数据治理 到底应该怎么治？

数据到底怎么治，这确实是一个宽泛的话题，首先是要明确治理的内容。针对不同的治理内容采取不同的数据治理策略。关于小数据和大数据的治理侧重点上文已经说明。以下为笔者在数据治理领域总结的数据治理十大关键实践：

1、成立组织，育人才
数据治理的根本目标的是提升数据质量，控制数据安全和合规使用。数据治理涉及范围广，参与人员多，需要一定的组织和制度的保障才可能获得成功。首先，依据行业经验来看，不论是基于后台的小数据治理，还是基于中台的大数据治理，“一把手”工程是数据治理组织建设的最佳实践。尤其是中台数据治理更是上升至企业战略层面，自下而上的治理几乎不太可能成功。其次，数据治理组织的建立并是组建一个非临时团队，而是要能够支撑企业数据化业务的一个完整体系，包括：组织体系、管理体系、执行体系、技术体系等。第三，数据治理组织的人员选拔和人才培养，不同企业应有不同的策略。一般来说，建立数据治理组织从企业内部进行选拔相应的技术专家、业务专家更为合适，要比从外部招聘更能够快速上手。不过，对于传统企业，其内部更偏管理，数据治理团队建设更多需要借助外部力量。
2、需求调研，摸家底

与数据项目一样，详细需求调研是开展数据治理工作的第一阶段的重要工作。本阶段主要是理解企业的战略，并按照从上而下的策略进行开展企业数据管理的现状调研，摸清楚企业数据资产的分布、数据的质量、数据的管理现状、数据应用需求等情况。该阶段的工作目标是确定数据治理项目的目标和范围，评估数据治理成熟度，确定改进内容和方向并与客户达成共识。
3、梳理数据，建标准
按照业务主题进行数据资产的梳理，并制定数据资产的标准。首先，定义数据资产元模型标准，包括：数据资产的数据含义、业务规则、质量规则、数据来源、存储路径、管理部门、管理人等，即数据资产的元数据标准，定义好数据模型是数据治理成功落地的重要前提；其次，重点对企业的核心数据资产——主数据进行标准化，包括：主数据标准化定义、参照字典的标准化、数据清洗、数据服务共享等；第三，对业务指标的属性的标准化，指标的属性分为“业务属性”和“技术属性”两类，业务属性包含业务人员通常认识的指标分类、名称、计算公式、展现方式和查询权限等；技术属性包含技术运维人员所关心的系统来源、取数字段、取数频率、加工规则等，其核心也是元数据管理。
4、优化流程，定制度

对于企业而言，数据来源于很多方面，内部数据如财务、人力、供应链、生产、销售等；外部数据如政治、经济、社会、科技、行业、市场、竞争对手等。虽然数据来源广、数据量大是优点，但如果不加以整理和关联，杂乱无章的数据不仅不利于分析应用，还将带来不必要的人财物的消耗。所以，非常有必要对数据产生、采集、处理、加工、使用等过程进行规范。通过统一数据标准，制定合理的数据管理流程和制度，规范数据生产供应的过程。
5、搭建平台，接数据

数据治理平台的搭建要根据不同的客户需求搭建不同模块，数据治理平台主要涵盖功能模块有：元数据管理、主数据管理、数据质量管理、数据标准管理、数据安全管理、数据模型工具、ETL工具等。数据接入是将各种来源、各种类型的数据，通过数据集成工具将这些零散的数据整合在一起，纳入统一的大数据平平台或数据仓库中，这一过程需要符合数据治理平台定义各种数据标准、质量规则、安全指标。所以，我们说数据治理项目不是为了治理数据而建设的，而是配合大数据平台、数据仓库、数据分析挖掘等项目，通过提升数据质量、控制数据安全，让数据发挥出最大的效益。
6、建立指标，提质量

提升数据质量是企业数据治理的重要目标，也是企业进行数据分析挖掘、业务管理和决策的重要基础，只有建立完整的数据质量体系，才能有效提升企业数据整体质量，从而更好的为业务服务。从技术面上讲，定义完整全面的数据质量的评估维度，包括完整性、时效性等，并按照已定义的维度，在系统建设的各个阶段都应该根据标准进行数据质量检测和规范，及时进行治理，避免事后的清洗工作。
7、优化模型，控安全

数据安全治理，始于数据资产梳理。通过对数据资产的梳理，可以确定敏感数据在系统内部的分布、确定敏感数据是如何被访问的、确定当前的账号和授权的状况。根据企业的数据价值和特征，梳理出企业的核心数据资产，对其分级分类，通过数据治理工具进行建模，定义敏感数据位置、描述和处理方式，保证数据的合规合法使用。
8、开放服务，促应用

数据的治理是为促进数据更好的应用，一切不以应用为目的数据治理都是耍流氓。通过数据资产目录、微服务等技术将数据进行开发共享，促进数据在企业中的应用，使得数据作为企业的宝贵资产应用于业务、管理和战略决策中，发挥数据资产价值。