数据治理详解

成功案例：某大型装备制造企业的“五统一”数据战略

失败案例：某工业制造企业的数据治理和运营策略

某能源企业数字化转型战略的实施强调用“数字化的技术和数据”来
支撑企业的管理决策、业务协同、业务流程优化及信息系统整合。为了
实现这一战略目标，该企业提出了“总体规划，分步实施，试点先行，重
点突破”的总体策略，并制定了三年行动计划

内部环境因素

外部环境因素

数据战略目标：
建立重视数据、促进数据共享的文化，如利用数据指导决策，促
进各部门、各系统间的数据流通等；
保护数据，保护数据完整性，确保流通数据的合规性和真实性，
确保数据存储的安全性等；
探索有效使用数据的方案，增强数据管理和分析能力。
数据治理指标：
建立数据治理制度和考核指标；
识别解决企业核心问题所需的数据资料；
评估数据和相关基础设施的成熟度；
培训以提高员工的数据管理和应用技能；
确定企业优先治理的数据集；
发布和更新数据目录。
数据治理规则：
符合GDPR法规要求；
建立客户、供应商、员工、组织等核心数据的数据标准和质量规
则；
设计核心数据的数据模型；
设计数据架构以及业务流、数据流；
梳理企业数据资源目录，以满足企业内外部的数据共享要求。
数据治理权责：
设立数据标准管理委员会，由其主导数据管理工作；
设立数据治理办公室，由其负责数据管理的标准、制度、流程和
考核；
设立专项数据管理员，由其负责专项数据管理工作；
数据确权，产权方负责提出数据标准和数据应用需求。
数据治理计划：略

数据治理组织：由参与企业数据治理活动以及与数据利益相关的业
务组、IT团队、数据架构师和DBA等组成，其职责是推动数据战略
的实施。
数据标准规范体系：建立数据标准化的过程，通过统一梳理数据，
识别数据资产，并对数据的分类、编码、属性、业务规则、安全策
略、存储策略、管理要求等内容进行规范化定义，在组织范围内形
成对数据的一致性认知。
数据管理流程：定义数据的创建、变更、使用流程和相关策略。
数据管理制度：定义数据管理归口/主责部门，明确数据管理的角色
分工、岗位职责、操作要求以及相应的考核措施等

数据战略目标不同，数据治理技术和工具也是不同的。通常来说，数
据治理技术和工具包括元数据管理、主数据管理、数据质量管理、数据安
全管理、数据标准管理、数据集成等

1. 收益预测
业务量增长假设如图所示。

（1）可量化的收益预测
用户量增加
产品直销销售收入增加
渠道销售收入增加
……
（2）可节约的成本预测
经营成本节省
广告费用节省
渠道费用节省
库存成本节省
运输、包装费用节省
……
（3）不可量化的收益预测
库存周转率提升
应收账款降低
品牌及市场影响力增加
……
2. 投资预测
（1）可量化的投资
软件投资
硬件投资
……
（2）不可量化的投资
……
3. 成本预测
（1）可量化的成本
直接人力成本
……
（2）不可量化的成本
……
4. 风险分析
（1）环境风险（对收益、投资、成本的影响）
合规性风险，不合规造成的罚款和企业名誉损失
个人隐私及数据伦理风险
……
（2）技术风险（对收益、投资、成本的影响）
网络安全风险，如黑客攻击造成的投资、成本的影响
流程自动化风险，如系统宕机、网络问题带来的损失
……
（3）实施风险（对收益、投资、成本的影响）
董事会对数据战略的支持程度
人员的数字化素养
……

在传统销售模式中，汽车主机厂与经销商各有侧重：主机厂专注于
品牌与产品，除部分营销活动外，与客户的直接交流有限；经销商（4S
店）承担了日常销售和售后服务管理的职责，是线下最主要的客户触
点。而传统的车辆销售场景不外乎在客户到店后为之提供与车辆销售和
维修相关的服务。
本案例中的车企采用了更加扁平的敏捷组织，执行全渠道数字化营
销策略，通过数据平台实现各渠道数据的全面采集、汇聚和处理。
在4S店中，公司为每一个销售顾问都配置了一台平板电脑，它具备
查看所有车型的信息、即时生成定制化配置视图、预约试驾、了解最新
价格折扣、查看库存等功能，所有信息“一次触达”，为客户提供了极佳
的数字化体验。
通过人脸识别技术，快速识别进店的客户，并将客户信息（如客户
的基本信息、消费偏好等）及时反馈给销售顾问。有了这些数据，销售
顾问就能为客户定制个性化的营销策略，为客户提供更好的服务。在为
车主提供服务的时候，系统提供了维保服务查询和提醒功能，从而驱动
业务员为客户提供更好的增值服务。

第一，在传统观念中，企业的IT部门往往被定位成业务支撑部门，花
钱却不能直接创造利润。在追求利润的企业目标下，花钱的部门总被要求
钱花得越少越好

第二，IT人员不懂公司业务，但业务人员却会使用互联网工具。业务
人员会发掘可用到业务中的新IT工具，某种意义上这是在挑战IT部门的权
威，而IT人员满足业务人员对新IT工具的需求的能力远远落后于外部供应
商。

第三，IT部门不受重视，却经常为信息化问题“背锅”。在很多公司中
IT部门往往不受重视，经常被动实现业务需求和IT系统的构建。地位不
高，但责任却一点也不小，系统应用效果不佳，数据存在质量问题，数据
遭到破坏或泄露等，只要出现与信息系统、数据有关的问题，IT部门都会
是第一责任单位和“背锅侠”。

两个转变

如何入手

一个促成业务与IT融合的有效方式是在业务部门设立一个数据岗位，
这个岗位需要对业务、技术、数据都有一定的了解，并具备一定的数据敏
感性，能够将业务语言翻译成IT人员能够听懂的数据语言。这个岗位的职
责不是业务，也不是数据，更不是技术，而是桥梁——连接业务和IT的桥
梁

就是聚焦核心问题，从结果或最终目标出发，收集信息，
评估情况，寻找多种视角，找到高效解决方案

数据思维是求精确、注重量化的，强调具体和准确，强调能力聚焦、
问题聚焦，在一个个具体的点上解决问题。“大数据，小应用”说的就是这
个道理。只有将大数据聚焦到具体的问题、具体的应用场景上，才能发挥
出其真正的价值

数据不是万能的，世界万物的关系复杂，
而简化可能带来误差；数据都是历史数据，万物却是动态变化的，现有的
知识也有真伪之分，拥有数据思维的人能够去伪存真，做数据真正的主
人，而非数据的奴隶

高层领导首先需要建立数据思维。在研讨目标、商议工作、布置任务
的时候，都要用数据说话，用数据决策，用数据指导行动。在开会的时
候，要通过数据看问题，通过数据听汇报，通过数据定目标

“数据驱动”是近年来IT、互联网领域使用频率很高的一个词。它是指
通过数据采集和数据处理，将数据组织成信息流，并在做业务和管理决策
或者进行产品、运营方案优化时，根据不同需求对信息流进行提炼与总
结，从而帮助管理者做出科学决策，指导业务人员具体执行

数据驱动可以从以下3个方面入手

数据战略培训

数据标准培训

数据工具培训

培训过程控制

要想建立数据思维，必须通过大量的实践，从实践中学会使用数据思
考的框架

数据成为企业的重要生产要素，那些曾经推动了企业
业务和管理进步的信息系统反而成为企业业务协同和团队协作的瓶颈

数据驱动的企业需要信赖可信的数据。实际上，每个人要想顺利完成
工作都离不开他人的帮助。

数据安全

数据质量

数据治理组织与人员

数据治理制度与流程

数据治理技术与工具

业务需求：描述业务目标和业务痛点，例如降低成本、提升效率。
数据管理需求：描述业务目标对数据标准、数据质量、数据安全等
的需求，例如通过统一数据标准提升业务部门之间的沟通效率。
数据集成需求：描述业务目标对数据及数据集成的需求，例如某业
务数据的共享。
数据应用需求：描述业务目标对数据应用或数据产品的需求，例如
基于数据分析和挖掘提升业务的洞察力。
数据分析需求：描述业务目标对数据分析与挖掘、数据可视化等的
需求，例如领导驾驶舱、业务看板、数字化大屏。

对企业业务战略的理解，如企业的经营目标、经营状态、业务布
局、业务发展的机遇和挑战等

对企业所处行业的理解，如企业所处行业的内外部环境、竞争态
势，以及可以学习和借鉴的行业标杆企业等

对信息化、数字化的理解，如企业在信息化、数字化方面的投资情
况，信息化的成效，亟待改进的问题等

对企业数据治理的理解，如数据对企业的重要性、数据治理在业务
发展中发挥的作用、数据治理的内涵、当前在企业数据管理和使用
上存在的问题和不足、对数据治理实施的期望等

数据思维与信息化意识略有不同，具备信息化意识的管理者未必具备
数据思维，数据思维是“抓重点，善于简化；求精确，注重量化；知不知，
追求真理”的思维模式，是运用数据理性地分析和处理事物。很多管理者惯
于依靠自身经验或根据某件事情的规律来判断和解读事物，而不是用数据
说话，用数据管理，用数据决策

原因有二：一是没有意识到数据思维的
重要性；二是有意忽略数据思维，即便个人判断可能出错，也要维护自己
的权威性。这些都会造成数据的重要性被弱化，数据架构出现断层

数据领域的新概念层出不穷，如数据仓库、大数据、数据可视化、数
据挖掘、领导驾驶舱、人工智能、数据湖、数据中台等，这些新概念为行
业带来了活力，加速了人们对数据重要性的认知，但也给企业带来了困
惑。新概念还没来得及消化，更新的概念就又出来了。再加上一些商家的
不断炒作和过度宣传，给整个行业带来了一定的误导，甚至有的企业还没
搞清楚概念就盲目跟风了。于是，就出现了争先恐后上“数据中台”，稀里
糊涂搞“数据治理”的现象

数据定义是否清晰
数据模型是否完整
数据是否在多个系统共享
确权认责是否明确
数据标准是否健全
数据管理的流程是否已建立
数据管理的制度是否已建立
数据质量是否满足
数据是否实现了集成或共享
数据安全是否受控

人力资源业务域数据管理现状示例

组织方面：企业是否拥有专业的数据治理组织，是否明确了岗位职
责和分工，是否明确指定了数据管理的角色和权责

人员方面：厘清企业数据人才的配置情况，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，以及这些数据人
才的占比。另外，除了专业的数据人员，是否明确了业务人员在数
据治理中应发挥的作用，以确保业务人员和数据人员在项目实施过
程中紧密协作

制度和流程方面：企业数据治理是否有明确的主责部门，在数据的
新增、变更、流转、处理、使用、销毁的全生命周期中是否有相应
的管理流程和管理制度保障

技术平台和工具方面：在管理数据标准、数据质量、元数据方面，
是否有专业的技术平台和工具，以及这些技术平台和工具在企业数
据管理中起到的作用、存在的问题和改进的方向

应用方面：在数据分析、数据挖掘、数据报表等方面的应用情况和
存在的问题。例如：数据的准确性无法识别，数据分析展示的信息
不准，分析结果与实际偏差较大

资金方面：企业的数据治理投入情况。要说明的是，数据治理是一
项周期长、投入大的工程，需要长时间投入资金来运维。在实施过
程中，经常会出现企业对项目的建设不够重视，不肯投入足够多的
资金，或者选择较为便宜的工具进行构建，最终导致项目烂尾

缺乏统一的数据标准，同一数据在各系统中有着不同的定义，容易
给业务分析带来歧义

缺乏规范的数据标准定义流程，单个业务部门也无力推动系统间数
据不一致问题的解决

企业对数据质量不够重视，业务操作没有标准和约束，录入随意，
导致基础数据质量差

缺乏有效的管理工具，杂乱无序的数据存储于企业内外部的各个业
务应用系统中，系统之间的数据无法互联互通，形成大量信息孤
岛

业务系统数据普遍存在数据不完整、不准确、不真实、不及时，以
及数据关系混乱等问题

没有统一的数据标准，大量同名不同义、同义不同名的数据对业务
部门之间的沟通造成了很大困扰，增加了业务人员的沟通成本

业务系统中的主数据不一致，导致系统之间的数据无法打通，应用
集成无法开展，数据分析缺乏统一的口径和维度

业务数据不准确，影响数据分析，分析结果不仅无法支持决策，还
可能带来误导

DMM（Data Management Maturity，数据管理成熟度）模型是一个独
特的数据管理学科综合参考模型，由卡耐基·梅隆大学旗下机构CMMI研究
所以CMMI（能力成熟度模型集成）的各项原则为基础开发

DMM模型为企业提供了一个建立、改进和衡量其数据管理能力的标
准，帮助企业制定数据治理改进方案和实施路线图

DMM模型由25个过程域组成，其中包括20个数据管理过程域和5个支
持过程域。按照不同的数据管控维度，这25个过程域分布在数据战略、数
据治理、数据质量、数据运营、平台与架构、支撑流程6个分类中，如图

DMM数据管理能力成熟度定义

DMM数据管理能力成熟度评估工具

DCMM模型评估工具

A公司高层对DCMM评估高度重视，公司CEO、CIO等数字化转型小
组的高层领导亲自主导，抽调了公司内部IT域、各业务域若干骨干，并聘
请了外部评估专家，组成评估工作小组，开展DCMM评估工作

结合A公司的评估的范围，制定了评估工作的时间计划，明确了各项
工作的评估时间、负责人等。该计划经过评估决策组的审核后正式执行

A公司的DCMM评估启动会议由CIO主持，CEO亲自宣讲企业数字化
战略及DCMM评估的重要性，并对DCMM评估作出了重要指示。通过启动
会的召开，与会人员对DCMM评估的目的、意义、主要工作范围和时间计
划都有了一个清晰的认知，为评估工作的开展打下了基础

评估小组根据A公司的需求制定了DCMM培训计划，明确了培训对
象、培训内容、培训时间、培训地点、培训目标等

在评估小组牵头，各业务部门的配合下，A公司收集了各业务部门与
数据管理活动相关的过程记录、统计报表、规章制度、管理流程等资料。
收集和分析资料是开展自评估的前提条件，特别是业务过程中的记录文
件，这些文件能够表明与数据管理相关的制度、规范是否得到了良好的执
行。

基于设计好的工具和问卷，由A公司评估人员根据自己的理解进行评
估，评估过程中专家团队提供远程指导和服务：
根据自评表格了解自身情况；
收集、整理数据能力成熟度评估资料；
对成熟度评估的各项指标打分。

乙方评估人员结合前期对企业资料的解读、自评情况的分析，在A公
司评估人员的配合下，对DCMM涉及的各个方面进行现场分析，过程中需
要A公司团队对关键工作过程进行展示，并调取相关资料进行佐证

通过前期的沟通和了解，基本掌握了企业数据管理的状况，同时根据
企业数据管理的重点进行针对性的面对面访谈，了解企业数据管理的关键
问题及关键诉求

根据DCMM的指标体系，对各主题域的成熟度进行评分，并根据评分
结果确定企业在该主题域的成熟度等级

根据企业各主题域及整体的数据能力成熟度评估报告，提出整体的数
据管理成熟度方面的关键发现及改进建议，并结合企业数据管理发展的需
求和业界数据管理的最佳实践，提出有针对性的数据治理改进路线图，

由数据治理相关的专家对评估团队的评估过程、评估结果、分析报告
等进行评审，验证过程的合规性、结果的合理性

自主研发适合于大型组织，原因有两条：一是大型组织有强大的资金
和资源保障，这是自主研发的前提；二是大型组织的组织机构复杂，数据
体量庞大，数据标准参差不齐，数据应用的个性化需求多样，自主研发具
有较好的灵活性，能够应对不同部门的个性化需求

自主研发虽然具有灵活可变、自主可控、量体裁衣、适用性高等优
势，但在细节管理上存在不足且需要专业的人才团队，是否选择自主研发
关键要看能否创造出具有企业特色的平台。如果不能，建议选择采购成熟
的技术平台

成熟的数据治理平台一般通用性较强，但对于企业的个性化需求支撑
不足，企业经常会陷入“让业务来适应平台”的窘境，而不是让平台满足业
务

阿里云的DataWorks（数据工场）套件为企业提供全链路智能大数据
及AI开发和治理服务。DataWorks是阿里云的重要PaaS产品，为企业提供
包含数据集成、数据开发、数据地图、数据质量和数据服务在内的全方位
产品服务，并提供一站式开发管理的界面，帮助企业专注于数据价值的挖
掘和探索。DataWorks支持多种计算和存储引擎服务，包括离线计算
MaxCompute、开源大数据引擎E-MapReduce、实时计算（基于Flink）、机
器学习PAI、图计算服务和交互式分析服务等，并且支持用户自定义接入
计算和存储服务

华为云的DAYU（智能数据湖运营平台）为企业提供数据全生命周期
管理、具有智能数据管理能力的一站式数据治理和运营，主要包含数据集
成、规范设计、数据开发、数据质量监控、数据资产管理、数据服务等功
能，支持行业知识库智能化建设，支持大数据存储、大数据计算分析引擎
等数据底座，帮助企业快速构建从数据接入到数据分析的端到端智能数据
系统，消除数据孤岛，统一数据标准，加快数据变现，实现数字化转型

亚马逊的AWS从其简单存储服务（S3）开始构建数据治理解决方案，
其中包括Elastic MapReduce Athena，这是一种针对存储在S3中的数据的查
询引擎。为了配置企业的云环境，AWS CloudFormation允许企业使用简单
的文本文件为其应用程序建模和配置所需的资源。Amazon CloudWatch监
控并收集所有资源的指标。AWS Systems Manager允许企业监控所有资
源，并自动执行常见操作任务

该企业的数据治理规划是从主数据管理入手的，首先通过对企业范
围内的数据进行统一梳理，识别出需要纳入企业的主数据范围；然后结
合企业的数据管理现状以及数据问题紧急程度、业务实施的难度、技术
实施的难度对主数据实施的优先级进行综合评估（见图9-2），确定主数
据实施优先级，分阶段完成主数据的治理。

第一，根据数据对业务的影响程度进行识别，识别出哪些数据对业务
影响较大（数据对业务影响越大，实施后对业务的价值也越大），并按业
务影响程度为这些数据打分，影响业务的范围越大，分值越高。

第二，根据数据在各个业务系统中的共享情况进行识别，按照主数据
的共享级别进行打分，数据共享程度越高，分值越高。

第三，对不同分类数据的管理成熟度进行分析，并按照管理的成熟度
进行打分，数据管理成熟度越高，分值越高。

第四，按照数据统一的难度进行打分，数据统一难度越低，分值越
高。

第五，按照主数据在业务中的需求紧迫度进行打分，需求紧迫度越
高，分值越高。

第一阶段：数据治理体系的建设

第二阶段：数据治理的运行完善

第三阶段：数据治理的持续优化

数据治理应从企业的利益出发统筹规划，全面保障数据的质量。数据
治理组织的建立是对数据管理职责的确认，由企业高级管理者或董事会授
权其对数据相关事项的行使权和决策权

数据管理者不一定是数据所有者，而是由数据所有者授权进行数据管
理的托管单位。数据质量应由数据所有者负责。数据管理者并不包揽所有
的数据治理和管理工作，部分数据治理和管理工作需要由业务部门和IT部
门共同承担。

数据管理者需要与各业务领域中的业务专家合作，共同定义数据标
准，制定数据质量规则，并促进数据质量的提升。数据生产者和使用者对
数据的新增、变更、传输、存储、处理与使用也需要数据管理者或IT部门
给予一定的技术支持，这一系列活动都需要数据管理者监督和核查，以确
保数据质量。

作为企业数据治理的决策机构，数据治理委员会由企业业务部门及IT
部门的代表联合组成，一般为主管业务的高管以及CIO、CDO等。数据治
理委员会负责制定企业的数据战略，指明数据治理方向，并对公司董事会
负责。数据治理委员会拥有整个企业数据的管理权，包括：签发数据标
准，批准实施数据管理制度及流程；对数据治理过程的重大事项进行审核
和决策；对数据治理工作给予相应的人力、物力和资金支持

在一些大型企业的数据治理组织机构中会设置数据治理办公室或数据
管理岗，来协助数据治理委员会执行数据治理策略、流程和管理制度。数
据治理办公室是理解和传达数据含义与使用的专家，其主要职责是：负责
数据管理细则的制定、数据质量稽核、数据治理技术的导入、数据质量问
题处理等；协调相关数据的生产者、拥有者和使用者来完成数据标准、数
据质量规则、数据安全策略的制定和执行；对数据治理过程进行监控和管
理，以符合数据标准、管理制度和流程规范的要求。当数据治理办公室无
法解决数据问题时，会将该问题“上诉”到数据治理委员会进行决策

数据所有者即拥有或实际控制数据的组织或个人。数据所有者负责特
定数据域内的数据，确保其域内的数据能够跨系统和业务线受到管理。数
据所有者需要主导或配合数据治理委员会完成相关数据标准、数据质量规
则、数据安全策略、管理流程的制定。数据所有者一般由企业的相关业务
部门人员组成，根据企业发布的数据治理策略、数据标准和数据治理规则
要求，执行数据标准，优化业务流程，提升数据质量，释放数据价值。在
企业中，数据所有者并不是管理数据库的部门，而是生产和使用数据的主
体单位。

数据生产者即数据的提供方，对于企业来说，数据生产者来自人、系
统和设备。例如：企业员工的每一次出勤、财务人员的每一笔账单、会员
的每一次消费都能一一被记录；企业的ERP、CRM等系统每天都会产生大
量的交易数据和日志数据；企业的各类设备会源源不断地生产大量数据，
并通过IoT整合到企业的数据平台中。

数据使用者是申请、下载、使用数据的组织或个人。在企业中，数据
的生产者、所有者和使用者有可能是同一个部门。例如，销售部门以CRM
系统为依托，既是客户数据的生产者，也是客户数据的使用者，还是客户
数据的所有者。

认识问题：什么是好的数据质量？为什么它很重要？

定义问题：测量数据质量的维度有哪些？数据一致性、完整性、正
确性、及时性？

衡量问题：数据质量对业务使用和管理决策有何影响？

分析问题：找到数据质量问题的根本原因，是管理问题、业务问题
还是技术问题？

改善问题：哪些关键业务流程的改善有利于提高数据质量？如何改
善？

控制问题：是否有数据质量管理章程，包括问题和目标描述、范
围、里程碑、角色和职责、沟通计划？

在项目建设阶段，项目组织人员需要梳理业务流程，盘点数据资源，
制定数据标准，清理存量数据，建立数据平台，开发数据服务，同时还需
要管控项目进度、质量、成本等。每一项工作都要有对应的角色和人员来
完成，为不同的项目角色安排合适的人员对于项目的建设十分重要

运营阶段的数据治理组织是以业务目标驱动的敏捷组织，一切围绕业
务运营的目标而开展，成立实体的组织机构，配置专业的专职人员，为业
务运营提供数据服务，并保障数据质量和安全

对于项目建设阶段和数据运营阶段，数据治理的组织机构形态和管理
制度细则会有所侧重和不同，企业应根据自身需求和数据发展要求灵活调
整

倡导者非常欢迎数据治理的各种变革措施，认为这些变革能够为组织
绩效带来大幅提升，他们不介意改变习惯，并积极适应新的做法。他们在
数据治理实施过程中不仅能够积极配合，还能够献计献策

跟随者都有随大流的想法：如果大家都按新的方案执行，他们也会支
持；但如果大多数人不动，他们也不会反对按旧方式操作。在数据治理过
程中，跟随者大多是非关键干系人，给予适当的引导和鼓励，就能得到他
们的配合。

观望者有着不想改变的心态，但也知道数字化转型是大势所趋，而数
据治理是必经之路。他们的态度往往是“随机应变”的：高层领导提倡，他
们赞成；高层领导排斥，他们就反对；高层领导在观望，他们就会在反对
和赞成之间摇摆不定。所以，实施“一把手工程”，能够让大部分观望者成
为跟随者，甚至倡导者。

抵制者是对数据治理有着强烈抵触情绪的人，他们怀念旧有的操作方
式，不愿意改变，并且认为数据治理没有作用，只会给他们带来约束和不
便。抵制者中有很多人是业务的直接操作人员，是数据治理的重要干系
人，他们的配合对于项目的成功实施非常关键。如果没有高层领导的干
预，他们通常会比较抵触，这会给项目的正常推进带来巨大的风险。

（1）管理方面

（2）业务方面

（3）技术方面

增加收入：通过更好的数据分析和预测，改善管理决策，提高盈利
能力。

降低成本：通过企业数据源映射和企业对业务数据定义的访问，降
低数据管理和集成的成本

提升效率：使用可信数据改善决策，利用准确的数据实现流程优
化

控制风险：通过数据治理提供更好的洞察力，防范商业欺诈，保护
个人隐私

普查

要找到现成的支持数据治理策略的高管，最简单的方法是找到与高管
利益相关的项目。比如，主管销售的高管一定会关注客户数据和销售数
据。你的项目目标是通过数据治理改善客户数据从而实现交叉销售和追加
销售，实现产品自动化推荐，增加销售业绩。这样的项目目标与销售人员
的业务目标是一致的，他们可以从可靠的客户数据中获得更多的收益。销
售负责人或销售高管就是客户数据治理的现成的支持者

在数据治理项目的预研、立项、启动、调研、设计、实施、
验收等各个关键环节，项目经理要清楚在哪些环节、哪个会议需要哪些高
层领导参与，他们能够提供什么帮助。在项目执行过程中，项目经理要主
动向高层领导汇报各个关键步骤，并告诉他们你的目标是什么，目前进展
到了什么程度，遇到了什么问题，需要哪方面的帮助等，让他们及时了解
项目的进展和需要改进的地方。

企业中高层领导代表着更高的职权，在对项目经理授权的方式上可以
很灵活，有时需要一些技巧。比如：将项目经理权责写入“项目章程”并以
正式的文件形式发布；在项目启动会、阶段汇报会议等公共场合强调项目
经理的权责重要性；在项目取得一定进展时，给予当面的肯定和表扬；等
等。积极鼓励式的授权可以让项目经理增强信心，同时也让企业的利益干
系人尤其是数据治理的抵制者清楚地知道，项目经理背后有高层领导的支
持，项目经理的意见一定程度上代表了高层领导的意见

数据量监控：基于大数据平台的数据库日志文件实现对大数据量的
实时监控，运维人员可以实时查询数据的存量和增量情况。

数据质量监控：基于既定的业务规则实现数据质量的监控，例如数
据的唯一性、完整性、正确性、一致性等。

数据使用监控：基于数据服务总线，按照数据应用的不同维度，实
现对数据使用情况的监控，例如监控数据服务调用频次、出错次
数、使用部门、使用人员、使用的高峰时间等。

理解企业战略

业务现状调研与评估

IT现状调研与评估

数据治理成熟度评估

明确数据治理目标和范围

制定数据治理实施路线图

制定数据管理策略

制定数据管理标准

制定数据管理流程

制定数据管理绩效指标

制定项目章程和项目计划

启动治理项目

发布治理策略

执行治理策略

沟通与协调

监控数据治理策略的执行情况

监控数据治理策略的有效性和价值

业务属性值表，如客户类型、产品颜色

国家或国家标准值表，如ISO 3166国家标准代码

行业规范标准，如全国医疗卫生信息数据元值域代码表

1）为业务和IT部门建立考核指标，以确定数据治理计划是否有效。

2）为每个指标设置目标。

3）收集当前数据以计算指标并建立基线。

4）为项目指定一个负责跟踪数据治理效果并执行数据治理绩效考核的
人员。

1）数据治理启动会是一个明确目标、达成共识的会议

2）数据治理启动会是一个开工动员、任务分工的会议。

3）数据治理启动会还是一个基本概念宣贯、方法论培训、实施风险预
警的会议

4）数据治理启动会是一个明确规则、奠定基调的会议

（1）做好开会前的准备

（2）控制好会议议程和节奏

（3）重点注意事项

（1）数字化浪潮的“大势”

（2）高层领导的“权势

（3）数据供需的“局势”

（1）“请外面的和尚来念经”

（2）让数据治理价值显而易见

（3）撕开数据管理中的“遮羞布”

第一，会议的议题、会议要求、召开时间、召开地点，谁来参加，谁
来支持，等等这些问题都需要事先做好周密的安排。

第二，要事先考虑好数据治理项目例会的目标和中心点，这是召开会
议的中心轴，不可偏离，更不可将会议开成业务部门之间、业务部门与IT
部门之间的抱怨会、发牢骚会、马拉松会。

第三，数据治理项目例会是对数据治理阶段成果验证和宣传的会议，
通过对取得的成果进行宣传，对相关人员进行表扬，让数据治理的团队增
强信心并获得荣誉感。

本阶段的主要工作内容和取得的成果，例如发现了多少个数据质量
问题，制定了多少个数据标准，接入了多少个应用系统等。

工作中存在的问题和待协调的事项，例如：某业务术语定义存在争
议，需要与××部门召开专题会议；某关键用户出差，导致××数据标
准未能按计划制定完成等。

下阶段的重点工作安排，例如继续制定××数据标准，召开某业务术
语评议专题会议等。

数据治理委员会成员应认识到自己的工作应当是积极主动的，积极
发现问题，而不是被动处理问题。每个数据治理委员会成员都是企
业的数据改进专家，应当持续为业务赋能，例如为业务部门提供高
质量数据的保障措施。

数据治理委员会的每个成员必须参加不少于已计划和举行的数据治
理工作会议的75%。

数据治理委员会的每个成员必须每年参加至少8小时的数据管理和数
据治理方面的正式培训。

数据治理委员会的每个成员必须每年为业务部门、IT部门提供16小
时以上的数据治理方面的教育和培训。

企业销售额提高5%～10%，受益于客户数据质量的提升、客户的细
分、广告投放渠道的优化；

企业库存优化节约了5%～10%的采购成本，这主要归功于物资主数 据的治理；

财务的对账时间从每月3天缩减到每月3小时，主要受益于财务科目
体系的统一和物料数据的标准化；

在一年之内，企业因违反监管规定而受到的罚款减少××元，而受到
监管部门处罚的主要原因是向监管部门报送的数据有质量问题；

在两年之内，企业高层管理者通过数据报表/报告获得洞察力，并基
于数据进行管理和决策。

子主题

在业务层面，以业务需求为导向，找到业务绩效的数据问题和痛点
需求，优化企业业务流程，完善制度体系。

在技术层面，以元数据为基础、以数据标准为核心、以主数据及参
考数据为关键、以数据质量提升为目标，结合大数据、人工智能、
机器学习等先进技术管理好企业数据资产，实现数据问题的自动发
现、主动预警、智能清洗，达到数据自治和预防性治理的目的。

在组织层面，建立数据治理委员会、数据治理办公室，明确数据归
属权，保障数据治理战略、政策、标准、制度、流程等规则的有效
执行和落地，这是企业数据治理长效运营的基础。

通过构建数据资产管理体系，建立企业统一的数据标准，打造企业
数据的“通用语言”，打通企业信息孤岛，实现部门间、系统间的数
据共享和互联互通，从而解决企业数据资产查找难、管理难等问
题。

通过规范数据的录入，清洗存量数据，并建立数据质量稽查和考核
机制，持续改进数据质量，为业务应用、数据分析、决策支持提供
支撑。

通过建立数据安全管理策略，进行数据确权定责，数据授权与安全
访问控制，加强数据全生命周期安全管理，严防用户数据被泄露、
篡改和滥用。

通过数据治理，规范数据格式和内容信息，实现业务流程链条的全
连接，通过数字化业务全连接，实现高效的信息流转，构建完善的
产业生态。

运用大数据、人工智能等先进技术，构建自动、智能的数据治理平
台，丰富数据应用和分析工具，推动企业数据应用创新，提升数字
资产应用价值，持续为业务赋能，助力企业数字化转型。

子主题

子主题

子主题

子主题

子主题

（1）数据域梳理

（2）数据主题梳理

（3）数据实体梳理

（4）设计数据模型

全面、系统的梳理，通过数据域→数据主题→数据实体→数据
模型的逐层分解，使企业清晰地了解到企业数据的来龙去脉，有助于企业
把握各类数据的源头，确保信息的有效性、完整性和一致性，有效消除信
息孤岛。

全面的数据梳理意味着较大的成本和较长的时间周期

（1）需求分析

（2）展现

（3）分析逻辑

（4）数据建模

目的性强，从既定的需求出发到具体的数据结构设计，越到底
层变化的可能性越小。与从整体出发的大规模调研规划相比，这种方法的
周期更短、见效更快。

局部梳理，缺乏全面性和系统性，无法支撑企业顶层的数据架
构设计。一般来说，有了明确的项目目标和需求的情况下采用该方法较
佳。

实体

属性

关系

1. 定义需求范围

2. 定义实体类型

3. 定义实体关系

4. 定义非键属性

5. 确认模型

UML（Unified Modeling Language，统一建模语言）是一种由一组集
成图组成的标准化建模语言，旨在帮助系统和软件开发人员以可视化的方
式构建和记录软件系统的构件，以及进行业务建模和其他非软件系统建
模。UML代表了一组最佳工程实践，这些实践已被证明在大型复杂系统的
建模中取得了成功。作为一种建模语言，UML有严格的语法和语义规范

支持

示例1：歌词中的元数据

示例2：户口本中的元数据

示例3：图书馆中的元数据

示例4：元数据好比字典

示例5：元数据就像地图

1. 业务元数据

2. 技术元数据

3. 操作元数据

元数据的分类（以“客户”信息为例）

描述：对数据对象的内容、属性的描述，这是元数据的基本功能，
是各组织、各部门之间达成共识的基础。

定位：有关数据资源位置方面的信息描述，如数据存储位置、URL
等记录，可以帮助用户快速找到数据资源，有利于信息的发现和检
索。

检索：在描述数据的过程中，将信息对象中的重要信息抽出标引并
加以组织，建立它们之间的关系，为用户提供多层次、多途径的检
索体系，帮助用户找到想要的信息。

管理：对数据对象的版本、管理和使用权限的描述，方面信息对象
管理和使用。

评估：由于有元数据描述，用户在不浏览具体数据对象的情况下也
能对数据对象有个直观的认识，方便用户的使用

交互：元数据对数据结构、数据关系的描述方便了数据对象在不同
部门、不同系统之间进行流通和流转，并确保流转过程中数据标准
的一致性

技术角度：元数据管理着企业的数据源系统、数据平台、数据仓
库、数据模型、数据库、表、字段以及字段间的数据关系等技术元
数据。

业务角度：元数据管理着企业的业务术语表、业务规则、质量规
则、安全策略以及表的加工策略、表的生命周期信息等业务元数
据。

应用角度：元数据管理为数据提供了完整的加工处理全链路跟踪，
方便数据的溯源和审计，这对于数据的合规使用越来越重要。通过
数据血缘分析，追溯发生数据质量问题和其他错误的根本原因，并
对更改后的元数据进行影响分析

创建并记录主题领域的实体和属性的数据定义

识别数据对象之间的业务规则和关系

证明数据内容的准确性、完整性和及时性

建立和记录内容的上下文（数据血缘、数据影响的全链路跟踪分
析）

为多样化的数据用户提供一系列上下文理解，包括用于合规性、内
部控制和更好决策的可信数据

为技术人员提供元数据信息，支持数据库或应用的开发

1. 建立指标解释体系

2. 提高数据溯源能力

3. 数据质量稽核体系

1. 局部的元数据管理

2. 手动的元数据管理

3. 日趋复杂的数据环境

4. 数据的频繁变化

1. 分布式桥接阶段

2. 中央存储库阶段

3. 元数据仓库阶段

4. 智能化管理阶段

元数据模型需求：命名规范、结构、元素及关联关系等。

元数据接口需求：元数据资料库及其内容，适配器、所有者、系统
访问、元数据血缘关系等。

元数据系统需求：元数据采集、元数据管理、元数据应用等

数据安全需求：数据的分类分级、敏感数据分布、敏感数据管理要
求等。

数据质量需求：数据质量规则、数据标准定义等。

数据管理需求：数据管理的组织、流程、制度、考核等

1）企业战略调研：调研企业的业务发展战略和主要业务领域的业务发
展规划，梳理IT建设的历史、现状和初步规划。

2）数据管理调研：调研企业数据管理的背景、问题、目标，以及企业
数据管理目前的相关制度、流程和组织。

3）元数据现状清单：功能性信息需求、逻辑模型、物理模型、业务术
语字典、已有数据环境、系统文档等。

4）数据问题分析：基于现状评估及成熟度评估，找出差异，定位问题
并进行问题根本原因分析，结合行业业务、数据发展要求，制定问题解决
优先级计划，并制定改进方案。

5）制定行动路线：元数据实施路线的制定应聚焦企业当前最紧迫、最
重要的建设内容，确保项目范围可控、成效可见。

（1）简单性与准确性原则

（2）互操作性原则

（3）可扩展性原则

（4）用户需求原则

（1）元数据分类

（2）元数据定义

（3）元数据获取

（4）元数据发布

数据标准适用于业务数据描述、信息管理及应用系统开发，既可作为
经营管理中所涉及数据的规范化定义和统一解释，也可作为数据管理的基
础，同时也是在应用系统开发时进行数据定义的依据

（1）数据模型规范化

（2）数据模型标准性

（3）数据模型一致性

（4）数据模型可读性

主数据分类

主数据编码

主数据模型

的3个最佳实践

（1）数据标准征集意见

（2）数据标准专家评审

3个关键实践

高价值

高共享

相对稳定

超越业务

超越部门

超越系统

超越技术

（1）打破孤岛，提升数据质量

（2）统一认知，提升业务效率

（3）集中管控，提升管理效能

（4）数据驱动，提升决策水平

（1）自顶向下的梳理和调研

（2）自底向上的梳理和调研

（1）识别主数据的两个方法

（2）识别消费者和生产者

（1）建立主数据管理组织的原则

（2）建立主数据组织的目标

（3）建立一个什么样的组织

（1）主数据清洗方案

（2）主数据清洗方式

第一，组织的横向推广，即将已实现标准化的主数据推广至更多的单
位、部门或系统。

第二，数据的纵深推广，即主数据的分阶段、分批次迭代实施。

第三，做好主数据的培训和宣贯。

（1）整合协同，降本增效

（2）增加收入，提升盈利

（3）控制风险，确保合规

（4）数据驱动，智能决策

（5）数据即服务，数据即资产

科学性：信息分类的客观依据。通常会选用事物最稳定的本质属性
或特征作为分类的基础和依据，这样有利于保证分类的稳定性和持
久性。

系统性：将选定的事物属性或特征按一定的排列顺序进行系统化，
形成一个合理的分类体系。

扩展性：分类体系的建立应满足事物不断发展和变化的需要。

兼容性：某一系统的信息分类涉及一个或几个其他信息系统时，信
息的分类原则及类目设置应尽可能与有关标准取得一致。

实用性：在满足企业总体管理要求的前提下，尽可能满足各部门业
务的实际使用需求。

（1）线分类法

（2）面分类法

（3）混合分类法

子主题

子主题

子主题

（1）基于标准Web服务的数据同步

（2）基于ETL工具的数据同步

（1）基于Web接口的“推送”模式

（2）基于Web接口的“拉取”模式

（3）基于ETL的数据同步

子主题