主数据治理体系

初步构建企业数据治理体系，是实现数据分析的有效保障。在很多企业数据分析过程中，多数采用的是“头痛医头，脚痛医脚”的策略，出现问题临时找人解决，只能解决眼前的问题，而不能从根本上解决。

主数据治理体系不能一蹴而就，也不是“大而全”，而是一种主数据的管理思维方式。企业的决策层和管理层必须要有体系思维，从体系本质定位出发，去设计和构建主数据管理体系，首先构建体系的框架，了解主数据治理体系需要包括什么内容，然后根据实际情况逐步构建和完善，构建和完善过程不是临时的，一旦开始就要持续进行，其中人可以换，但是体系架构不能变。

主数据管理体系主要由组织、人员、流程、制度和考核五个方面组成。

首先要确定主数据治理的组织，实际就是主数据治理的官方机构和机构的定位。机构的规模可大可小，可以是一个人，也可以是一个团队，定位可以随着业务需要不断完善，比如初期可以只有一个人负责协调和沟通，未来逐步发展成为在CDO领导下的主数据管理团队、部门、委员会等。
人员是治理体系的执行者，是真正的治理者和被治理者。
流程是人员工作的依据，包括一个业务在什么时间出现，谁来负责，依据的方法，产生的结果等内容，都需要在流程中约定。
制度是约束主数据治理相关的事情和人员行为的规则，且要发布给相关的人员；人员要知晓制度的存在，要知晓制度位置和影响范围。
考核是定期的、依据制度对人员的工作效果、工作能力进行的针对性验证，通过考核能够逐步完善制度、提升人员能力。

主数据管理平台
主数据管理平台是主数据治理体系落地实施的必要条件和有力工具。平台可以将制度固化到系统中，通过系统规则的约束，规范主数据管理操作，有效提升数据质量，从而提升数据分析的效果和效率。

主数据天生就是共享的，主数据管理平台更应该提供独立标准数据的共享能力，为企业中的业务应用系统、数据分析平台、流程管理平台等企业级标准数据，从而保证不同的系统使用相同标准的数据进行业务管理和业务数据分析，从源头提供标准的主数据，根本上解决业务数据质量的问题。

主数据在企业业务运营之初就存在了，但是主数据管理平台未必在第一时间部署。（前面提到了很多有先见之明的CIO/CDO在业务运营前或初期就构建主数据管理平台，使数据管理的历史包袱没有，或很小。）但是，对于多数企业来说，历史数据是企业的高价值资源，也是沉重的历史包袱。

主数据管理平台能够提供当前的数据标准与历史数据映射关系，通过关联、合并等方式，建立历史与现在的关系，支持数据分析构成中历史数据与当前数据的对比分析，从而保证数据的完整性、一致性和准确性，为数据分析和经营决策提供关键的数据支持。

企业标准主数据
最终影响企业数据分析的是数据分析的对象和维度是否标准。一旦在企业范围内拥有标准的主数据体系，即可无需担心标准问题，数据分析工作将非常顺利，只需要关注分析的方法、分析的场景、分析的视角、分析的问题等业务层面的问题，而无需在数据标准、数据质量、数据清洗等方面耗费太多的精力和时间。

企业标准主数据的范围，随着业务的发展和组织的重组，会不断扩大并补充完善。但是这些标准数据是稳定的，企业可以基于标准数据，进行多维度、长周期的数据分析，并利用大数据平台构建数据湖，进行数据建模和开发，基于业务特定业务场景的数据分析和验证。同时，企业的标准数据可以共享给产业链上合作伙伴（如，供应商、渠道商、承运商等），让企业与合作伙伴在业务数据分析上达成一致，降低企业的整体运营成本。

主数据平台建设是提升数据分析质量的基础
主数据治理推进的方式有两种，第一种是自上而下，战略导向，由企业的决策层直接提出并推进，从咨询规划、组织建设、实施推广、运营管理等，都是自上而下的。这种方式的特点是资源投入充足，影响力大，支持时间长，但在数据层面，起效周期比较长，主数据治理工作的策划和启动的周期也比较长，适合大型集团型企业的数据战略规划。

第二种是自下而上，问题导向，由企业数据管理部门或信息管理部门主导，协调相关业务部门一同进行，聚焦具体的数据业务场景，以问题为导向，在相对较短的周期内完成一个主数据治理的循环。这种方式有限投入资源，在已有的信息架构和数据架构的基础上，快速迭代，持续解决问题，可以在短周期內达到期望的业务成果，直接对数据质量产生影响，提升特定业务场景的数据分析的质量和效率。

专业的主数据治理的方法和问题导向的主数据治理方式，具有在短周期见效、资源投入少、推进效率高、管理风险小的特点，适合当前多数企业。这种方式中，主数据管理平台是必备工具。

将主数据管理平台建设作为主数据治理的切口，通过主数据管理平台建设将治理的关注点聚焦在业务问题和平台建设，同时逐步完成主数据治理的组织、人员、流程、制度和考核的治理体系建设；

通过主数据管理平台，将主数据域逐步在平台中落地实施，并提供与数据分析平台、业务管理系统的主数据标准数据的集成和共享，快速提升数据质量，可帮助企业一举解决数据分析中的数据标准问题、数据质量问题和数据来源问题。