2018关于数据的那点事的思考（三）

数据治理

提起数据治理这个话题我其实比较犯怵。早在2007年还在IBM工作时，就已经开始接触数据治理的整体框架， 在当时的理念当中， IT是业务创新的增长引擎， 而数据就是支持这个引擎运转的汽油。 但数据这个汽油不是我们在市场上已经看到的整理的很标准的92号，95号， 98号汽油。 在企业当中，无论是众多应用系统中的结构数据还是散落在各个系统中的大量非结构的大数据，数据都非常复杂。如何去找到一个方法把数据和业务需求规整到一起， 再用相应的手段促进信息的低损流动， 最终促进企业的业务创新，这个方法就是整个数据治理的核心。

随即在企业数据治理的框架之下数据治理变成了一个非常复杂的体系，在这个体系中企业的数据成熟度被分成了5个级别， 而每个级别都需要基于11个类别来度量企业的数据治理能力。

这个数据治理框架较为完备，我们仔细评估这11个治理域都是针对数据的治理来定义的， 完全实现这样的一套数据治理体系需要一个较为复杂的组织体系及大量的数据治理流程及工具来支撑， 往往只有非常大的企业才能支撑一个比较完整的数据治理能力的构建与全面实施。

仔细回顾过去的数据治理的落地与实践， 数据治理体系的落地效果往往并不明显， 回顾总结的教训有几个：

数据治理体系过于复杂以后，往往会被定位在一个IT的数据治理部门， 部门把大量工作精力集中于治理以后，反而忘却了数据治理的核心是数据；

数据来源于业务，应用于业务， 专注于企业级的数据治理往往要跨越多个数据应用业务部门， 治理过程庞杂以后实际上是影响了业务部门的效率；

数据驱动的业务，数据驱动的企业叫嚷了很多年， 但绝大多数企业的数据应用能力还很低， 很难被企业提升到一个战略层次去实施。

同样的道理， 数据治理的主要操盘手CDO（首席数据官），这个职位概念被业界提了很多年， 但一个CDO上任以后，马上就面临着如何去平衡数据创新，部门协作，生产任务之间的平衡关系。需要一个很强的智商，情商与财商高度结合的高手才能很好处理一个大型企业的数据治理工作。

过去多年的数据实践中，也曾经看到过几个比较好的数据治理切入案例：

案例1: 某大型企业， CDO上任一个月，就在企业最高管理层的支持下，快速砍出了三板斧：1. 收集了企业信息系统中80%的现有数据， 实现了数据的集中化；2. 快速梳理了企业数据目录， 分发给各个业务部门征求数据调用需求；3. 分析了全部需求后， 针对数据需求热度，开发了数据服务接口，开始实现对业务部门的数据服务能力。 初见成效以后， 才逐渐开始了数据治理的框架建设工作。

案例2: 某大型国企， 新CDO上任以后，系统调研了当前的企业数据状况及过去几年前任CDO在数据标准化， 数据整合陷入的各种泥坑后， 果断放弃了在当前数据上的各种整合与标准化治理工作。继而把数据核心人才集中到外界渴求的数据内容上， 针对外界需求，开发了一系列数据服务产品， 迅速在政府，旅游，金融等领域建立了自己的数据应用能力， 形成数据收入。该CDO也成为企业业务创新的代表，成为业界的一个标杆。

这两个案例的共性是这两位CDO都把自己的工作中心，从管理转移到价值实现上来，个人认为这是数据治理应该遵循的核心原则。 下图的两种数据治理的框架图的绘制方式就基本体现了两类数据治理的理念的差异。

简化的数据治理

无论数据治理的复杂性如何， 数据治理的核心依然是数据资产。围绕着数据资产，有两大类的数据治理方式， 分别是垂直治理与水平治理，

垂直治理

垂直治理主要关注于数据产生，数据采集， 数据存储， 数据转换，数据应用，价值实现的数据垂直治理闭环。下图描述的是一个企业数据的垂直治理情况。

企业级数据治理的数据源来源于企业应用系统， 这些数据可能会经过数据应用系统， ODS， 数据仓库， 数据集市，数据应用等多个数据工程节点。 每个节点及节点之间的数据转换过程都是需要产生大量的元数据，保证数据信息源到数据应用的信息价值过程是垂直治理的一个核心难点。与此同时垂直治理同样需要建立相应的治理组织， 工作流程及策略标准来保障整个垂直治理的过程。垂直治理是数据治理的基础， 如果一个企业对于垂直治理没能建立体系， 其它的数据治理必然成为一个空中楼阁，难以发挥其应有的价值。

水平治理

水平治理往往是在企业数据资产化或集中化以后， 数据治理的重心逐渐转移到企业级数据资产的价值发掘和探索。从企业来看，数据的价值往往体现在三个主要层面， 战略决策支持， 管理决策支持和营运决策支持， 决策支持的程度由可以定义为业务数据描述，数据化诊断， 数据预测，智能决策等几个层面。在水平数据治理之下， 围绕着数据相关的资产，治理的过程主要有发现，规定， 应用，度量等一系列过程。

在水平治理过程中需要重点强调的是数据资产并不仅仅是数据本身， 还需要考虑到数据相关的业务流程， 支撑组织， 具体应用当中需要细化到流程的节点， 组织也要细化到执行个体上。 只有把数据治理覆盖到企业战略，优先级， 业务场景， 业务策略，业务标准， 架构等多个层面上， 才能够真正体现数据的全面性与关联性。

第二个需要重点强调的是价值必须深入到这过程中的每一个环节，始终坚持价值为要， 才能够更好的实现数据治理的目标。

数据是一个企业的重要资产之一， 未来的数据治理可能像财务或人力资源部门一样会成为企业的一个业务功能部门。这个部门会逐渐建立自己的业务流程， 管理流程， 品质规范，信息生命周期管理过程等众多的管理过程和最佳管理实践。 这个部门会比以前企业业务和IT部门之间的关系更加紧密，建立起强大的协作关系来赋能业务部门的关键业务创新。 从数据分析技术本身，我们也看到了众多新技术，例如机器学习技术已经被用在数据治理过程当中来数据化关键过程，并且量化管控效果及价值。随着技术与工具的发展，更多的企业已经开始了数据治理能力的建设，相信数据治理将会从大型企业的样板工程逐步成为企业的标配，实现对数据驱动企业的全面支持。