企业数据治理的难点与落地建议

海量的数据资源，对企业的数据采集、存储、分析、处理的工具、计算、建模应用等方面的数据能力提出了更高的要求。

企业需要依托数据治理来实现数据、技术、流程和组织的智能协同、动态优化和互动创新，深入挖掘数据资产价值，使数据成为数字化转型的关键驱动要素，赋能企业战略、运营与业务的创新发展。

分析机构BARC在一项研究中对全球378家公司进行了调查，96%的受访企业认为，数据治理已经不可或缺，而且未来将继续在企业中发挥核心作用。

信息是用来消除不确定性的，而数据的本质，就是用信息来消除不确定性。所以，如果企业能成功构建数据治理战略，就能获得以下两大优势：

• 更好的决策：只有可靠的分析和报告支持，才能成为数据驱动的组织。企业数据的一致性、准确性和质量，对业务决策起着至关重要的作用。

• 更高的生产力：完善的数据治理体系意味着企业能够及时获取辅助业务决策的数据，提高工作效率。

但很多企业在面对数据时依旧一筹莫展，根据《2021企业数据治理现状调查报告》的数据，有50%以上的企业在数据建设方面存在困难。

总结起来，企业数据治理难点主要有以下4个方面，分别是体系规划、顶层设计、资产盘点及工具落地。

难点1：体系规划

数据管理各项工作庞杂，如何体系化地开展？

德勤数据治理框架分为3个层面、2大支柱、14个领域。无论是德勤数据治理框架还是国际数据治理框架等，企业都无法照搬，而应根据企业自身的特点作出调整。

企业想达到事半功倍的效果，建议从治理层入手，结合整体规划，分别定义治理模型、组织架构、岗位要求、流程和规章制度。

数据标准管理、数据质量管理、数据架构与共享，数据安全等都需要通过专项的方式进行深入建设，支持业务发展，实现数据价值。

详见：万字详解企业数据治理体系

难点2：顶层设计

数据治理组织架构如何有效运行和落地？

组织架构的构建是确保数据治理工作有效推行的关键。数据治理组织架构普遍存在三种建设模式：

第一种是由财务/业务部门牵头。在业务或者财务部门下设二级部门，负责数据需求管理、监管报送等工作，这种模式推动力强，熟悉监管数据、制度流程、考核等相关工作，能与现有的部门职能保持一致，但对于技术性强的管理工作存在较大难度。

第二种是由科技部门牵头。这种也是较为常见的模式，这种模式对于元数据管理、数据架构与共享管理、数据安全管理等技术性强的管理工作的难度更小，对新技术、新管理方式接受程度更高。但是，科技部门对数据应用的理解较难触达业务痛点，推动力较弱，与现有的部门职能可能有一定的冲突。

第三种是成立独立的数据部门。承担数据治理、监管报送、数据开发等相关职能，既能满足监管要求，也能提升数据效能。数据部门牵头负责数据应用的工作，体现出对数据管理与应用、监管报送的重视。这种模式的难点在于需要对现有的组织架构进行变革，对行内数据文化意识要求较高。

如今，许多企业也开始成立专职、独立的一级部门，统筹负责数据工作。相较设立二级部门，部门中既有技术人员也有业务人员，更加突出数据应用、数据开发的工作。

详见：搭建数据管控体系，重构数据治理框架

难点3：资产盘点

如何通过数据资产盘点，有效开展数据认责？

数据资产的盘点基于业务和技术两个视角。在业务视角进行自上而下的演绎，从业务价值链、数据场景到数据资产梳理，再到业务数据盘点。在技术视角进行自下而上的归纳，从系统现状调研情况到数据现状收集，再到系统数据盘点。

最后，通过两个视角的整合，形成数据资产。通常，我们不建议在最初就做到大而全，而是根据使用情况、数据价值等因素选择性进行。

数据资产盘点完成后，要进行数据资产的整理。其一要搭建数据资产框架，统一数据资产定义、划分数据资产分类、明确数据描述对象等。其二要评估数据资产的重要属性，比如引用次数、访问次数等。

然后，进行数据资产评估。主要评估是否有数据标准关联、空值率、是否有表间关联缺失、是否符合数据标准以及是否符合业务逻辑。

进行数据资产的认责有两种方式。第一种是通过业务流程的方式，对盘点的数据信息项进行认责，依据的是谁产生、谁使用、谁删除的逻辑。

第二种是在数据未进行梳理盘点的时候，通过业务数据的大类小类确定数据的责任。

详见：企业数据资产盘点与数据标准梳理方法

难点4：工具落地

如何通过系统化工具减少数据管理的手工工作？

（1）通过系统化工具减少数据管理的手工工作。

（2）通过数据标准模块，协助开展标准查询，智能对标，以及自动映射等工作，提升管理效率，减少手工操作。

（3）通过数据质量管理的定期和自动检测，数据质量问题的闭环管理，可以大大地提升数据质量的管理效率，逐步提升数据质量。

详见：一文读懂数据治理工具：战略层工具+管理层工具+操作层工具

总的来说，数据治理是一个持续交付的过程，整体方案的执行涉及硬件、技术、人员、 组织架构等方方面面，同时也需要企业和服务商双方相向而行。

下面将从一个数据治理解决方案执行流程角度出发，为企业全局数据治理的实施提供建议。

企业在推行数据治理的流程可以概括为三个步骤：数据治理现状评估、数据治理解决方案产出、数据治理交付场景验证。

整体逻辑可以按照发现问题、认识问题、解决问题、总结问题来展开，通过需求调研、治理分析、解决方案、场景验证四个步骤针对企业当前所遇到的有关数字化转型、数据应用的场景进行评估，整体流程动作将展开讲述。

1.自我诊断：评估数据治理现状，明确相关需求

在数据治理实施前，企业需要对自身数据治理现状进行评估，明确数据治理的需求。企业可以从以下三个维度进行梳理。

业务系统情况评估：了解当前业务系统的运行架构以及硬件支撑情况，其次了解业务系统的使用者及用户的来源和规模，基于以上两点确定下一步数据治理中业务系统的类型划分及建设目标。

业务流程分解及梳理：识别各业务环节涉及的人、事、物，输入、输出、组件和数据沉淀，补充业务流程中涉及的数据属性，梳理出不同业务之间的流程关系和流程中输入输出的上下文情况，最后基于上述动作输出企业业务的流程图并转化生成对应的数据流图。

业务关系梳理：对照业务流程图和数据流图，数据管理人员需要进一步明确业务流程逻辑和交互数据明细，业务权限分配和输入输出控制，访问权限控制，操作流程及风险防控规范要求等内容。

2.标准制定：盘点数据资产和应用情况，梳理数据标准和应用评估

在数据层面上，企业需要对自身的数据资产和应用情况进行盘点，最终完成数据治理现状分析，可以从以下四个角度出发。

数据资产划分：根据行业标准和特点对于数据资产进行分类，将数据资产划分为公开、内部、敏感等不同的敏感等级。

数据关系及定义盘点：梳理主数据及定义范围以及数据所有人，梳理指标数据及使用部门和使用人，梳理数据字典以及通用数据定义。

数据标准梳理：对于业务数据按照主体、参考、交易、统计进行分类，并梳理出数据的技术标准和业务标准。结合数据标准、关系、定义的梳理，补充和整理完整的数据字典。

数据应用评估：评估数据应用的范围及引用数据的系统，按照领域和场景梳理数据应用范围；根据企业所在行业和业务范围，梳理相应的国家、国际上对应的数据法律法规要求，并制定数据合规方案；根据企业对于数据使用等级、安全级别梳理数据脱敏的要求和规范，根据数据被业务系统调用的情况，制定数据引用热度管理方法和基于热度来调整数据资产的方法。

3.落地方案：按需定制数据治理系统方案，落地实施

根据需求调研和治理分析得出的结论，数据治理的解决方案应该包含企业数据治理策略和方法论、数据资产管理方案以及数据治理产品方案。

其中，数据治理策略和方法论用于帮助企业建立数字化转型战略，规划组织架构，梳理流程管理规范，保障数据治理的顺利实施。

数据资产管理方案用于指导企业顺利管理、应用数据资产，实现数据赋能企业业务，并基于管理方案完成数据治理产品方案的选型和构建。

数据治理产品方案包含标准的产品套件，覆盖从源头数据采集端到数据应用端的整个数据治理链路。同时应基于企业自身角度出发，量体裁衣，按需定制符合企业自身数据治理现状的系统解决方案。

4.场景验证：持续提供保障，构建数据资产体系

数据治理解决方案应当适用于前期需求调研阶段的企业业务应用场景，通过数据治理解决方案的实施，为企业数据质量提供持续保障，帮助企业构建数据资产体系，实现数据价值的最大化，最终完成企业数字化转型。

（本文部分文字图片来源德勤和神策数据）

<END>