轻量&聚焦：精益数据治理实践——以客户数据治理为例

毕业于北京大学信管系；

10年数据分析与数据治理经验；

先后服务于互联网大厂、央企总部和领先的ToB IT公司，数据团队负责人；

“数据人创作者联盟”成员。

01数据治理的重要地位

俗话说“巧妇难为无米之炊”，但对于数据人员，更可怕地恐怕是“巧妇难为糟米之炊”。

在企业数字化场景中：米，就是业务数据；巧妇，就是数据团队；食客，就是数据使用者，如决策层、管理层和各业务人员。

无米的话，食客饿肚子的原因明确，怪不得巧妇，产米就对了（通过信息化建设沉淀数据资产）；倘若米糟（数据质量差）可麻烦了，请问巧妇们，这饭做还是不做？

在数字化时代，几乎所有企业的所有业务，都需要基于数据进行决策。信息化基建准备好了箸玉杯象（业务系统、数据平台和报表工具），组织也高薪聘请了诸多巧妇（数据科学家、数据工程师等）。食客要点餐，那么问题来了，米可食乎？

通过数据治理，改善数据质量，成为了重中之重的前置工作。

02数据治理的困境

数据治理在近几年持续火热，但普遍来看面临如下三个困境：

1） 投入大

对于部分行业企业，如金融、电信、电网，基于监管刚需或行业标准，数据治理有较好的环境和土壤，做起来相对顺利。但其他行业或大部分中小企业中，为数据治理专项投入（专人、专项、专门的工具平台）还是非常困难的。

2） 价值不凸显

传统的数据治理有些为了治理而治理，项目目标就是建章立制、构建标准、清洗数据，或泛泛提出“提升数据价值，深化数据应用”。这样治理完之后，很难说清楚治理投入和“降本、增收、增效、助决策”的关系，或者很难量化价值。

3） 容易虎头蛇尾

传统数据治理通常讲究“自上而下”：做规划、搭组织、建诸多标准流程制度；但落到执行层面动作容易变形——录数人员该干嘛干嘛、应用开发人员我行我素，效果不尽人意。

那么，有没有轻量化的数据治理方案？适合没有太多资源投入、业务变化快、要求短期见效，或目前数据管理成熟度不高的组织？

可能“精益数据治理”是个思路。下面结合业内讨论和自身实践，做一些总结思考和抛砖。

03什么是精益数据治理

1）精益思想

精益思想的特点，总结来看三个方面，一是明确价值，二是减少浪费，三是持续改进。

2）精益数据治理

是利用精益思想和数据治理方法论，聚焦特定场景，以敏捷的方式、最小的代价、为业务创造价值的数据治理方法。精益数据治理的特点：投入小，周期短，价值明确，持续产出。

04精益数据治理实践方法论

结合精益思想和DAMA理论，对于精益数据治理实践，笔者总结了一个公式：

1）价值场景

精益数据治理一定要有明确的价值场景。例如，将数据治理任务嵌入到业务最关心的战略管理点、业务整改专项，最好和业务数据分析类的大项目绑定。划重点：嵌入。

2）识别发力点

精益数据治理的内容，依然是从DAMA的几个维度出发，根据场景中的痛点，剪裁、聚焦，找出数据方面的主要矛盾。

3）各个击破

以“简洁、敏捷、实用”为原则，以“对业务和技术的负担最小”为目标设计数据治理策略，包括流程策略、规范策略、技术策略。

4）持续完善

业务项目结束后，及时宣贯数据治理的“业务价值”，让业务“因为看见，所以相信”，“接受方法，摒弃抵触”，形成长效机制。数据治理团队还需及时总结复盘，方法论复制到其他业务领域。

05精益数据治理实践案例

下面以某2B类中型企业的《客户数据治理》为例，详细介绍下实践方法。

背景：客户是企业生存发展的基础。为贯彻“以客户为中心”的战略，企业成立了客户委员会，持续对客户、客群、贡献率进行跟踪分析，以期实现对客户全生命周期的分析管理和运营。但由于客户数据“不全不准”，客户主数据标准不统一，制约了上述目标的有效达成。

1） 价值场景

公司设立《客户分析专项》，目标为构建价值模型、开展跟踪分析、定制营销策略、持续客户运营。项目主责人为业务人员。数据团队参与。根据讨论共识，《客户数据治理》将作为项目方案中的“一部分”，是“重要的基础工作”。

数据治理子项目的目标非常明确：通过一系列数据治理工作，确保客户数据清洁完整准确，支持客户分析决策和客户运营。领导层对此认可且高度重视。（此认可和共识一定要在项目启动阶段做透，切记）

2） 识别发力点

识别发力点，可以充分利用数据需求和指标体系成果。三个STEP。

STEP1：整理数据需求

首先通过和业务分析人员沟通，明确了《客户价值分析》所要用到的指标体系和数据范围：客户数据范围是XX事业群对应的客户，仅为企业客户；时间范围需近X年的；若要支持分析和预测，头部50家客户准确度100%，非头部客户准确度90%以上。

图：客户价值指标（示例）

接着，根据指标计算公式，合并同类项，找到了指标对应的数据字段，填写到如下图中的“包含的计算字段”中。这些字段覆盖了业务分析中的指标值和所有维度。

图：指标对应字段（示例）

STEP2：探查数据质量

对上图中整理出来每一个“计算字段”，进行了数据质量探查。模板示例如下。数据质量探查可参考文章《数据质量管理：6个维度，50个检查项》。

图：数据质量探查清单

STEP3：圈定治理对象

根据STEP2的结果，把存在数据质量问题的字段拎了出来，作为明确的“数据治理对象”，并与业务共识现状，标记了治理优先级。注意，此处细化到具体的数据字段，业务最有感知度，也容易聚焦。

3）各个击破

对数据质量探查的结果进行总结，结合DAMA数据治理策略，分而治之，各个击破。

通过诊断，客户数据的痛点在于三个方面：主数据和参考数据缺乏标准、历史数据质量较差、没有维护规则。根据痛点，明确了治理策略开展具体落地动作。

此处结合DAMA理论，有几个实操注意事项：

A. 数据owner的设立。谁出标准，谁更应该做owner。这在讨论中顺水推舟形成，不一定自上而下指定。

B. 制度流程。尽量表述清爽简洁，缩短篇幅，“说人话”，尽可能提炼出“一页纸”要点。

C. 数据清洗和运维。可遵循一个原则+三个能够。

原则：尽可能从数据源头治理，别打ETL的主意。

能机器录入的就不用人工录入。比如，客户名称、资质等，能通过企查查等接口查询的，就不用手工录入；各类时间戳，最好用某动作对应的系统时间戳；

能自动分类的就不用人工分类。例如客户分类，有严格的MECE标准。

能自动监测就不用人工刷数。在录入端设计各种校验、提示。如客户年营业有个合理区间，超出无法提交；客户类型下拉选择时候给出弹窗提示，方便销售了解参考。

4）持续完善

当客户分析专项项目结束的时候，客户数据治理也有了阶段里程碑成果：通过一系列数据治理工作，确保了客户数据清洁完整准确，有效支持了客户分析决策和客户运营。此时，数据治理小组做了四个动作：

A.  参与数据分析。参与或跟进了业务的客户数据分析，支持完成了数据价值落地的最后一公里。

B.  及时复盘总结。特别是总结从业务和视角，总结了客户数据治理带来的业务价值，如降本、增效、降风险、助决策等。

C.  强调长效保障机制。在有成果的基础上声明了持续推进的方法，摩擦力和阻力会小很多。

D.  持续发现数据问题，持续解决，优化迭代，复制到其他业务领域。

06小结

“巧妇难为糟米之炊”，对于食材的制备，食客们却往往耐心有限而认知不足。精益数据治理让数据治理不再厚重，更具有实操性。再重申下实践要点：

1）一定要对齐业务价值。无价值，不治理；能少做，不多做。

2）减少不必要的动作。在治理落地中，要为业务人员、开发人员、治理人员都减负。

3）短平快。战略上有统一的目标、框架和节奏，但战术上各个击破，打歼灭战，尽可能快速出结果。