敏捷数据管理的12个技术原则

回顾整个数据平台的发展，在每一个阶段所有数据类应用都会或多或少的都会有数据质量的困扰，数据标准更是难以落地。数据管理由于难度大，涉及方面多逐步成为重要不紧急的事情。

在海量复杂数据的场景下，如果没有有效的管理，那么大数据只能成为数据的沼泽。企业在大数据的投资只能换来低质量的大量无效数据，从而极大的影响企业的大数据战略。在大数据的时代，大家都在重视数据存储和大数据相关技术的同时，都开始注重建设数据管理能力。

传统的数据管理对于企业来确实较为复杂，虽然方法论没有问题，但是对于企业来说往往望而生畏，比如组织架构庞大、管理流程复杂、人工录入工作多、管理方位狭窄等等。

组织架构庞大

传统数据治理需要多个部门参与，多个部门之间复杂的从属关系让数据治理组织架构变得异常庞大，这样的组织架构在后期维护和管理上非常不方便，最终影响了数据治理任务分配和执行的效率。

管理流程复杂

传统数据治理无论是在数据标准的建立、审批、修订上，还是在IT任务分配与数据质量报告的生成上，都需要经过一系列复杂的流程，这些流程的审批与中间的周转大大增加了数据治理落地的难度。

人工录入工作多

传统数据治理缺乏平台和工具的支撑，自动化能力缺失，导致大部分数据相关的录入工作都由人工来完成，涉及到的人员众多，人工成本过高，效率比较低而且容易出错，人员管理上也存在一定困难，不利于长期发展。

管理范围狭窄

虽然传统数据管理最终的结果往往不尽如人意，传统数据治理只能管理DW（数据仓库）中的数据而不是全企业的数据。

传统数据治理的这些问题，在企业内部实际落地推行困难，难以获得真正收益，需要组织给予强力的支持，从而大家只停留在听说好案例，而不能在自己的组织中推行。

在大数据战略中，需要采用更敏捷的数据管理方法，简化数据管理组织架构和流程，以自动化方式代替人工录入，拓宽数据管理的范畴。使数据管理更容易让大家接受，从而在大数据时代解决数据管理的技术欠债，真正释放大数据所带来的价值。

如何实现敏捷数据管理？

一方面，企业应该明确数据治理的价值导向，其价值应该体现在帮助企业管理数据，打破部门间的壁垒，使数据的管理成为日常工作的一部分；

另一方面，更为重要的是，企业在实现敏捷数据管理的过程中，应该以技术实践为核心，利用一系列技术手段。以最小的工作量，帮助业务部门明确数据脉络，落地数据标准，提高数据质量，最