【背景及意义】
对于建设中台的企业来讲，未来其核心业务都会给予中台来承载，数据的标准化程度、整合的全面性、生产的可靠性、准确性、安全性等都是中台的关键考核指标，数据治理是保障考核指标达成的一套机制与体系，也是一个系统性工程，如果在治理上做得不够好，则很可能会使中台成为制约企业发展的瓶颈而非驱动力。
同时，在大 B 或大 G 企业中，自身就沉淀了海量的业务数据，数据规模庞大切种类繁杂，治理是其绕不开的关键话题。
说明：数字政府讲数据治理是从数字经济的宏观层面来讲，涉及到整个社会经济体的方方面面。而对于企业而言，其数据治理是狭义的概念，或者叫数据管理更加准确。
企业在数据管理方面存在的普遍性痛点
【痛点一】
各业务领域数据没有完全打通整合，业务系统各自有自己定义的数据规范，缺乏全公司层面的统一标准。
跨业务领域使用数据比较困难，需要业务部门自己手工整合。
数据分布在 N 个系统及外部数据文件中，缺乏全局性的数据规划、数据标准不统一（其中指标一般由业务部门各自的数据口径，公司层面的指标没有统一的定义），数据规范不一致导致理解困难，且数据质量无法保障。
由于公司级统一标准的缺失，使得数据的理解难度大，严重影响了业务部门对数据的使用及变现。
【痛点二】
数据应用碎片化，未能充分释放数据价值。
各个部门数据应用主要聚焦在业务经营决策以及管理支持方面，在业务生产或精细化运营优化方面的应用深度不够，数据价值未能充分释放。
针对数据价值的深度挖掘，需要全公司统筹规划、统一考虑，从顶层设计出发，借鉴行业最佳应用实践，赋能到各个业务部门，从而为公司打造精益运营的核心竞争力。
【痛点三】
在公司内没有建立专门的数据管理组织，在数据管控及资产价值运营方面实施力度不够。
建议建立 IT 信息中心，进行数据的汇聚整合，各个业务部门和子公司从 IT 信息中心同步数据并开展分析应用。
在数据资产管理方面会面临以下三个主要问题：
- 没有建立集团层面的数据管理组织，没有统筹数据工作的牵头人；
- 数据分散在各个业务部门各自管理，针对数据的安全、质量、权限方面的管控力度表现不足；
- 没有负责数据资产运营的专门团队，在 IT 投资 ROI 以及数据价值变现方面缺乏科学的评价与方向指导。
缺失横跨业务部门与 IT 部门的企业级数据管理组织，会促使数据共享与使用困难，以及难以持续提升数据建设的投资效益。
综上所述，虽然大部分企业当前建设有数仓或 BI 系统，但是由于数据未能在集团层面统筹规划数据治理体系，导致统一数据标准缺失、数据共享困难重重、数据准确性难以保障、数据安全受到挑战、数据应用创新受到限制，以及建设投资效益难以评估。
同时，结合企业建设中台的契机，在中台建设之前先开始数据治理工作，确保数据中台标准化的数据服务能力建设具备可行性。
企业数据治理体系整体规划
大 B 或大 G 顶层设计通常会聚焦在数智化转型战略层面，数智化转型的核心基础是数据底座，需要先打通数据治理，打造一个高品质的数据底座，而后再来支撑智能化的应用场景落地。
数据治理的定位是为数智化转型奠定基础
企业智能化转型一般建议分为三个阶段：
- 先实现数据资产化
- 再基于数据资产的基础上开展数据服务化
- 通过数据赋能业务的同时，探索业务生产与运营的智能化
以上三个阶段的演进都需要数据供应链来支撑。
因此，数据治理的核心定位是构建一个融合的、标准规范化的、可信的、安全的、高效的数据供应链支撑智能化转型，实现数据驱动业务并促进数据价值变现，持续提升生产力。
如何才能打造出一条好的数据供应链，需要从三个方面的举措进行推进，具体举措的内容如下：
- 数据资产治理规划：先盘点企业数据资产，了解当前数据资产现状并梳理出数据标准，同时制定企业级数据管理制度，明确参与部门、职责分工、工作流程、支撑工具等。
- 指定数据管理制度、规范、标准
- 数据资产全流程监管：针对整个数据供应链，搭建数据管控能力，对元数据、数据质量、安全、存储周期进行管控。以及建设资产运营能力，实现数据资产的可看、可查、可估、可管，能够建立运营闭环，持续提升数据价值。
- 构建数据管控能力，保障质量与安全
- 构建资产运营能力，提升数据 ROI
- IT 层面技术工具建设：数据治理是一个体系化、常态化的工作，需要采用自动化、智能化的工具，以保证治理工作的高效性与准确性。
- 数据层：以数据层供应链为核心层，其他三层都是围绕打造好的数据层而设计。数据供应链是端到端的数据链路，数据价值是通过该链路而产生的。
- 业务部门开展业务创新及应用推广
- 治理层：负责制定数据标准与规范，以及过程中监管标准与规范的执行情况，做到数据供应链在标准、质量、安全、存储周期、价值管理方面都整体可控。
- 数据标准、主数据标准
- 元数据标准
- 数据质量管控
- 数据安全管控
- 数据生命周期管控
- 运维层：负责保障数据供应链的运行正常，以及针对平台、工具与数据，进行管理与维护。
- 运营层：对数据资产的 ROI 进行持续管理，确保 IT 投资效益，具体的运营手段实施包括资产的可看、可查、可估与可管。
- 数据资产目录管理
- 数据使用度评估
- 价值评估
- 成本及效益评估
- 业务方满意度管理
通过数据资产管理框架作为指导，在落地数据治理工作时为企业量身定制四个层面的能力，保障治理工作可行且有效。
针对框架中的治理层与运营层具体落地形式，设计数据治理体系架构
在框架中治理层关注制度、规范与标准，以及数据生产过程中的管控；运营层关注资产 ROI 的提升。
数据治理体系架构从 4 个模块来落实治理层与运营层的关注点。
体系架构如下所示：
picture
治理机制说明：
- 事前制定数据管理制度、业务规范以及统一数据标准。制度（办法）是约定数据管理的组织、职责、流程与工具。业务规范是明确定义数据管理的规则。数据标准是基于现有业务系统数据基础上，形成公司统一数据标准，便于消除数据歧义。
- 事中建立数据生产使用过程的管控体系。根据业务规范对数据进行稽核，发现问题并进行告警处理，确保数据生产使用标准&规范的要求是保持一致性的。
- 事后持续开展数据资产运营。运营的目的是提升 ROI，赋能业务部门开展业务创新以及对全量数据资产进行价值分评估，对低价值高成本的数据进行下架或降级处理，对高价值数据进行重点保障与业务推广。
体系架构中的数据管理制度（办法）具体内容说明
数据管理制度（办法）是对整个数据管理组织、职责、流程及工具的明确定义，涉及到数据生产、使用、管控以及运营，是一套管理制度。管理制度是整个治理系统得以运行的基础，制定得不好会影响到后续多个部门之间工作的协同性。
同时，由于各个企业内部组织关系的千差万别，所以管理制度没有通用版本，都需要根据每个企业的实际情况设计协同工作方式。
picture
说明：整套管理制度内容多，根据每个企业的实际情况做客制化，这里不做详细的展开。
体系架构中的业务规范具体内容说明
业务规范是对数据管控各个模块的业务规则的梳理和具体定义，最终会以技术元数据的方式进行落地。
梳理业务规则是个很繁重与需要耐性的工作，但是可以复用历史项目中沉淀的整套规则，只需要做少量的客制化变更。这与沉淀一套行业标准化的数据模型是相似的道理，可以减轻后续项目的大量实施工作量。
picture
说明：整套业务规范内容很多，可以基于行业通用业务规范版本基础上，再针对每个企业的实际情况做少量的客制化，这里不做详细的展开。
体系架构中的数据管控解决方案设计
数据管控是对
若有收获，就点个赞吧
0 人点赞
