傳統數據治理體系及框架
在數字化轉型中，戰略驅動是根本，數據治理是基礎，數據智能是方向。
數據治理就是從組織、管理、技術的角度持續改變數據使用行為的過程，貫穿整個數據生命周期。數據治理的根本目標是確保數據安全，提升數據價值。
同時，數據治理更是一個體系，其關注于信息系統的執行層面，以整合信息科技部門與業務部門的知識和意見為目的，通過數據治理組織對企業的信息化建設進行全方位的監管，從而迭代數據資產價值，賦能業務發展，達成業務戰略，保障數據安全，降低隱私泄露的風險。
數據治理體系涉及企業的組織、管理、技術等多個層面，和業務部門關系緊密。通常，企業的數據治理工作都是由業務部門牽頭，IT部門輔助執行。?

圖1 數據治理體系架構圖?
如上圖所示，數據治理體系分為三個層級，分別是數據治理對象、數據治理任務和數據治理支撐。
數據治理的對象圍繞主題進行劃分，不同企業的數據主題不盡相同，與企業自身組織和部門設置密切相關，這里不再展開描述。
數據治理支撐包括企業的組織架構、在數據治理過程中的角色、企業內部基于數據治理相關的制度與流程以及IT 技術架構與平臺。
數據治理任務，主要包含主數據管理、數據標準管理、數據質量管理、數據資產管理、數據安全管理、數據生命周期等。其中，主數據管理、元數據管理和數據質量管理是重點所在。

主數據管理
主數據是指描述核心業務實體的數據，如客戶、產品、員工、賬戶等，具有高業務價值的、可在跨越各個業務部門被重復使用的數據，并且存在于多個異構的應用系統中。
主數據管理將從企業多個業務系統中整合最核心、最需要共享的數據（即主數據）集中進行清洗和豐富，并以服務的方式把主數據分發給企業范圍內的操作型和分析型應用。
主數據管理的目的是為了保證在跨系統和跨平臺使用數據的時候，主數據能夠保持一致。
數據質量管理
數據質量管理體系包括數據質量的判斷以及所有對數據質量起到保證提升作用的活動、流程，力求實現全方位數據質量管理。
其中，數據質量優化提升是面向存量數據，按業務系統或者主題分批對數據進行分析、清洗，提高既有數據質量的數據質量管理活動。
數據質量管理的管控，首先需要企業內部制訂相關的規章制度，并將數據按照不同的主題域指定相應的歸口部門，確保數據質量是的持續提升。

圖2 數據質量問題歸因溯源?
通過上方的魚骨圖可以看出，數據質量問題產生的原因有很多，其中人員、流程、業務系統前段錄入屬于原生數據質量問題；業務系統后端數據庫設計、數據抽取、數據加載等屬于次生數據質量問題。
針對原生數據質量問題，可以通過提高錄入的自動化和易用性等手段，降低前端輸入時出錯的機率。
對于次生數據質量問題，通過在數據流轉過程中加入一些埋點校驗，進行數據比對，避免數據出錯。
元數據管理
元數據用來描述數據的數據，相當于書籍的目錄，是數據的解釋說明信息，使數據的使用者可以了解數據的特征、內容、作用，以及獲取方式等信息，并對數據是否能滿足使用需求做出適當的評價。
在數據治理體系中，元數據可分為業務元數據、技術元數據、操作元數據和管理元數據四種類型。
元數據管理分為采集、管理、分類、服務四個層面，涉及標準制訂、補充維護、管理分類、血緣分析、查詢統計等諸多環節。
對于大型企業，元數據的規模比較龐大，要實現元數據管理需要投入大量的人力和時間，工程周期往往以年為單位。
此外，企業數據治理還涉及數據標準、數據安全、數據生命周期等，這里不再展開贅述。感興趣的朋友，可點擊文章左下角“閱讀原文”觀看直播視頻回放。

數據治理面臨的難題
隨著新技術的不斷涌現和數據量的極速增長，傳統數據治理體系在實施時面臨著以下挑戰：
元數據管理成本高：業務元數據的實施需要業務人員的介入與識別，每個數據平臺都要錄入，數據流轉的操作元數據也需要進行錄入，導致記錄成本高。
數據質量難以保障：數據在平臺間流轉的過程中會產生次生數據質量問題，需要進行大量的埋點校驗工作。
數據標準落標復雜：每個數據平臺都要進行數據標準的檢查，跨平臺的數據標準一致性難以保障。
數據同步策略復雜：主數據平臺必須向多個數據平臺同步主數據，需要復雜的同步策略，否則可能面臨主數據的版本不一致問題。
敏感數據難以集中治理：需要定期對每個數據平臺的敏感數據進行識別，數據跨平臺流轉還需要加密解密，維護困難。
數據服務響應周期長：數據服務要經過多個數據平臺進行加工和etl，拉長了數據服務的響應時間。