目前企业数字化转型基本上大部分还集中在信息化系统建设的阶段，信息化系统大致上分为管理系统（ERP、MES与PDM等）与工具型（CAD、CAE、CAM等）系统，管理系统重点的应用对象是管理层，解决的核心问题在于上下游数据不通畅等问题，而管理系统的核心作用也在于数据的共享与可视，目前管理系统的数据来源基本上以人工操作录入为主，但是随着传感器、移动端等数采方式愈发成熟，人工录入的情况会逐渐减少，甚至我们可以大胆预言：管理信息化系统的未来归宿将会是流程梳理与数据治理，流程梳理带有一些当局者迷旁观者清的味道，同时扮演着业务咨询与暴露问题的作用（许多问题内部不是不知道，而是不方便发言），而数据治理作为后IT系统的重点方向其位置也会愈发重要；再加上信息系统越来越多，大数据的概念也频频被提起，从而带动了数据治理、数据管控、数据中心等多方位的词汇萦绕在耳边，，那么究竟什么是数据治理？目前包含哪些内容？以及是如何落定应用的？
概念先行（who）
与其说数据治理是一种IT项目更不如说是一种管理体系，这一体系的目的是整合IT与业务部门的知识与意见，通过类似于监督委员会或者项目小组的虚拟组织对企业信息化建设进行全方位的监管，这一组织的基础是企业高管层的授权和业务部门、IT部门的建合作。从范围上将，数据治理涵盖了前段事务处理系统、后端业务数据库到终端的数据分析，从源头到终端再回到源头的一个闭环。从目的来讲，数据治理就是要对数据的获取、处理以及使用进行监督。
大致上数据治理包含三个部分：平台支撑、管理机制与应用服务，平台是企业级的数据整合平台，具备规整、及时分发等特性，而管理则是通过数据语义定义、业务标准规定、编码规则定义等方面给数据治理提供保障，而应用是一个逐渐迭代的过程，因为拥有了数据之后，数据应用是可以进行无限拓展的，而且与当前的业务需求与技术强关联，比如之前只能做企业级业务数据查询，而之后可以数据挖掘、设备预测性维护等，也就是说应用是对数据治理结果的一种正向反馈。
解决的问题（why）
· 缺乏统一数据标准：
由于企业ERP、MES与PDM等等各个系统实施厂商不同，除了造成企业内部信息孤岛、信息系统烟囱式建设，而且也造成数据缺乏统一标准，企业管理层面看不到整体业务情况，只能在ERP中看财务状况、MES中查看废品原因、PDM中查看设计缺陷等，由于系统间的数据无法通过一条业务主线进行串联，造成数据只能被割裂开来看，无法展示其全貌。而且由于企业数据散落在各个业务系统中（数据私有化严重），没有通过统一标准进行有效整合，形成竖井式架构，造成多个信息孤岛，就企业整体来讲缺少一个稳定的、抗源变化的保持相对比较细致的历史数据的数据层，用于支撑未来共享性、企业级应用。
· 数据缺少有效管理
数据标准管控体系缺失，每个系统数据输入相对比较随意（重复录入、数据不一致），造成企业内部领导看到的数据相互冲突或矛盾，整个企业数据看起来多但是质量相对比较差，数据应用难度极大。而且由于缺少整体的标准、流程约束，新的系统开发仍然我行我素按照自己的规则进行定义开发，造成企业历史数据问题越累越多。
· 数据量大但是质量堪忧
整个企业没有归纳并总结数据质量问题，缺少反馈机制，导致长期存在各类数据质量问题，如指标难以共享、数据不一致、关键业务数据缺失、源系统校验关系缺失及业务人员录入相对随意。
所以综上所述，随着业务的不断发展和信息化系统的不断深入，建设的业务系统越来越多，随着业务系统的数据种类、数据来源不断丰富完善，数据量的不断增大，如果不在企业级采取有效手段解决竖井式架构、数据标准及数据质量问题，随着信息化建设的深入，只能在单点业务上进行深化或者优化，但是无法形成企业级、平台级应用。
数据治理包含的内容（what）
数据治理并不是某一个系统应用，而是一个以系统工具为支撑、管理机制为基础的体系性工作，也就说数据治理虽然属于IT范畴之内，但是如果不建设任何信息化系统或者没有任何信息化基础的企业可以做数据治理吗？答案是肯定的，只是单纯依靠Word式的规定或者Excel式的标准很难推广下去；如果一个企业没有任何信息化系统也可以做数据治理，只是数据治理对于他的应用并不大，比如下班吃饭五分钟的路程可以用汽车吗？当然可以，只是没有路程是五十分钟的人员解决的痛点突出而已。
虽然说数据治理一个类似于方法论式的系统工程，但是就目前大部分的数据治理项目来讲，其落地大致包含了包括元数据、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、数据安全等内容，但是包含的内容也并不完全一致，比如部分企业以MES系统为支持完成生产指挥中心，也就是将生产主题作为为切入点；部分企业以某一个业务系统内的数据整合为切入点，重点完成系统内的数据治理，基本上数据治理的切入点分为：整体规划模式、面向业务分析模式、数据整合平台模式、大型应用建设模式、数据管理平台和工具模式等，如下图所示。
虽然切入点不同，包含的内容也不尽相同，但是数据治理无非是对于企业级数据、某个业务主题数据、某系统数据等不同定位的业务数据进行有效管控，而且目前主流的数据管理方式是以元数据为核心的梳理，所以建设内容基本上也是在元数据、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、数据安全等不同方面进行自由组合，只是面向的数据范围不同而已。
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。目前数据治理的梳理方式基本上都是以元数据为基础的，通过定义数据的属性、大小、符号等内容去定义数据本身。
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。
数据治理如何落地（how）
通过元数据、数据模型、主数据、数据集成、数据安全等几个维度坚实数据管理的各项内容，同时通过数据管理工具提升数据管理的自动化水平（当然并不排除某硬汉企业Excel式的数据管控方式），最终促进数据在企业级或者业务级实现共享、可视、挖掘分析等各类应用。
第一步数据治理组织机制：
由于数据治理是一项企业级的系统工程，甚至数据管理机制的合理、可操作性大于工具的作用，而数据治理又是一项需要各个业务部门配合甚至打破现有利益分配的一项工作，所以数据治理机制的的组织方式决定其成败。
信息化系统许多都是一把手工程，但是由于组织的划分现在许多职责都是由信息化部门来承担，而在信息化系统建设过程中如果一旦生产部门提出这个系统影响了自己的生产，以生产为王的制造型企业哪怕是一把手也不敢承担这样的责任，这也是许多信息化项目无疾而终的原因。而数据治理又是一项企业级的项目，其影响力可以与ERP系统相媲美，所以站在项目成功的角度出发，还是建议以某个系统的数据梳理或者某个业务主题为切入点。
第二步数据管理专题：
由于数据治理是一项类似于玄学的项目类型，但是项目总要有其落地的方式，常规的数据治理项目一般会在数据标准、数据模型、元数据、数据质量等方向进行阐述与落地，本阶段是带有一些咨询性质的项目，比较考验项目组经验与业务积累。
第三步管理工具开发：
之前我们也提到过，即使没有IT工具的支撑也能够完成数据治理，但是为了实现数据自动分发、数据变更审核等工作，也需要开发一部分IT工具，而且更重要的是企业的数据治理工作需要一些可见的成果，比如数据可视、质量追溯等。由于数据治理相关的工具基本上都属于应用范畴相对较窄，而且更新相对较快，所以建议是以统一平台为基础的微服务为主。
综合来讲，数据治理是一项复杂的系统工程，与其说是一项IT项目，倒不如说一项IT项目与咨询项目结合的项目类型，而且咨询的比重占比相对较大，对于企业内部的业务影响不大但是范围比较广，很可能会调整人员固有的工作方式，比如编码方式、数据维护者，所以该类项目一般牵涉甚广，还是建议以某个主题（如质量、生产）为切入点进行数据治理，然后再拓展到企业级的数据管控与治理，否则项目开始定位为企业级的数据治理项目夭折率非常高。
联系客服
