數據治理內涵：是一套管理體系

數據治理（Data Governance – DG）是企業對數據資產管理行使權力和控制的活動集合（包括計劃、監督和執行 )，它是管理企業數據資源的一種方式、方法，旨在確保數據的質量、安全、合規和有效性。數據治理是企業實現數據戰略的基礎，是一個管理體系，包括組織、制度、流程和工具。

數據的生命周期包含了源頭、處理和消費這三個階段，數據的問題也可能會出現在這三個環節中。例如在數據源頭環節，用戶錄入數據的規范性存在問題，導致了最終數據消費環節的數據質量低。數據表象問題的根源，可能來自于業務系統用戶交互設計，乃至是底層數據庫表結構設計上的缺陷。

而要想解決這些表象的數據問題，就必須解決深層次的信息化業務系統開發以及數據庫表約束設計等問題。例如為了保證用戶錄入數據的準確性，有三種方式去設計業務系統：其一是設計前端的檢驗驗證，避免用戶做出相同的選擇；其二是通過程序編寫過濾判斷的邏輯，篩除掉前端誤入的數據，作為第二層驗證；其三是通過建立約束條件，例如唯一性約束、檢測約束等等來控制數據錄入準確性。

因此，企業的數據治理遠非使用一款單一的工具或產品就可以實現的，它是需要回到源頭，對企業的組織、流程制度、業務系統、底層架構等多個方面進行排查和重構的，它是一套復雜的管理體系。

不同的利益相關者群體對數據治理的關注點不一樣，因此各自的視圖也不一樣。其中管理者視圖可以概括為“五域模型”，分別是“管控域”、“過程域”、“治理域”、“技術域”、“價值域”。

管理者視角-數據治理五域模型

管控域：在數據治理戰略指導下制訂企業數據治理組織，明確組織的責、權、利，崗位編制及技能要求。治理域：是數據治理的主體，明確數據治理的對象和目標。技術域：數據治理的支撐手段，指的工具平臺。過程域：是數據治理的方法論。價值域：通過對數據資產的管控挖掘數據資產的價值，并通過數據的流動、共享、交易變現數據資產。

技術視角：企業大數據治理實踐指南框架

數據治理體系，包括數據戰略、數據治理管控體系（數據治理組織、制度、流程、管控機制、績效體系及標準體系）、數據架構、主數據、元數據、指標數據、時序數據、數據質量、數據安全、數據集成與交換、數據開放和共享、數據資產管理能力成熟度評估以及數據價值、數據共享、數據變現等多方面。

數據治理車輪圖

數據治理策略：拉式策略與推式策略考慮到數據治理工程的復雜性，有兩種目的性不同的數據治理策略：拉式策略（Pull Strategy）和推式策略（Push?Strategy）。

面向數據應用，是以提升數據應用過程中的數據準確性為目標的數據治理建設策略。

它強調在數據應用的過程中定位和解決問題，以數據應用項目為建設周期。具體而言，拉式策略有三個特點：

（1）自上而下

拉式策略通常以指標體系為起點，進行金字塔式自上而下的規劃與建設，通過“數據流、業務流、信息流”的過程反向推動數據質量提升；

（2）數據整合

它包括多系統的數據整合、拉通、清洗、處理，以及數據倉庫建設和 ETL 開發過程；

（3）數據應用

拉式策略面向數據應用。根據實際業務情況，主要解決數據指標定義標準不清晰、指標計算口徑不統一、指標計算口徑版本變更、數據不準確、數據上報與數據審核等數據應用場景出現的問題。

面向數據全生命周期的管理與控制，是一種體系化的數據治理建設策略。

它強調體系化的計劃、監督、預防與執行，包括多年計劃的數據策略建設周期。具體而言，推式策略有三個特點：

（1）體系化、系統化

推式策略不針對某個單一的、具體的數據應用場景，而是一個全面體系化的治理過程；

（2）全生命周期

它貫穿數據全生命周期的管理，例如數據采集、數據質量、數據應用、數據安全、數據分享等多個環節；

（3）立體策略

推式策略從數據治理策略（目標、范圍、方法和組織 ）開始，通過專業的數據治理團隊進行數據治理的規劃、實施和監督，通過制定數據管理流程規范從源頭業務系統的構建到數據的分發、流轉，包括數據安全策略與控制，最終貫穿數據資產管理、分析和挖掘的全生命周期過程。

拉式策略以數據應用需求為起點，推式策略以標準規劃為起點，兩種策略在多個方面有差異：

根據多數企業的實踐經驗，以數據應用需求為起點的拉式策略有著更短的實施周期和更低的投入成本，是一種更加靈活、更加敏捷的數據治理策略，將在下文中著重介紹這種數據治理策略。

適合多數企業的數據治理更優解：拉式策略

以提升數據應用過程中數據準確性為目標的拉式數據治理建設策略主要包括3個流程：

（1）基于指標體系的數據問題洞察

以數據指標體系為基礎，圍繞“數據流、信息流、業務流”三大核心邏輯，快速定位數據質量問題的源頭，并通過逆向分析推動業務信息化和管理流程的優化升級。

（2）穩健的數據架構設計

通過數據倉庫建模、分層設計和ETL開發等技術手段，確保數據架構的穩定性與可擴展性，從而提升數據使用的準確性。

（3）數據應用審核管控機制

建立針對高層管理的數據指標管控及審核機制，確保數據在上報和可視化分析過程中經過嚴格審核，從而提升數據使用的質量和準確性。

（1）數據問題洞察流程

數據問題的洞察過程可以拆解為五個關鍵步驟：首先是企業內部的資料收集與需求調研；接著是梳理指標體系；然后是確認可視化原型設計方案；第四步是識別“數據流—信息流—業務流”中的問題；最后是將問題暴露出來，形成數據質量提升的待辦清單。在整個過程中，最為關鍵的是指標體系的梳理以及“數據流—信息流—業務流”的問題識別。本質上，數據問題洞察是依托數據指標體系，以“數據流、信息流、業務流”為基本邏輯框架，在限定范圍內快速找到數據質量問題的根源，并通過逆向分析推動業務信息化和管理流程的優化升級。

數據流層面：

企業數據問題的洞察始于數據流層面的對指標體系的梳理。指標體系里包含指標和維度，指標即是目標，維度是數據的視角。在確定指標體系后，就需要標準化指標的定義與計算口徑、計算邏輯，包括對不同計算口徑的版本管理。在計算口徑確認后，就需要順著計算邏輯逐層向下追蹤，查看數據能否被獲取到。

信息流層面：

數據流層面出現問題，排除信息流層面存在的信息系統建設問題，還有可能是業務流層面的管理問題導致的。例如同一個指標有不同的計算口徑，這就不是信息系統的問題，而是管理自身的問題，是由于部門間的沖突而導致的。從數據流到業務流的分析，企業可以通過表層的數據問題洞察到自身業務流程上存在的弊端，從而逆向完善業務管理流程和管理邊界。

業務流層面：

在這樣金字塔式的數據問題洞察方法下，通過階段性、有限的指標體系框定了取數的來源范圍，因此不會盲目地擴大數據治理的范圍和目標。通過在限定的系統范圍內洞察存在問題的數據，可以形成有針對性的數據治理策略，讓問題聚焦。最后通過階段性的識別問題、解決問題，可以由點到面、由淺及深，暴露的問題逐步解決，保障階段性的建設成果。

在洞察到數據問題所在并進行了數據側、信息側或者業務側的改善后，進行穩健的數據架構設計是拉式策略的第二個流程。這里主要涉及通過數據倉庫建模、合理的分層設計、ETL 過程開發等，保障數據模型及架構的穩健性和可擴展性，從而提高數據使用的準確性。值得強調的是思考數據架構有三個出發點：穩健性、可擴展性和效率。數據倉庫架構的穩健性需要通過數據倉庫分層來解決；數據倉庫的可擴展性要通過數倉建模、維度一致性等方式來解決；效率問題需要通過多系統數據集中、處理，從流程型數據架構轉變到分析型數據架構來解決。

數據治理策略的最后一個流程是建立一個企業內部，面向高層管理者的數據指標管控及審核機制，確保數據應用過程中（上報、可視化分析）的關鍵數據必須經過有效審核，提升數據使用質量及數據準確性。