李然辉-数据价值释放的基础：数据治理

数字经济时代，随着大数据平台和工业互联网兴起，数据正在冲击着各个行业，并创造出了巨大的价值，如何更好地利用数据也已经成为企业数字化转型的关键，越来越多的公司将数据作为公司的资产。面对庞大的数据资产，企业如何进行数据治理？2月16日晚，“这就是数字化”——数字化百家讲堂第一季第23期课程中，某大型互联网企业数据资产管理负责人李然辉从数据图谱、数据成本治理、数据质量、数据治理自动化&智能化等多个角度分享了数据治理作为数据价值释放的基础对于企业的重要性和未来发展的趋势。

 

 

什么是数据治理？

 

• 发展演进历史

 

数据治理当下有很多种说法，还未能实现一个统一的定义。具有代表性的有国际数据管理协会（DAMA）、国际数据治理研究所（DGI）、ISO和GBT，其中DAMA的定义最具权威性。李然辉先生认为数据治理是化解数据矛盾的方法，是一个方法论，其目的是化解数据矛盾。

 

由于矛盾是普遍存在的，数据的世界也有很多的矛盾。市场是变幻莫测的，为了更加灵活应变，往往会造成数据质量的很多问题。化解这些矛盾就是数据治理存在的价值。

 

2.数据治理与数据管理

数据治理是确保数据被正确的管理，主要是规定做什么和谁来做，它的验收标准是什么样；数据管理是确保如何做，才能够符合数据治理的标准。两者职能从规划、设计、管理、运营等方面截然不同。

 

数据治理与整个信息化发展的过程同步发展。从诺兰模型可以看出，数据治理期与数据管理期都处于整个信息技术时代的后期，同时也与企业的信息化发展过程较为吻合。

 

2020年开始随着数字化时代来临，IT需要和战略和业务结合管控去进行融合，由数据驱动业务，在这过程中，数据治理被提到了崭新的高度，数据管理的演进也从无管理意识到被动的救火式，发展到主动的防范风险，最后能够在一定程度上行使预测，便于提前进行治理，预防大于治疗，当前已达到了比较高级的阶段。

3.内容和外延

数据治理是数据管理的核心，数据管理与数据治理是包含关系，数据管理也是数据资产管理的基础，在数据管理好的基础上，可以把数据通过资产的角度进行额外管理。

 

数据治理包括数据战略、组织、政策标准、项目管理、问题管理，它是指导着数据管理的一些具体的内容，数据管理要满足数据治理的要求，还要从数据架构、数据建模、设计、数据存储操作、数据安全属于提升共享等等方面来进行管理。

数据资产管理逐渐成为近年来的热点话题，在此基础上进行的数据资产盘点、数据资产目录、数据成本管理、数据资产确权、数据资产价值评估、数据资产运营等都属于数据资产管理的范畴，这些便是数据治理的内涵和外延。

4.数据治理现状

企业广泛比较重视的是数据仓库 BI和数据安全。在数据生产管理方面可以看到包括数据变现，企业在进行数据管理体系建设的时需要经历4个阶段，第一个阶段是购买存储间隔数据中心，将数据集中起来，随即开始第二阶段的数据整合，进行数据架构设计与提升数据质量，通过原数据更方便的查找数据。由于数据质量不同导致部分问题依然难以解决时则会开启第三阶段，建立数据治理体系，包括加强数据主数据和参考数据的管理，打造黄金数据源，更好的去融合数据。最后阶段则是把数据进行更好的分析挖掘，发挥更大价值。数字化转型必须依靠数据，数据一系列的冲突或矛盾必须依靠数据治理才能够解决。

当下，数据已经成为了一种生产要素，数据资产的概念也已经逐渐被接受，数据是有价值的，它能够为提升客户体验做出更好的决策，更多的业务创新等方面均可以发挥它的价值。同时，企业慢慢开始重视数据管理或者数据治理，但是并不是每一个企业都能够管好数据，用好数据。因为还面临着缺数据、学技术、学人才等等这些问题。

企业为何要做数据治理

• 什么样的企业发展中需要数据治理

数据治理的价值可以包括4个方面，一是企业高效运营管理，通过数据的治理，能够提供高质量的数据，更好的去进行领导决策，然后去发现商机，能够降低 IT的建设成本和运维成本。

二是业务管理创新，有助于业务流程的改进，资源配置的优化，提高业务及管理能力。高质量的数据是商业智能的基础，准确的分析数据有助于做出正确的业务及管理创新。

三是合规监管要求，SOX法案等促使企业把数据治理上升到公司治理的高度数据治理增强与政府法规和行业标准的一致性。

四是企业风险管理，风险控制的应用受制于信息资源的规模和质量，资产分类的准确性有助于减风险。

• 数据治理的成果

数据图谱相当于数据的知识图谱，它解决了数据的可知和可信的问题。数据的来源，它的定义等等这些信息，可以通过图谱全方位的学习了解，通过 AI技术与知识图谱等技术，可以把每一个数据相关的信息和知识都沉淀在图谱中，全方位了解数据的利弊，并在使用数据时，可以快速查找数据、明确数据信息、数据口径、计算逻辑、血缘关系等，对数据准备和数据探查阶段提供帮助。

在数据质量方面，通过在数据整个价值链的各个环节设置相应的监控，制定相关的规范，确保数据可信度，使数据质量得到保障。

数据资产价值评估方面，只有可被评估才的数据才能称之为资产，在这一世界性难题中，我国已经走在了世界的前列，并在企业内部进行了理论研究和实践探索，对数据通过不同方法进行价值评估，实现对数据资产的科学评定，在此基础上对数据资产的识别和区别的管理和运营也提供了良性指导。

 

数据治理的未来

数据资产的管理

数据资产管理包含数据治理、数据管理与数据服务，数据最终目的为对外提供服务，数据的服务化已成为趋势，通过深加工把数据进行产品化、商品化、服务化后数据能够发挥更大的价值

数据治理自动化&智能化

随着数据数量越来越庞大，数据更多需要靠产品实现自动化治理，通过量化指标进行自动评定、自动识别问题，推动自动化的治理。也可通过AR技术，识别个人敏感信息、挂接数据资产目录、将数据资产标签化。

数据治理已死？

数据治理在组织中易产生难以推进的鸿沟，但当数据治理发展到一定阶段的之后，会形成数据治理文化，即人人都是数据治理专员，并各司其职。这也需要在企业内部进行数据的责任划分和相关培训以及规范、制度、绩效等方面的配合。

DataOps

DataOps是数据交付或开发的敏捷思想，现在的数据开发只是通过数据的接入、建模、做指标等环节实现，存在周期长且得不到保障的问题。而DataOps则可以解决这类问题，并在这一基础上进行探索。

Data Fabric

Data Fabric是在探索阶段的一个节点，数据的使用人员可以随时找到相应的数据，数据质量也可以得到保障。它的价值凸显急需数据治理的支持，一方面需要活跃的数据市场释放价值，另一方面需要数据治理保障数据质量和数据资产安全。

数据治理的作用

 

在社会层面，通过数据治理，能够将市场的资源实现最优化的配置，结合相关法律法规和技术手段让数据流通更加便利。

在企业层面，可在企业数字化转型、商业洞察、降本增效、提高客户满意度、降低风险等方面发挥更大价值。