感受一：要用量化KPI去治理才看得見治理效果

在推進數據治理工作的過程中，尤其是在核心的數據標準、質量、安全領域，經常會提出“盡量、最好”性質的要求。這些要求往往以OKR關鍵目標為代表，對于數據治理工作的建設高度有著很好的驅動力，但也容易因為基層實施團隊在資源能力、時機條件、認識理解等方面的不同，導致落地困難。

在真實的企業數據治理工作中，“最好是好的敵人”。很多時候，“盡量、最好”不容易評估，只能明確大致的目標，也不容易當下立見。相對地，“至少、起碼”性質的任務就更容易量化，用這個思維確定KPI，然后逐級量化地實施治理目標，即找到了管理的抓手、路徑和改進的階梯。

例如，數據能力支撐中，繞不開對企業級數據中臺的規劃和實施，這其中，數據倉庫模型設計是一個重點。以此為例，其規范和規劃要體現整體性、統籌性；但由于企業級數據項目牽涉面巨大，多個不同項目組的并行實施過程中，難免會有信息溝通方面的問題。這時候，數據治理的角色和擔當就是要找到“兜底、把關”的KPI，畫出底線和高壓線。通過設置KPI，保證模型設計的基本要素齊全、信息共享透明，通過執行主題數據表的空值檢查和枚舉值核查、跨領域數據表冗余性比對、關鍵數據表的歷史檢查和跨表核對等實現管控，保證可復用模型的權威，即為主題和領域模型的真正開放共享打下基礎。

這些工作，是將數據治理理念在具體團隊、具體資源、具體環境中真正落地成實際條例和規則，以實現技術化、批量化操作，保證不因執行團隊的個人和能力問題出現范圍和程度上的走樣。

感受二：管理主建、應用主戰，以用促建、以用帶建

數據治理不是數據管理部門一方可以獨立完成的，即使在數據管理部門內部，也有多個團隊聯合協同，形成“主建”和“主戰”的合作關系。業務部門和應用團隊的目標往往是盡快完成任務，而數據治理其實是對業務團隊和開發團隊的約束和管理，包括要求需求要規格化，開發要統一標準等，這對業務和應用團隊來講可能是“成本”而非“動力”。為有效推動數據治理工作，就需要將應用的“戰”和治理的“建”結合起來。

最為典型就是數據標準管理。數據指標的標準化、企業級指標庫的統籌規劃和管理等，是建的部分，也是數據治理的核心領域；但真實感受到指標管理的方便、有效、有價值，是業務部門和數據應用部門。單純強調“扎口、集中、統一”管理，卻遠離業務的實操和理解，是很難真正實現集中扎口的。尤其若是增加了長流程審批等工作要求，還容易造成管理鏈條變長、效率變低、業務部門體驗感下降的問題。

反之，由治理部門負責把標準規范和指標庫等基礎設施建立起來，把握住數據主人、授權等級、安全管理等基本因素，以及加強對指標復用、開放和共享方面的推動，做好“建”的角色；將指標梳理、維度建模和集市建設等工作交由應用團隊來實施，讓與業務部門并肩作戰的數據應用團隊具體落實指標梳理工作和進行一定程度的管理，兩方協同合作以獲得更好的效果。

數據應用部門對業務部門進行的復雜測算和指標搭建有現場感，在這個過程中，能真正讓數據標準的治理尤其是指標的治理在業務場景中發揮作用，是典型的“以用促建”。找到分析應用主題，也就找到了數據標簽、指標、模型的落地方向，有利于進行數據源頭、數據中臺、數據應用之間的全鏈條梳理，對數據埋點、分拆粒度、核算口徑、模型參數等也能有更深入的認識，對數據質量的把控可以更加及時，從而實現“以用帶建”。

感受三：能建大樓，能踢點球

數據治理是解決“亞健康”的問題，是對很多“長期問題”的系統性改善。因此，數據治理首先必須有體系和框架，有實施路徑的規劃和思考，有解決深層次問題的清醒認識，有層次化推進的基礎建設，有長治久安的使命感和責任心。但是，實踐中的數據治理，問題和挑戰點多面廣，牽涉人員復雜，任務緊迫，時間窗口卻有限，就必須要會“踢點球”，要有點對點解決實際問題的能力。

對于商業銀行而言，框架性的數據治理工作可以按照監管機構和央行要求，以數據管理能力成熟度評估DCMM等評估過程為依據，對照自查，逐項對標，標桿式地進行工作規劃和實施。從實際工作看，若能完成DCMM量化管理級標準，就算是建起了一棟大樓的框架。

另一方面，數據治理體系框架是覆蓋面，點上的突破需要一事一議，逐個攻克。數據治理最終、最客觀的評價，仍然是監管報送準不準、分析挖掘快不快、用戶體驗好不好、安全防控牢不牢這些基本命題，但這并不能滿足商業銀行管理層和用戶的要求。這就需要踢點球，即“問題導向、價值驅動”，相比整體性、綜合性的體系和框架，更加強調能不能找到工作抓手、形成量化管理KPI。比如，數據標準中的企業級數據建模需要借助全面企架重構將C模型落地，即把主數據管理、數據標準管理和數據主人認定落實到開發過程，通過這個方法解決考核管理中涉及機構、管戶數據等領域的關鍵問題。為此，周周談發布了9篇文稿來談這項工作的思考和設計，并考慮下階段如何通過高階建模在現有條件下進一步提升。

以下我們談談對數據治理焦點工作中的幾個判斷。

判斷一：管住增量+消化存量是很長一段時間的基本方針和可行選擇

數據治理不是在一張白紙上進行，商業銀行有大量的存量系統，數十萬張表，數百萬個數據字段項，這些存量數據不是資產，某種意義上是數據治理工作的成本。將存量數據轉化為可用的數據資產需要全面重構模式的數據治理，而事實上目前商業銀行難以得到一個全面重構的時間窗口。因此，數據治理必須采用的方案就是對增量和存量部分采取不同策略。

目前行業里面的經典數據治理方法論，大多是針對新建和新增數據的。部分頭部企業對于存量數據、存量系統領域在理論方面的探討并不豐富，實施方案也各有不同。從實踐經驗來看，可行的操作性方案基本就是管住增量、消化存量。增量部分如果不管住，很快就成為存量；而存量部分如果不消化，將來就會成為商業銀行難以承受的負擔。

消化存量的理性策略就是，在全面分析存量系統的基礎上，有選擇和有范圍地進行數據治理，這其中，問題導向和價值導向是比較合適的選擇，其成本可控、成效可看。反之，若過于追求自底向上的全面模式，容易導致操作時間長、反饋長、業務視角評價失焦等問題，即容易因為“撒網太廣”而“感受有限”。一般而言，監管驅動、業務應用驅動的存量數據治理，更容易得到業務部門和開發團隊的理解和配合。

判斷二：數據質量是數據治理成效的主要評價指標

數據治理的核心使命和最終目標是業務價值的釋放。如何說明數據治理的成效，是數據治理的必答題。一段時間，人們對數據治理的成效是從DAMA的數據治理領域框架去談的，實際上，這其實是數據治理的過程。正確的數據治理成效表達，是以業務為單元，整合數據治理在標準、質量、安全、基礎設施和能力體系建設方面的成果，以這個業務單元的業務價值成效來反映數據治理的成效，其中，數據質量提升是最為主要的一個評價指標。

例如，很多數據治理工作的成果都會提出關于數據標準規范和數據質檢規則條目，數據指標和數據標簽數量等內容，但是更有價值的數據治理成果應該來自于為了實現業務活動，數據治理如何提供了數據和應用能力的支撐。例如在零售業務支撐方面，包括在新市民、養老金融、客群經營和營銷活動中，數據治理解決了哪些客戶、機構、員工等主數據打通的問題，解決了分析過程中的關鍵枚舉值信息的問題，解決了源頭系統的數據采集缺失和合規性問題，解決了報告和報表層面的數據口徑測算和復合分析的問題，從而為業務部門的價值考核和經營管理提供數據層面的有效供給和質量保證。

在實際工作中，業務部門和用戶團隊對數據治理的體會就是一句話：這張表是否準確可用？多數時候，能夠回答好這個問題，就是數據治理成功的標志之一了，也是對數據治理團隊提出的要求。

數據治理是一個“永遠在路上”的工作，類似的感受和思考其實還有很多。只要事情在進行，就會有層出不窮的問題，但只要能從解決最終問題的角度出發，就一定能夠建立理論聯系實際的橋梁，也一定會有完善的解決思路和方法。保持初心和使命，久久為功，也許就是數據治理最必要的心態和最重要的原則。