数据治理治什么?在哪治?怎么治?

发布时间:2020.06.24来源:知乎浏览量:19次标签:数据治理

数据治理治的是“数据”吗?
数据是指对客观事件进行记录并可以鉴别的符号,是对客观事物的性质、状态以及相互关系等进行记载的物理符号或这些物理符号的组合。其实在我看来,数据可以分为两个部分,一是数字,二是文字。数字是没有意义的抽象符号,数据是有意义的数字。文字表意,数字表量,当两者结合起来,数据就产生了。

在我们的生活和工作当中,数据无处不在。对企业来讲,有很多数据是无关企业重大利益的数据,是没有治理的必要的。数据治理的对象必须是重要的数据资源,是关乎企业重大商业利益的数据资源,这样的数据资源可以称其为“数据资产”。正如北大教授王汉生先生所说:“数据治理不是对“数据”的治理,而是对“数据资产”的治理,是对数据资产所有相关方利益的协调与规范。”
我们需要分开来理解这句话:
①什么是数据资产?
②数据资产的相关利益方是谁?
③协调与规范什么?

先说一说什么是数据资产。我们说不是所有数据都是数据资产,那到底什么才是数据资产呢?
《企业会计准则-基本准则》第20条规定:“资产是指企业过去的交易或者事项形成的、由企业拥有或者控制的、预期会给企业带来经济利益的资源。” 如果照猫画虎修改一下,不难获得一个关于数据资产的定义:“数据资产是指企业过去的交易或者事项形成的,由企业拥有或者控制的,预期会给企业带来经济利益的数据资源。”由此可见,数据要成为数据资产,至少要满足3个核心必要条件:

①数据资产应该是企业的交易或者事项形成的;
②企业拥有或者控制;
③预期会给企业带来经济利益。

数据资产的利益相关方是谁?
根据数据资产的定义,数据资产的利益相关方,包括:
①数据的生产者,即通过业务交易或事项产生数据的人或组织。
②数据的拥有或控制者,生产数据的人不一定是拥有数据,就像我们天天上网的各种数据都不归我们自己所有,而是落在了各个互联网公司的数据库中。
③数据价值和经济利益的收益者。数据治理就是对数据生产者、拥有或控制者,数据价值获益者的规范和协调。

都什么是需要协调和规范?
首先是数据的标准化,定义统一的数据标准,“写中国字、说普通话”让数据资产的相关利益方在同一个“频道”沟通。数据的标准化包含几个层面:①数据模型标准化。②核心数据实体的标准化(主数据的标准化)。③关键指标的标准化。关于数据标准化这里不再展开,有需要深入了解的朋友请参考笔者之前写的文章:《数据治理系列3:数据标准管理》。
其次是数据的确权。数据一旦成为资产,就一定有拥有方,或者实际控制人,可以把他们统称产权人。与实物不同的是,实物的产权是比较明确的,数据则比较复杂。产品在生产制造过程中,并没有与消费者交易之前,制造商拥有完全产权。产品生产出来后,消费者通过购买支付相应的货币,便拥有了产品的产权。而数据的生产过程就不一样了,我们的各种上网行为每天都会产生大量的数据,例如:网上购物、浏览网页、使用地图、评论/评价……。这些数据到底归谁所有?控制权该如何治理?这是摆在面前的一个难题!我们看到近几年一些不良商家,利用我们的上网数据,导致安全隐私泄密的事件也层出不穷。希望随着技术和商业的进步,尽快能够找到解决方案!
第三是流程的优化。数据治理的两个目标:一个是提质量,一个是控安全。互联网数据的确权目前已经是一个世界级难题,做好企业业务流程的优化可能会对隐私保护起到一定的作用。通过业务流程优化,规范数据从产生、处理、使用到销毁的整个生命周期,使得数据在各阶段、各流程环节安全可控,合规使用。另外,通过一定的流程优化,通过对相关流程进行监管,按照数据的质量规则进行数据校验,符合“垃圾进、垃圾出”的数据采集、处理、存储原则,提升数据治理,赋能业务应用。

二数据治理到底在哪里治?
关于数据中台到底应该在中台治理还是应该在后台治理,这个话题在笔者所在的数据圈子中引起了激烈的讨论。群里参与讨论的都是业界的大咖,讨论内容也十分精彩,我截了部分的截图,先看看大咖们的观点:
数据治理到底应该放在中台,还是后台,我个人的理解是:小数据标准化治理靠人工、大数据预测性分析靠智能,将两者结合起来:“人工+智能”形成了完整的数据治理技术体系。一个企业的数据治理既离不开小数据的标准化治理,也离不开大数据的预测性分析。

这里的小数据,是在承载事物实体的数据,例如:人、财、物等,是企业所有业务开展的载体。其实说白了就是主数据管理。对于主数据的治理笔者认为是一个后台行为,治理核心是“唯一数据源、统一数据标准”,而要达到这一目标是需要从数据的源头抓起的,并且需要大量的人为干预,比如:数据标准的制定和落实,数据质量的清洗,数据的申请审批,数据的分发和共享等。从这里也能够看出小数据的治理,追求的是标准化、精确化,应该是一个后台行为。
而在大数据时代,得益于大数据技术的突破,大量的结构化、非结构化、异构化的数据能够得到储存、处理、计算和分析,这一方面提升了我们从海量数据中获取知识和洞见的能力。对于大数据,传统的一味追求精确的思维受到了挑战。而对于大数据的治理,允许一定程度上的容错,反而可以在宏观层面拥有更好的知识和洞察力。对于大数据的治理更多的是采用AI技术,例如:知识图谱、语音识别等,对大数据的采集、处理、使用过程加以控制,使其能够合规使用。所以,大数据的治理放在中台似乎更为合适。

三数据治理到底应该怎么治?
数据到底怎么治,这确实是一个宽泛的话题,首先是要明确治理的内容。针对不同的治理内容采取不同的数据治理策略。关于小数据和大数据的治理侧重点上文已经说明。以下为笔者在数据治理领域总结的数据治理十大关键实践:

1、成立组织,育人才
数据治理的根本目标的是提升数据质量,控制数据安全和合规使用。数据治理涉及范围广,参与人员多,需要一定的组织和制度的保障才可能获得成功。首先,依据行业经验来看,不论是基于后台的小数据治理,还是基于中台的大数据治理,“一把手”工程是数据治理组织建设的最佳实践。尤其是中台数据治理更是上升至企业战略层面,自下而上的治理几乎不太可能成功。其次,数据治理组织的建立并是组建一个非临时团队,而是要能够支撑企业数据化业务的一个完整体系,包括:组织体系、管理体系、执行体系、技术体系等。第三,数据治理组织的人员选拔和人才培养,不同企业应有不同的策略。一般来说,建立数据治理组织从企业内部进行选拔相应的技术专家、业务专家更为合适,要比从外部招聘更能够快速上手。不过,对于传统企业,其内部更偏管理,数据治理团队建设更多需要借助外部力量。

2、需求调研,摸家底
与数据项目一样,详细需求调研是开展数据治理工作的第一阶段的重要工作。本阶段主要是理解企业的战略,并按照从上而下的策略进行开展企业数据管理的现状调研,摸清楚企业数据资产的分布、数据的质量、数据的管理现状、数据应用需求等情况。该阶段的工作目标是确定数据治理项目的目标和范围,评估数据治理成熟度,确定改进内容和方向并与客户达成共识。

3、梳理数据,建标准
按照业务主题进行数据资产的梳理,并制定数据资产的标准。首先,定义数据资产元模型标准,包括:数据资产的数据含义、业务规则、质量规则、数据来源、存储路径、管理部门、管理人等,即数据资产的元数据标准,定义好数据模型是数据治理成功落地的重要前提;其次,重点对企业的核心数据资产——主数据进行标准化,包括:主数据标准化定义、参照字典的标准化、数据清洗、数据服务共享等;第三,对业务指标的属性的标准化,指标的属性分为“业务属性”和“技术属性”两类,业务属性包含业务人员通常认识的指标分类、名称、计算公式、展现方式和查询权限等;技术属性包含技术运维人员所关心的系统来源、取数字段、取数频率、加工规则等,其核心也是元数据管理

4、优化流程,定制度
对于企业而言,数据来源于很多方面,内部数据如财务、人力、供应链、生产、销售等;外部数据如政治、经济、社会、科技、行业、市场、竞争对手等。虽然数据来源广、数据量大是优点,但如果不加以整理和关联,杂乱无章的数据不仅不利于分析应用,还将带来不必要的人财物的消耗。所以,非常有必要对数据产生、采集、处理、加工、使用等过程进行规范。通过统一数据标准,制定合理的数据管理流程和制度,规范数据生产供应的过程。

5、搭建平台,接数据
数据治理平台的搭建要根据不同的客户需求搭建不同模块,数据治理平台主要涵盖功能模块有:元数据管理、主数据管理、数据质量管理、数据标准管理、数据安全管理、数据模型工具、ETL工具等。数据接入是将各种来源、各种类型的数据,通过数据集成工具将这些零散的数据整合在一起,纳入统一的大数据平平台或数据仓库中,这一过程需要符合数据治理平台定义各种数据标准、质量规则、安全指标。所以,我们说数据治理项目不是为了治理数据而建设的,而是配合大数据平台、数据仓库、数据分析挖掘等项目,通过提升数据质量、控制数据安全,让数据发挥出最大的效益。

6、建立指标,提质量
提升数据质量是企业数据治理的重要目标,也是企业进行数据分析挖掘、业务管理和决策的重要基础,只有建立完整的数据质量体系,才能有效提升企业数据整体质量,从而更好的为业务服务。从技术面上讲,定义完整全面的数据质量的评估维度,包括完整性、时效性等,并按照已定义的维度,在系统建设的各个阶段都应该根据标准进行数据质量检测和规范,及时进行治理,避免事后的清洗工作。

7、优化模型,控安全
数据安全治理,始于数据资产梳理。通过对数据资产的梳理,可以确定敏感数据在系统内部的分布、确定敏感数据是如何被访问的、确定当前的账号和授权的状况。根据企业的数据价值和特征,梳理出企业的核心数据资产,对其分级分类,通过数据治理工具进行建模,定义敏感数据位置、描述和处理方式,保证数据的合规合法使用。

8、开放服务,促应用
数据的治理是为促进数据更好的应用,一切不以应用为目的数据治理都是耍流氓。通过数据资产目录、微服务等技术将数据进行开发共享,促进数据在企业中的应用,使得数据作为企业的宝贵资产应用于业务、管理和战略决策中,发挥数据资产价值。

9、赋能业务,抓创新
数据赋能是在管理和业务应用中发挥数据更大的价值,以数据驱动业务的落地。数据赋能核心是,①汇聚数据:完善企业内部信息数据化,采集外部数据;②治理数据:整合数据,清洗、转换、分析、服务;③应用数据:以数据为驱动将洞察结果应用到实际业务中去,推动企业业务和管理的创新。

10、持续优化,再出发
笔者认为企业的数据治理是一个螺旋上升模型,需要不断的迭代和优化。数据治理不能一蹴而就,需要建立起长效的持续运营机制,要将数据治理变成企业的一种机制、一种文化、一种习惯,而数据治理每一次迭代优化都预示着企业数据战略目标的再出发!
(部分内容来源网络,如有侵权请联系删除)
立即免费申请产品试用 免费试用
相关文章推荐
  • 国内成熟的数据治理解决方案提供商

    国内成熟的数据治理解决方案提供商

    如今,数据已成为企业的货币,但管理数据不当可能会很快失去控制。麻省理工学院最近的一项研究发现,对于一些企业来说,大数据正在变成糟糕的数据……查看详情

    发布时间:2019.11.25来源:CSDN浏览量:62次

  • 数据资产管理直面企业痛点

    数据资产管理直面企业痛点

    企业日常经营活动中积累的大量数据,除了支持业务流程运转之外,越来越多地被用于帮助企业提升管理决策效率、实现价值挖掘和业务创新。企业日常经……查看详情

    发布时间:2020.09.11来源:知乎浏览量:32次

  • 如何避免先污染后治理,浅谈数据标准管理的应用

    如何避免先污染后治理,浅谈数据标准管理的应用

    数据质量的提升作为数据治理环节中非常重要的一环,我们的确需要重视,但是我们知其然,还要知其所以然,从数据质量问题出发,我们还得知道到底为……查看详情

    发布时间:2019.12.13来源:亿信华辰浏览量:24次

  • 企业架构组织的创新能力如何?

    企业架构组织的创新能力如何?

    回想一下最新的企业架构文章,博客文章,甚至是你读过的职位描述,并算一下至少一次没有提到“创新”的内容?我猜测,“创新”往往被作为有效企业……查看详情

    发布时间:2019.02.26来源:亿信华辰浏览量:40次

  • 基于大数据的质量管理系统怎么选?

    基于大数据的质量管理系统怎么选?

    对于一个制造企业来说,生产是企业最大的动力,而生产质量也需要进行优化管理,一个好的质量管理会带给企业巨大的发展空间和利润价值。正因如此,……查看详情

    发布时间:2019.11.07来源:知乎浏览量:18次

  • 统一数据平台 - 连接所有重要事项

    统一数据平台 - 连接所有重要事项

    企业可以从统一的数据平台中获益良多。……查看详情

    发布时间:2019.02.15来源:亿信华辰浏览量:18次

  • 如何做好大数据的质量管理?

    如何做好大数据的质量管理?

    如今关于大数据的话题非常火热,关于但数据的质量问题也备受人们关注,有很多IT人士开始认为,在大数据的时代,只有对数据进行有效的管理,那么……查看详情

    发布时间:2019.07.26来源:知乎浏览量:56次

  • 数据资产管理领域重要的三个方向

    数据资产管理领域重要的三个方向

    数据资产管理领域重要的三个方向包括:资产分析、资产治理、资产应用,并需要基于这三个方向的技术研究和实战,将流程、经验、标准和规范等产品化……查看详情

    发布时间:2020.11.06来源:知乎浏览量:15次

  • 2018 数据管理成熟度技术曲线:DataOps、dbPaaS、ML

    2018 数据管理成熟度技术曲线:DataOps、dbPaaS、ML

    数据运维(DataOps)、私有云数据库平台即服务(dbPaaS)和具有机器学习(ML)功能的数据管理在2018年Gartner数据管理……查看详情

    发布时间:2019.03.05来源:亿信华辰浏览量:40次

  • 为正在进行的数据治理提供资金

    为正在进行的数据治理提供资金

    我们不会在这里更详细地讨论这些选项; 它们遵循与为数据治理计划的设计提供资金时所讨论的相同的一般模式。但是,值得注意的是,使数据治理依赖……查看详情

    发布时间:2019.03.18来源:亿信华辰浏览量:34次

相关主题
您点击 “提交”,表明您已理解并同意接受本网站隐私政策和用户协议