引言：你是不是一提到数据治理就头大？一聊到数据治理满脑都是问题又无从下手？是不是觉的数据治理就是“背锅”的活？… 这篇文章帮你深入解构数据治理，从行研咨询、商业化产品、互联网大厂等不同视角帮你全面梳理数据治理，最后通过“人-事-组”的思维模型，帮你从千头万绪的数据治理中快速抓住重点。

墒增，算是自然界最流行的规律了。

一段时间没有收拾的屋子，各种小物件或者用品，逐渐开始变得无序，摆烂在屋子的每一个角落。

随年龄增长细胞代谢水平下降，生物体内分子和组织结构逐渐趋向于衰败。

数据，似乎也没能逃脱得了自然法则的支配。

工作场景中，特别是在数据中心，你可能会经常碰见这种场景。

• 大老远都能听见，分析师或业务运营非常热烈得，跟数据开发或者数据产品经理讨论，某某数貌似不对诶，但最后发现可能是对指标含义理解有偏差。

• 某某数据开发早上来公司，就开始吐槽，MD，昨晚某某任务失败，被催了好多次，下了班还不能消停。

• 某一天，分析师组长跟数据开发组长交流、最近这业务扩张刹不住车了，分析的时候总会遇到有些分析维度缺失，导致分析遇到一些小卡点。数据开发组长接着话茬说：就是呀，为了赶业务需求时间，任务在疯狂的增加，机器资源各种紧张。

…

听到以上这些吐槽，可能大部分人都能想到一个词：数据治理。但同时下一秒，就会稍稍皱起眉头，因为数据治理并不是一件小事。

这里我们借用下大数据思维：搜索引擎的关联能力，了解下数据治理包含哪些内容。

任何一个角度点下去，都能展开一大片内容。

数据治理可以很小，小到一个数据计算错误。数据治理可以很大，大到负责数据治理这件事的第一责任人，往往是公司里的一号位：CTO 或者 CIO。那为什么数据治理包含这么多内容呢？

数据治理经验分析：包罗万象

人群诉求各异

老板关注的是数据要更多更快得创造价值，同时减少成本消耗。监管层关注的是数据隐私要保护、数据管理要安全。业务人员追求数据又快又准，最好上午发需求，下午看到数，晚上就有方案。技术人员关注的是数据的生产链路，数据服务运行的是否稳定。哪一方的诉求都很重要，哪一方的诉求都怠慢不得。

数据链路长

就像制造业工作流水线一样，数据的制造也依赖于一条完整的链路：数据采集→数据加工（ETL）→ 数仓构建→数据应用。理论上任何一个环节出现问题，都能导致数据异常，比如客户端（Android/IOS）工程师埋点时漏埋、误埋、错埋等，比如数据采集管道链路网络异常导致数据丢失，比如上游数据生产任务中断…最终看到的数据就会总感觉哪里不对，排查起来也是相当耗时，比如有时候发现是业务端没有做控件校验，导致了大量无效数据，这时候的沟通就涉及到跨部门，响应的时效往往也会拉得很长。

认知不一致

不同的人对问题认知深度不同、拆解方式不同、治理策略也不同，从结果来看就会存在很大治理差异。特别是有时候专注在问题的表面，只看某单一衡量指标是否有所改善，实际上是“头痛医头、脚痛医脚”，问题并没有得到解决。比如“为什么某张主题表一直在变动”，可能主题关联业务较多，也可能是主题模型本身就建设不足导致。

非点即面

• 组织方面：很多时候，业务提出问题涉及到哪张表，相应的数据开发负责问题的排查和处理。但很多问题并非这个层面就可以解决的，比如某个问题涉及到数仓的不同主题、不同分层，需要整体思考治理的标准、方法、结果评价的时候。简单的问题解决方式，已不再适应更有深度的问题处理，需要有匹配的组织去 Lead 这件事、去组织实施。组织的另一层含义是，要给具体的人匹配相应的权利责，这是驱动数据治理、问题解决的关键。

• 规范方面：对治理方法、动作、流程等，如果都依赖于治理人的经验和判断，那么在人员流动的环境下，换一个人治理方案就可能完全不一样了，保治理的效果根本无从保障。

• 系统/工具方面：也许你可能在数据团队的文档中心，看到过很多数仓的规范，某些问题的对应解决方案总结。另一些时候，你可能就不知道一些方案的存在。或者你找到了有相关性的文档，理解上要花点功夫，就像你接收别人代码的时候，可能并不能完全理解准确。进一步的讲，即使花了很大功夫理解了之后，治理过程也可能存在执行错误，也就是过程的无法确保不走样，这就让数据治理的执行成本提得很高。大型公司还好，一般会配置一些平台工具团队，但更多的中小公司，只能是规范+每次例会宣导，效果可想而知。

以上内容，是作者基于以往数据治理工作经验中的一些认知和理解。

对于地球来说，你站在游轮上看、站在珠穆朗玛峰顶看，站在空间站看，是完全不一样的。既然数据治理包含的内容如此之大，我们不妨把视野拉的大一些。作者梳理了以下一些角度：咨询机构、商业化产品、互联网大厂、行业标准等。

高维透视数据治理：一览无余

行业咨询视角

咨询公司往往会站在企业数字化的高度，看待企业数据场景中的治理痛点，并给出综合性的解决思路或方案。

可以看到，咨询行业人士梳理出来的治理难点，主要专注在两个方面：

质量范畴问题：

多元异构，数据来源众多、数据结构各异。来源广就要兼容的数据库渠道多，结构不一样，就要定制更多的数据处理引擎。同时数据体量比较大也对存储和计算提出了更高的要求。

管理范畴问题：

缺乏统一的管理就会导致两个明显的极端，一方面一些数据的计算作业、数据存储存在冗余，一方面另一些需求由于资源紧张，导致响应等待或者处理延时。特别是数据管理可能存在边界重合、责任不清等问题，就会导致一段时间一些问题的搁置。也许你会说被搁置问题说明问题处理优先级不高，那么如果当很多下游有任务引用问题表的时候，小问题可能就会被放大。

也许更重要是数据口径的管理，不一致的口径定义，会带来沟通成本的增加、数据生产的错误、甚至是误导数据分析场景下的问题归因。

商业产品视角

截止目前，数据治理已经发展多年，我们可以通过商业化的数据治理产品，以及他们是怎么评估数据治理成熟度，来反推他们在解决数据治理问题时专注得是哪些方面。

可以看到这家厂商，从系统角度将数据治理拆解为 9 个产品。9 个产品主要解决了 3 个方面的问题。

关于生产链路的：包含了数据集成、数据交换、数据模型管理、数据资产管理。4 个模块刚好对应从数据源选择、数据管道建设、数据加工处理、数据价值转换，实现从数据资源到数据资产的“冶炼“全过程。

关于数据管理的：包含了数据安全、数据生命周期。安全方面解决数据受限访问、隐私加密存储、合规等问题。生命周期视角下可以给数据定义热度、重要度等维度，关注的是数据如何被合理的管理问题，包括数据如何下线、销毁等，对数据进行全生命周期的完整跟进。

关于数据质量的：包含了元数据管理、数据标准管理、数据质量管理。这刚好对应了数据质量的三个核心：元数据、标准、稽核。即通过元数据知道有什么样（What）的数据；通过标准指导数据应该遵循什么样（How）的规范；稽核元数据和标准构建数据稽核作业，完成对数据质量的自动化检验。

以下是另一家数据治理方案。

这张图我们专注在最左侧的部分，我们来分析下期成熟度评估模型都参考了哪些维度？这些维度分别是解决哪一类问题？这里作者梳理出了 4 个部分。

• 架构体系：价值创造、组织、策略、数据架构。

• 安全：数据风险管理、安全/隐私/合规、审计与报表。

• 质量：数据质量、数据标准、元数据。

• 管理：数据生命周期管理、数据管控、数据分类分级。

把这些内容整合起来，大致的意思就是：一切从价值核心出发，依托组织和策略的搭建，通过一套数据架构，实现和落地数据的安全、质量、管理问题。此外这张图也给出了一条实现数据治理的项目流程机制。具体读者可以参考。

行业标准视角

数据治理的不断发展，逐渐形成了自己的行业标准，这里通过行业标准，看下数据治理具体关注哪些方面？又是如何给到解决方案？

DAMA(Data Management Association) 发布 DMBOK (Data Management Body of Knowledge) 框架核心内容：

数据治理、数据架构、建模设计、数据存储、数据安全、集成、主数据、数据质量、数据生命周期、元数据。

DCMM（Data Capability Maturity Model）核心内容：

• 战略：数据资产识别、数据价值评估、战略规划能力。

• 治理：数据标准化、数据质量管理、组织与制度建设。

• 应用：数据服务能力、数据分析能力、数据驱动创新能力。

• 技术：数据存储与计算技术、数据中台、数据共享技术。

• 安全：数据权限管理、数据隐私保护、数据灾备和容灾能力。

通过两套标准，可以观察到两套标准关注的内容是有差异的。DAMA 是国际标准，更侧重数据治理关注内容的全面性。DCMM 是一个国内标准，其更侧重于数据治理在企业中的落地。如果整体上去看两个行业标准的话，可以归结为两个大的方面：组织和实施。组织方面重制度、方法、规划、数据架构；实施方面重点解决的是元数据、标准、质量、安全、价值。

大厂实践视角

这里以某互联网大厂近 10 年的数据治理方面沉淀的框架为例。

整个框架蛮清晰的，围绕“降本增效、质量安全”的愿景，妥妥的老板视角。为了实现这个目标，又拆解了 5 个维度：管理、能力、标准、执行、评价。

管理层：通过组织的建设，明确数据治理成员的责权利，并细化到制度和流程层面来保障数据治理的过程。

标准层：标准层放在最底部，可以看到框架设计者对数据治理本质理解的到位。这个标准不仅仅是对内统一规范，站在平台的角度，它更是企业构建业务生态、开放平台的基石。

执行层：可以看到框架设计者清晰的项目思维，围绕目标、界定范围、全过程执行。框架设计者将高层的愿景拆解为更为落地的 5 个方面：成本、质量、安全、效率、易用。前面四个很好理解，设计者把易用性单独提出来放在这个高度，这是一种服务思维，数据中心的用户是分析师、业务运营人员、是市场人员、是老板，这是对提供的数据服务提出了更好的要求。这点倒也好理解，职场环境下，把这几位角儿服务好，所谓的“价值”不就有了嘛，口碑也是一种价值。

评价层：这是一个相当重要的一层，一般公司看待数据治理更多是站在解决问题的角度，从价值角度出发更有利于数据治理的展开。之所以工作环境中，一些公司数据治理很难落地、或者说部分落地，很大程度上源于评价体系的缺失。比如常见的数据不准问题，表面上看数据对不上，但排查起来可能是生产环节的问题，可能是客户端埋点的问题，也可能是服务器后端 Bug。找到问题并解决掉问题可能要花掉很长时间，如何正确的评价这些努力就决定了数据治理的深度和程度。这一层又进一步的拆解为目标度量、过程监控、结果评估。从一开始就看中数据质量的价值感，这也让治理者更有参与感，让治理实践容易落地。

能力层：基于标准之上的能力构建，让企业对数据更有掌控感，特别是围绕管理、技术、业务去搭建元数据管理，让数据看得明白、看得懂，通过数据血缘能够加速问题的定位，通过管理元数据，让每一份数据都有明确的维护者。同时通过系统化的工具构建，让数据治理的过程更加标准化，极大减少了人员的不同带来治理效果的差异。

官方指导视角

相比制造、工程、投资等行业，银行和电信行业的数据治理起步相对较早，沉淀的经验也更丰富和可参考。这里以银保监会印发的《行业金融机构数据治理指引》为例，看看官方是怎么看待数据治理这件事。作者梳理出了一下 4 个部分：

数据治理架构：银行业金融机构应当搭建，架构健全的组织、边界清晰职责定义。建立数据治理体系，保障治理所需资源配置、制定和实施问责和激励机制。特别明确了一点，高级管理者对数据治理承担最终责任。这个跟作者实际工作经验以来的认知保持一致，数据治理事件重要、涉及面广的事情，由一名 VP 级别的人负责是非常合理的。

数据管理：包括但不限于组织管理、部门职责、协调机制、安全管控、系统保障、监督检查和数据质量控制等方面。具体内容包含了数据治理架构、数据管理、数据安全、数据质量、数据价值。此外强调了数据管理方面需要对内部员工组织定期的培训等。

数据质量控制：保障数据真实、准确、连续、完整、及时等特性。对指标定义清晰明确，取数规则统一，随业务变化及时更新。建立数据质量考核评价体系。

数据价值实现：实现数据驱动业务，提高管理精细化程度。利用好数据分析加强风险管控。降本增效。业务创新。

可能你会好奇，怎么没看见特别提安全呢？这并不意外，安全其实是作为银行业的目标级别存在的，推进数据治理很大程度上就是要满足安全的需要。

结合以上两部分讨论的基础之上，我们来尝试“构造“一张关于数据治理的全景地图。

数据治理全景地图：运筹帷幄

数据治理很大，要解决的问题很多。不同视角去拆解，关注的内容也各不相同。如何从看似庞大以上众多内容中，找到一条思路，能够把以上提到的重点内容贯穿起来呢？

基于以上两部分的讨论，这里作者给出一种思维：”围绕价值，把事落地“。价值的背后是人的需要，所以你首先得分析哪些人有哪些需求。把事落地就得有组织有工具，不然手工治理太累人。

从这个思维出发，作者认为数据治理最重要的就是核心三点：人、事、组织。

人：以人为本，人的诉求就是数据治理要达到的终极目的。公司以盈利为目的，老板最关心就是将本增效，拆解起来就是价值和成本。监管机构追求的是稳定，拆解起来就是安全与合规。分析师和业务运营人员要的是高效，拆解起来就是效率和质量，就是数据得准，到手得快。总结来说就是价值、成本、质量、效率、安全。

事：数据治理的本质是围绕着数据展开，更准确一点来说是围绕着数据生产链路，最核心的数据质量问题也跟这条链路紧密相关。通过以上常见数据问题的讨论，你会发现标准和规范的对于数据治理相当重要，直接决定了其他数据治理目标的实现程度。围绕着治理的目标的下一步就是，治理流程的实施，最后是对治理效果的评估和评价。总结来说就是定标准、重实施、做评估。

组织：一个人走的很快，一群人可以走的很远。数据治理这样体量的事情，落地的很好很重要一点就是需要组织的保障，通过组织明确数据治理成员的权责利，通过制定一套治理制度来对其大家对数据治理认知的一致，通过制定一套问题处理 SOP 来约束治理过程的可靠性，并通过一定的奖惩制度对治理的结果进行评价。根据咨询公司对数据治理最新趋势的研判，数据治理不再仅仅是一个项目制，逐渐像工程化的方向发展，也就是更加长期化的趋势。这更得需要一个固定、稳定的组织保障。总结来说就是建团队、定制度、重执行。

总结：本篇主要通过一步步的拆解的手法，讨论了数据治理为什么这么庞大、为什么包含很多内容、治理中的那些痛点。带大家全面的了解和认识数据治理。最后以”围绕价值，把事落地“的思路，提出了一种方法：“人、事、组织”，帮助读者快速抓住数据治理的核心。后续作者会新起数据治理工程篇，结合企业生命周期，从落地的角度讨论数据治理具体实施是怎样的？欢迎订阅关注。