数据治理系列文章：（1）初识数据治理

一、数据治理释义（What？）

数据治理是一个较为宽泛的概念，既有管理上的治理，也有技术上的治理，从数据的标准规范、质量管控、血缘分析等，再到资产编目、数据安全……，涵盖的内容较多，涉及的面也较广。从基本定义来说，数据治理是为了实现数据资产化而进行一系列管理和技术上的活动集合，通俗的讲，数据治理其实就是要把杂乱无章的数据手工作坊，变成规划化、流程化的数据流水线工厂，让数据的价值能够充分展现，为业务提供高效的服务。

二、开展数据治理的现实需求（Why？）

   在当前这个数字经济时代，数据治理对于绝大部分企事业单位而言都是很有必要的，数据治理也是企业走向数字化的必经之路，很多企业的信息化建设是有一点的基础的，但是由于早期的信息化规划过程中没有进行长远和系统的规划，使得企业在进一步发展过程中，各类数据问题不断涌现，成为推动企业数据治理的现实需求，具体而言，有以下几点常见的需求痛点：

1. 数据的标准规范缺失或者不统一：企业的各类业务系统往往都是按需进行建设，并且基本是来自不同厂家或者自建的系统，这就导致不同软件系统的数据定义和标准就各自为政（库、表、字段、词汇等定义不一致）。例如，客户的手机号在不同系统中的命名就不一致。
2. 系统之间相互隔离，数据烟囱问题严重：各类业务系统、管理系统之间缺少数据流转和交互，数据分散在业务系统库，数据的流动性和复用率差。
3. 数据查找难、摸底难，没有系统盘点：数据分散在不同的库，没有统一的数据目录和查询入口，难以快速定位到目标数据。
4. 数据质量参差不齐，可用性差：存在空数据、脏数据、数据不一致、重复数据等质量问题，致使数据使用困难，为业务提供的支撑受限。
5. 数据存储成本高，存储资源浪费：全量存储普遍，重复数据多，占用大量存储资源，造成事实上的资源浪费。
6. 缺少有效的数据安全管控，数据安全风险大：用户权限管理体系不完善，数据基本都是明文形式存储，缺少相关的追责机制和技术能力。
7. 数据开发成本高：数据的分散和低质量等问题，提高了数据开发的门槛，特别是对新人而言，上手较为困难。

     企业数据治理的痛点其实还有很多，但主要还是集中在以上几点，后续的系列文章也将针对这些具体的问题，来设计和规划数据治理的路径，有的放矢，解决企业数字化建设中的实际需求！