最近在和客戶交流過程中，經常聽到客戶主動提出數據治理，有無數據治理的解決方案？讓我不得不重新思考下數據治理這個概念為何突然很火。

數據治理（Data Governance）是組織中涉及數據使用的一整套管理行為。由企業數據治理部門發起并推行，關于如何制定和實施針對整個企業內部數據的商業應用和技術管理的一系列政策和流程。

簡單來說就是建立一套完整的對數據進行管控的方法，規范，流程，制度，責權利等。但是這個并不是什么新鮮的東西，早在多年前我談MDM主數據管理平臺和解決方案的時候，里面有一個專門的章節就是談數據治理管控體系。

里面涉及到數據質量管理，數據標準，數據安全，組織體系建設，數據生命周期管理等各個方面的內容。當你看數據治理的時候你可以看到仍然是講的這些內容。

為何數據治理這個概念興起？

還是先看下數據治理這個概念為何會興起。

首先要先談下數據的作用越來越受到重視，特別是當前談的數字化轉型過程中，更加強調了數據驅動，而底層數據模型的標準化，數據的完整性和一致性又直接影響到能否真正數據驅動，數據能否發揮應有的數據價值和服務能力。

包括在談中臺建設的時候也專門分為了業務中臺和數據中臺，數據中臺重點則是形成統一的數據服務能力，既實時的支撐業務運作，又能夠用于傳統的數據分析和決策。

數據受到重視，但是也暴露了數據層面的問題，典型的就是數據本身沒有標準體系，小到一個物料編碼，大到一個數據申請變更流程。其次就是數據多點落地，導致的數據在多個系統不一致，各個系統可能都只管理一小部分數據導致的無法體現完整數據視圖問題。

比如下面這個圖：

一個簡單的組織人員數據在整個企業都存在編碼不統一，一些數據在HR系統管理，一些又在門戶系統的管理，而且兩者管理的范圍還存在重疊。

如此明顯的數據管理類問題將直接導致數據后續的價值服務能力。

所以再次強調下我談過的多次的一個觀點，解決數據問題不是簡單地建設一個數據中臺，或MDM技術平臺就能夠解決的，更加重要的是數據治理規范體系建設，數據模型建設，數據實施，而這些都屬于數據治理范疇。

所以從這個層面來講，數據治理不是一個新概念，而是一個已經存在很久的老概念。當談數據治理的時候更加強調的是咨詢規劃，方案和實施能力；而不是簡單地賣一個軟件平臺或產品。同時數據治理更容易從企業本身的數據問題驅動出發思考，而不是是自我的產品驅動出發。當客戶認可你的數據治理方案的時候，再來談產品層面的事情。

有時候我們去做售前產品交流，一開始就將你的主數據平臺有什么功能，數據中臺有什么能力，但是企業為何需求這些能力，這些能力本身什么關系往往并沒有講解清楚。這就是典型的產品驅動思維。

其次，原來談得多的主數據管理這個概念，這幾年談得多的是數據中臺這個概念。對于主數據管理這個概念本身實際無法包括完整的數據模型，動態可共享數據方面能力，因此并不能完全覆蓋企業數據治理方面的內容。而對于數據中臺這個概念，本身又太強調了技術平臺屬性，導致前面談的數據治理能力在數據中臺中臺被弱化，包括中臺這個概念本身也逐步成為了軟件供應商導出忽悠的代名詞。

因此在這種場景下，提數據治理這個概念是一個好的思路。

也就是說你不論是規劃建設主數據，還是大數據平臺，還是數據中臺，還是數據服務能力開放等都涉及到數據治理，那么就先把數據治理思路給你講清楚，然后再根據你的需求制定迭代演進路線，再給你推薦合適的產品或服務。

數據治理體系和框架是如何的？

在前面談數據治理的文章中我提到，可以將數據治理理解為靜態+動態兩個視角完成了對數據的基礎管理體系建設。但是對于數據治理包括了數據管理體系和數據價值創造體系。

基于這個思考重新構建完整的數據治理框架如下：

在整個框架體系中，我們將數據治理分為三層：

• 支撐體系層（組織，技術標準規范，流程）
• 管理體系層（靜態模型+動態生命周期）
• 價值體系層（共享+數據應用）

在支撐體系層包括了數據治理的驅動源頭，即數據治理組織體系和責權利建設，在明確這個后本身也分解為靜態和動態兩部分支撐。靜態支撐包括了技術體系，標準體系，規范體系；而動態支撐包括流程執行體系，績效評估體系等。

在管理層首先要關注靜態和動態兩個維度。對于靜態核心是數據架構，在數據架構中本身包括了數據模型和元數據兩個部分內容。該動態部分核心是數據生命周期管理，其中包括了數據創建，變更，廢棄等流程管理。同時圍繞靜態和動態生命周期還需要做好數據質量管理，數據安全管理兩個縱向維度內容。

在數據管理層做好后，需要對數據能力進行集成和共享，將數據服務能力開放為更多的應用服務，進一步實現數據價值，即數據應用層。即數據應用層包括了數據集成共享，數據服務開放，數據應用分析三個關鍵內容。

所以談數據治理，核心還是靜態數據模型和動態數據生命周期兩條主線，將上面的框架圖再簡化，可以看到如下一個核心架構。

在這個核心架構邏輯里面，既要考慮完整的數據模型，又需要構建數據從采集集成，到清洗入庫，后續變更廢棄的完整生命周期管理。

數據治理平臺和差異點分析

首先看下一個數據治理平臺一般包括哪些功能。引用了國內某一數據服務廠商的數據治理工具來看下具體功能包括：

元數據管理：包括元數據采集、血緣分析、影響分析等功能數據標準管理：包括標準定義、標準查詢、標準發布等功能數據質量管理：包括質量規則定義、質量檢查、質量報告等功能數據集成管理：包括數據處理、數據加工、數據匯集等功能數據資產管理：包括數據資產編目、數據資產服務、數據資產審批等功能數據安全管理：包括數據權限管理、數據脫敏、數據加密等功能數據生命周期管理：包括數據歸檔、數據銷毀等功能主數據管理：包括主數據申請、主數據發布、主數據分發等功能

在這些功能里面可以看到大部分都是傳統的MDM主數據管理平臺就具備的功能。具體的參考功能架構如下：

在這個架構圖里面可以看到，在底層數據存儲增加了異構數據和大數據的采集和集成能力，也就是數據底座可以依托在大數據技術平臺上。

而在上層則圍繞數據資產管理這個核心形成了數據服務共享和數據服務能力開放體系，這個也是對原有的MDM主數據管理的一個提升，實際這部分內容在數據中臺中是一個關鍵分層，即數據服務和能力開放層。

其次，還有一個關鍵點就是數據治理的數據模型實際應該包括三層，即元數據，主數據和ODS共享數據。這樣就對傳統的MDM主數據的數據管理范疇進行了擴展。

特別是在微服務拆分下，構建一個完整的可共享的ODS庫往往是提供數據價值服務的一個關鍵內容，這個內容傳統應用架構下往往在構建BI系統才去解決，但是BI系統的構建往往都是為數據分析決策服務，而不是去實時滿足業務運作。因此在當前數據治理里面，應該增加對于共享動態數據的管理內容。

上圖來源為數聚治理平臺架構

簡單總結，在軟件平臺提供上核心差異為：

• 其一是增加數據服務共享和能力開放
• 其二是在數據范疇上增加共享動態數據管理
• 其三是底層平臺上兼容部分大數據平臺的能力

從治理工具到數據架構規劃

其次，既然談數據治理，一般都會涉及到咨詢規劃方面的內容，即規劃先行，最后再通過數據治理工具或平臺將咨詢規劃的內容進一步落地。

而對于數據治理方面的規劃，仍然是可以沿用傳統企業架構規劃思想，從業務流程驅動的角度來規劃業務架構和數據架構。

企業數據架構是指企業實施全面的企業運營數據的管理和控制，實現數據在搜集之后的分析，從企業的整體視角了解企業、客戶和市場，通過數據更好地支撐企業運營。企業數據架構規劃的目標就是打破信息孤島，實現企業信息數據共享；應用與數據分離，實現數據從部門到企業的提升；建立數據轉換為價值的體系，讓數據發揮出企業核心資源的效用，實現數據的增值。

企業架構規劃始終圍繞流程和數據兩個核心內容展開，業務架構規劃的重點是流程和業務功能，而數據架構規劃的重點則是數據，在業務朝IT實現的轉換過程中，業務架構規劃將分解和對應到應用系統功能，而數據架構對應到數據庫分析和設計。

數據架構包括靜態和動態兩個方面的內容。靜態部分的內容重點在于數據模型、主數據定義，共享動態數據和所有業務相關的業務對象數據的分析和建模。而動態部分的重點則是數據全生命周期的管控和治理。因此，不能單純地將數據架構理解為純粹靜態的數據模型。在業務架構中對數據架構的映射重點是主數據和核心業務對象，而應用架構中對信息模型的映射則進一步轉換到邏輯模型和物理模型，直到最終的數據存儲和分布。

數據架構與業務、應用的映射涉及幾個矩陣分析，在業務架構階段重點的是業務對象和業務流程、業務組件、業務功能間的類CRUD矩陣分析；而應用架構階段重點則會是邏輯或物理模型對象和具體的應用模塊或應用功能間的矩陣分析。兩者關注層面不同，前者重點是主數據的識別和業務組件的分析，而后者的重點是應用功能模塊的劃分和模塊間集成接口的初步分析。

對于數據集成分析，根據前面的思路也分解為兩個層面的內容，一個是業務層面的分析，一個是應用和IT實現層面的分析。前者重點是理清業務流程或業務域之間的業務對象集成和交互，后者的重點是數據如何更好地共享或通過類似BI工具或ESB平臺來實現數據的集成和交互。

在數據的全生命周期管理中，包括了單業務對象數據全生命周期，它往往和流程建模中的單個工作流或審批流相關；也包括跨多個業務域數據對象的全生命周期，體現的是多個業務對象數據之間的轉換和映射，它往往是和端到端的業務流程BPM相關。數據雖然是靜態層面的內容，但數據的生命周期或端到端的數據映射往往間接地反映了流程。