近年来，随着大数据产业的蓬勃发展，企业和政府对于自身的数据价值产生了重新认知。数据越来越多，怎么管?如何用?才能让数据发挥价值，成为了众多企业的一个难题!

　　CDA数据分析师：这就引出了数据治理。

　　有效的数据治理可以确保企业数据全面、一致、可信，从而全面释放数据的价值，提高业务流程效率、提升业务增长的机会，驱动企业数字化转型。

　　这听起来很简单，但事实上数据治理对每个企业都是一项很大的挑战。数据治理在为企业提供价值的时候，往往会遇到很多问题，比如：没有明确的战略需求，数据标准缺失，数据源头不清晰，数据质量缺乏监管等。这就需要我们要有统一的数据标准和良好的数据质量来构建数据治理体系。

　　01明确的数据标准

　　企业进行数据治理的过程中，顶层设计和组织建设尤其关键。我们需要将数据治理视作一项战略层面的活动，要有明确的目标和方向，使得数据治理最终能够满足业务需求，为业务创造价值。

　　根据企业自身的战略需求以及数据现状可以从以下几点切入：

　　1.对企业业务进行定义，并对每个业务中的业务活动进行梳理，同时需要收集各类业务单据、用户视图，梳理每个单据和用户视图之间的数据对象。

　　2.针对数据对象进行分析，明确每个数据所包含的数据项，同时，梳理并确定出该业务中所涉及的数据指标和指标项。

　　3.梳理和明确所有数据指标的关系，并对数据之间的关系进行标准化定义。数据关系也是数据标准管理的内容。

　　4.通过以上梳理、分析和定义，确定出主数据标准管理的范围。

　　对数据进行充分调研后，企业就可以针对性的制定数据治理方案。对于不同业务类别的数据项，则需要梳理出数据之间的联系，方便进行数据之间的关联分析。

　　数据标准是企业数据治理的一部分，是一个涉及范围广、业务复杂、数据繁杂的工程。数据标准的实施绝非是一个部门的事情，需要从整个组织考虑，建立专业的数据治理体系。

　　02以价值为导向的数据治理

　　据CDA数据分析师小编了解，数据治理在为企业提供价值的时候，往往会遇到很多问题，主要表现为以下三点：

　　1.部门各自为政，数据反复清洗加工、分析工具重复采购、挖掘成果小范围使用、先进经验未能共享;

　　2.数据割裂：管理条线间数据割裂、数据来源间未能打通、数据脱敏后丧失价值，比如我们在做洗钱交易识别时发现交易对手的唯一标示全部是星号，这就是选取了错误的脱敏方式导致的不可恢复的错误后果;

　　3.缺乏系统性管理：缺乏全面的围绕客户、风险、运营、财务等全面规划分析场景，执行过程随意，流程体系不健全，保障不到位，数据和模型资产流失严重。

　　数据治理便是为数据资产保值增值而服务的。其目标是消除歧义、减少数据孤岛，降低数据使用成本，提高对业务的响应，提高对数据隐私安全保护。

　　实施数据治理可以为数据管理提供可信任的数据，减少数据重复，增强业务和IT对于数据的信心，改善数据的及时性和可用性，建立通用的数据词汇表，以确保访问正确的信息，定义企业范围(或站点/项目范围)的值以获取公共参考数据，提供信息和指导，以协助有关数据的合规性和监管工作。

　　过去提到数据治理，更多的被认为是IT部门的事，其实不是这样的。就拿数据质量举例吧，数据来自业务，它产生于业务，获取自业务系统，数据质量标准也是业务部门订的，数据人只是帮业务人员落地质量检验，但是数据有质量问题，是不能直接解决的。业务部门如果不太关心数据质量，比如说最近金融监管部门对洗钱行为监管更严格了，很多银行希望买套系统或者寄希望于AI算法识别洗钱行为，但是很多金融机构对最基本客户信息还不了解，连客户基本的联系方式和地址都存在大量缺失，这很难保证客户的真实性。

　　举个例子，一间屋里注册了六家公司，这些公司肯定是空壳公司。数据质量如果由IT负责很难满足要求，因为业务人员办理业务的时候根本不去核实这个地址的真实性，地址写不写他都不太关心。把数据质量提升的工作压到IT人员根本解决不了问题。

　　提到数据治理，很多人关注的是自顶向下的制度设计，而忽视自底向上业务的驱动。很多时候是IT闭门造车，还提出基于IT架构的数据治理。

　　感觉这很专业啊，但是我举个例子，比如我今天想吃饭了，得看看家里有什么菜，至于符不符合口味不知道，有什么就吃什么。

　　这是基于IT架构的数据治理，只管盘点现有系统和现有数据。这个方法确实有其用处，但是不应该作为数据治理的主导。因此，以往的数据治理经常出现有数据治理组织架构，却无合适的人到岗;有数据标准等规章制度，而在新旧系统上无法落地。

　　因此，ThoughtWorks数据智能事业部呼吁国内企业回到价值导向的数据治理的初心，提出精益数据治理，不仅从上至下，并且自底向上，围绕业务场景，以价值驱动数据治理的具体体现。

　　CDA数据分析师专家认为精益数据治理讲求价值驱动，围绕场景，减少浪费，持续改进。体现为以下五个特点：

　　1.从业务愿景出发识别价值，在适当的时间为内部客户提供价值是精益数据治理的关键要求，通过对齐业务战略和目标来识别有价值的数据利用场景。

　　2.构建价值流，识别出场景后，在源数据和场景之间建立价值流，价值流是将产品或服务带给用户所需的资源和信息流，需要构建和改进价值流，避免浪费。

　　3.使价值从源头流向用户，“流”使价值能够以经过最少的阶段和活动便能交付，无缝流是精益数据治理的关键要求。减少浪费是精益数据治理的重要策略，我们发现，所有的数据质量的问题，都能够与精益思想的7种浪费一一对应起来，解决了数据生产的浪费问题，就大部分解决了数据质量问题。

　　4.拉动价值流，只有在内部客户有需求时，流程才能运行，此阶段强调仅在有需求时才需要响应。

　　5.不断迭代，精益求精，持续改进以追求完善，实现可持续变革。

　　数据治理组织建设中，企业需要综合考量数据规模、数据治理难度、业务复杂性等因素，建设一个规模合适，同时能深刻理解业务需求的数据治理组织。

　　对于大多数初创企业来讲，至少要设置数据治理负责人、数据分析师、数据管家、系统管家这四个基本角色，以保证数据治理整个链路中的要求和目标能够得到落地实施。而对于大型企业而言，则要更多地关注数据和信息的体系化管理，注重激励制度的完善以及内部多个部门之间的高效安全协同。

　　03大咖带你搭建数据治理体系

　　数据治理是企业数字化升级过程中的重要一环，如何让数据治理事半功倍呢?[CDA八点大咖汇]特邀宝马中国领越数据治理负责人陈燕琦老师，带你梳理企业数据治理知识框架以及建设思路，并结合实际案例分析企业如何进行数字治理。

　　关注“CDA数据分析师”，输入“CDA大咖汇”获取观看链接。