|
9月19日，帆软第七届智数大会在重庆召开，大会以“数字无界，智见无限”为主题，汇聚了全球超过1000家企业的高层领导、CXO及数字化领域的专家，围绕企业数据应用话题展开研讨。大会主论坛上，帆软总经办的吕品专家就数据治理落地主题进行了精彩分享，以下是他的分享内容。
非常欢迎各位远道而来的朋友！今天我们相聚在美丽的山城重庆，我是来自帆软总经办的吕品。今天我将与大家分享一个近年来非常热门的话题——数据治理。
今天的内容主要分为四个部分：
第一，与大家探讨数据治理过程中遇到的问题、挑战及其背后的原因；
第二，聊一聊数据治理的底层思维逻辑，即立法、司法与执法；
第三，为什么我们选择从场景化视角切入，推行“拉式”数据治理；
第四，介绍我们提出的治理框架，涵盖工具、流程和组织三个方面。
数据治理的挑战
知易行难
在过去的一年多时间里，我面对面拜访了超过100家客户，发现几乎所有企业在制定数字化规划时都会提及数据治理。可以说，当前数据治理的意识普及和市场教育已基本完成，越来越多的企业高层，包括董事长和CEO，都已认识到其重要性。然而，数据治理的推动力仍有待加强。
在与不同企业沟通时，我们发现大家对数据治理的理解参差不齐，许多概念仍较为模糊。共识不统一导致数据治理在实际落地过程中面临诸多挑战。举个例子：假设我们识别出100个疑似数据质量问题，在推进过程中，首先需要确认这些问题是否真正属于数据质量问题；其次，确认后需明确责任归属和治理责任人；再次，即使有人负责，还需明确治理策略是否合适。最终可能只有10个问题真正进入治理环节。那么，流失的90个问题应由谁来承接和关闭？如何确定合适的流程和方法论？应建立或培养哪些组织能力？这些都是企业在数据治理过程中普遍面临的困惑。
数据治理实际上是一项综合性的系统工程，涉及产品、技术、业务、流程等多个方面，跨越IT、DT、流程、组织、运营和管理等多个领域。许多企业遇到的问题背后，隐藏着一个庞大的知识框架，包括IT、DT、AI业务域划分等。例如，全域数据治理需要理解IT与DT的差异，以及流程性业务系统与分析体系的不同运营机制。数据资源与数据资产的理解也至关重要。虽然业务系统端可梳理数据资产和资源目录，但这并不一定能解决数据质量问题。
许多企业认为构建数据中台或数据仓库就能解决数据治理问题，这种认知可能较为片面。数据中台和数据仓库并非数据治理的主战场，这一点我将在后续详细解释。由于缺乏系统性的框架，企业在推进数据治理时，首先需要建立体系化的框架，其次要用精准的语言表达问题，因为我们需要面对IT、业务和企业高层等不同角色，必须用清晰的语言解释问题如何解决。
数据治理的底层思维
立法、司法与执法
我们借鉴“三权分立”的概念，将数据治理的底层思维归纳为立法、司法和执法。根据DAMA的数据管理框架车轮图，数据治理是数据管理的核心，DAMA将其定义为“对数据管理形式、权利控制和共享决策的活动”。我们的理解是：
-
立法：制定数据标准和制度。
-
司法：建立判例库，解决数据争议。
-
执法：通过流程确保制度执行。
在实际操作中，许多企业在立法环节存在“无效宪法”的情况，例如制度文档过于庞杂却无法落地，或流程形同虚设。数据治理委员会也常常因成员均为高层而难以召开会议，无法解决问题。因此，在制定制度时，应确保其可执行，并逐步迭代优化。
司法环节的核心是建立企业内部的“数据法院”，形成判例库，以应对各类数据争议。执法环节则需通过流程减少沟通差异和冲突，例如通过指标标准化流程和数据质量判定与治理决策流程来确保执行。尤其是在数据治理项目中，质量判定与治理决策流程至关重要，但在许多项目中这一环节较为欠缺。
场景化切入与拉式数据治理
我们为什么选择从场景化视角切入，推行“拉式”数据治理？首先，我们对数据治理有以下几点认知：
1.数据治理的主战场：数据治理的主战场并非数据中台或数据仓库，而是在两端：数据生产端（IT域，如ERP、OA、CRM等）和数据消费端。数据生产端主要解决数据存储规范问题，而数据消费端则解决数据应用到业务场景时产生的管理逻辑差异问题。
2.数据与指标的差异：数据标准化并不能完全解决指标口径不一致的问题。例如，底层数据规范完整，但在指标层面仍可能出现数据质量问题，这是因为业务管理逻辑存在差异。
3.拉式数据治理：从应用场景出发，以用户需求为起点，通过梳理指标体系和数据溯源，发现数据获取、维度打开、口径一致性等问题。我们的治理策略是“引用促制”，并以“以制促建、以建促用”为补充。
治理框架
工具、流程与组织
我们从帆软实际落地视角提出治理框架，涵盖工具、流程和组织三个方面：
1.工具
FineDataLink：用于数据管理和集成，具备数据治理能力。-简道云：用于流程管理，确保执法环节的落地。-BI工具：用于数据可视化，支持数据应用场景。
2.流程
指标管理：指标的新建、变更、下架流程管理
治理管理决策：质量管理与决策标准化
3.组织
根据DAMA理论，数据治理组织架构可分为分散式、网络式、集中式和联邦式等。企业需根据实际情况设计合适的组织架构，例如设立数据治理委员会、数据治理管理小组等。
数据治理并非项目，而是一套端到端的流程能力。企业需将这种能力内化到组织中，形成可持续的治理机制。在实际推进中，可通过项目切入，逐步构建治理能力，并将其扩展到其他项目中。
总结
通过工具、流程和组织的结合，我们构建了从场景出发的端到端数据治理流程，涵盖用户、场景、指标溯源和治理环节。数据治理的主战场在数据生产端和消费端，底层逻辑是立法、司法和执法的体系化建设。帆软不仅提供产品，还提供咨询、交付和数字化人才培养服务。未来，我们计划推出数据治理训练营，帮助企业系统化提升数据治理能力。 | 
