干货！数据治理体系搭建方法论

根据研究报告显示：到2025年全球将有近30%的新增数据资源来自中国，在信息产业部分领域我国实现了从“跟跑”“并跑”向“领跑”的转变。面对规模日渐增长的大数据，想要了解剖析它，数据治理是不能绕过的一环，今天我们来好好谈谈数据治理体系的搭建方法论。

知概念 · 什么是数据治理？

数据治理的概念各大机构的理解不尽相同，这里列举一下比较典型的释义：

机构名称	数据治理相关定义
DGI	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）。
IBM	数据治理是一门将数据视为一项企业资产的学科。数据治理是针对数据管理的质量控制规范，它将严密性和纪律性植入企业的数据管理、利用、优化和保护过程中。它涉及到以企业资产的形式对数据进行优化、保护和利用的决策权利。它涉及到对组织内的人员、流程、技术和策略的编排，以从企业数据获取最优的价值。
DAMA	数据治理(Data Governance, DG)是指对数据资产管理行使权力和控制的活动集合（规划、监督和执行）。

对于数据治理，很多人会把他与数据管理混为一谈，这里简单罗列一下市面上的几种声音。

观点一：数据管理⊆数据治理

数据管理（DM）是长期管控的过程，属于长效机制，类似我们中医里的“管”。

数据治理（DG）是某一时间段对数据的临时梳理措施和行为，是针对数据质量的干扰动作，类似西医里的"治"。

这种理念下，数据管理是包含数据治理的。

 

在DAMA-DMBOK2理论框架中，数据管理的内容分为三大类：

数据治理活动：确保组织对数据作出合理、一致的决策；

数据生命周期活动：管理从数据的获取到数据的消除整个过程；

数据基础活动：包含数据的管理、维护和使用。

 

根据上诉观点，可以很明显的看出DAMA是赞同数据管理包含数据治理这一结论的。

观点二：数据管理⊇数据治理

另一种观点认为数据治理是包含数据管理的，数据管理是数据治理的技术实现。在这种观点下，数据治理是对数据端到端生命周期内（收集、存储、使用、保护、归档和删除）的组织结构、数据拥有者、政策、规则、过程、业务术语和度量标准等做出定义。数据管理则是数据治理的技术实现，而企业数据治理则为各种政策及过程的执行和实施赋能。

 

 

观点三：数据管理=数据治理

还有很大一部分人认为数据治理和数据管理基本上是一回事，可以相互混用。DATA GOVERNANCE，翻译成中文可以是数据治理、数据管理、数据管控等，因此这几个词都是约等的概念。

上诉观点众说纷纭，也都有一定程度的“信仰者”，但就目前来看，有DAMA站台的观点一的呼声更高，盖过了其他的声音。

数据治理体系的顶层设计

数据治理是一个复杂的系统工程，是一个从上至下指导，从下而上推进的工作。基于数据治理体系，其顶层设计可以提炼出以下四大方面：

建组织、立制度

数据治理组织的建立并不是简单的组建一个临时团队，也不仅仅意味着有了专业的人就能做专业的事，而是要建立一个能足够支撑企业数据化业务的完整体系，包括组织体系、管理体系、执行体系、技术体系等方面。

另外，数据治理不应被视为“以一应万”的万能方法，数据治理应该制度化。对数据产生、采集、处理、加工、使用等过程进行规范。通过统一数据标准，制定合理的数据管理流程和制度，规范数据生产供应的过程。要确保数据符合业务需求，并在整个组织中定义、监控和执行数据策略从而确保一致性。

摸家底、拉人才

第二步要根据各政企单位的实际情况来进行需求调研，先摸清自家家底，确定企业数据资产的分布、数据的质量、数据的管理现状、数据应用需求等情况。其重点是要细化至数据治理项目的目标和范围，评估数据治理成熟度，确定改进内容和方向并与利益相关方达成共识。

除此之外，政企也需根据实际情况建立自己的人才体系，包括人才选拔和数据治理人才培养。不光对外广招专业人才，也可从内部选拔相应的技术专家、业务专家，他们对业务层面会更加了解。

建平台、选工具

数据平台的搭建也是“因人而异”的，不同的企事业单位对于搭建数据治理平台的需求及各业务模块的重视程度都不一样，也有一定程度的轻重缓急。但一个全面的数据治理平台应该包含以下九大块，即元数据管理、数据标准管理、数据质量管理、数据集成管理、主数据管理、数据交换管理、数据资产管理、数据安全管理、数据生命周期管理。

数据治理平台涉及面广，体系庞大而又复杂，一般公司或部门想要完全依靠自身力量搭建这样一个平台基本上是很难的，如果能选择一个在业界有口皆碑的工具，借鉴已成功运用落地的行业解决方案，则会在最短的时间内完成治理目标，达到事半功倍的效果。关于工具如何选择我们将在下一段里再详细展开。

持续优化，再出发

通过数据治理工作的开展，数据变得可信且易于理解，并能有效地支撑业务人员的决策分析工作。越来越多的人员转变为“数据专家”，工作方式也随之改变，但是它并不是一个一蹴而就的事情。

数据治理是一个螺旋上升模型，需要不断的迭代和优化，需要进行长效的持续运营，要将其变成企业的一种机制、一种文化、一种习惯，而数据治理每一次迭代优化都预示着政企数据战略目标的再出发！

数据治理体系的底层逻辑

有了顶层的战略和核心思想，如何从0到1确立数据治理体系的底层逻辑，将是指导我们具体应该怎么做的方法论，建议收藏。

01掌握数据现状

数据治理的第一步一定是掌握数据现状，首先对数据家当进行全面盘点，形成数据地图，为业务应用和数据获取夯实基础。数据地图作为数据的全盘映射，帮助开发者和业务人员了解数据，并对数据资产管理进行有效监控。

02提升数据质量

通过建立一套切实可行的数据质量监控体系，设计数据质量稽核规则，加强从数据源头控制数据质量，形成覆盖数据全生命周期的数据质量管理，实现数据资源向优质资产的转变，为后续的数据治理打下坚实基础。

03实现互联互通

通过制定统一的数据标准，建立数据共享制度，完善数据登记、数据申请、数据审批、数据传输、数据使用等数据共享相关流程规范，打破数据孤岛，实现数据高效共享。让数据治理的效果持续量化，使得企业上下对其成果有目共睹。

04提高获取效率

数据治理可以将前期的数据准备时间和交付项目的时间缩短，提升数据的获取和服务效率，让数据快速就绪，随时可取，减少数据分析人员的数据准备时间，加快数据价值的释放过程。

05保障安全合规

数据治理通过制定完善的数据安全策略、建立体系化的数据安全措施、执行数据安全审计，全方位进行安全管控，确保数据获取和使用合法合规，为数据价值的充分挖掘提供了安全可靠的环境。

06持续释放价值

数据治理是一个持续和动态的全生命周期管理过程，以持续释放数据价值为理念来实现数据资源管理工作。管理方面应建立一套符合数据驱动的组织管理制度流程和价值评估体系；技术方面应该建设现代化数据平台，确保持续、健康地为数据资产管理提供服务。

 

睿治数据治理平台功能全解

通俗来说，数据治理就是预防、诊断和治疗与数据有关的一起“病症”。亿信华辰智能数据治理平台——“睿治”就是根治病症的良药，它包含九大产品模块如主数据、数据标准、数据质量、数据集成、元数据、数据交换、数据资产、数据生命周期和数据安全，同时模块间可独立或组合使用，满足各类不同数据治理场景。

通俗来说，数据治理就是预防、诊断和治疗与数据有关的一起“病症”。亿信华辰智能数据治理平台——“睿治”就是根治病症的良药，它包含九大产品模块如主数据、数据标准、数据质量、数据集成、元数据、数据交换、数据资产、数据生命周期和数据安全，同时模块间可独立或组合使用，满足各类不同数据治理场景。

01元数据管理：端到端的自动化采集，一键元数据分析，快速理清数据资源，了解数据来龙去脉，构建数据地图。

02数据标准管理：提供全面完整的数据标准管理流程及办法，用于决定和建立单一、准确、权威的事实来源。

03数据质量管理：通过向导化、可视化等简易操作手段，将质量评估、质量检核、质量整改与质量报告等工作环节进行流程整合，形成完整的数据质量管理闭环。

04数据集成管理：实现跨部门数据的传输、加载、清洗、转换和整合，支持自定义调度和图形化监控，实现统一调度、统一监控。

05主数据管理：对需要共享的数据建立统一视图和集中管理，为各业务系统数据调用提供黄金数据。

06数据交换管理：将若干个业务子系统之间进行数据或者文字的传输和共享，集数据采集、处理分发、交换传输于一体。

07数据资产管理：丰富的服务接口拓展，支撑数据资产的多渠道应用，如数据共享、决策支持等，最终实现数据资产价值最大化。

08数据安全管理：提供对隐私数据的加密、脱敏、模糊化处理、数据库授权监控等多种数据安全管理措施，全方位保障数据的安全运作。

09数据生命周期管理：记录数据从创建和初始存储，到过时被删除的整个流动过程，对数据进行近线归档、离线归档、销毁和全生命周期监控。

睿治数据治理平台的九大产品模块可灵活组合使用，通过有型的产品支撑和实施方法论，解决大企业面临的数据孤岛、数据维护混乱、数据价值利用低的问题，依据企业特有的业务和架构，构建一套源源不断地把数据变成资产并服务于业务的、可持续让企业数据用起来的机制，让数据可见、可懂、可用、可运营。

了解更多数据治理与数据治理工具相关知识：https://www.esensoft.com/data-governance.html.