一、數據治理的框架和核心內容

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”。

圖1、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。

圖2、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。

圖3、數據治理車輪圖

接下來從數據戰略、數據管控（組織管理、制度體系、流程管理及績效）、三個核心體系（數據標準體系、數據質量體系、數據安全體系）和工具等分別進行介紹。

圖4、企業數據管控和三個核心體系

數據戰略

數據戰略是整個數據治理體系的首要任務，關注整個組織數據戰略的規劃，愿景和落地實施，為組織數據管理、應用工作的開展提供戰略保障，應由數據治理組織中的決策層制定，需要指明數據治理的方向，包括數據治理的方針、政策等。

圖5、數據治理頂層規劃設計方法論

正確的頂層設計是企業家對未來形勢的正確判斷，對機會和戰略，治理與架構，資本和模式，供應鏈和數字化，品牌和營銷，產品和客戶等整體一盤棋的布局。如果說商戰就是沒有硝煙的戰爭，那么頂層設計則是整體戰的部署。

組織管理

組織保障是數據治理成功的關鍵。組織建設一般包括組織架構設計、部門職責、人員編制、崗位職責及能力要求、績效管理等內容。數據治理是一項需要企業通力協作的工作，而有效的組織架構是企業數據治理能夠成功的有力保障。為達到數據戰略目標，非常有必要建立體系化的組織架構，明確職責分工。

圖6、某集團數據治理組織架構設置范例

圖7、某央企數據治理組織架構設置范例

制度體系

保障組織架構正常運轉和數據治理各項工作的有序實施，需要建立一套涵蓋不同管理粒度、不同適用對象，異覆蓋數據治理過程的管理制度體系，從“法理”層面保障數據治理工作有據、可行、可控。

圖8、數據治理制度框架

企業的數據治理制度通常根據企業的IT制度的總體框架和指導原則制定，往往包含數據質量管理、數據標準管理、數據安全管理等制度，以及元數據管理、主數據管理、數據指標管理等辦法及若干指導手冊。

圖9、數據治理制度框架體系

圖10、數據資產管理規定目錄

流程管理

制定數據治理的流程框架也是數據治理的重要工作。數據治理流程包括從數據的生產、存儲、處理、使用、共享、銷毀全生命周期過程中所遵循的活動步驟，以及元數據管理、主數據管理、數據指標管理等流程。

圖11、數據治理流程框架體系

績效管理

數據治理考核是保障數據治理制度落實的根本，通過系統的方法、原理來評定和測量企業員工在一段時間內數據治理相關的工作行為和工作效果，進一步激發員工的積極性和創造性，提供員工的數據治理責任心和基本素質。

圖12、數據治理績效體系

標準體系

數據標準是實現數據標準化、規范化的前提，是保證數據質量的必要條件。數據標準一般分為元數據標準、主數據標準、數據指標標準、數據分類標準、數據編碼標準、數據集成標準等內容。

圖13、數據標準化體系

質量體系

數據質量管理是對數據的分析、監控、評估和改進的過程。包括規劃和實施質量管理技術，以測量、評估和提高數據在組織內的適用性，提高數據對業務和管理的滿足度。重點關注數據質量需求、數據質量檢查、數據質量分析和數據質量提升的實現能力。

圖14、數據質量框架體系

數據質量管理貫穿數據生命周期的全過程，除了明確數據質量管理的策略，還要善于使用數據質量管理的手段及工具，覆蓋數據質量需求、數據探查、數據診斷、質量評估、質量提升等方面。

安全體系

數據安全管理是為了確保數據隱私和機密性得到維護，數據不被破壞。數據安全體系框架通過3個維度構建而成，包括政策法規、技術層面和安全組織人員。數據安全治理體系框架在符合政策法規及標準規范的同時，需要在技術上實現對數據的實時監管，并配合經過規范培訓的安全組織人員，構成了數據安全治理整體架構的建設。

圖15、數據安全治理體系

數據安全治理能力建設是一個覆蓋數據全部生命周期和使用場景的數據安全體系，需要從決策到技術，從制度到工具，從組織架構到安全技術通盤考慮。

圖16、數據數據全部生命周期

平臺工具

搭建一體化數據平臺，滿足前臺應用準確性、快速性和多樣性的數據需求，縮短研發周期、降低技術成本，將數據中心逐步由成本中心向資產中心轉變，提升數據價值，實現五個打通： 橫向打通：破除部門壁壘，橫向跨專業間的分析挖掘融通； 縱向打通：內部多層級數據打通，形成統一資源目錄。上下級數據共享交換； 內外打通：消除內外數據的鴻溝，實現內外部數據的關聯分析； 管理打通：建立企業標準，實現統一管理統計口徑； 服務打通：數據中臺統一對外提供數據服務和應用構建，與業務系統和數據應用充分協同。

圖17、兩體系兩平臺一服務的數據平臺總體框架

面向數據全生命周期，提供的一站式數據規劃、集成、開發、治理、服務、應用等產品。

圖18、數據平臺能力框架

從數據接入整合能力、數據共享應用能力、數據綜合管理能力、基礎組件支撐能力四方面，全面建設數據能力，培育能力體系，以多類型大數據量的匯聚為基礎，以統一模型為標準，為前端應用提供靈活的統一數據服務。

圖19、數據平臺四大支撐能力

數據治理需要多種數據治理工具軟件的支撐，包括以主數據為核心的套裝軟件、以數據資產目錄為核心的數據資源管理工具、以元數據和數據模型為核心的數據中臺，此外還有時序數據、數據交換等。數據治理管理工具包括數據架構工具、元數據管理工具、數據指標管理工具、主數據管理工具、時序數據管理工具、數據交換與服務工具、質量管理工具和安全管理工具等。

圖20、數據治理工具集

圖21、以元數據治理為核心的數據治理工具

主數據服務業務視圖包括8個業務域、32個業務子域及相關業務活動，主數據管理工具是主數據全生命周期管理的平臺，也是主數據標準、運維體系落地的重要保障。

圖22、以主數據治理為核心的數據治理工具

主數據治理平臺是企業數據規劃、數據標準落地的載體，實現數據治理統一標準、統一規則的支撐。

圖23、主數據管理工具-邏輯架構

二、人工智能是大數據治理核心方向

“無治理、不分析”，沒有高質量的數據，就不會有可信的AI。數據治理是人工智能基礎，為人工智能提供高質量的數據輸入。有了人工智能加持，數據治理將變得更加高效和智能。人工智能技術在數據采集、數據建模、元數據管理、主數據管理、數據標準、數據質量及數據安全等領域有著深入的應用。

圖24、人工智能技術在數據治理中的應用

三、結束語

數據治理的發展是伴隨著不同行業對數據資源資產化、數據確權與合規、數據價值創造與共享、隱私保護的認識、研究和實踐的一個演進過程，是一項繁雜、長期的工作，需要工匠精神、鍥而不舍。