一、什么是数据治理？

笔者认为：所有为提高数据质量而展开的业务、技术和管理活动都属于数据治理范畴。数据治理的目的就是通过有效的数据资源控制手段，进行数据的控制，以提升数据质量进而提升数据变现的能力。

二、为什么需要数据治理？

在我国，各行业的信息化发展和建设水平并不均衡，甚至有的行业是刚刚起步。但是，不论是金融行业、通讯行业、地产行业、传统制造业以及农业，其信息化的发展基本都遵循了诺兰模型。

笔者认为企业信息化大致经历了初期的烟囱式系统建设、中期的集成式系统建设和后期的数据管理式系统建设三个大的阶段，可以说是一个先建设后治理的过程。

那么我们现阶段为什么需要数据治理呢？主要原因出在以下几点。

1、数据质量层次不齐

当今时代，“数据资产化”的概念已经被大多数人理解和接受。然而，数据并不等于资产，也就是说不是所有数据都是数据资产，数据中也有垃圾数据。我们需要治理的是能够为企业创造价值的数据资产，而不是全部数据。

2、数据交换和共享困难

企业信息化建设初期缺乏整体的信息化规划，系统建设大多都是以业务部门驱动的单体架构系统或套装软件，数据分散在这些架构不统一、开发语言不一致、数据库多样化的系统中，甚至还有大量的数据存放在员工的个人电脑中，导致在企业内部形成了一个个的信息孤岛。

这些“孤岛”之间缺乏有效的连接通道，数据不能互联互通，不能按照用户的指令进行有意义的交流，数据的价值不能充分发挥。只有联通数据，消除这些信息孤岛，才能实现数据驱动业务、数据驱动管理，才能真正释放数据价值。

3、缺乏有效的管理机制

由于缺乏有效的管理机制和某些人为的因素，在数据流转过程中，存在数据维护错误、数据重复、数据不一致、数据不完整的情况，导致了产生了大量的垃圾数据。

数据产权不明确，管理职责混乱，管理和使用流程不清晰，是造成数据质量问题的重要因素。

4、存在数据安全隐患

2018年3月份的Facebook 5000万用户信息被泄露和滥用的事件，受该事件影响，Facebook股价当日大跌7%，市值缩水360多亿美元。

这种数据安全事件，在我国发生频率更多，我还清楚的记得2011年，黑客在网上公开了CSDN的用户数据库，高达600多万个明文的注册邮箱账号和密码遭到曝光和外泄。

近年来，随着大数据的发展，诸如此类的数据安全事件多不胜数……

三、DMBOK的数据治理框架

DMBOK是由数据管理协会（DAMA）编撰的关于数据管理的专业书籍，一本DAMA 数据管理辞典。对于企业数据治理体系的建设有一定的指导性。

DMBOK将数据管理分为以下10个职能域：

• 数据控制：在数据管理和使用层面之上进行规划、监督和控制。
• 数据架构管理：定义数据资产管理蓝图。
• 数据开发：数据的分析、设计、实施、测试、部署、维护等工作。
• 数据操作管理：提供从数据获取到清除的技术支持。
• 数据安全管理：确保隐私、保密性和适当的访问权限等。
• 数据质量管理：定义、监测和提高数据质量。
• 参考数据和主数据管理：管理数据的黄金版本和副本。
• 数据仓库和商务智能管理：实现报告和分析。
• 文件和内容管理：管理数据库以外的数据
• 元数据管理：元数据的整合、控制以及提供元数据。

四、数据治理框架的理解和解读

我们常说：没有最好的解决方案只有更合适的解决方案。企业在实施数据治理的时候，应做好充分的分析和评估，切勿盲目跟风，避免出现数据治理收效甚微，还浪费了投资的窘境。

笔者认为企业数据治理应考虑以下要素：

1、数据治理的对象

大家都在谈数据治理，但是到底哪些数据需要被治理？我们说数据治理不是治理全部数据，而是针对企业数据资产的治理。

那么，问题来了，到底什么是数据资产？又如何识别数据资产？

笔者认为，数据资产虽不具备实物形态，但是它必定是实物在网络世界映射的一种虚拟形态。对于企业而言，人、设备、产品、物料、软件系统、数据库、以及任何涉及到使用文件作为载体的各类数据，都属于企业的数据资产。

我们虽然定义了数据资产，但是不同行业的数据治理侧重点也不同。数据治理要理解行业需求、企业诉求，在不同行业、不同企业应具有不同的差异化方案。企业在实施数据治理的时候，首先要进行数据资产的识别和定义，明确数据治理的对象和范围，做好数据治理的顶层设计！

2、数据治理的时机

这些年由于工作原因走访了一些企业，其经济情况不同、行业特点不同、信息化程度不同、数据治理情况也不尽相同。

第一类企业：经济实力雄厚，信息化起步较早，信息化程度比较高，如：XX银行、国家电网，他们已形成了系统性的数据治理体系。

第二类企业：有一定的经济实力、信息化程度相对较好，但是早期的信息化盲目建议，买了一堆的套装软件，建了一堆的系统，虽然系统或多或少都有使用，但效果不佳，谈起数据治理，客户自己都觉得头痛：企业到底都有哪些数据？这些数据都是分布在哪里？数据治理该如何入手？

第三类企业：经济实力相对薄弱，也有信息化刚刚起步的企业，这些企业多数的业务还是靠纸质或线下模式，部分企业使用了财务软件或ERP系统，数据存放个人电脑或生产系统中，基本没有数据治理。我国的一些中小民型营制造企业多数处于这个水平。

那么企业数据治理的时机该如何选择？

是先有了数据再进行治理，还是先建设好数据治理体系再进行应用系统建设？针对上述不同类型的企业，其数据治理选择的时机和体系建设的设计绝对不能一概而论。

• 对于第一类企业，已经有了相对完善的数据治理体系，更需要的是加强数据安全、数据应用、数据创新，稳固提升数据管理、数据应用和数据变现的能力；
• 对于第二类企业单体架构的系统多，信息孤岛严重，一定存在数据多源、重复、不一致等问题，其数据治理已是迫在眉睫；
• 对于第三类企业，在数字化的浪潮下，信息化虽然薄弱，但如果打好数据基础，未免不是企业改革创新，实现“弯道超车”的最佳时机。

3、谁来实施、谁来主导

企业常常有这样一个误区，很多人认为数据治理就是信息化部门的事情和业务部门无关。

前边我们说过数据治理是对企业数据资产的治理，既然是资产，就一定要确权。企业数据资产的生产、使用应该有明确的责任部门，显然数据资产的生产及归属部门应该是业务部门，信息化部门最多也就是一个数据资产的托管部门而已。

笔者也多次强调企业的数据问题，80%是业务和管理的问题，20%是技术问题。

所以，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。

4、数据治理的内容

数据治理是长期、复杂的工程，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。

由于企业性质、业务特点、管理模式的不同，有必要建立符合企业现状和企业需求的数据治理框架，指导企业数据治理工作的开展。

以下是笔者个人理解的数据治理框架内容：

• 元数据管理：提高各种数据的可信性、可维护性、适应性和可集成性。
• 主数据管理：主数据是企业内外被广泛应用和共享的数据，被誉为是企业数据资产中的“黄金数据”，主数据管理是撬动企业数字化转型的支点，是企业数据治理最核心的部分。
• 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。

五、数据治理框架总结

再次强调，企业实施数据治理需因地制宜，不论建立什么样的数据治理体系、采用什么样的数据治理技术，其目的都是实现数据治理目标，即：通过有效的数据资源控制手段，对进行数据的管理和控制，以提升数据质量进而提升数据变现的能力。

数据治理体系和框架，只是企业数据治理的一个参考，不能照搬和套用，更不能为了治理而治理。

但这一切都要基于一个好用的数据可视化平台。现在市面上流行的有FineBI、Power BI、DataV、鼎数，但权威机构IDC指出市场占有率第1的还是FineBI，这些都可以做数据分析。

商业智能BI产品更多介绍：www.finebi.com

免费下载FineBI 立即体验Demo