关于数据治理，现在可以搜到很多的文章和资料，在研究了众多文章之后，发现大多数的文章常见大而全的框架图，方案上搭平台、建架构；案例上都是华为、阿里等头部企业。但是，大多数企业都不具备去实现这些复杂架构的基础条件，比如架构丰富度、数据基础能力、人才储备、内部流程完善度等。

本文作者在互联网领域数据板块工作近十年中，长期作为数据治理项目的核心成员，对于数据治理的策略和执行效果有比较深刻的体会。同时在观远数据接触了比较多的传统行业头部企业、中小企业、新锐品牌等，发现中小企业有不一样的数据治理方法。针对数据化建设1~5年、专职数据团队小于20人的企业，怎么做好数据治理，是本文将要解答的问题。

内容目录：

01. 数据治理的价值

02. 数据治理的内容

03. 怎么做数据治理

04. 总结中小企业和头部企业做数据治理的区别

05. 常见的坑有哪些

01. 数据治理的价值

为什么要做数据治理，数据治理解决的是什么问题？价值是什么？首先我们需要解决跟老板汇报的问题。

很多企业的CIO或者BI负责人意识到需要做数据治理时，常见是由于出现了指标乱、页面多、任务杂、权限管理不规范等问题，同时还可能伴随性能问题，比如页面卡顿，加载时间长等等。如果解决这些问题相对简单，就不用上升到价值输出层面。但是如果问题严重到需要撬动高层资源去形成一个项目，就需要有更多的价值呈现。

在对很多企业数据治理的痛点与最终创造的价值进行收集整理后，我们从四个层面总结了数据治理的价值，供大家参考：

一、信息价值。数据系统的基本使用保障，避免高层或者业务方需要看业务指标时无法看数，无法做出运营决策。或者一个指标在不同地方出现不一样的结果，口径、范围等不对齐导致的内部信息传递异常。

二、风险控制。规范的权限控制，对不同部门、不同层级的员工进行精准和一致的页面、数据表、任务权限管控，在保障必要的看数需求的同时，也避免数据泄露，满足内部风控部门要求。

三、成本控制。出现服务器性能瓶颈，最快速有效的方式就是服务器扩容，但扩容有成本，大多数企业都不能接受无限制的扩容，数据治理本身也是在做服务器的成本管控。

四、业务价值。数据治理最大的价值所在。我们发现如果一个企业的数据开发都在IT/数据部门时，往往不会存在数据乱、需要治理的情况。需要治理的情况很多都出现在开发能力往业务团队渗透的阶段，也叫业务推广期或者业务自助分析期。这个阶段不只释放了数据部门同学的人力，也是数据价值飞跃的阶段，业务同学会全面基于数据结论来指导运营决策，甚至去自发地基于自己的业务问题，做更多的数据探索和深度挖掘。在这个阶段做数据治理，保障数据的稳定和规范化的使用，本身就是在极大程度地创造数据的业务价值。

02. 数据治理的内容

业内比较认可的数据治理内容可以参考DAMA(国际数据管理协会)发布的车轮图和DMBOK金字塔：

图示2：DAMA车轮图

图示3：DMBOK金字塔

但是DAMA车轮图与DMBOK金字塔中的内容对于中小企业而言，既有内容和习惯上的不匹配，又有实际执行中的不够具象。观远数据的建议是重点从五个方面来做：数据表，任务，报表，指标，权限。当然企业实际执行需要考虑当下面临的问题来做选取和新增。

具体需要做的内容可以参考下表：

白皮书梳理了规模化企业对于“企业级BI”能力的要求，建设性地提出了企业级BI“五力模型”，为规模型企业提供新的BI建设思路与可落地的BI选择方法论，以及世界500强股份制银行、万店饮品连锁品牌、头部互联网公司在内的各行业规模型企业的实践分析。

03. 怎么做数据治理

“怎么做数据治理”这个问题的内核，其实涵盖着多个层面的问题，包括“什么时候开始做”“什么人做”“做到什么程度”“做多久”“如何考核效果”“用什么做”等等，下面我们就来逐个寻找答案：

3.1. 什么时候开始做数据治理最合适？

有两个比较好的时间节点适合开始做数据治理。

第一个是在S2渗透期，这个阶段数据内容持续增长以及数据建设的标准规范尚未建立，很容易造成各种数据资产混乱。同时在跟不少企业交流中有个共同结论：在前期有高段位的数据建设者时，提前重视规范化，后续会少走很多弯路。

第二个值得关注的时期是S4阶段开始之前或者S4的初期，在内容生产爆发之前做好规则设置、培训课程、监控机制、责任人设定等，让大家有统一的行为和规范化意识，也可以少走很多弯路。

总结一下，数据治理不要在大规模出现问题之后，应该是在爆发之前做好准备，“治”不如“防”。

头部企业大多数已到S4~S6阶段，进入了数据治理的常态化阶段，已经不存在“防”的说法，但是对于中小企业来说，抓住S2的规则空白期做规则建设，以及S4的爆发前做好用户教育，收益会非常大。

3.2. 数据治理需要哪些人来做？

这也与数据化建设的阶段发展相关。

在S2阶段做数据治理时，数据内容的生产100%来源于IT/数据团队，这个阶段的数据治理由IT/数据部门的人来负责。跟多个企业沟通下来，这个阶段的数据治理，限部门内部，相对容易完成。

真正有挑战的，是S4阶段的数据治理，这个时候内容生产者扩大到了业务部门，技术部门与业务部门由于能力差异与认知鸿沟，在数据治理的协作上往往会面临巨大挑战。当然，也存在部分企业内部技术部门和业务部门协作紧密，或业务部门具有较高的技术素质易于双方沟通，数据治理工作推动顺利的情况。因此，我们可以将这个阶段实际数据治理的类型总结为三类，每一类对应的协作方与合作方式如下：

一般来讲，对于中小企业，在企业数据化建设的早期，或者部门之间的关系非常融洽时，往往前面两种方式就能很好地做好数据治理。而当企业比较庞大，或者内部部门之间关系比较复杂时，往往都需要通过第三种方式。

对于最为复杂的第三种方式，我们要关注到在其中起到非常关键作用的两类人：

3.3. 数据治理具体怎么做？

首先需要理解数据治理的本质是什么。当很多认知和行为模式不一样的数据生产者同时在生产数据内容时，就会产生混乱的结果，这个也叫熵增。数据治理的本质，就是减熵，翻译成大家都听得懂的话，就是需要做规范化，或者叫标准化。而做标准化，又分为标准化的设计、标准化的执行两个方面。

标准化的设计可以有很多方向，这里大概列一下比较通用的标准化设计的方向，仅供参考：

① 数据表标准化

大多数企业发展到一定阶段都会做数仓的建设，数仓建设本身就是对数据表进行规范化设计和管理。即使没有数仓，我们也可以简单地从以下两个方面来做数据表的标准化管理：

② 任务标准化

sql或者etl任务，在执行过程中的读写操作，是性能消耗的最大影响点，同时也决定了数据表数量和数据量的生成速度。任务的标准化对于数据治理而言重要性非常高，可以考虑从以下三个方向：

③ 报表页面标准化

报表在企业内会被大规模使用，核心报告也在被高层关注，对报告的标准化管理，能很直观地体现数据治理效果：

④ 指标标准化

在数据治理中，指标的问题是看似简单但往往是问题最大的一类。我们常见的指标混乱问题，包括同样的指标多口径共存，口径范围不清晰，规则不清晰，逻辑不严谨等等问题，均需要做标准化处理：

⑤ 权限管理标准化

需要对指标、数据表等进行机密性分层，以及按不同部门不同层级的成员进行权限的划分，同时需要跟高层协商审批的规范，包含系统or邮件申请，不同类型申请对应的审核人。容易忽视的一点是，报表的权限和数据表的权限之间，需要保持权限的统一。

任何阶段的数据治理，标准化建设都是必不可少。中小企业对于这块容易忽视，在跑得快的过程中没有及时将规则制定清晰，会为以后留下不少坑。

在做好标准化的设计后，下一步标准化的执行，难度会大很多，需要的是做一系列的流程建设，为标准化落实下去保驾护航，方向包含以下几点：

3.4. 数据治理究竟需要做成什么样？以及做多久？

数据治理是重要项目，但是在企业内部却不一定是最重要的项目。投入人力也很容易碰到边际效应，因此也需要考虑投入产出。我们需要做的其实就是抓头部、抓重点，针对核心有问题的个人进行专场的培训和案例分析，能解决很大一部分问题。

同时，数据治理是一件长期的事情，前期可能有较多的例会和讨论，中后期会逐渐趋于稳定和平淡化，但依然需要有专人长期对这个事情负责，对数据系统健康度保持关注，做风险同步和及时止损。

3.5. 数据治理专项的关键指标有哪些？怎么考核？

①  常用监控指标

②  考核指标

一般没有特别通用的考核指标，主要看各个企业当下最核心的痛点是什么。比较常见的考核项是上述的“资源利用率”和“报表页面加载时间”。

3.6. 可以用哪些工具帮助到数据治理？

借助工具能辅助项目团队更高效地完成数据治理任务，尤其是对于技术团队。往往项目内需要的工具包括如下两类功能：

①  资源管控类

②  监控和报警类

精炼好用的工具才会对项目有帮助，过多的工具反而会让大家用不起来。熟悉观远数据产品的同学一定能感受到，观远数据一站式智能分析平台自带的「云巡检」功能其实能很好的帮助企业做好数据治理，并且本身的管理员配置界面中也有强大的资源管理和权限管理功能，让数据治理更加规范化、标准化。

04. 常见的坑有哪些

1. 认为是个技术问题。实际上，应该把数据治理当作一个管理问题，项目中真正难的，是部门间协同以及认知统一。

2. 认为是技术部门的事。看主要问题产生的根源在哪里。如果在S4阶段，那么技术部门和业务部门都是需要关注的。

3. 过度开发工具。在开发工具上投入过大，过度依赖工具，导致治理效率低下，实际上工具够用就行。

4. 建立机制但是执行不下去。机制好建立，但是真正能高效是机制的落地执行和行为闭环，需要从上往下驱动。

5. 短期达成目标后便忽视。这是一个长期的事情，需要长期投入人力做监控和预警，以及问题反馈和培训。

6. 过度投入。其实处理好最头部的有问题的任务或培训好相关人员，数据治理就会有一个比较明显的进展，项目不宜投入过大。