五分钟搞懂数据治理！

数据治理
数据治理是一个通过一系列信息相关的过程来实现决策权和职责分工的系统，这些过程按照达成共识的模型来执行，该模型描述了谁（Who）能根据什么信息，在什么时间（When）和情况（Where）下，用什么方法（How），采取什么行动（What）。

数据治理的最终目标
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，它是一个管理体系，包括组织、制度、流程、工具。

数据治理的本质
解决组织、制度、流程关于数据的问题，解决数据认责，数据可信，数据一致的问题，提供平台、工具、方法

数据治理范围的确定
1. 数据治理的蓝图规划及其目标
2. 确定主题域及主题域边界（此处需要业务调研）
3. 成立相应的组织、制度、流程
4. 对数据平台进行调研选型

数据成熟度评估、数据质量报告
输出物：蓝图以及目标，政策（数据模型管理政策、数据质量管理政策、元数据管理正常、主数据管理政策、数据服务管理政策）、流程（数据标准管控流程、是数据质量管理流程、数据需求流程、数据资产下架流程、主数据管控流程）、数据 owner 的发布，组织以及流程制度的成立与发布；

数据资产的盘点
1. 明确数据资产盘点的粒度
主题域分组、主题域、业务对象、逻辑 s 实体、属性
2. 业务调研、系统调研
调研企业所有系统情况，收集所有系统名称，建设目标，系统类型划分，使用者，用户来源和规模。
3. 业务流程的梳理
梳理业务与业务之间的流程关系，业务流程涉及的关键主体与动作，输入输出情况；
4. 业务流程的分解
识别各业务环节涉及的人、事、物， 输入、输出、组件和数据；输出业务流程图；根据梳理好的业务流程图，转换成对应的数据流图；
5.数据标准的梳理

对于数据按照主数据、参考数据、交易数据、分析数据进行分类，并梳理出数据的技术标准和业务标准；补充和整理完整的数据字典；
• 落地范围：哪些标准需要落地 涉及到哪些 IT 系统
• 差异分析：与现有数据的差异 差异有多大
• 影响分析：对哪些系统产生影响 产生什么样的影响 影响是否可控
• 落地方案：组织架构 人员分工 考核制度 监管方案
• 落地执行：发布标准 标准映射 常态化
• 效果评估：跟踪评估落地的效果 哪些事做对了 哪些事需要改进
6. 数据的分级分类 数据分类分级，根据行业标准和特点对于数据资产进行分类，将数据资产划分为公开、内部、敏感等不同的敏感等级；
• 输出物：数据资产目录，数据 CRUD 矩阵，数据标准，数据治理策略

数据治理实施方法论
数据治理的目的：一般是为了提高数据质量，以便于数据可以更好地服务于业务，对业务进行赋能 数据质量常见的问题：完整性、一致性、准确性、及时性、有效性 数据质量的根源：业务系统的变更、开发运维人员的参差不齐、手工录入。
数据治理的方法论

1. 主数据治理：
指企业内一致并共享的业务主体。特点：准确性、一致性、集成性、共享性/可重用性和高价值。主数据治理一般会作为单独的项目来做，MDM 系统。一般是从源端进行管控治理
• 主数据的主要问题：
关键信息孤岛，数据分布在多个孤岛，不能跨组织传播 组织内不能就一个主数据源达成一致 数据质量问题引发的业务流程和交易的失败 不正确或丢失数据造成合规性和绩效管理的问题 决策者做出基于错误数据的错误决定
• 主数据解决方案：
• 数据转换映射
• 由应用系统承担主数据管理功能
• 集中管控

2. 交易数据治理
交易数据一般可以先在数据平台先行治理，之后再在源端进行管控治理

3. 参考数据治理
参考数据一般可以先在数据平台先行治理，之后再在源端进行管控治理

4. 分析数据治理
分析数据一般可以在数据平台进行治理

5. 数据模型、数据标准的治理
数据模型、数据标准一般可以先在数据平台先行治理，之后再在源端进行管控治理

6. 元数据治理
是企业数据资产管理的基础，是关于“数据的数据”，例如数据类型、数据定义、数据关系等，相当于数据表格中的表头信息，是一个相对客观的概念。元数据一般可以先在数据中台先行治理，之后再在源端进行管控治理

7. 数据资产成本的治理
• 资产上线容易下线难
• 低价值的数据资产
• 资产的烟囱式开发
• 数据的倾斜
• 资产的生命周期
• 调度周期的合理性
• 任务参数的合理性
「如何优化」
• 数据资产的全链路血缘
• 针对未使用的资产，进行下架处理
• 针对低价值，使用频率低的资产，按照应用粒度评估应用是否还有存在的必要，可进行下架策略，以及优化模型
• 针对高价值的，评估计算资源与存储资源，以及优化模型

8. 数据资产安全合规
• 数据资产进行分级分类
• 数据资产进行加密
• 数据资产进行权限管控
• 数据使用进行流程申请
• 对关键数据制定跟踪制度
• 遵从相关法律法规
输出物：数据平台的搭建；数据门户的建立；