“产业数字化、数字产业化”的发展要求让数据资产的建设变得尤为重要，在政企数据、行业数据、用户数据的交换融合、多维分析、综合应用的大势所趋之下，数据的安全、质量、时效性、类目等要求势必会逐步提高，建设可溯源、可管控、可量化的数据治理体系是构建企业数据上层应用的重要基础，也是企业数字化转型的必经之路。那么到底应该怎么做数据治理呢？
首先需要理解数据治理的本质是什么。当很多认知和行为模式不一样的数据生产者同时在生产数据内容时，就会产生混乱的结果，这个也叫熵增。数据治理的本质，就是减熵，翻译成大家都听得懂的话，就是需要做规范化，或者叫标准化。而做标准化，又分为标准化的设计、标准化的执行两个方面。
标准化的设计可以有很多方向，这里大概列一下比较通用的标准化设计的方向，仅供参考：
① 数据表标准化
大多数企业发展到一定阶段都会做数仓的建设，数仓建设本身就是对数据表进行规范化设计和管理。即使没有数仓，我们也可以简单地从以下两个方面来做数据表的标准化管理：
• 数据表分层和分类。数据表分dwd、dws、mid、dm、dim层，以及按营销、商品、采购、仓储等域区分，同时有商品、部门、用户等主键用于权限隔离。
• 权限控制规范。不同层级表的读写权限控制，有公共库和业务库的区分，全量表和增量表的区分。
② 任务标准化
sql或者etl任务，在执行过程中的读写操作，是性能消耗的最大影响点，同时也决定了数据表数量和数据量的生成速度。任务的标准化对于数据治理而言重要性非常高，可以考虑从以下三个方向：
• 任务本身规范。包括命名规范，执行规范，全量表增量表的使用规范等。
• 任务之间的规范。依赖关系要有且清晰，以及层级清晰，层级也不宜太多。
• 性能最优。需要考虑单任务的执行效率，精准使用不同层级的表，以及不过度生产数据、不重复生成数据。在真正治理过程中发现性能异常的任务，往往都是因为没有做性能优化导致。
③ 报表页面标准化
报表在企业内会被大规模使用，核心报告也在被高层关注，对报告的标准化管理，能很直观地体现数据治理效果：
• 分层报表管理。核心公共报表统一管理 vs. 自由报表单独域或者目录，移动端统一管理 vs. PC端自由产出，部门级核心报告 vs. 次核心报告分层等。
• 目录规范。一般是建议按照业务属性、部门属性、项目属性进行划分，方便做权限管理。
• 页面规范。这个就比较细致了，包含对于表头，排版，颜色，字体，对齐，图表大小，筛选器位置，统计表和明细表规则等等一系列的规范。
④ 指标标准化
在数据治理中，指标的问题是看似简单但往往是问题最大的一类。我们常见的指标混乱问题，包括同样的指标多口径共存，口径范围不清晰，规则不清晰，逻辑不严谨等等问题，均需要做标准化处理：
• 指标和指标体系设计。参考阿里的原子指标、派生指标、衍生指标，不详细讲。
• 指标规范。需要从命名，口径，范围，逻辑，时间等等维度进行规范，建议做指标管理平台或建设企业的指标白皮书。
• 指标归属。核心指标归属IT/数据部门统一管理，并且需要做自上而下的宣导，以及统一性保障（错也一起错）。而业务部门自己开发的指标，在命名上就需要做一些区分，以及在使用场景上需要规避跟核心指标产生信息冲突。
⑤ 权限管理标准化
需要对指标、数据表等进行机密性分层，以及按不同部门不同层级的成员进行权限的划分，同时需要跟高层协商审批的规范，包含系统or邮件申请，不同类型申请对应的审核人。容易忽视的一点是，报表的权限和数据表的权限之间，需要保持权限的统一。
任何阶段的数据治理，标准化建设都是必不可少。中小企业对于这块容易忽视，在跑得快的过程中没有及时将规则制定清晰，会为以后留下不少坑。
在做好标准化的设计后，下一步标准化的执行，难度会大很多，需要的是做一系列的流程建设，为标准化落实下去保驾护航，方向包含以下几点：
• 监控机制。对于任务、页面、数据表等，进行监控，以及针对异常项报警，邮件或消息提醒。
• 复盘机制。月度或季度进行项目的复盘，针对治理的效果、目标达成进行反馈，以及头部异常客户通晒。
• 责任划分。责任到人，各方分别需要做的事情和承担的责任进行同步。
• 培训机制。使用规范的培训，确保大家有统一的行为准则。
• 启动专项。拉齐相关方，拉高层站台，组织项目启动会，并且做价值和目标的同步。
