什么是数据治理？
在近期一场网络研讨会中，微软数据科学家 Aaren Stubberfield 介绍了数据治理如何支持可扩展的数据科学，并首先回答了“数据治理是什么”这一基础问题。
根据数据管理协会（DAMA）的定义，数据治理是对数据资产管理进行权威和管控（规划、监控与执行）的活动。
(1) 规划：制定数据集需遵循的规则（例如日期字段的格式标准化，如 YYYY-MM-DD）
(2) 监控：衡量对规划阶段所定义规则的合规情况（例如跟踪“日期”字段缺失值的百分比）
(3) 执行：在数据规则被违反时采取补救措施（例如发现社会安全号码等关键数据字段存在重大差异时立即采取纠正行动）
虽然存在不同的数据治理框架，但都围绕相同的关键要素展开：人员（如负责监督数据治理项目的数据管理员和相关方）、流程（即数据政策与流程，构成数据集需遵循的规则）、相关数据集，以及工具（即支持政策监控与执行的技术与基础设施）。
为什么数据治理很重要？
要让数据作为战略资产发挥作用，必须通过正式流程与问责机制确保其合规、洁净且可访问。数据治理的目的在于建立方法、流程与职责，使组织能够确保数据的质量、合规性与可用性。
数据质量对于推动数据科学的普及至关重要，因为全组织对数据的信任至关重要。正如消费者不会购买或使用他们不信任的零售商的产品一样，如果业务相关方与数据从业者对数据（或由数据得出的洞见）缺乏信任，他们也会对将其用于决策持谨慎态度。
归根结底，最成功的企业是那些能够将数据作为可信资产进行有效管理，并将一流的数据科学能力与一流的数据质量相结合的企业。
高质量数据应具备什么特征？
数据治理项目能够确保数据质量的可扩展性与可维护性，但究竟什么才是高质量数据？Atlan用以下七个特征进行了精炼总结：
- 准确
- 可用且可访问
- 完整
- 相关且可靠
- 及时
- 具备合适的粒度
- 有助于决策
数据治理有哪些益处？
如果正确实施，稳健的数据治理框架可为公司带来多方面的重要收益：
-
通用数据语言——围绕度量与数据集形成的通用表述，打造组织内易于使用与理解的通用数据语言与一致术语。
-
提升对数据质量的信心——良好数据治理带来的数据质量提升，促进对数据及其相应文档的信任，从而在决策时更充分地利用数据。
-
提高数据可复用性——数据治理推动全企业范围的数据标准化与映射。这通过在不同业务单元与多样化场景中复用数据，大幅提升效率。
-
更完善的数据管理机制——集中化控制机制确立围绕数据使用的明确政策与规则，指导最佳实践与行为准则。这样既能为合规与安全等关键领域提供全局视角，实现一致管理，也能降低整体数据管理成本。
-
可扩展的合规能力——强有力的数据治理项目确保组织在如何妥善管理个人数据隐私与机密性方面，持续符合法规要求（如《加州消费者隐私法》（CCPA）与《通用数据保护条例》（GDPR））。
-
单一真实来源（Single Source of Truth）——数据治理促进不同数据源的整合，打破数据孤岛。这为客户画像（或其他关键实体的画像）建立一致且完整的单一真实来源，业务相关方据此能达成共识，做出更好的协同决策。
-
数据民主化带来的更高敏捷性——良好治理所创造的高质量数据，使非技术部门也能便捷地将其用于业务目标。数据民主化由此借助自助分析，提升各业务单元的敏捷性。
所有这些收益将进一步帮助企业通过提升效率来降低成本，通过审慎用数来降低风险，遵守数据法规，并通过持续的以数据驱动的决策最大化业务绩效。
如何将数据治理落地运营？
一项毕马威（KPMG）研究提到，仅有 35% 的数据负责人信任他们的数据；而Gartner 的一项调查显示，高达 42% 的数据负责人并未评估或监控其公司的数据治理结构。
这表明许多组织在数据质量建设上仍然滞后。在研讨会上，Aaren 提出了多项最佳实践，帮助组织开启将数据治理运营化的路径。
-
从合适的人开始——成功的数据治理建立在合适人选设定的议程之上。重要的是先招募优秀人才与关键利益相关者，组建推动数据治理实施的核心团队。
-
跟踪您的度量指标——需要从一开始就识别并监控数据质量指标，以跟踪数据治理体系的进展与价值。例如，数据词汇表完成度的百分比，联系方式完整、有效且准确的比例等。
-
沟通为先——数据治理项目获得持续支持与赞助，依赖于将其成功、挫折与进展频繁且建设性地传达给关键业务相关方。
-
着眼长期——实施数据治理项目是一项需要持续投入的长期投资。因此，应将数据治理的运营化定位为持续改进的迭代过程，而非临时举措。
-
投资数据治理工具——与日俱增的数据量使得以人工方式开展数据治理活动不再可能。此时，数据治理工具成为关键使能者，推动治理运营与数据管理工作的自动化。
-
避免从零开始——已有大量资源记录了成功用例、框架与有效数据治理示例，无需从零起步。例如，DAMA、EDM Council 与 PwC 都提供了可供组织借鉴与改造的框架。
全面数据治理框架示例 | 来源：普华永道（PwC）
构建商业论证
为推动长期变革并获得管理层对数据治理举措的支持，重要的是向相关方呈现有力的商业论证，以维持强有力的高层支持。可先识别由于数据质量低下而引发的痛点。例如，不完整的客户联系方式可能导致大量销售机会流失。
在此基础上，可以清晰突出并传达通过数据治理改进数据质量所带来的业务收益（如营收增长、客户体验提升等）。
数据技能推动成功的数据治理
一项波士顿咨询（BCG）研究显示，超过 60% 的公司将其数据治理能力评为“尚未成熟”，导致无法在业务中充分利用高级分析。这说明在成功实施数据治理方面存在诸多挑战，包括数据管理员代表性不足、数据治理要素的所有权不一致，以及组织层面的优先级较低。
这些挑战的共同点在于，组织中的人是推动变革的核心。要实现数据治理目标，必须让组织中的人员具备处理相关治理任务所需的正确技能。为实现成功的数据治理，组织应着力提升员工的多元数据技能，从数据素养，到数据清洗与探索等。
归根结底，数据治理是一项团队协作，建立在全企业通用的数据语言之上。
什么是数据治理？
在近期一场网络研讨会中，微软数据科学家 Aaren Stubberfield 介绍了数据治理如何支持可扩展的数据科学，并首先回答了“数据治理是什么”这一基础问题。
根据数据管理协会（DAMA）的定义，数据治理是对数据资产管理进行权威和管控（规划、监控与执行）的活动。
(1) 规划：制定数据集需遵循的规则（例如日期字段的格式标准化，如 YYYY-MM-DD）
(2) 监控：衡量对规划阶段所定义规则的合规情况（例如跟踪“日期”字段缺失值的百分比）
(3) 执行：在数据规则被违反时采取补救措施（例如发现社会安全号码等关键数据字段存在重大差异时立即采取纠正行动）
虽然存在不同的数据治理框架，但都围绕相同的关键要素展开：人员（如负责监督数据治理项目的数据管理员和相关方）、流程（即数据政策与流程，构成数据集需遵循的规则）、相关数据集，以及工具（即支持政策监控与执行的技术与基础设施）。
为什么数据治理很重要？
要让数据作为战略资产发挥作用，必须通过正式流程与问责机制确保其合规、洁净且可访问。数据治理的目的在于建立方法、流程与职责，使组织能够确保数据的质量、合规性与可用性。
数据质量对于推动数据科学的普及至关重要，因为全组织对数据的信任至关重要。正如消费者不会购买或使用他们不信任的零售商的产品一样，如果业务相关方与数据从业者对数据（或由数据得出的洞见）缺乏信任，他们也会对将其用于决策持谨慎态度。
归根结底，最成功的企业是那些能够将数据作为可信资产进行有效管理，并将一流的数据科学能力与一流的数据质量相结合的企业。
高质量数据应具备什么特征？
数据治理项目能够确保数据质量的可扩展性与可维护性，但究竟什么才是高质量数据？Atlan用以下七个特征进行了精炼总结：
数据治理有哪些益处？
如果正确实施，稳健的数据治理框架可为公司带来多方面的重要收益：
通用数据语言——围绕度量与数据集形成的通用表述，打造组织内易于使用与理解的通用数据语言与一致术语。
提升对数据质量的信心——良好数据治理带来的数据质量提升，促进对数据及其相应文档的信任，从而在决策时更充分地利用数据。
提高数据可复用性——数据治理推动全企业范围的数据标准化与映射。这通过在不同业务单元与多样化场景中复用数据，大幅提升效率。
更完善的数据管理机制——集中化控制机制确立围绕数据使用的明确政策与规则，指导最佳实践与行为准则。这样既能为合规与安全等关键领域提供全局视角，实现一致管理，也能降低整体数据管理成本。
可扩展的合规能力——强有力的数据治理项目确保组织在如何妥善管理个人数据隐私与机密性方面，持续符合法规要求（如《加州消费者隐私法》（CCPA）与《通用数据保护条例》（GDPR））。
单一真实来源（Single Source of Truth）——数据治理促进不同数据源的整合，打破数据孤岛。这为客户画像（或其他关键实体的画像）建立一致且完整的单一真实来源，业务相关方据此能达成共识，做出更好的协同决策。
数据民主化带来的更高敏捷性——良好治理所创造的高质量数据，使非技术部门也能便捷地将其用于业务目标。数据民主化由此借助自助分析，提升各业务单元的敏捷性。
所有这些收益将进一步帮助企业通过提升效率来降低成本，通过审慎用数来降低风险，遵守数据法规，并通过持续的以数据驱动的决策最大化业务绩效。
如何将数据治理落地运营？
一项毕马威（KPMG）研究提到，仅有 35% 的数据负责人信任他们的数据；而Gartner 的一项调查显示，高达 42% 的数据负责人并未评估或监控其公司的数据治理结构。
这表明许多组织在数据质量建设上仍然滞后。在研讨会上，Aaren 提出了多项最佳实践，帮助组织开启将数据治理运营化的路径。
从合适的人开始——成功的数据治理建立在合适人选设定的议程之上。重要的是先招募优秀人才与关键利益相关者，组建推动数据治理实施的核心团队。
跟踪您的度量指标——需要从一开始就识别并监控数据质量指标，以跟踪数据治理体系的进展与价值。例如，数据词汇表完成度的百分比，联系方式完整、有效且准确的比例等。
沟通为先——数据治理项目获得持续支持与赞助，依赖于将其成功、挫折与进展频繁且建设性地传达给关键业务相关方。
着眼长期——实施数据治理项目是一项需要持续投入的长期投资。因此，应将数据治理的运营化定位为持续改进的迭代过程，而非临时举措。
投资数据治理工具——与日俱增的数据量使得以人工方式开展数据治理活动不再可能。此时，数据治理工具成为关键使能者，推动治理运营与数据管理工作的自动化。
避免从零开始——已有大量资源记录了成功用例、框架与有效数据治理示例，无需从零起步。例如，DAMA、EDM Council 与 PwC 都提供了可供组织借鉴与改造的框架。
全面数据治理框架示例 | 来源：普华永道（PwC）
构建商业论证
为推动长期变革并获得管理层对数据治理举措的支持，重要的是向相关方呈现有力的商业论证，以维持强有力的高层支持。可先识别由于数据质量低下而引发的痛点。例如，不完整的客户联系方式可能导致大量销售机会流失。
在此基础上，可以清晰突出并传达通过数据治理改进数据质量所带来的业务收益（如营收增长、客户体验提升等）。
数据技能推动成功的数据治理
一项波士顿咨询（BCG）研究显示，超过 60% 的公司将其数据治理能力评为“尚未成熟”，导致无法在业务中充分利用高级分析。这说明在成功实施数据治理方面存在诸多挑战，包括数据管理员代表性不足、数据治理要素的所有权不一致，以及组织层面的优先级较低。
这些挑战的共同点在于，组织中的人是推动变革的核心。要实现数据治理目标，必须让组织中的人员具备处理相关治理任务所需的正确技能。为实现成功的数据治理，组织应着力提升员工的多元数据技能，从数据素养，到数据清洗与探索等。
归根结底，数据治理是一项团队协作，建立在全企业通用的数据语言之上。