数据治理如何"酒香不怕巷子深"？6大价值+3大陷阱全解析 | DGI框架揭秘（四）...

DGI（Data Governance Institute）数据治理框架是屹今为止我看到过的最棒的数据治理框架，这是DGI数据治理框架系列的第4篇文章，错过了前面的精彩内容?点击下面链接抓紧补课!

（1）一文详解数据治理的5W1H | DGI数据治理（一）

（2）一文详解数据治理框架图 | DGI数据治理（二）

（3）一文详解数据治理的使命和价值 | DGI数据治理（三）

本文介绍该框架10个组件的第2个组件-受益者（Beneficiaries），将揭示数据治理为企业内外利益相关方创造的六大直接价值，以及在实践中要避免的3大常见陷阱。“受益者”在DGI数据治理框架中的位置如下图②所示。

一、六大价值

价值1：数据本身

数据治理的核心是实际的数据。所有数据治理工作都应围绕确保数据的准确性、完整性、一致性和安全性而展开。没有可靠的数据，任何基于该数据的洞察、决策或行动都可能是有缺陷的。

• 让数据更适用：数据治理应努力使数据更适合并可用于数据使用者的特定需求。这涉及理解他们的需求，确保数据满足这些需求,并使数据易于他们访问和理解。

• 洞察数据真容：数据使用者需要了解他们正在使用的数据的质量和结构。数据治理应提供评估和传达数据质量的机制，例如数据分析、数据质量度量和数据血缘。清晰地记录数据结构、模式和关系也是至关重要的。

• 对症下药：数据治理应包含一个反馈循环,允许数据使用者提出他们为满足业务需求所需的额外数据点或属性。他们还应该能够定义和提出数据必须满足的质量标准，以使其可用于他们的目的。

案例：让数据更适用

某零售企业通过数据治理，统一了商品编码标准，并建立了商品属性与品类之间的关系模型。这使得企业能够快速、准确地进行商品数据分析，从而更好地了解市场趋势和消费者需求，进而优化商品结构和营销策略。

案例：洞察数据真容

一家零售企业创建了一个数据质量仪表板，用于实时监控和展示其商品数据的质量指标，如完整性、一致性和准确性。仪表板为数据管理团队提供了对数据问题的即时洞察，例如错误的库存计数或不一致的产品描述，使得团队能够迅速采取措施解决这些问题。这种透明度不仅增加了团队对数据质量的理解，还帮助改善了客户的购物体验。

案例：对症下药

在一家医院的健康信息系统中，医生和护理人员经常需要根据最新的医疗研究调整患者数据记录的内容。系统开发了一个功能，允许用户直接提出新增数据点（如特定的健康指标）和数据质量标准（如指标的测量频率）。这些提议经过数据治理委员会的审核和批准后，被集成到系统中，以确保数据收集的及时性和相关性，从而提高患者护理的质量。

价值2：数据产品

数据产品是指通过对原始数据进行组织、处理、增强而形成的,可以直接服务于特定业务需求的数据集或数据服务。数据治理需要关注如何规划、开发、维护和改进数据产品，以持续满足业务需要。

• 盘点家底：建立并维护一个全面的数据目录和数据产品清单。这个目录应该包含对组织内所有数据集和数据产品的描述、位置、所有权、访问方式等关键信息。数据目录为数据的发现、理解和使用提供了重要的支撑。

• 名正言顺：创建并维护一个包含关键业务和技术术语定义的数据词汇表,以及对数据的描述性信息即元数据。词汇表和元数据对于建立业务与IT之间的共同语言,提高数据的可理解性和可用性非常关键。

• 创新驱动：许并鼓励数据使用者和相关方根据他们的业务需求,提出改进现有数据产品或创建新数据产品的建议。这种创新机制一方面确保了数据产品的持续演进和优化,另一方面也提高了数据治理在业务中的适用性和影响力。

案例：盘点家底

一家大型零售公司建立了一个全面的数据目录，其中包含了所有数据集的详细清单，包括销售数据、客户数据和库存数据。这个数据目录通过一个易于使用的界面提供访问，使得公司内部的分析师和决策者能够快速找到他们需要的数据集。例如，当市场分析团队需要进行顾客行为分析时，他们可以通过数据目录迅速找到相关的客户购买历史数据集，从而加速数据分析过程并提高效率。

案例：名正言顺

一家金融科技公司为其数据管理平台开发了一个详细的词汇表和定义库，其中包括所有金融交易数据的元数据描述。这个词汇表确保了公司内部和外部的数据使用者能够对数据有一个清晰和统一的理解。例如，对于“交易金额”这一数据点，词汇表中详细说明了它包括的货币类型、是否含税以及如何计算。这有助于避免数据解读上的混淆，确保数据分析的准确性。

案例：创新驱动

在一家医疗健康数据公司，研究团队发现现有的患者健康记录数据产品不能满足新兴的研究需求，尤其是在个性化医疗和长期健康跟踪方面。团队提出了一项新的数据产品构想，该产品能够更细致地记录患者的健康数据，包括生活习惯、遗传信息和长期健康状况跟踪。这个提议经过评审后得到批准，开发团队随后开发了一套新的数据收集和分析工具，这大大增强了公司在个性化医疗数据服务市场的竞争力。

价值3：政策和规则

数据治理需要一系列政策和规则来规范和指导数据的管理和使用。这些政策和规则可以涵盖数据质量、数据安全、数据生命周期管理、数据访问控制等各个方面。

• 合规护航：为数据使用者和相关方提供指引,帮助他们找到并理解适用于他们工作的数据标准和政策。这种指引可以通过培训、文档、咨询等多种形式提供。

• 指导建议：在数据使用者应用数据治理政策和规则的过程中,为他们提供持续的指导和建议。这种支持有助于确保政策和规则得到正确理解和应用,提高数据治理的有效性。

• 因企制宜：允许并鼓励数据使用者和相关方根据他们的实际需求,提出新的或更改现有的数据治理规则和标准。这种自下而上的反馈机制确保了数据治理政策与业务实践的紧密结合,也提高了政策的适用性和接受度。

案例：合规护航

某制造企业拥有大量数据，但缺乏统一的数据管理政策和标准。这导致数据管理混乱，数据安全风险高。通过数据治理，企业制定了数据管理政策和标准，并建立了数据治理委员会，负责监督和执行数据管理工作。这使得企业能够有效地管理数据，并降低数据安全风险。

案例：指导建议

某医疗机构在收集和使用患者数据时，经常遇到数据隐私和安全问题。通过数据治理，机构制定了数据隐私和安全政策，并为员工提供相关培训。这使得员工能够合规地收集和使用患者数据，并保护患者隐私和安全。

案例：因企制宜

在一家科技公司，一组工程师识别到现有的数据安全措施无法有效防御某些新型网络攻击。为了提高公司数据的安全性，他们提出了一系列增强数据加密和访问控制的新标准和规则。这些建议经过数据治理委员会的审查和批准后，成为了公司的官方数据安全政策，为所有项目和团队提供了更高级别的数据保护指导。

价值4：检查点和控制

在数据和技术生命周期的各个阶段设置检查点和控制措施。检查点是指在特定阶段对数据质量、安全性、合规性等进行审核和确认的时间点。控制措施则是在这些检查点所执行的具体质量控制活动,如数据验证、错误修正等。

• 通知和沟通：建立机制,在数据生命周期的关键节点,向相关方发送通知和进行必要的沟通。比如在数据处理完成后通知数据使用者,或在发现数据质量问题时告知数据管理员。
  

• 把脉数据健康：对嵌入数据和技术生命周期的各个控制点有清晰的理解和洞察。知道在哪些阶段设置了哪些控制措施,以及这些措施的目的和工作方式。

• 兼顾需求满足：数据使用者和相关方能够在数据生命周期的检查点阶段表达并满足他们的需求。这确保了数据治理不仅仅是盲目地执行控制,而是能够兼顾业务需要,动态调整。

案例：通知和沟通

一家零售公司实施了一个实时数据质量监控系统。当数据进入公司的数据湖时，系统会自动检测数据质量问题，如缺失值、格式错误或异常数据。一旦发现问题，系统会自动向相关数据负责人发送通知，包括问题数据的详细信息和可能的解决建议。这种通信机制确保了数据问题可以在影响分析和决策之前得到快速响应和解决。

案例：把脉数据健康

在一个制造企业中，为了提供对数据和技术生命周期中控制点的洞察，开发了一个数据治理仪表板。该仪表板展示了数据资产的全景视图，包括数据的来源、流向、使用情况以及数据质量指标。通过这个仪表板，管理层可以监控数据流通过的各个控制点，如数据清洗、转换和加载（ETL）过程的效率和效果，以及数据存储和访问的安全控制情况。

案例：兼顾需求满足

一家金融服务公司面临着严格的数据隐私和合规要求。为了满足这些需求，公司实现了一套定制化的数据访问控制机制，允许不同角色的员工根据其工作需要访问特定级别的数据。在数据访问的各个检查点，如登录、数据查询和报告生成等，系统会根据用户的角色和访问权限动态调整数据的可视性和可访问性。这确保了员工可以根据其职责和项目需求访问所需数据，同时遵守数据隐私和合规政策。

价值5：社区、倡导者和专家

数据治理涉及许多利益相关方，他们可以形成不同的社区，如数据使用者社区、数据管理社区等。其中也有一些关键人物,如数据治理的倡导者，他们推动数据治理实践在组织内的应用和发展，还有数据方面的专家，他们为数据治理提供专业知识和经验支持。

• 明确分工：清晰地了解和界定各个角色对数据的职责。比如数据管理员负责数据的日常维护,数据拥有者对数据质量和安全负最终责任,数据使用者负责合理使用数据等。

• 甄选人才：为数据使用者提供渠道,使其能够找到并联系到他们所需数据的专家、管理员和守护者。这种人际连接有助于建立起沟通和协作,提高数据治理的效率。

• 提出需求：使数据使用者能够清晰、准确地向数据管理和技术团队表达他们的数据需求。这种能力一方面需要使用者对自身需求有清晰的认识,另一方面也需要他们熟悉数据管理和技术团队的语言和工作方式。

案例：明确分工

一家跨国公司通过创建一个数据责任框架来明确每种数据类型的责任人。例如，客户数据的责任人是客户关系管理部门的主管，而财务数据的责任人是财务部门的主管。这个框架确保了数据的准确性、安全性和合规性，因为每个责任人都明确知道他们对数据的管理、保护和使用负有责任。

案例：甄选人才

在一家科技创新企业中，为了更好地管理和利用数据资产，公司设立了数据管家角色，负责维护数据质量、管理数据访问权限和推动数据治理实践。数据管家与数据科学家、业务分析师等数据使用者紧密合作，确保数据的有效使用，并促进跨部门之间的数据共享。

案例：提出需求

一家电子商务公司开发了一个内部平台，允许员工直接向数据管理和技术团队反馈数据需求和建议。这包括请求新的数据集合、建议数据质量改进措施或提出新的分析工具需求。这个机制促进了从基层到管理层的沟通，确保技术解决方案和数据策略能够更好地支持业务目标和员工需求。

价值6：决策制定

数据治理涉及许多决策，如数据标准的选择、数据质量问题的解决方案等。这里强调在数据治理中建立明确的决策制定机制和流程，以确保决策的及时性、准确性和一致性。

• 总结经验：为相关方提供对过去数据相关决策的洞察,包括决策的内容、时间、参与者等。这种透明性有助于理解决策背景,学习经验教训,也为后续类似决策提供参考。

• 集思广益：建立正式的流程和平台,用于识别、讨论和解决数据相关问题。这可以是定期的数据质量会议,数据使用者反馈渠道,或者数据错误报告和处理流程等。

• 优化决策：给予数据使用者和相关方参与数据决策的机会和能力。这种参与可以通过多种方式,如征求意见、加入决策委员会、投票等。这确保了决策考虑了各方的需求和观点,也提高了决策的接受度。

案例：总结经验

在一家制造公司，每个数据治理项目完成后，项目团队会进行一次回顾会议，总结项目的成功和失败经验。这些会议的详细记录被保存在一个内部知识库中，包括决策的背景、参与者名单、采取的行动以及结果。这使得团队成员能够轻松访问历史决策信息，理解为何某个方案被选中以及其效果如何，从而在未来的项目中做出更加明智的决策。

案例：集思广益

一家跨国企业建立了一个在线论坛，专门用于解决数据治理中遇到的问题。当数据科学家、分析师或数据管理者遇到数据访问、质量或合规性问题时，他们可以在论坛上发帖寻求帮助。论坛上有专门的数据治理专家和资深成员定期回复，提供解决方案或建议。此外，论坛还定期举办在线研讨会，讨论常见问题和最佳实践，促进知识共享和能力提升。

案例：优化决策

为了确保各方声音在数据相关决策中得到听取，一家金融服务公司成立了一个数据管理委员会，委员会成员来自公司的不同部门，包括IT、运营、市场营销和法务部门。这个委员会定期讨论和决定数据策略、数据质量标准以及新技术的采纳等关键议题。每个部门的代表都有机会提出自己部门的需求和观点，确保决策过程中充分考虑了公司内部多元化的需求和目标。

二、数据治理3大坑，你中招了吗?

DGI提到了要充分体现数据治理项目对相关受益者的价值，一定要避免三个陷阱，我觉得说得挺到位的，总结起来就一句话：数据治理一定要Show出来，让别人知道你在为他做事，否则难以持续得到支持。

陷阱1:从小处着手=一场空?

当实施数据治理项目时，采取“从小处着手”的策略并不等同于失败。新项目常被建议从较小、具体的工作开始，比如创建术语表、定义数据质量项目的规则，或在技术项目中构建合规控制。

这些工作虽然提供了价值且必须执行，但有时可能会被视为数据管理活动而非数据治理活动。重要的是，要确保其他利益相关者不会因此认为你的项目未能提供更高层次、面向全企业的价值而受到质疑或否定。

举个案例：

一家中型金融服务公司决定启动其数据治理计划，初期目标是改进客户数据的质量。项目团队从“小处着手”，首先定义了一系列数据质量指标，并开始在公司内部构建一个客户数据术语表。项目的初步成果是确保了数据的一致性和准确性，但在项目的早期阶段，一些部门领导对此表示怀疑，认为这些努力没有直接贡献到公司的战略目标上，即提高客户满意度和市场份额。

为了克服这一观点，项目团队采取了几项措施：

1、沟通和展示价值：通过定期的演示和更新会议，项目团队向其他部门展示了通过改进数据质量所带来的具体成果，如客户服务的提升、营销活动的响应率增加等。

2、扩大项目范围：一旦初步目标达成，项目团队开始扩展其工作范围，包括更多的数据集和更复杂的数据治理任务，如数据生命周期管理和高级数据分析。

3、提高可见性：通过将项目成果与公司的高级战略目标直接关联，确保高层管理人员和关键利益相关者能够看到数据治理工作对公司整体成功的贡献。

最终，这些努力帮助项目团队不仅克服了早期的怀疑，还成功地将数据治理计划定位为一个对公司具有长期战略价值的重要项目。通过从基础的数据管理工作开始，团队逐步建立了一个全面的数据治理框架，为公司带来了显著的业务效益。

陷阱2：不就是开个会拍个板?

数据治理项目可能会吸引大部分注意力在召集利益相关者讨论决策权、政策和规则的制定上，但这些工作的努力远不止于会议室中做出决策的那一个小时，数据治理项目为了这个会议事前会做大量的准备和分析，事后则要落实行动和监督，所有的利益相关者都应该意识到这种努力的价值。

举个案例：

就以我负责的数据治理工作为例，我们每个月都会组织召开一次各部门联席会议，但在召开这次会议前，整个团队整个月都在为这个会议做准备，包括分析问题、组织讨论、给出建议及撰写材料，并且经常要在会上牵头汇报，汇报完后领导布置完工作，我们需要进一步向各部门细化要求，同时制定各种工作标准和模板，确保大家的工作交付物达到要求。

比如会上领导要求进行数据目录梳理，那目录模板的制定就是我们的工作，又比如领导要求梳理主数据流程，那流程梳理的模板也需要我们统一制定，并且要做好过程的把控，回答各种问题，因为很多部门并不太理解数据治理，能力也参差不齐，这种台面上看不见的功夫，其实才是真功夫。数据治理决策会看似短短半小时，但真得是“台上一分钟，台下十年功”。

通过这个例子，可以看出数据治理工作的复杂性和深度，以及为了使利益相关者的贡献有效所需的预先准备工作的重要性。

陷阱3:明明功不可没,咋总被忘了?

数据治理项目本身不直接产生收入或直接降低成本和风险，因此数据治理工作对组织的价值和贡献可能会被遗忘或忽视，特别是当数据治理团队在提供服务、管理风险、减少混淆、节省时间和工作以及增强原有团队的成功时，他们的贡献没有得到充分的认可和提及。

这种情况往往是因为领导层忘记了数据治理团队的存在和努力，或者是数据治理团队没有在整个过程中持续地向利益相关者和受益人沟通和提醒他们自己的存在和价值。避免这一陷阱的方法是通过与利益相关者和受益人的持续沟通。

举个案例：

在一家大型制造公司，数据治理团队参与了一个旨在整合多个部门数据源的企业资源规划（ERP）系统升级项目。数据治理团队的工作包括定义数据标准、确保数据质量、协助数据迁移和整合过程中的风险管理。他们的工作显著提高了项目的数据一致性，减少了数据迁移中的错误和重复工作，最终帮助项目按时完成并且超出了预期的业务价值。

尽管数据治理团队的贡献对项目成功至关重要，项目结束时的表彰会上他们却没有被提及。原因在于，在整个项目过程中，数据治理团队未能有效地沟通他们的工作和成果，导致项目领导和其他团队成员未能充分认识到他们的价值。

为了解决这个问题，数据治理团队后续采取了以下措施：

1、定期更新：通过项目会议和内部通讯定期向项目团队和领导层报告工作进展和成果。

2、成功案例分享：创建并分享成功案例研究，展示数据治理工作如何具体地支持项目成功和业务价值实现。

3、积极参与决策：在重要的项目会议和决策过程中发挥更积极的角色，确保数据治理的观点和建议被听取。

4、建立可视化的成果展示：通过数据仪表板和报告，直观展示数据治理工作对项目和业务的具体影响。

三、结论

数据治理的价值在业务层面很难自然呈现，往往是通过赋能别人来产生业务价值，因此属于典型的“酒香也怕巷子深”的工作。

由于别人很难去呈现数据治理的独特价值，因此数据治理团队既要会做，也要会说，而且show的要更激进，这是由其工作特点决定的。

下一篇，我将介绍DGI数据治理框架10个组件的第3-7个组件-数据治理项目的输出物。

数据治理与数据资产管理平台方案 1976

一文详解数据治理框架图 | DGI数据治理（二） 1626

国家统计局刚刚公布：数据造假纳入纪律处分......2482

读透数据治理：DGI框架全解（第一章） 1984

数据治理核心工作内容 2975

数据管理关键技术顶层设计 2050

上海市数据局揭牌成立 4233

查看全部文章

点击左下角“阅读原文”查看更多精彩文章，公众号推送规则变了，如果您想及时收到推送，麻烦右下角点个在看或者把本号置顶！