|
2022年即将结束了，在这一年里，数据治理在我国蓬勃的发展。一是国家发布了多个数据治理相关的政策和指引；二是各类数据治理相关的会议频繁召开；三是各行业数据治理项目大量上马。这对从事数据类相关的人员的确是百年之不遇的机会，所以不管是真正从事数据治理的，还是从事主数据元数据管理的，还是从事数据分析数据资产管理的，还是从事数据安全数据质量的，还是从事数据标准管理制定的公司，都说自己公司是做数据治理的，都要搭上数据治理这趟车，就像在这趟车上，猪都是轻松的飞起来。可想而知，社会上对数据治理人才的缺口有多么巨大，公司里从事数据治理的人员技能多么需要提升，也就催生了无数的数据治理培训机构，催生了各类和数据治理相关的认证。自打数据被我国作为五大生产要素之一提升到战略地位后，数据治理之风越刮越猛，从2022年一年来看，很多人对数据治理是悲喜交加，喜得的是终于有了让数据变为资产从而更好发挥价值的抓手，悲的是好像很多人又不能清楚的认识和理解到底什么是数据治理，数据治理到底做什么，为什么读了那么多数据治理的书，还是一头雾水，不知所措。2023年即将开启，也是国家和各组织“十四五规划”承上启下的一年，想必这一年对任何组织数据治理的工作都是非常重要的，那么我们如何更好的掌握数据治理和应对数据治理项目就成为重中之重，下面就和大家谈谈数据治理学习和项目的一些心得体会，供大家参考。实际上，任何知识到吸收、掌握、形成能力，都是有个过程的，我们从金字塔模型就能了解些端倪，数据->信息->知识->智慧，从这个模型我们可以看出，从人们了解数据到形成处理能力的智慧，是有信息和知识这个过程的。很多的同事，之前并不从事于数据治理工作，一般从事的都是与数据治理或多或少相关的工作，所以，我们不要期望通过一次或几次培训，看一本或几本数据治理的书籍就能真正解决数据治理的问题。从金子塔模型看，最多也就是到了信息这几级别，恐怕很多人的脑海里都不能形成数据治理的知识体系，更不要谈解决问题。所以，对于数据治理的能力形成不要急于求成，要沉下心来，系统化的学习。比如，做数据治理的同事至少要学习DAMA知识管理体系，要研究IBM、DGI这样的数据治理框架，要学习DCMM数据管理成熟度评估体系，要研究DCAM、Gartner这样的数据管理成熟度评估体系，要学习ISO 38500国际数据治理标准，要研究GB/T 34960、GB/T 34079这样的数据治理标准。只有体系化系统的学习和研究，才能有效掌握从标准、到框架、到评估的思想脉络和内涵，才能更好的深刻认识和掌握数据治理相关知识体系。对于一门学问和知识能够更好的运用起来的关键就是准确的掌握。当前，数据治理大潮汹涌澎湃，各大企业厂商都向这个方向靠拢，因此社会就存在着一百个人说数据治理一百种说法的怪现象。然而，数据治理并不是新鲜事情。对于数据治理的精准把握就是要弄清楚数据治理是什么？下面我们来看几个经典定义：DAMA的定义：数据治理是对数据资产管理行使权力和控制的活动集合。DGI 的定义：数据治理是一个通过一系列信息相关的过程来实现决策权和职责分工的系统，这些过程按照达成共识的模型来执行，该模型描述了谁（Who）能根据什么信息，在什么时间（When）和情况（Where）下，用什么方法（How），采取什么行动（What）。DCMM的定义：数据治理包括数据治理组织、数据制度建设和数据治理沟通。GB 34960定义：数据资源及其应用过程中相关的管控活动、绩效和风险管理的集合。从以上行业以及国标对数据治理的定义中我们能清楚的看出，数据治理主要内容就是组织建设、制度建设、绩效管控等一系列对数据管理的管理。并不存在社会上经常流传的数据治理是狭义概念，而数据管理是数据治理的广义概念。因此，只有准确掌握和理解相关概念和定义才能更好的学习数据治理知识并有效应用的工作中，否则定会存在管理换乱、概念不清、项目难以实施的情况。我在微信几十个群里，几千人的数据治理人。常常见到大家议论搞不清什么是数据治理，如果开展数据治理，数据治理的价值意义等。实际上，数据治理的工作并不容易，涉及多方面的专业知识和管理知识以及不同的职能领域。数据管理组织的建设需要管理领域的知识和经验，数据制度建设需要数据标准、数据安全、数据质量、主数据、元数据、数据架构、数据建模、数据集成、数据存储、数据分析等数据全生命周的知识和经验，而数据考核办法往往需要将各类技术和管理相结合，既需要懂技术又要了解业务。因此，可以看出数据治理绝非易事。社会上的情况往往是从不同的专业领域转向数据治理，要么从事数据安全的搞数据治理、要么从事数据质量的搞数据治理、要么从事主数据的搞数据治理等等，大家都基于自己以往的经验和知识进行数据治理工作。因此，就会出现貌似数据治理实则不是数据治理。有些人本专业领域技术专业，其他专业不熟；有些人管理领域专业，又不懂技术；有些人技术领域专业，又不懂管理。这也导致了社会数据治理的乱象从生，陷阱林立，效果不佳。那么怎么才能更好呢？把各领域知识融会贯通是非常重要的，想到数据安全的时候就要想到元数据、数据标准、数据模型；想到数据质量的时候就要想到数据标准、数据模型，业务规则；想到主数据的时候就要想到数据标准、数据质量、业务规则、数据集成；想到数据分析的时候就要想到主数据、元数据、数据质量、数据集成、业务场景等。这就要求我们把数据治理、数据管理、业务场景、数据价值等相互融会贯通，整体统筹考虑，才能更好的理解数据治理的意义和价值，才有利于学习和项目的开展。社会上很多技术公司跟上世界和国家数据治理的步伐，无论以前从事什么数据相关技术，统统转向数据治理，有些公司可能从未进行过数据治理实践，也大谈特谈数据治理，所以对企业的影响很大。有些企业为了开展数据治理邀请很多厂商交流，得到的数据治理方案五花八门，由于资金的限制或者招标的要求，选择了没有实施经验的开发商，导致了数据治理项目失败或重复建设。当然，社会上也有一些专业人士从不同数据管理方向转向了数据治理专业，由于没有实践经验，往往根据自身的理解去社会上宣讲，导致了社会上数据治理理念的混乱，也导致了很多数据治理项目的失败。企业也是一朝被蛇咬十年怕井绳，所以理论和实践的结合非常关键。不要为了利益驱使，将客户作为小白鼠。客户也要在进行数据治理项目开展时，擦亮眼睛，项目失败是小事，错过了发展的时机是大事。数据人以专业的精神开展数据治理工作是最基本的职业素养。数据治理的典型框架有不少，世界和国家标准也有一些，各行业的标准也有一些。因此，在学习数据治理时，要了解各标准、各框架的特点、适合的行业、关注的重点。当前，每个行业都大肆开展数据治理，由于行业差距较大，各有特点，很难用一个框架或一个标准就能全面满足，因此不要纠结于一个框架一个标准，死搬硬套书本知识。同时，要多研究数据治理的案例，《数据治理 企业数字化转型之道》、《数据标准化 数据治理的基石》这两本丛书中的数据治理案例就是很好的参考，包括了不同行业大型企业数据治理的背景、目标、思路、方法、成果、实施难点等总结。了解经典、对标优秀、个性开展，才能更好的实施数据治理项目。对于从事数据治理的人员，更要开拓思路，不要执拗于某一领域，而是要懂得多研究、多思考、多参与、多总结，才能更好的将数据治理知识更好的灵活运用，使数据治理的价值更好的体现在企业数据资产的管理过程中。数据治理工作最忌讳贪大求全，刻意模仿、全面照搬。每个企业的管理现状、数据现状、系统建设、员工素养等都有较大差异，所以企业开展数据治理工作时，要认真分析公司的现状、行业的现状、国家和企业的战略和要求，按照自身的情况，实事求是的开展数据治理。在没有业务数据化的时候就开展数据资产建设，就像发动机里没有好汽油，再好的发动机也启动不到相应作用。企业也不要有贪心的思想，花小钱办大事害死人，小事办不好大事办不成，要事实求实的开展项目预算和项目成本管理，专款专用会有更好的数据治理项目成果。所以，这就要求企业按照自身的发展阶段，自身的管理和人才情况，开展数据治理的统筹规划，按照自身的项目预算情况、自身的系统建设情况，开展分阶段分步骤的实施。2023年到即将到了，社会的发展、经济的建设、数据的特点、数据的价值将会越来越复杂，我们数据人要做好打一场硬仗的准备。数据要素是新的生产要素，有不同于以往其他数据要素的特点，必须具备专业的知识和过硬的技能才能掌握数据资产价值这艘船的舵。
|
