数据治理的关键所在，详解数据治理体系化框架

数据为王，治理先行，当下数据治理正在如火如荼的开展，然而目前大部分企业的数据治理可以看到2个关键的问题：
其一就是数据治理属于问题驱动和后治理型，即都是数据在产生和使用，协同和共享的过程中发现了问题，才来考虑数据治理的内容，这种问题驱动方式很难构建完整的数据治理体系。更多的是建设大量的类似数据稽核类系统，个人任务数据稽核系统本身就是一个反治理下的产物。
其二是希望通过IT系统建设来规范数据治理，这个虽然有点用，但是不全。比如建设MDM主数据系统，会减少类似元数据管理、数据质量管理、数据创建变更流程等。但是要看到系统本身仅仅是治理规范要求的落地，如果你没有事先形成治理规范要求，那么系统再多也没用。

也正是这个原因，我们需要重新来梳理和思考数据治理体系和框架问题。
数据治理的最终目标是提升数据的价值，数据治理非常必要，是企业实现数字战略的基础，它是一个长期、复杂的工程，涉及到组织体系、标准体系、流程体系、技术体系和评价体系五方面的工作领域，包含了数据标准、数据质量、主数据、元数据、数据安全等多个方面内容。我们一一展开来说。

数据治理的灵魂：五大体系

数据治理组织体系

一谈到数据治理，必须先谈组织体系。数据治理项目的实施绝非是一个部门的事情，不能在企业的单一部门得到解决，必须由上往下统筹，建立专业的数据治理组织体系，确定对数据进行管理的责权利，即数据的产生者、使用者、拥有者和管理者；明确相应的治理制度和标准，培养整个组织的数据治理意识。
可以说，企业高层的直接领导和积极参与，对数据管理组织的成功至关重要。企业数据治理是应有高层领导牵头，业务部门负责，信息部门执行，企业全员的参与。企业全员应培养起数据思维和数据意识，当然这是一个长期的过程，也是一件很不容易的事情，需要一点一滴的积累沉淀，并不断融入企业文化中。
数据治理标准体系

数据治理的标准体系是多个层面的，包括：国际标准、国家标准、行业标准、企业标准等。企业数据标准体系内容应涵盖：元数据标准、主数据标准、参照数据标准、数据指标标准等。数据治理的成效，很大程度上取决与数据标准的合理性和统一实施的程度。企业数据标准体系的建设应既满足当前的实际需求，又能着眼未来与国家及国际的标准接轨。

数据治理流程体系

要真正把数据作为企业有价值的资产来管理，就必须像管理财务、人力资源等业务功能一样进行数据治理，这就要求企业需要在明确数据治理管控目标的基础上，建立数据治理相关的工作流程。

数据治理流程体系，为数据治理的开展提供有据可依的管理办法、规定数据治理的业务流程、数据治理的认责体系、人员角色和岗位职责、数据治理的支持环境和颁布数据治理的规章制度、流程等。数据治理是建立数据的生产、流转、使用、归档、消除的整个生命周期管理的过程，企业应围绕数据治理的对象：数据质量、数据标准、主数据、元数据、数据安全等内容建立相应的制度和流程。
数据治理评价体系

建立数据评价与考核体系是企业实施和贯彻数据治理相关标准、制度和流程的根本。建立明确的考核制度，实际操作中可根据不同企业的具体情况和企业未来发展要求建立数据的认责体系，设置考核指标和考核办法，并与个人绩效挂钩。考核指标包括两个方面内容，一方面是对数据的生产、管理和应用等过程的评估和考核指标，另一方面是数据质量的评测指标。

数据治理技术体系

数据治理包括数据治理的工具和技术，总体应包括元数据管理、主数据管理、数据标准管理、数据质量管理和数据安全管理等。合理引入技术工具，能提升效率，节省人力成本。亿信华辰旗下睿治数据治理平台正是融合数据集成、数据交换、实时计算存储、元数据管理、数据标准管理、数据质量管理、主数据管理、数据资产管理、数据安全管理、数据生命周期管理十大产品模块，打通数据治理各个环节，十大产品模块可独立或灵活组合使用，快速满足政府、企业各类不同的数据治理场景。

 亿信华辰睿治数据治理平台架构图
元数据管理：对企业涉及的业务元数据、技术元数据、管理元数据进行盘点、集成和管理，并面向开发人员、最终用户提供元数据服务，以满足用户的业务需求。 
数据标准管理：数据标准适用于业务数据描述、信息管理及应用系统开发，可以作为经营管理中所涉及数据的规范化定义和统一解释，也可作为信息管理的基础，同时也是作为应用系统开发时进行数据定义的依据。
主数据管理：主数据管理涉及主数据的所有参与方，如用户、应用程序、业务流程等，创建并维护企业核心数据一致性、完整性、关联性和正确性。
数据质量管理：建立数据质量管理体系，明确数据质量管理目标、控制对象和指标、定义数据质量检验规则、执行数据质量检核，生产数据质量报告。通过数据质量问题处理流程及相关功能实现数据质量问题从发现到处理的闭环管理，从而促进数据质量的不断提升。
数据安全管理：数据安全应贯穿数据治理全过程，应保证管理和技术两条腿走路。从管理上，建立数据安全管理制度、设定数据安全标准、培养起全员的数据安全意识。从技术上，数据安全包括：数据的存储安全、传输安全和接口安全等。

数据治理典型框架：经典可参考

一个好的框架能够帮我们对复杂模糊的概念做清晰的梳理，明确目标与行动计划，提高项目成功率。目前国内外权威机构已总结了一些数据治理框架，推荐给大家参考：
国际数据管理协会DAMA数据治理框架

DAMA 首先总结了数据管理的十大功能，主要包括数据治理、数据架构管理、数据开发、数据操作管理、数据安全管理、参考数据和主数据管理、数据仓库和商务智能管理，并把数据治理放在核心位置；然后详细阐述了数据治理的七大环境要素，即目标和原则、活动、主要交付物、角色和责任、技术、实践和方法、组织和文化；最终建立起十大功能和七大环境要素之间的对应关系，认为数据治理的重点就是解决十大功能与七大环境要素之间的匹配问题。
国际数据治理研究所DGI数据治理框架

DGI数据治理模型，采用5W1H法则进行设计，分为组织架构、规则条例、治理流程三个层面。5W1H在数据治理模型中的应用：WHO，数据利益相关者；WHAT，数据治理的作用；WHEN，何时开展数据治理；WHERE，数据治理位于何处（当前的成熟度级别）；WHY，为什么需要数据治理框架；HOW，如何开展数据治理。
Gartner 数据治理模型

Gartner提出了数据治理与信息管理的参考模型，将数据治理分为四个部分：规范、计划、建设和运营。Gartner数据治理模型的四个部分定义了企业数据治理的四个阶段重点应关注的内容。
DCMM数据治理体系框架

DCMM国家标准结合数据生命周期管理各个阶段的特征，按照组织、制度、流程、技术对数据管理能力进行了分析、总结，提炼出组织数据管理的八大过程域，并对每项能力域进行了二级过程项（28个过程项）和发展等级的划分（5个等级）以及相关功能介绍和评定指标（441项指标）的制定。
结语：由于企业性质、业务特点、管理模式的不同，企业在开展数据治理工作的时候，最好将现有成果进行研究整合，结合企业自身的特点，引入专业数据治理公司或专家，建立符合现状和需求的可落地的数据治理框架，指导企业数据治理工作的开展。只有这样才能形成企业数据治理的驱动力，有效发挥企业数据资产的价值，引领企业在数字化转型的道路上不断前进。