل می‌کند. در نتیجه، داده‌های اصلی با مدیریت خوب نیز اغلب به عنوان یک منبع منفرد حقیقت (SSOT) توصیف می‌شوند – یا، متناوبا، یک نسخه واحد از حقیقت – در مورد داده‌های یک سازمان، و همچنین داده‌هایی از منابع خارجی که دریافت می‌شوند. به سیستم های شرکتی برای تقویت مجموعه داده های داخلی.

معماری MDM

دو شکل از مدیریت داده اصلی وجود دارد که می‌تواند به‌صورت جداگانه یا پشت سر هم اجرا شود: مدیریت داده اصلی تحلیلی، که هدف آن تغذیه داده‌های اصلی منسجم به انبارهای داده و سایر سیستم‌های تحلیلی است، و MDM عملیاتی، که بر روی داده‌های اصلی در سیستم‌های تجاری اصلی تمرکز دارد. هر دو یک رویکرد سیستماتیک برای مدیریت داده های اصلی ارائه می دهند، که معمولاً با استقرار یک مرکز MDM متمرکز که در آن داده های اصلی ذخیره و نگهداری می شوند، فعال می شود.

با این حال، بسته به اینکه سازمان‌ها چگونه می‌خواهند برنامه‌های مدیریت داده اصلی خود و ارتباطات بین مرکز مدیریت داده اصلی و سیستم منبع را ساختار دهند، روش‌های مختلفی برای معماری سیستم‌های مدیریت داده اصلی وجود دارد. سبک‌های اولیه معماری MDM که توسط مشاوران مدیریت داده و فروشندگان نرم‌افزار MDM شناسایی شده‌اند شامل موارد زیر است:

  • یک معماری رجیستری، که یک شاخص یکپارچه از داده های اصلی را برای استفاده های تحلیلی بدون تغییر هیچ یک از داده ها در سیستم های منبع جداگانه ایجاد می کند. این سبک که به عنوان سبک ترین معماری مدیریت داده اصلی در نظر گرفته می شود، از ابزارهای پاکسازی و تطبیق داده ها برای شناسایی ورودی های داده های تکراری در سیستم های مختلف و ارجاع متقابل آنها در رجیستری استفاده می کند.
  • یک رویکرد تلفیق، که در آن مجموعه‌ای از داده‌های اصلی از سیستم‌های منبع مختلف استخراج شده و در مرکز مدیریت داده اصلی ادغام می‌شوند. این یک مخزن متمرکز از داده های اصلی منسجم ایجاد می کند، همچنین در درجه اول برای استفاده در BI، تجزیه و تحلیل و گزارش سازمانی. اما سیستم های عملیاتی همچنان از داده های اصلی خود برای پردازش تراکنش استفاده می کنند.
  • یک سبک همزیستی، که به همین ترتیب مجموعه تلفیقی از داده های اصلی را در هاب مدیریت داده اصلی ایجاد می کند. در این مورد، هر چند، تغییرات داده‌های اصلی در سیستم‌های منبع جداگانه در هاب به‌روزرسانی می‌شوند و سپس می‌توانند به سیستم‌های دیگر منتشر شوند تا همه از داده‌های یکسانی استفاده کنند. که تعادلی بین مدیریت در سطح سیستم و حاکمیت متمرکز داده های اصلی ارائه می دهد.
  • یک معماری تراکنش، همچنین به عنوان متمرکز شناخته می شود. این رویکرد تمام مدیریت و به روز رسانی داده های اصلی را به هاب مدیریت داده اصلی منتقل می کند، که تغییرات داده را در هر سیستم منبع منتشر می کند. این مزاحم‌ترین سبک مدیریت داده اصلی از دیدگاه سازمانی است، زیرا به تمرکز کامل روی می‌آورد، اما بالاترین سطح کنترل سازمانی را فراهم می‌کند.

علاوه بر یک مخزن اصلی ذخیره سازی داده ها و نرم افزار برای خودکارسازی تعاملات با سیستم های منبع، یک چارچوب مدیریت داده اصلی معمولاً شامل مدیریت تغییر، گردش کار و ابزارهای همکاری است. یکی دیگر از گزینه های فناوری موجود، استفاده از نرم افزار مجازی سازی داده ها برای تقویت هاب های مدیریت داده اصلی است. بدون نیاز به جابجایی فیزیکی داده ها، نماهای یکپارچه از داده ها را از سیستم های مختلف به صورت مجازی ایجاد می کند.

مزایای مدیریت داده اصلی

یکی از مزایای اصلی کسب و کار که مدیریت داده اصلی ارائه می کند افزایش ثبات داده ها، هم برای استفاده های عملیاتی و هم برای استفاده های تحلیلی است. مجموعه یکنواختی از داده‌های اصلی در مورد مشتریان و سایر نهادها می‌تواند به کاهش خطاهای عملیاتی و بهینه‌سازی فرآیندهای تجاری کمک کند – برای مثال، با اطمینان از اینکه نمایندگان خدمات مشتری همه داده‌های مربوط به مشتریان را مشاهده می‌کنند و بخش حمل و نقل آدرس‌های صحیح برای تحویل را دارد. . همچنین می‌تواند دقت BI و برنامه‌های تحلیلی را افزایش دهد و امیدواریم منجر به برنامه‌ریزی استراتژیک و تصمیم‌گیری تجاری بهتر شود.

طرح‌های مدیریت داده اصلی همچنین می‌تواند به تلاش‌ها برای انطباق با دستورات نظارتی، مانند قانون Sarbanes-Oxley (SOX) و قانون حمل‌پذیری و پاسخگویی بیمه سلامت (HIPAA) در قوانین جدید حفظ حریم خصوصی و حفاظت از داده‌های ایالات متحده کمک کند – به ویژه، قوانین اتحادیه اروپا. مقررات عمومی حفاظت از داده ها (GDPR) و قانون حفظ حریم خصوصی مصرف کنندگان کالیفرنیا (CCPA) – به محرک دیگری برای مدیریت اصلی داده تبدیل شده اند که می تواند به شرکت ها کمک کند تا تمام داده های شخصی را که در مورد افراد جمع آوری می کنند شناسایی کنند.

علاوه بر این، مدیریت داده اصلی با برنامه‌های حاکمیت داده، که استانداردها، خط‌مشی‌ها و رویه‌هایی را در مورد استفاده کلی از داده در سازمان‌ها ایجاد می‌کنند، هماهنگ است. مدیریت داده اصلی می تواند به بهبود معیارهای کیفیت داده که معمولاً برای نشان دادن ارزش تجاری تلاش های حاکمیت داده استفاده می شود، کمک کند. همچنین، سیستم‌های مدیریت داده اصلی را می‌توان به گونه‌ای پیکربندی کرد که دیدگاه‌های یکپارچه از داده‌های اصلی را به مباشران داده، کارکنانی که وظیفه نظارت بر مجموعه داده‌ها را بر عهده دارند و اطمینان حاصل کنند که کاربران نهایی به سیاست‌های حاکمیت داده پایبند هستند، ارائه دهند.

بهترین شیوه های مدیریت داده اصلی

مدیریت داده‌های اصلی از روش‌های جداگانه‌ای که قبلاً بر روی ادغام داده‌ها برای نهادهای خاص متمرکز شده بود – به ویژه یکپارچه‌سازی داده‌های مشتری (CDI) و مدیریت اطلاعات محصول (PIM) رشد کرد. مدیریت داده اصلی آنها را در یک دسته واحد با تمرکز گسترده تر گرد هم آورد، اگرچه CDI و PIM هنوز زیر مجموعه های فعال هستند.

در حالی که MDM توسط فناوری کمک می کند، به همان اندازه که یک فرآیند سازمانی – یا مردمی – است، یک فرآیند فنی است. در نتیجه، مشارکت مدیران تجاری و کاربران در برنامه‌های مدیریت داده اصلی مهم است، به‌ویژه اگر داده‌های اصلی به‌طور مرکزی مدیریت شوند و در سیستم‌های عملیاتی توسط یک مرکز MDM به‌روزرسانی شوند. ذینفعان مختلف داده در یک سازمان باید در تصمیم گیری در مورد چگونگی ساختار داده های اصلی و سیاست های اعمال تغییرات در آن ها در سیستم ها، نظر داشته باشند.

اتصال مزایای مورد انتظار MDM در استفاده از دارایی‌های داده به استراتژی‌های شرکت و اهداف تجاری، عموماً برای جذب مدیریت برای یک برنامه ضروری است، که هم برای تأمین بودجه برای کار و هم برای غلبه بر مقاومت بالقوه داخلی مورد نیاز است. همچنین، واحدهای تجاری و تیم های تحلیلی باید قبل از شروع برنامه، در مورد فرآیند MDM و اهداف پشت آن آموزش ببینند.

MDM همچنین باید به عنوان یک ابتکار در حال انجام به جای یک پروژه یکباره مورد توجه قرار گیرد – معمولاً به به روز رسانی های مکرر برای رکوردهای اصلی داده ها نیاز است. برخی از سازمان‌ها مراکز تعالی MDM (CoEs) را ایجاد کرده‌اند تا برنامه‌های خود را ایجاد و سپس مدیریت کنند تا از موانع موجود در تلاش‌ها برای ترکیب مجموعه‌های مشترک داده‌های اصلی در سیستم‌های تجاری جلوگیری کنند.

چالش های MDM

با گسترش تعداد و تنوع سیستم ها و برنامه های کاربردی در یک سازمان، مزایای بالقوه مدیریت داده های اصلی افزایش می یابد. به همین دلیل، MDM به احتمال زیاد برای شرکت های بزرگ ارزش بیشتری دارد تا کسب و کارهای کوچک و متوسط (SMB). با این حال، پیچیدگی برنامه های MDM سازمانی، پذیرش آنها را حتی در شرکت های بزرگ محدود کرده است.

یکی از بزرگترین موانع این است که واحدها و بخش‌های مختلف تجاری بر سر استانداردهای داده اصلی مشترک توافق کنند. اگر کاربران در مورد نحوه قالب‌بندی داده‌ها در سیستم‌های جداگانه‌شان بحث کنند، تلاش‌های MDM می‌تواند شتاب خود را از دست بدهد و گرفتار شود. یکی دیگر از موانعی که اغلب برای اجرای موفق MDM ذکر می شود، محدوده پروژه است. اگر دامنه کار برنامه ریزی شده از کنترل خارج شود یا اگر برنامه اجرا مراحل لازم را به درستی انجام ندهد، تلاش ها می تواند دشوار شود.

هنگامی که شرکت‌ها ادغام می‌شوند، MDM می‌تواند به ساده‌سازی یکپارچه‌سازی داده‌ها، کاهش ناسازگاری‌ها و بهینه‌سازی کارایی عملیاتی در سازمان تازه ترکیب شده کمک کند، اما چالش دستیابی به اجماع در مورد داده‌های اصلی در بین واحدهای تجاری می‌تواند پس از ادغام یا اکتساب حتی بیشتر شود. استفاده روزافزون از سیستم‌های کلان داده در سازمان‌ها همچنین می‌تواند فرآیند MDM را با افزودن اشکال جدیدی از داده‌های غیرساخت‌یافته و نیمه‌ساختارمند ذخیره‌شده در پلتفرم‌های مختلف پیچیده کند.

برای امتیاز به این نوشته کلیک کنید!
[کل: 0 میانگین: 0]

دیدگاه‌ خود را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

پیمایش به بالا