如何才能让数据治理工作成功？

与数据同行 2022-05-08

The following article is from 御数坊 Author 御数坊

成文背景

从2008年到2020年，笔者的数据治理从业经历已有整整12年。在这个不短的过程中，笔者经历了数据治理的软件产品经理、项目经理、咨询顾问、创业者、国家标准编写者、协会负责人、国内会议和奖项的发起人、国际会议的演讲者等多重角色，有幸能在一个相对较长的周期内用多个视角去观察、学习这个领域的理论发展，并在实践中参与到电力、能源、通信、金融、政府、地产等多个行业的数据治理实践的规划设计、落地推行、平台建设等工作之中，从而形成自己的理论思考和实践建议。

根据笔者有限的观察和经验，中国数据治理领域于2004-2010年前后在银行与通信业经历了早期实践探索，在2010年~2014年十二五期间被进一步纳入电力、能源等大型央企的信息化规划和信息化建设，也因互联网巨头的业务与数据规模快速增长而被关注。自2015年之后，数据治理领域进入了一个加速发展的阶段：在理论与标准层面不断推陈出新——国际上有DAMA数据管理知识体系（1.0、2.0）、CMMI-DMM数据管理成熟度模型、ISO38505-1/2数据治理标准，中国则有信标委制定的数据管理能力成熟度模型DCMM、数据治理规范和信通院编制的数据资产管理等系列白皮书，笔者均参与了这些理论和标准的引进、编制和推广。在实践层面，随着国内互联网+、云计算、大数据、物联网、人工智能、数据中台与数字化转型的技术成熟、市场发展和政策支持，数据治理作为一项基础工作获得了业界更广泛的重视，有更多的政府和企事业单位开始数据治理工作，行业发展一派欣欣向荣之势，然而挑战并不少。

数据治理在理论层面固然日趋完整、多家争鸣，各家理论颇有高屋建瓴、指点江山之势，然而在实践层面，数据治理仍然存在着诸多困惑和挑战、尚未形成行之有效的实践方法和路径，数据治理工作在组织内的开展仍然举步维艰、往往在一段轰轰烈烈之后便偃旗息鼓，数据治理从业者的职业发展之路并不顺畅，在不同甲方之间和甲方乙方之间辗转、经过短暂的新环境刺激后，又进入一个困惑的轮回。

本文根据笔者根据自己多年的数据治理理论研究、实践经验和思考分析而写成，更多专注于让数据治理工作顺利开展、落地见效所应关注的八个方面及各方面中关键要素之间的关系。由于本文不过多探讨数据治理工作的意义和必要性，不展开辨析数据治理相关的基本概念，如若有兴趣对为什么、是什么的话题进行探讨，我们另行择机进行，特别是数据治理的基本概念辨析，是笔者一直所关注并强调其重要性的。

一句题外话，想写这样一篇文章，应该能追溯到2016年6月参加数据治理规范的应用研讨会。会上笔者首次谈了数据治理的十大关系，而这篇文章的提纲初稿，也在2017年1月就已经留在云笔记中了。本想仍以十大关系为题，但仔细梳理后，发现重要的关系远不止十个，强求十全十美并不现实。因此，换以八大要点为题，希望能对同业朋友有所启发借鉴。文后也附上了笔者其他一些相关文章供参考。

简史回顾：数据治理为何而来？

数据治理的作用与意义，在很多书籍和文章中都有过非常多的论述，但对于数据治理相关理论的起源和发展，并未有过多阐述。我们不妨回顾数据治理相关理论的发展及其历史背景，来看待不同历史时期数据治理的主要作用。

数据治理最早应该源于70年代末期的数据管理（Data Administration）。DA的概念在诺兰信息化成熟度模型中有过阐述，彼时正处于美国信息化发展到数据库成为主流存储进入广泛建设阶段，形成了不少数据孤岛，数据过时、冗余、不一致，因此提出要开展数据管理工作。注意，此时并不称为数据治理（Data Governance），甚至还不是Data Management，而专家Robert Seiner的数据管理专栏网站，也以此命名：TDAN, The Data Administration Newsletter，这一定程度上体现了行业发展早期的特点。在80年代，信息工程理论（Information Engineering）得到发展，战略信息规划（Information Strategic Planning）、数据管理（Data Management）的相关理论逐渐成型，对数据的统筹规划和管理、保障数据一致性被业界所重视。国内高复先老师在90年代将信息工程理论引进国内并独创一门信息资源规划（IRP），对国内普及数据元素、数据标准、元数据的概念起到很大作用，高老师也应是国内数据治理业界的开创者和先行者之一了。

不过，数据治理的发展并未一帆风顺，John Zachman老爷子在1987年提出了企业架构（Enterprise Architecture）框架，顺应了更为宏观的信息化规划的需求，企业架构理论特别强调了数据架构对于解决数据大量重复建设、缺乏统一数据视图和数据集成关系混乱等问题的重要性。但是，相比于业务架构的贴近业务与应用架构的看得见摸得着，数据架构的作用并不明显，因此数据管理一直不温不火的发展，数据治理作为概念也还没有正式提出。

当然，1984年DAMA的首个分会在洛杉矶成立，1988年DAMA国际成立，还是能够说明数据管理圈子缘起和发展的必要性。德勤公司的同行对数据治理简史做了不错的总结和整理，在这里与大家共享。

直到90年代末，随着美国数据仓库技术的兴起和广泛应用，数据质量问题日益凸显，在业界著述中，数据治理、数据认责与数据质量的概念越来越多的被提及。于是长久以来，我们在业界实践中开展的数据治理工作，很大程度上是为了提升组织的数据质量、让数据本身及基于数据建设的数据应用更加可信，从而保障数据的价值创造。

2015年以来，随着隐私与数据保护、数据权属得到更广泛重视，数据治理的内涵中，有关数据安全、数据主权的成分进一步提高，“数据安全治理、数据安全与治理”的叫法开始出现，在技术解决方案中，有关GDPR合规的功能支撑开始增加，数据安全公司与数据治理公司的互动合作日益频繁，而在理论方面，有更多关注网络安全法、个人信息保护法的律师朋友开始与数据治理圈子探讨合作可能性。明确数据所有权、使用权、保护数据相关方的隐私和合法权益、保障数据资产安全，已经成为数据治理当下及未来发展的不可或缺的目标。

概念辨析：数据治理内涵几何？

笔者认为，对于一个理论的基本概念的深度理解和推敲至关重要，特别对于国外的舶来品，受制于历史、文化、社会、管理等诸多背景的不一样，对基本概念及概念之间的关系精准拿捏就显得更为重要，否则对概念的理解模棱两可，再与自己经历的、看来的、听来的实践经验混在一起，最后添一些个人的想象推演，用这样模糊的理论去指导实践，不翻车才怪，而最终可能还会对理论倒打一耙、付之一炬或束之高阁。

对于数据治理而言，其内涵繁多，精确辨析就更加重要。因此，在我们的数据治理培训中，在开场概述之后，都会有一门“基本概念辨析”。本文中我们适度提出有哪些经常让从业者困惑的概念，但囿于篇幅，无法一一展开，另找机会交流。

数据治理四个字一分为二：数据，治理。在《小议数据与治理》一文中，笔者曾经详细阐述了对这两个词的辨析。

数据与真实世界

谈及数据，我们可以使用DAMA DMBOK书中的定义，虽然文字有些晦涩，但其最关键一点，阐明了“数据是对事实的表现”。沿着这个思路，我们进一步介绍了《数据质量测量的持续改进》一书对数据的定义，这也是笔者最欣赏的一个定义，因为专家将数据产生的过程还原到了真实世界，并分析了从客观世界、到数据产生、再到数据理解、最终在数据使用者脑海中还原客观世界的过程，以及这个过程中可能存在的缺陷而导致数据质量问题。这个概念将数据与真实世界相关联，也与我们的信息化过程相关联，还与数据质量管理相关联，堪称概念中的精品！

最近，另一个让笔者产生共鸣的对数据的定义是与新冠疫情相关的。在1月30日世界卫生组织宣布中国的新冠疫情是国际关注的公共卫生紧急事件的新闻发布会上，世卫组织总干事谭德塞语重心长的说道：We must remember that these are people, not numbers.

是的，我们做数据工作的人，往往会将数据等同于数据库、数据表和数据平台，而即便我们在关注数据值，我们也仅仅在考虑那个值本身，而可能忽视了这个数字在真实世界中实际意义！而做数据治理工作时间越久，越发希望真的通过自己的工作，对真实世界作出积极的影响和改变。

02数据分类的两种视角

谈完数据本身，其实我们还要进一步关注数据的分类。一个人的概念能力、分类能力和逻辑能力，直接决定着他的思维能力和行动能力。在我们的思维习惯中，更擅长做“综合”而不是“分析”（或称为：分类），这就导致我们强调高度概括精炼，而忽视了细分、也就可能失去了在细分之中获得创新的机会。

业界对数据分类的探讨也很多，见到最多的应该是IBM一片文章中将数据一共分为了13类！而通常而言，根据数据治理的工作特点，笔者会强调将数据分为两类——业务视角的分类和数据管理视角的分类：前者更接近数据的业务主题，目的也是引导将数据还原到业务之中，更好的与业务人员沟通；而后者，则是根据数据本身记录的客观世界对象的不同进行划分，并与数据管理工作的不同子领域相对应。用一张图来说明：

03数据生命周期的两种视角

更进一步，我们还需要关注数据生命周期。我们更多从时间和空间两个维度去关注数据的生命周期，从时间的角度，关注数据从规划到消亡全过程中被各类角色人员的行为带来的影响和改变，从空间的角度，则关心数据从产生到流转途径的全过程被各业务、各系统的影响和改变。理解了这些改变，也就不难治理了。

空间视角的数据生命周期：

时间视角的数据生命周期：

04多种治理的对比

谈完数据，我们仍要谈一谈治理。在《小议》一文中，我们详细对比了“治理、管控、公司治理、数据治理、数据管控”几个词的区别，也提出了“广义数据治理与狭义数据治理”的差异，正式对这些概念的对比推敲，才能更准确把握其内涵并应用于实际的数据治理工作。这些见解应该是对业界有一些帮助的，但多次被同行不提及源头的引用，也是颇有些让人无奈！

05数据管理体系各项职能之间关系

在初步了解了数据治理与数据管理的狭义与广义之区别之后，我们再来看一看数据治理体系框架。这里面同样存在着很多需要辨析的概念和关系。例如，DMBOK的饼状图大家都已经很熟悉了，但在1.0书中没有讲过，究竟这些工作职能之间是个什么样的关系？如何互为依赖、互相作用？正是因为这些关系不明，也导致了在实践中各项工作协同不利、效果不佳。笔者对这些关系的总结是：DAMA数据管理职能框架1.0分为10个职能领域，可理解为1个保障机制、3个核心工作、3个数据特性、3个数据方案。领域间逻辑关系可以概括为：在数据治理工作的统筹管理下，以数据全生命周期为主线开展3个核心工作，紧抓3个数据特性，确保数据质量良好，安全可控、定义一致；在此基础上，提供3个综合解决方案，充分挖掘结构化数据、非结构化数据以及基础数据的业务价值。

而在DMBOK2.0中，国际专家们似乎意识到了这一点，对于职能间的关系做出了阐述，具体如下图所示。其中，值得探讨的一些点包括，主数据管理与主数据使用分开，是否合适？数据仓库、文档与内容管理，又是否应该独立于数据存储、操作、集成、互操作？也许我们再多看一看原文，能够发现更多有价值的讨论点。

06其他应得到辨析的基本概念...

数据治理领域还有诸多概念需要仔细辨别和对比分析，比如：数据架构与数据模型，数据模型与数据标准，元数据与数据元，数据资源与数据资产，数据治理与数据中台，数据治理与数据运营等等，还存在许多令人困惑之处，而在数据治理的理论框架方面DGI，DAMA，DCMM，ISO38505，CMMI-DMM，DCAM，数据治理规范，数据资产管理白皮书等等，大同小异却又不得不辨....实在囿于本文的篇幅不能再展开，需要赶快进入正题了。

深度探讨：数据治理如何落地？

数据治理落地之难，让许多从业者颇为无奈，先发一段去年底与御数坊老客户的聊天记录，来看一看大家的困惑。

是的，每年都是元年，这就是数据治理在很多企业的实践现状！在之前所写过的一系列文章中，笔者对于“如何让数据治理工作落地见效？”这一困扰业界多年的问题有过不少探讨，在本节中我们将做相对系统的梳理，来看一看有哪些关键要素影响着数据治理的成效，为此我们整理成八个主要方面，一一来谈。

1、准备工作

在数据治理工作启动的筹备阶段，有三件事情比较重要：首先要了解自己企业的数据治理痛点究竟是什么；其次，直接或间接做一些企业实践交流；最后，要做好一定程度的理论学习。这其中，对自身痛点的准确把握是最为重要的。但在实践中，很多企业开始的顺序恰恰相反——理论学习、实践交流，而对自身痛点的把握，则言之不详、囫囵吞枣似的一带而过而进入项目执行阶段。理论学习的部分，我们前文已经反复强调了辨析基本概念的重要性，而企业实践交流没有什么特别之处，因此我们会在直播中来重点探讨企业的数据治理痛点。

2、目标设定

经过准备阶段对于企业自身痛点的思考和准确把握，我们就可以更清晰的为数据治理建设设定目标。在《两级体系下数据治理实践要点思考》一文中，我们将数据治理的WHY，分为宏观的WHY和微观的WHY。宏观的WHY，我们主要指：

国际理论和实践发展如何，强调符合业界动态和最新趋势；
国家、行业相关战略、制度、纲领如何，强调符合国内发展要求；
本机构信息化及数据工作历史、现状和问题如何，强调解决存量问题的必要性；
本机构信息化及数据发展方向和价值预期如何，强调符合本机构发展需求；
而微观的WHY，我们以“源于日常工作”这样一个原则去识别数据治理的微观落脚点，例如：
哪些数据问题，直接影响了哪些业务基层岗位的业务操作无法办理？或者办理效率很低？
哪些数据问题，直接影响了哪些岗位、哪些部门的业务流程协同运转？
哪些数据问题，直接影响了哪些部门、哪些高管的哪些管理决策？
哪些基础数据，会支撑哪些可能的数据应用？而这些大数据应用又为哪些业务、哪些人员带来什么作用？是开源？节流？还是合规？

在实践之中，许多组织会将建组织、建制度、建平台作为数据治理项目的主要内容，笔者称之为能力建设——组织能力、制度能力、技术能力，而仅关注能力建设的项目其实际效果往往堪忧——数据治理委员会、办公室成立了，但不知道下一步该做什么、业务参与度也不高；十几份红头文件公司内部发布了，却被束之高阁、执行不到位；数据治理软件平台开发好了，但用户聊聊...我也会在直播中，针对这些尴尬瞬间给出击破方法。

3、参与主体

有了明确和具体的数据治理工作目标，就能更清楚的界定数据治理工作的参与者。理想状态下，数据治理当然是需要组织全员重视和一定程度参与的工作，但对于一项新生事物而言，其发展壮大总是需要一些时间，不可能一步到位达到全员皆治理，总要找到在某个时期、特别是启动时期比较适合的参与主体，并界定其各方之间的工作协同关系，保证顺利开展、达成目标。在参与主体方面，我们主要考虑各参与主体之间的3类主要关系：

（1）甲方与乙方的关系

在通常意义的信息化项目中，甲方往往喜欢交钥匙工程，由乙方全权负责业务规划、需求调研、系统开发、上线推广、常态运维。这类建设模式，对于信息化时代和业务数据化的需求，也许是可以的，因为甲方的业务流程、业务场景相对明确和成熟，项目也更多聚焦于某一个系统，目标用户比较清晰，乙方做好充分现状分析提出优化建议，并由甲方确认后，就可以投入开发了，过程中也有甲方关键用户去把关，不会跑偏太多，经验丰富的乙方一定程度上是可以完成交钥匙工程的。而对于数据治理工作或工具类项目，甲方本身对数据治理的认知不足，也缺少有经验的团队、数据治理的工作场景也并不成熟。同时，这项工作无论在建设期和运营期都要甲方内部多个部门达成共识，即便乙方能力再强、经验再丰富，毕竟涉及甲方内部部门间的共识，完全指望乙方的交钥匙工程是不现实的。

（2）中高层与基层的关系

从微观上讲，高层指的是一个组织的组织级领导，例如一个电网、运营商或银行的总经理、主管数字化工作的副总经理；中层指的是部门级和处级领导，例如数字化部主任、数据管理处处长、业务部门副主任、业务部门数据管理中心处长；基层指的是负责数据治理工作开展的数据团队或数据治理团队的专责，包括数字化部门数据处的专责以及业务部门负责数据工作的专责。在数据治理工作过程中，中高层和基层的关注点是不同的。

从宏观上讲，高层指的是集团总部，中层指的是省公司，基层指的是地市公司、区级公司。

（3）业务部门与数据治理团队的关系

数据治理工作已经被越来越多的业务部门领导所重视，业务部门也在逐渐加强自己对数据治理工作的参与度和主导权，有部分大型企业在业务部门设置了本业务领域的数据团队，承担着本业务的数据应用与治理职责，这些都是利好的趋势。但是在大部分企业，数据治理工作的发起者和主导者，仍然以IT部门、数据团队、数据治理团队为主。在实践较深的企业，数据治理团队是独立于IT部门的平级部门，在有一定实践基础的企业，会将数据治理团队作为IT部门的一个处室，而对于一些企业，囿于组织架构调整的难度，数据治理团队可能只是虚拟的、由部分骨干专职甚至兼职组成。

4、建设策略

在数据治理工作特别是第一期数据治理项目中，往往有两种建设思路：一是顶层设计、二是落地见效。

对于刚刚开始数据治理工作的组织中，前文所述的“准备工作”往往不到位，所以项目伊始，甲方通常对数据治理这四个字究竟是什么？别人怎么做的？在本单位应该做什么、如何做？这几个基本问题还没有很清晰的认识，所以更喜欢“顶层设计”类的工作思路，从数据治理的愿景、使命、价值观到组织架构、制度体系、流程体系，再到各个数据治理子领域的管理办法、实施细则，都要做一个遍...而实质上，这类工作思路更偏向于理论研究，更多是为给甲方答疑解惑，而忽视了解决实际问题，容易让业务部门和基层无感、徒增了许多配合工作。如前文所述，当价值体现并不明显时，数据治理相关方信心和决心就会受到影响，工作推动阻力加大。

另一类思路是落地见效，组织痛点已经找的非常准确，于是从某些或者某个特别具体的问题入手，制定规则、生成质量检查报告、清理数据，同时制定了相应的数据标准规范、开发了技术工具，在局部取得一些落地成效。此种工作思路对于解决局部热点问题很有好处，能让参与者切实感受到数据治理工作如何开展、难点是什么，但是会在某些点上做的深度有余和广度不足。曾有一位客户的信息部门老大开着玩笑让我们思考：“你们要想清楚，这次项目要做的是钻头，还是做刨子？”通俗的比喻实际道出了甲方中高层领导对这类思路的担心之处：点上做的固然深入，但整体上想清楚了吗？遗漏的那些问题怎么办？做数据治理工作是应该做运动员还是裁判员？未来两三年我们应该做哪些工作？有什么方法和机制能常态化开展？...这一系列疑问，一定要通过系统思考和顶层设计才能回答。

由此看来，在首期数据治理项目中，单纯的顶层设计和单纯的落地见效，都不能满足组织早期开展数据治理工作所需，在此，我们建议一种点面结合的混搭式策略：一条线主攻顶层设计，另一条线主攻落地见效，通过顶层设计指导落地方法，而通过落地见效过程中实战磨合出来的工作机制和方法去优化顶层设计，两者之间形成点与面的互动和融合。这类建设策略经过实践验证，能够有效满足高中基层、业务与数据部门的各方诉求，建议大家参考使用。

5、建设内容

将数据治理导入到一个组织之中，应该符合由浅入深、循序渐进的过程，不恰当的演进路线一定不会产生有效的工作成果。最近笔者参与了一个客户组织的数据治理产品培训会，由某友商为客户数据治理团队进行培训。内容安排的很充实，也有四五十人同时在线学习，气氛不错。在厂商专家兴高采烈的介绍基于产品如何实现业务词汇表与数据库表的关联、如何追溯业务术语的血缘关系等产品功能时。观众留言区冒出一句：什么是业务词汇表？有人答：业务词汇表能不能理解为一个业务数据库应用？另一位答：业务词汇表就是编码标准定义。于是，厂商专家又停下来普及了几分钟业务术语、业务词汇表的基础知识...而观众们也是听得云里雾里，但也不在好意思发问了。

在此要推荐一下御数坊的数据治理建设路径，我们会沿着组织对于数据治理工作的认知和学习曲线，去循序渐进的开展覆盖数据治理工作的全生命周期。而在工作开始之前，我们一定会和客户深入去探讨其单位当前所处阶段，以哪些工作适合作为切入点，哪些工作又需要补一补功课。

此外，简单谈一谈御数坊的数据治理工具观。在以上各项数据治理工作中，数据治理平台主要在专项提升和常态运营中发挥作用，其主要意义在于固化工作机制和成果，提高各项数据治理的工作效率。工具发挥作用的前提，在于各项工作已经想清楚并以得到一定程度的有效开展，这时沉淀下来的机制才是靠谱的、可常态运行的。由此看来，先开展工作，后建设工具，是比较稳妥的路径。即便一些单位希望一开始就引入工具平台，也需要仔细评价这些工具功能背后是否真的支撑了某些数据治理场景、某些数据治理理念？这些场景和理念是否在别的企业得到过验证？又是否适用于本单位？企业服务软件本质上是先进管理思想的沉淀和输出，对于高度重视管理机制的数据治理而言，这一点尤为重要！

6、工作模式

工作模式这个词也比较抽象，本文中我们从两个角度来谈：一方面，是结合时间视角的数据生命周期，将数据治理分为事前事中模式与事后模式；另一方面，是结合空间视角的数据生命周期，将数据治理分为数据中台治理模式与源端系统治理模式。

工作模式1：时间视角的“事前、事中、事后”。

这里指的事，主要是指信息系统、数据平台的建设这件事。直白的讲，就是系统建设之后治理，还是在系统建设之前和建设过程中进行治理。

（1）事前事中事后是数据团队的内部机制，业务感知不明显

（2）事前事中事后的工作机制容易完善，但工具支撑存在难以逾越的障碍

工作模式2：空间视角的“数据中台治理与源端系统治理”。

从早期面向数据仓库的数据治理，到中期面向大数据平台的数据治理，再到目前面向数据中台的数据治理，数据环境的技术逐渐在变，但治理的主要发力点，始终都在分析域的数据平台一侧，对于源端系统的治理，关注并不够。

综合时间和空间两个视角，御数坊近期与重量合作伙伴正在形成整体解决方案，待有进一步成果，第一时间与大家分享沟通，敬请期待！

7、全局协同

实施数据治理本身这项工作的内容，通过上面6个要点基本上可以讲解清楚了。但我们仍然不能忘了，数据治理在一个组织内不是孤立的事物，还有一些比其更宏观、或与其平级，或粒度更细的工作需要建立全局协同，在组织、职责、流程、工具方面都建立起“结合点”，让其他工作能与数据治理产生联动，这样数据治理才能作为一项常态工作有效融入企业的日常运营管理活动之中，从而发挥其效益。在此，我们谈几项容易被忽视的协同工作。

（1）数据治理与业务战略的协同

都说数据治理工作要以业务为导向，但通常我们问到甲方数据治理团队成员：贵司今年公司整体的业务发展方向是什么？业务目标是什么？为此哪些数据应该重点应用、重点管理？这几个问题的时候，大多数时候我们得到的答案都是一脸茫然和疑惑，似乎这个问题我们问错了...但如果没有明确的业务战略方向作为指导，数据治理团队又如何将有限的精力和资源投入到组织最为关注的业务举措上呢？数据治理的战略方向应该与组织发展的业务战略高度一致。例如：如果单位今年重点要做开源，那么客户数据、渠道数据、产品数据就应该是重点治理方向；而如果今年单位主要目标是节流，那么成本数据、供应链数据、采购数据就应该是重点治理方向。如果数据治理方向与业务战略南辕北辙，如何得到高层领导和业务部门的理解和支持呢？

（2）数据治理与企业架构的协同

企业架构理论在中国企业的信息化规划过程中得到了较为广泛的认知和应用，而企业架构的四层（业务架构、数据架构、应用架构、技术架构）与数据治理所关注的数据架构、数据标准、数据质量、数据安全、元数据等等，是什么关系？对于已经开展了企业架构项目的单位而言，如何基于既有企业架构成果进一步设计好数据治理体系、做好数据治理工作？

（3）数据治理与信息化项目管理的组织协同

数据治理与信息化项目管理的机制协同，在前文信息系统生命周期中已有相关阐述了，在此更多强调组织方面的协同。因为对于新生的数据治理团队而言，组织内管理信息化项目的组织已经存在若干年、已有相对成熟的管理职责和流程，数据治理团队应该如何与既有信息化项目管理组织相融合，就变成了一个挑战。

（1）按系统划分的组织形式

（2）按职能划分的组织形式

（3）混合式划分的组织形式

随着信息化、数字化、智能化建设的不断演进，甲方IT部门的组织模式也在不断演进，数据治理团队也应因大环境而变，去寻求与各方有效协同的适应模式。

8、树立影响

如果扎扎实实掌握了前文的“为什么、是什么”以及七点“怎么办”，我们距离走上数据治理的成功之路也就不远了。但酒香也怕巷子深，我们还需要做好一件数据人往往不太擅长的事情：沟通，沟通，沟通！不断对组织内部各方宣传数据治理的内涵和意义，不断分享数据治理的计划和进度，不断展现数据治理的成果和经验教训，不断邀请各方或深或浅的参与到数据治理工作中来...在沟通中加强数据治理工作的影响力，加强对彼此诉求的理解，加强对数据资产的共识，加强联合一致的共同行动，这本身就是“治理”二字的意义！

一般来说，数据治理的沟通有三个路径，自上而下，自下而上，自内而外。前两个路径是借鉴国外专家的资料，主要是数据治理工作者在治理体系内部的沟通，但笔者认为最重要的，是第三点自内而外，向数据产生者、使用者等所有数据相关方的沟通。

总结建议：道阻且长，行则将至

至此，笔者认为比较重要的数据治理实践八个要点阐述完毕，囿于并不全面的视角，对数据治理历史的描述未必准确，对于数据治理概念的辨析未必深入，对于数据治理实践要点的总结未必全面，但相信您能从文字看到我们的专业和诚意，也希望能在更多互相尊重彼此付出的基础上善意的引用和分享交流。既然是总结，我们再提炼一些精要观点以供备忘。

1. 掌握基本概念和理论框架，在应用中优化。数据治理四个字内涵颇多，要争取对每个概念、每项职能都有比较准确的把握，并在实践中不断去运用概念及职能框架，去修正自己的理解，更进一步争取能有自己制定概念、制定框架的能力。在任何一个领域，牛人都是有自己的概念能力和理论构架能力的。

2. 了解组织自身痛点，明确价值创造目标。要充分与单位各角色的数据相关方沟通，明确自己企业在业务发展、数字化建设等领域的短期长期需求和痛点，注意收集“微观的WHY”，有针对性的设计数据治理的工作目标。

3. 建立数据认责，各方有效协同。数据治理最终治理的是数据相关方的行为、采取一致的数据行动，获得数据利益的最大化。各方共同参与是关键要素，需要在工作之处及过程中尽量明确各方的数据职责，方能做到高效协同。

4. 以价值为导向，有打破边界的勇气和智慧。找准业务场景和业务价值点，不拘泥于某一系统、某一类数据、某一个组织，以解决业务问题为目标、应治尽治。当然，打破边界约束是需要有政治智慧的，相信本着坦诚沟通的态度、解决问题的决心和合作共赢的理念，是可以将数据治理逐渐升级到企业级的。

5. 内功要硬，更要融入全局。数据治理自身体系健全的同时，要能与业务战略、企业架构、信息化项目管理等多项数据相关的工作有效融合，数据治理自身是小场景，组织的演进发展和运营管理是大场景，只有有机融入到大场景中，数据治理工作才有生命力。

6. 多沟通多分享，不断加强存在感和影响力。要敢发声、会发声，通过各种“亲民”的形式与数据相关方互动起来，影响数据相关方的数据行为，达成数据治理目标。

洋洋洒洒一万八千字，仍然说不完数据治理的经验与感悟。这项工作在国外已有三十年、国内也有十五年以上的历史，经过这么多年的发展仍然会有诸多困惑和更多有价值有意思的话题值得探讨。而御数坊也一直在追求数据治理方面的创新突破，我们对于行业生态、商业模式、咨询方法、应用场景、产品功能、基础技术，都已经有一系列的思考、尝试和实践，并取得了还不错的成果，欢迎大家随时联系，我们交流合作、共同成长！数据治理工作着实不易，但需要有靠谱的人共同坚守、共同探索、共同创造。

最后，以去年在波士顿参加EDW大会时的两张照片和当时的感慨作为收尾——道阻且长，行则将至！

The Freedom Trail@Boston，一条历史之路，革命之路，自由之路；

带着打破旧世界的勇气和建立新世界的理想，美国在这里走上独立之路；

成者，后人树碑立传，败者，或能得到些许怜悯，但终将被历史遗忘…

即将告别2010年代、迎接2020年代的代际交替之际，EDW选在波士顿，或许真是有一番深意！

作者简介：

刘晨

御数坊创始人&CEO，清数大数据产业联盟副秘书长