数据治理体系框架（数据治理体系框架有那些）

本文目录一览：

• 1、数据治理的价值体系包括哪些方面?
• 2、数据治理的定义和架构
• 3、【优秀文章】第三期：数据治理建章立制
• 4、数据治理十步法

数据治理的价值体系包括哪些方面?

数据治理的价值体系包括：

· 对数据的共同理解——数据治理为数据提供了一致的视图和通用术语，同时各个业务部门保留了适当的灵活性。

· 提高数据质量——数据治理创建了一个确保数据准确性、完整性和一致性的计划。

· 数据地图——数据治理提供了一种高级能力，可以了解与关键实体相关的所有数据的位置，这是数据集成所必需的。就像 GPS 可以代表物理景观并帮助人们在未知景观中找到方向一样，数据治理使数据资产变得可用并且更容易与业务成果联系起来。

· 每个客户和其他业务实体的360 度视图——数据治理建立了一个框架，以便企业可以就关键业务实体的“单一版本真相”达成一致，并在实体和业务活动之间创建适当的一致性级别。

· 一致的合规性— 数据治理提供了一个平台来满足政府法规的要求，例如欧盟通用数据保护条例 (GDPR)、美国 HIPAA（健康保险流通与责任法案）和行业要求，例如 PCI DSS（支付卡行业数据安全标准）。

· 改进数据管理——数据治理将人的维度带入高度自动化、数据驱动的世界。它建立了数据管理的行为准则和最佳实践，确保传统数据和技术领域（包括法律、安全和合规等领域）以外的问题和需求得到一致解决。

数据治理的定义和架构

      数据治理的定义

     数据治理(DataGovernance)，是企业数据治理部门发起并推行的，关于如何制定和实施针对整个企业内部数据的商业应用和技术管理的一系列政策和流程。

        数据治理涉及的IT技术主题包括元数据管理、主数据管理、数据质量、数据集成、监控与报告等。

        数据治理的技术组成  

       数据治理涉及的技术主题包括元数据、数据标准、数据质量、数据集成、主数据、数据资产、数据交换、生命周期、数据安全多产品组成的一整套解决方案。

       所有与数据有关的技术产出物全部通过知识库实现相互之间共享，知识库作为数据治理的后台通道，传输不同平台、环境、技术、工具所提交和需要的元数据信息。        

       数据治理是专注于将数据作为企业的商业资产进行应用和管理的一套管理机制，能够消除数据的不一致性，建立规范的数据应用标准，提高组织的数据质量，实现数据广泛共享，并能够将数据作为组织的宝贵资产应用于业务、管理、战略决策中，发挥数据资产的商业价值。

        如下以某公司数据治理架构为例：

       该数据治理平台融合元数据、数据标准、数据质量、数据集成、主数据、数据资产、数据交换、生命周期、数据安全9大产品，每个模块功能可互相调用，全程可视化操作，打通数据治理各个环节，同时提供各个产品模块任意组合。

       元数据：采集汇总企业系统数据属性的信息，帮助各行各业用户获得更好的数据洞察力，通过元数据之间的关系和影响挖掘隐藏在资源中的价值。

        数据标准：对分散在各系统中的数据提供一套统一的数据命名、数据定义、数据类型、赋值规则等的定义基准，并通过标准评估确保数据在复杂数据环境中维持企业数据模型的一致性、规范性，从源头确保数据的正确性及质量，并可以提升开发和数据管理的一贯性和效率性。

        数据质量：有效识别各类数据质量问题，建立数据监管，形成数据质量管理体系，监控并揭示数据质量问题，提供问题明细查询和质量改进建议，全面提升数据的完整性、准确性、及时性，一致性以及合法性，降低数据管理成本，减少因数据不可靠导致的决策偏差和损失。

        数据集成：可对数据进行清洗、转换、整合、模型管理等处理工作。既可以用于问题数据的修正，也可以用于为数据应用提供可靠的数据模型。

        主数据：帮助企业创建并维护内部共享数据的单一视图，从而提高数据质量，统一商业实体定义，简化改进商业流程并提高业务的响应速度。

        数据资产：汇集企业所有能够产生价值的数据资源，为用户提供资产视图，快速了解企业资产，发现不良资产，为管理员提供决策依据，提升数据资产的价值。

        数据交换：用于实现不同机构不同系统之间进行数据或者文件的传输和共享，提高信息资源的利用率，保证了分布在异构系统之间的信息的互联互通，完成数据的收集、集中、处理、分发、加载、传输，构造统一的数据及文件的传输交换。

        生命周期：管理数据生老病死，建立数据自动归档和销毁，全面监控展现数据的生命过程。

        数据安全：提供数据加密、脱敏、模糊化处理、账号监控等各种数据安全策略，确保数据在使用过程中有恰当的认证、授权、访问和审计等措施。

综上所述，数据治理系统的核心组成在: 元数据管理系统 数据标准 数据质量 数据交互传输 数据安全 数据生命周期等   ----不要怀疑---大神告诉你！

【优秀文章】第三期：数据治理建章立制

来自德勤咨询： 德勤Deloitte

上期文章，我们从顶层设计的视角，解读了银行如何在数据治理整体架构下制定数据战略并设计组织架构。有道是“不立规矩，无以成方圆”，对于一家金融机构，顶层设计的落地与实现，需要通过建章立制来指导和规范数据治理各项日常工作的开展，从而达到数据质量真正有效提升，并最终使得数据赋能企业的发展。

本期，我们将聚焦数据治理建章立制工作， 通过“明确组织职责”、“构建制度体系”与“持续运行优化”三个步骤 ，介绍如何结合银行业金融机构的数据管理现状，搭建数据治理制度体系，激活各参与方的数据治理工作，形成常态化、科学化管理机制。通过制度运行阶段的持续优化，使银行能够不断与时俱进，响应内外部的管理要求，助推自身数字化变革。

数据治理的顶层设计，明确了数据治理的归口管理部门。而推动数据治理工作在全行的落地生根，离不开银行各参与方的协同与配合。明晰各参与方的职责，理顺银行各部门间、各级机构间工作的协同关系，梳理数据治理领域各主要板块的管理流程，是构建制度体系的基础。

数据治理领域的协同工作，涉及银行前、中、后台众多部门，在数据治理归口部门的统筹下，各参与方依托各自部门的专业能力与数据管辖权，协同配合归口部门，开展数据治理工作。

其中，业务与职能部门，作为各自部门数据的所有者和负责人，在源头上接触一手数据，熟悉数据属性和内涵，是银行数据的“业务管家”，协同承担数据标准制定、数据质量管理与数据分析应用职责。 而IT部门则负责建立、完善、维护企业的数据架构，建立专业的数据管理平台与工具，承担数据管理的技术支撑和信息安全职责，是内部数据的搬运者、维护者或加工者，负责支撑数据的分析和应用，是银行数据的“技术管家”。

“指引”要求银行的数据治理体系覆盖所有的分支机构与附属机构，这意味着数据治理工作必须自上而下，从总行或母行全面覆盖到各个分行、支行、附属公司、甚至境外机构。从这个角度出发，对银行而言，总行不再单单扮演银行的总部去实施数据治理工作，同时也应定位于集团母行、母公司，去从集团的角度推动数据治理工作。所以，应该建立总行（母公司）与分支机构、附属公司之间的数据管理的沟通渠道，针对属地管理及不同附属公司的不同要求，采用“一体化”与“个性化”的管理策略，推动数据治理工作全方位开展。

➤一体化：各分支机构与附属公司应对自身数据负责。根据总行数据治理工作的统一要求，承担自身数据产生、存储等各环节的数据质量控制与数据安全保护等职责。由总行发现的质量等问题，涉及分支机构与附属公司的，应由该机构自身承担整改责任。 以BCBS239（国内称RDA-Risk data aggregation）为例，在推动全球系统重要性银行满足有效风险数据加总和风险报告的原则中，要求母公司应统筹的推进集团范围内的数据治理工作，以此保障集团能够收集加总跨国家、跨业态的不同机构内的风险数据，用于分析决策或监管报送。

➤个性化：面向不同的属地法规要求，银行应制定相应的数据管理策略。 以GDPR为例，中资银行如在欧盟境内设立有分支机构，该分支机构将被作为责任主体来强制执行GDPR（General Data Protection Regulation 通用数据保护条例）法律要求。有鉴于此，银行需在现有数据治理体系的基础上，优化个人数据隐私保护等管理内容，满足GDPR的要求。

|

第十八条 银行业金融机构应当制定全面科学有效的数据管理制度，包括但不限于组织管理、部门职责、协调机制、安全管控、系统保障、监督检查和数据质量控制等方面。

第二十五条 银行业金融机构应当加强数据资料统一管理，建立全面严密的管理流程、归档制度，明确存档交接、口径梳理等要求，保证数据可比性。

第三十三条 银行业金融机构应当建立数据质量现场检查制度，定期组织实施，原则上不低于每年一次，对重大问题要按照既定的报告路径提交，并按流程实施整改。

第三十七条 银行业金融机构应当建立监管数据质量管控制度，包括但不限于：关键监管指标数据质量承诺、数据异常变动分析和报告、重大差错通报以及问责等。。

——《银行业金融机构数据治理指引》

|

构建银行数据治理制度体系，首先应符合银行的数据战略，其次应充分结合数据治理组织架构与管理现状，体现、贯彻和落实数据治理顶层设计要求，逐步将数据治理体系纳入全行的管理实践中。

根据数据管理的层次和授权决策次序，数据治理制度体系框架分为章程、专项办法、工作细则三级梯次，该框架标准化地规定数据管理的具体领域、各个数据管理领域内的目标、遵循的行动原则、需完成的明确任务、实行的工作方式、采取的一般步骤和具体措施等。

《数据治理章程》是银行最高层次的数据治理政策，是为指导全行数据治理、管理活动和防范数据风险的基础性政策，是建立和完善数据体系所必须遵循的基本原则和纲领，是确保数据治理工作得以有效开展，支撑各数据管理专项领域进行质量管理和最终应用的基本准则。

《数据治理章程》具体包含数据治理总则、管理范围、组织架构、专项规定、问题处理机制与相应的附则或附件。章程贯穿数据和信息的创造、传输、整合、安全、质量和应用的全过程，数据治理专项办法和细则，都应在符合《数据治理章程》原则和纲领的基础上制定。

数据治理工作涵盖内容广泛，涉及专业领域众多。银行需在《数据治理章程》的指引下，依托数据治理原则与组织架构职责，根据数据治理各专项领域的工作特点，制定各专项领域的管理办法，用来指导各项工作在全行的有序开展。

数据治理专项办法上承《数据治理章程》，下接工作细则，包含该专项工作的总则、工作内容与范围、组织架构与职责，定义了该专项工作下的主要工作任务。

以各专项管理办法为基础，进一步细化至各项工作的操作流程。通过各项流程细则的制定，将顶层设计贯穿至数据治理的日常工作之中，打通了数据治理在执行操作层面的“最后一公里”，指导一线工作人员按照规范化流程开展数据治理工作，为全行数据治理和提升奠定基础。

数据治理工作覆盖范围广泛，与业务运营、IT管理、信息安全等多个领域密切相关。在构建数据治理工作体系时，需厘清数据治理各专项领域的工作内容，划定工作范围，并明确数据治理工作与各相关工作的内涵差异和职责边界。落实到制度文本与流程细则，需确保数据治理制度体系整体内容的完整性，以及与各周边相关工作能有效衔接。

|

第十八条 银行业金融机构应当制定全面科学有效的数据管理制度，包括但不限于组织管理、部门职责、协调机制、安全管控、系统保障、监督检查和数据质量控制等方面。

银行业金融机构应当根据监管要求和实际需要，持续评价更新数据管理制度。

第十九条 银行业金融机构应当制定与监管数据相关的监管统计管理制度和业务制度，及时发布并定期评价和更新，报银行业监督管理机构备案。制度出现重大变化的，应当及时向银行业监督管理机构报告。

——《银行业金融机构数据治理指引》

|

随着银行数字化能力的日新月异，银行间数据资产应用能力的较量愈发白热化，但决定其数据资产价值能否放大的根本，在于是否拥有科学的数据管理体系支撑。与此同时，各类数据相关监管要求也在不断深入， 正所谓“数据治理没有完成时”，对银行而言，数字化转型的进程，以及数据资产的增值，有赖于数据治理这一项长期持续性的工作。以制度体系作为基石，需要定期开展“体检”工作，确保其运行得益，与时俱进。

➤定期自查，分析制度体系运作情况

通过开展数据制度体系自查工作（如制度定期评估或内控评价工作），分析数据治理各项管理流程的运转情况，定期评估运作效果，识别运转不畅、效率低下的流程节点和原因，并予以解决和优化。

随着数据管控平台的普及，众多银行已开始将标准管理、质量检核、问题分发等流程纳入数据管控平台进入统一管理。通过数字化、智能化的方式，提升数据治理整体工作实效，也有助于银行及时发现流程运转过程中遇到的问题，帮助银行优化数据治理管理体系。

➤与时俱进，确保制度体系的前沿性

银行应结合数据治理的日常宣贯工作，掌握金融科技与监管科技的前沿动向，结合监管要求与行内自身情况，不断优化行内数据治理工作的技术能力与运行效果，并通过制度流程加以固化，确保数据治理工作的持续发展。

数据治理制度体系的形成，是对银行整体制度体系的补充与完善。规范的制度体系是数据治理这棵参天大树生长的土壤与养分，在它的滋养下，数据治理的持续发展与深入便“有法可依，有章可循”。本文作为数据治理系列文章的第三期，探讨了如何通过建立制度体系，激活工作机制，推动数据治理体系的长效和良性运转，下一期我们将从考核体系的建立，数据管理奖惩机制的有效运行来进一步保障银行数据治理体系的落地运行。

数据治理十步法

以下文章来源于谈数据 ，作者石秀峰

1、找症状，明确目标

任何企业实施数据治理都不是为了治理数据而治理数据，其背后都是管理和业务目标的驱动。企业中普遍存在的数据质量问题有：数据不一致、数据重复、数据不准确、数据不完整、数据关系混乱、数据不及时等。

由于这些数据问题的存在对业务的开展和业务部门之间的沟通造成了较大的困扰，产生了很大的成本；各异构的系统中数据不一致，导致业务系统之间的应用集成无法开展；数据质量差无法支撑数据分析，分析结果与实际偏差较大。然而要实现数据驱动管理、数据驱动业务的目标，没有高质量的数据支撑是行不通的。

目标：企业实施数据治理的第一步，就是要明确数据治理的目标，理清数据治理的关键点。

技术工具：实地调研、高层访谈、组织架构图。

输入：企业数据战略规划，亟待解决的业务问题，经营发展需求，业务需求等；

输出：数据治理的初步沟通方案，项目任务书，工作计划表；

2、理数据，现状分析

针对企业数据治理所处的内外部环境，从组织、人员、流程、数据四个方面入手，进行数据治理现状的分析。

某企业数据治理痛点分析

组织方面：是否有专业的数据治理组织，是否明确岗位职责和分工。

人员方面：数据人才的资源配置情况，包括数据标准化人员、数据建模人员，数据分析人员，数据开发人员等，以及数据人才的占比情况。

流程方面：数据管理的现状，是否有归口管理部门，是否有数据管理的流程、流程各环节的数据控制情况等；

数据方面：梳理数据质量问题列表，例如：数据不一致问题，数据不完整，数据不准确、数据不真实、数据不及时、数据关系混乱，以及数据的隐私与安全问题等。

目标：分析企业数据管理和数据质量的现状，确定初步数据治理成熟度评估方案。

技术工具：实地访谈、调研表、数据质量问题评议表、关键数据识别方法论（例如：主数据特征识别法）；

输入：需求及现状调研表、访谈记录、数据样本、数据架构、数据管理制度和流程文件；

输出：数据问题列表、数据U/C矩阵、数据治理现状分析报告、数据治理评估方案；

3、数据治理成熟度评估

数据治理成熟度反映了组织进行数据治理所具备的条件和水平，包括元数据管理、数据质量管理、业务流程整合、主数据管理和信息生命周期管理。

CMMI DMM数据管理能力成熟度评估模型

数据治理成熟度评估是利用标准的成熟度评估工具结合行业最佳实践，针对企业的数据治理现状进行的客观评价和打分，找到企业数据治理的短板，以便制定切实可行的行动方案。数据治理成熟度结束后形成初步的行动方案，一般包括数据治理战略，数据治理指标，数据治理规则，数据治理权责。数据治理愿景和使命是数据治理的整体目标；数据治理指标定义了数据治理目标的衡量方法；数据治理规则和定义包括与数据相关的政策、标准、合规要求、业务规则和数据定义等；权利和职责规定了由谁来负责制订数据相关的决策、何时实施、如何实施，以及组织和个人在数据治理策略中该做什么。

目标：结合业界标准的数据治理成熟度模型，根据企业管理和业务需求进行数据治理成熟的评估，形成初步的数据治理策略和行动路线。

技术工具：数据治理评估模型，例如：DCMM，CMMI DMM，IBM数据治理成熟度评估模型等；

输入：第2步的输入以及数据治理评估模型、数据治理评估工具（评估指标、打分表等）；

输出：数据治理评估结果，数据治理策略，初步的行动方案；

4、数据质量问题根因分析

数据治理的目的是解决数据质量问题提升数据质量，从而为数据驱动的数字化企业提供源动力，而提到数据质量问题，做过BI、数仓的同学一定知道，这是一个技术和业务“经常打架”相互推诿的问题。

某企业数据问题根因分析鱼骨图

产生数据质量问题的原因有很多，有业务方面的、有管理方面的、也有技术方面的，按照80/20法则，80%的问题是由20%的原因造成起的。所以，如果能够解决这20%的问题，就能得到80%的改进。

目标：分析并找到数据质量问题产生的根本原因，制定行之有效的解决方案；

技术工具：头脑风暴、5W1H、SWOT、因果（鱼刺）图、帕拉图等；

输入：数据问题列表、数据U/C矩阵、数据治理现状分析报告、数据治理评估结果；

输出：数据质量评估结果、对业务的潜在影响和根本原因。

5、业务影响及实施优先级评估

通过数据治理成熟度评估，从组织、流程、制度、人员、技术等方面找到企业在数据治理的待提升的领域和环节，再通过数据质量根因分析找到数据质量问题发生的根本原因，进一步明确了数据治理的目标和内容。再接下来，就需要确定数据治理策略，定义数据治理的实施优先级。

某企业主数据治理实施优先级评估

不同的数据治理领域解决的是不同的问题，而数据治理的每个领域都有它的实施难点，对企业来说，需要从业务的影响程度，问题的紧急程度、实施的难易程度等多个维度进行分析和权衡，从而找到符合企业需求并满足企业发展的方案。

目标：确定数据治理核心领域和支撑体系的建设/实施优先级；

技术工具：四象限法则（分别从业务影响程度/实施难以程度，问题重要程度/问题紧急程度绘制优先级矩阵）、KANO模型

输入：数据治理成熟度能力评估结果、数据质量问题根因分析结果；

输出：数据治理实施优先级策略

6、制定数据治理行动路线和计划

路线图是使用特定技术方案帮助达到短期或者长期目标的计划，用于新产品、项目或技术领域的开发，是指应用简洁的图形、表格、文字等形式描述技术变化的步骤或技术相关环节之间的逻辑关系。路线图是一种目标计划，就是把未来计划要做的事列出来，直至达到某一个目标，就好像沿着地图路线一步一步找到终点一样，故称路线图。

某企业数据治理实施路线图

企业数据治理的实施路线图的制定是以企业数据战略——愿景和使命为纲领，以急用优先为原则，以分步实施为策略进行了整体设计和规划。实施路线图主要包含的内容：分几个阶段实施，每个阶段的目标、工作内容、时间节点要求、环境条件等。笔者观点：任何一个企业的数据治理都不是一蹴而就，一步到位的，需要循序渐进、持续优化！实施路线图就是基于此产生的，因此说数据治理实施路线图也是说服利益相关者支持的一个重要手段。

目标：确定数据治理的阶段以及每个阶段的目标；

技术工具：路线图法

输入：数据治理成熟度能力评估结果、业务影响及实施优先级评估结果；

输出：数据治理实施路线图或称阶段目标计划

7、制定数据治理详细实施方案

数据治理详细实施方案是用于指导主数据的各项实施工作，一般包括：数据治理核心领域、数据治理支撑体系、数据治理项目管理三个方面。

数据治理总体框架图

数据治理核心领域包括：数据架构、数据服务、元数据管理、数据质量管理、数据标准管理、主数据管理、数据安全管理、数据生命周期管理。

数据治理支撑体系包括：组织（组织架构、组织层次、岗位职责）、制度（管控模式、规章制度、考核机制）、流程（归口部门、管理流程、流程任务等）、技术（数据集成、数据清洗、数据开发、数据应用、数据运营、支撑平台、实施方案等）。

数据治理项目管理方案包括：项目组队、项目计划、质量保证计划、配置管理计划、培训和售后等。

关于数据治理的核心领域，详见笔者之前分享的数据治理框架解读系列文章。

关于数据治理的支撑体系，详见笔者之前分享的数据治理成功关键要素系列文章。

目标：基于数据质量根因分析、业务影响和实施优先级评估结果，制定详细实施方案；

输入：业务影响及实施优先级评估结果，行动路线和计划；

输出：数据治理详细实施方案。

8、数据治理实施过程控制

数据治理实施过程控制是对数据治理项目的范围控制、进度控制、质量控制和成本控制，通过对企业的各项资源的合理协调与利用，而达成的数据治理目标的各种措施。从项目管理的角度来讲也是项目管理的黄金三角：范围、时间、质量、成本。

任何项目的质量和进度是需要良好的项目管理来保证的，数据治理也一样。与传统的软件工程项目不同，数据治理项目有着范围边界模糊、影响范围广、短期难见效、实施周期长等特点：

①范围边界模糊，数据治理涉及到的关键领域如元数据管理、数据质量管理、数据标准管理、主数据管理等很多是存在交叉的，边界很难界定，例如：实施数据质量管理项目，会涉及元数据管理、数据标准管理等，同样一个元数据管理项目也会涉及数据标准和数据质量。

②影响范围广，数据治理的实施不是一个部门能够完成的，是需要从高级管理层、到各业务部门、信息部门通力协作，共同完成的；

③短期难见效，数据治理项目实施完成后，其数据治理的效果被每个业务点滴操作所“稀释”，并不像其他项目，例如BI，那样明显的体现出来，所以主导数据治理的部门会经常遭到质疑。

④实施周期长，在没有清晰的数据治理目标和范围约定的情况下，数据治理是一个“无底洞”。所以，在实施数据治理项目之前制定好实施路线图和详细的实施方案就显得格外重要（第6、7步）。

目标：通过对数据治理项目实施过程的进度控制、质量控制和成本控制以实现数据治理的目标；

技术工具：PP（项目计划）、PMC（项目控制）、IPM（集成项目管理）、RSKM（风险管理）——CMMI过程域；

输入：6-7步的输出：数据治理实施路线图，数据治理详细实施方案；

输出：各项项目控制措施，例如：项目计划、SOW、项目风险列表、项目报告、项目总结等；

9、监控评估数据治理实施效果

随着大数据技术的不断发展，应当从企业的全局数据治理环境的角度，明确数据治理关键技术运用及其标准规范，构建成效评估指标体系，进行治理效果评价；并运用数据治理能力成熟度模型再次评估，界定数据管理层次，从而使得跨系统、跨业务、跨部门的数据治理体系的建设与实施能够通过各方协作顺利进行，实现卓越数据治理，进而通过数据驱动业务、数据驱动管理和运营以实现企业的降本、增效、提质、创新。

某企业数据治理看板（数据已脱敏）

数据治理成效评估指标体系应根据企业及数据治理项目的实际情况制定，一般包括：时间性、数量性、完整性、准确性四个维度。

①时间性即数据的及时性。该维度主要通过源业务系统数据接入的上报及时性、接入及时性等方面进行核对。通过分析月指标、周指标、日指标的数据及时率，得出在规定时间和频度周期内接入系统的比例，以此反映数据接入及时性。

②数量性。该维度是从数据存量，数据增量，数据访问量，数据交换量、数据使用量等指标反映数据的使用情况，可以分为月度指标、周指标、日指标、时分指标等。

③准确性。这个维度主要由各类数据中逻辑的准确性、数据值的准确性、数据频段和字段之间的准确性以及数据的精度等内容组成。该准确率同样包括：月度、每周、每日等准确率指标。 

④完整性。此维度主要以单元维度完整性、数据业务维度组合完整性、索引值完整性等不同方面进行核对，是验证数据质量完整性的主要组成部分，包括月度指标、周指标、日指标数据的完整性等内容。 

目标：检验各项数据治理指标的落实情况，查漏补缺，夯实数据治理效果；

技术工具：数据治理效果的评价指标体系、各种数据图表工具；

输入：数据治理效果评估指标；

输出：数据治理评估的月报、周报、日报等；

10、数据治理持续改进

数据治理模式应业务化、常态化，不应是一个项目、“一阵风”的模式。

图片源自互联网

数据治理工作应向企业生产、销售业务一样作为一项重点的业务工作来开展，构建专业的数据治理组织，设置合适的岗位权责，建立相应的管理流程和制度，让数据标准贯彻到每个业务环节，形成一种常态的工作。在笔者看来，在数据源头加强企业数据的治理，让常态化治理成为日常业务，才能从根本上彻底解决企业数据质量的各种问题，让数据真正转化为企业资产，以实现数据驱动流程优化、数据驱动业务创新、数据驱动管理决策的目标。

目标：数据治理常态化，持续提升数据质量，驱动流程优化和管理创新。

输入：持续的、规范的、标准的各项业务操作；数据治理监控的各项指标和报告；

输出：持续输出的高质量的数据；

博主观点：原理大家都懂，实践时困难重重。在专家的指导下，应用适当的工具可让理论转化为现实。华矩科技，专业的数据治理服务与技术提供商。