成功的大数据治理项目须坚持“六个导向”和“三个相结合原则”及“四个坚持和五个避免”

01  

                                     概述说明

缺乏企业高层领导的支持、数据质量、安全与监控没有好的工具支撑、系统间的数据壁垒和整个治理项目缺乏明确的流程和数据模板、数据所有权和问责机制不清等因素都是导致数据治理项目失败或者治理结果不理想的主要原因。

成功的大数据治理项目须坚持“六个导向”和“三个相结合原则”及“四个坚持和五个避免”。

1.“六个导向”：“需求导向”、“价值导向”、“问题导向”、“能力导向”、“创新导向”、“结果导向”。

2.“三个相结合原则”：①大数据治理技术与企业传统业务深度融合相结合原则；②长远目标与短期实效相结合原则；③“标准、工具”与“运维保障”相结合原则。

3.“四个坚持和五个避免”：①坚持统筹规划、分步演进、局部执行,避免贪大求全；②坚持“标准先行、急用先建、滚动发展”，避免单一工具建设，避免为了做数据标准而做标准；③坚持“业务部门牵头、信息部门统筹管理，服务公司作技术支撑”，避免唯信息部门孤军作战、避免流程过长和授权模糊不清；④坚持标准贯标和内部数据人才培养，培养数据伦理文化。

02  

点对点数据集成

图1.大数据治理的６个导向

1.需求导向：

需求导向：以企业战略举措和核心信息化系统为重要切入点，以满足需求为驱动集中收集各部门和各层级公司的数据需求。

1）从数据的应用需求出发，收集管理层和业务部门最为迫切和重要的数据应用需求。以业务用户关心的数据、数据需求、数据问题为切入点深度处理，避免大而全的项目建设。例如管理层希望能够获得及时的经营统计分析数据以便更好的了解企业的经营状况，有利于管理决策；结合管理层和业务部门最关心的数据需求，梳理、评估并确定需求范围和优先级，定位需求涉及的所有相关数据项，从数据项入手进行需求分析和梳理，确定需要进入到专项治理的数据范围，并进一步推动相关数据需求的落地实现，并同步提炼各项能力建设需求，开展数据治理的建设工作。

2）识别企业面临的最为迫切需要解决的数据痛点和难点。从解决企业生产经营中遇到的“痛点”、“难点”和“盲点”出发，注重实用，讲究实效；例如对于大多数资产密集型企业而言，企业更加关注的生产设备的“安、稳、长、满、优”的运行（例如尽量减少非计划停机时间等），如何保障设备健康，对关键设备备件的的预防性维修预测等议题都是很好的切入点。

3）制定并完善相关数据标准及数据采集规范，推动数据标准的贯标及数据采集规范的落实。明确数据的来源和血缘关系，设计数据质量的检核规则并落实常态化监测，以此实现事前、事中、事后的综合性问题解决方案并推动方案落地实施。

2.价值导向：

价值向导: 以“价值”为核心原则，聚焦范围，明晰责权，兼顾短期长期收益，持续改善。

1）以业务用户感知的价值为数据治理工作成功标准，以实现业务价值为导向。遵循企业数据治理体系、制度和标准规范，定位企业最为迫切的、重要的数据需求和数据痛点，明确数据项范围并开展专项治理工作，随后逐个突破，快速释放数据成效并实现业务价值，形成日常的长效运营机制。

2）设计相应的数据价值评价方案并评估数据治理的价值。结合已有数据标准、业务采集规范及落地方案和需求，对业务部门产生的具体价值以及相关数据需求的满足度和对业务经营管理的提升作用、数据痛点难点的解决情况等进行合理评估，最好有量化的提升指标，例如在降本增效有具体的定量的数据。在评估过程中，如发现具体数据需求实现中或痛点难点解决中存在问题，应协调相关责任部门进行落实，必要时应向管理层进行汇报并决策。

3.问题导向:

问题导向：以解决业务部门各种问题为目标，开展数据治理项目，改善优化业务流程，解决业务痛点问题。

1）全面了解令业务部门深感头痛的数据问题，以点带面、以解决热点问题为驱动，通过问题根本原因分析，总结出各项数据治理子项目建设需求，带动开展各项信息化项目建设。

2）通过各种工具、方法收集企业各部门的各类热点问题，通过问题归类、关键数据项识别、热点问题归因分析，根据问题的轻重缓急制定出优先级不同的任务计划，制定出数据治理的建设需求。

3）通过数据治理任务项，经过专项逐一落实和解决，跟业务一起对项目进行后评估，做好闭环管理。基于业务现状和数据构成，可采用“先单点深入再横向扩展、先专家构建再借助机器学习技术、先简单应用再智能服务”的数据治理建设思路。以解决实际业务问题为目标，设计典型业务场景下的数据管理应用模式，以验证实现数据价值挖掘的技术路线、服务模式和预期效果。

4.能力导向:

能力导向：以《数据管理能力成熟度评估模型》Data management Capability Maturity assessment Model简称（DCMM）评估结果为抓手，找到数据管理差距，推动相关数据管理能力的提升工作，有的放矢，避免盲目的直接开展数据治理建设工作。通过数据能力成熟度模型，组织可以清楚的定义数据当前所处的发展阶段以及未来的发展方向，培育数据管理能力建设。

1）发现存在的问题，标杆对标，找出差距，找准建设方向。通过对于企业DCMM的评估和标杆企业案例对标，可以发现企业数据管理过程中存在的问题，并且结合其他企业的最佳实践经验，给出针对性的建议和发展方向。同时，也可以发现企业数据管理过程中的优点，并加以强化和宣传。

2）提升人员技能，建立数据能力提升体系。通过DCMM的评估和培训，可以加强企业内部技术人员、业务人员以及管理人员的数据资产意识，提升相关从业者的技能，理清数据管理、应用建设的思路和框架，规范和指导相关工作的开展。

3）持续提升数据治理能力。开展DCMM评估之后，提升企业从业人员数据资产意识，提升数据技能，推广和传播数据管理最佳实践，从而促进企业整体的数据管理发展，持续推动企业数据能力水平的提升。

5.创新导向：

创新导向：数据治理的工作没有特别成熟的方法论和模式可以借鉴，要打破常规，结合企业实际情况，找到适合自己企业的实施方法论和建设路径，数据治理工作要支持业务创新能力，提高业务创新层次。在应用大数据最新技术和成果的同时，要研究相匹配的大数据治理工作方法、策略、路径和技术难点，支持大数据技术、应用和商业模式的协同创新。

6.结果导向：

结果导向：结果导向是ISO质量管理体系、绩效管理理论中的基本概念和核心思想之一，即强调经营、管理和工作的结果（经济与社会效益和客户满意度），经营管理和日常工作中表现出来的能力、态度均要符合结果的要求，否则没有价值和意义。

注重数据治理的效果，针对最终的数据质量提升效果进行全面评价和考核，确保企业的数据质量有明显的提升，产生实际效果并实现数据价值。企业大数据项目的原则上由业务需求部门主导，“谁用谁建、谁建谁用”，确保大数据应用的效率及效益落实到位。

03  

数据治理目标和3个相结合原则

大数据治理目标

数据质量和安全是数据治理的核心目标，是企业能够利用数据，产生业务价值的基石。数据治理体系建设应始终以数据质量的提升为重点，检验数据治理的成效。通过建立全面的数据治理体系，设计总体框架目标，根据需求分步实施，组建数据治理组织，统一数据标准，建立数据获取、处理和使用流程，形成数据集成与共享应用管理机制，建立全面数据资源共享新模式，形成数据资源及应用服务开放目录，支撑数据战略有效实施。

图2.大数据治理目标和三结合的原则

1）通过设立组织、建立制度、制定流程、搭建工具四个层面构建数据治理体系顶层设计的建设思路，目标明确，落实执行，建立数据认责机制，形成拥有者体系，数据责任明确化；

2）参考国家、行业标准，建立统一的企业级数据标准和规范，并遵循“循序渐进、不断完善”的原则稳步推进，标准规范，制定管理办法，实现数据标准规范化、数据管理流程化、数据共享制度化；

3）以数据集成与共享应用为导向，建立数据资产知识图谱，使得有账可查，将企业数据沉淀成企业的“知识”，通过知识映射和了解现实业务系统，从“关系”的角度提供智能分析问题的能力，实现数据资源显性化。

4）选取日常运营中的典型业务场景，开展典型大数据应用场景设计，搭建数据治理工具，形成数据资源服务目录和地图，实现数据关系脉络化、数据目录可视化。  

3个原则数据治理体系是企业面向数据化转型和实现数据价值的基础，应参照以下原则：

1.大数据治理技术与企业传统业务深度融合原则

大数据技术与企业传统业务深度融合，建设统一的、一体化的、共享的数据治理平台，支撑总部和企业的各种数据应用需求。

大数据治理涉及的业务深、数据多、技术难，所遵守的基本原则是有效性、开放性、安全性、可访问性、开发性和及时性，需要提升数据收集、整合、集成、挖掘和驾驭能力，实现数据治理智能化和自动化，充分发挥数据资产潜力。大数据治理内容包含：在大数据全生命周期内使用的技术、管理规范与政策制度，技术层面涵盖大数据管理、存储、质量、共享开发、数据安全与隐私等。

将大数据治理理念引入端到端的业务流程中，改变先建设后改造的旧有路径。创建自助服务工具，控制数据质量和改进数据访问和分析方式，要明确需求问题，不要盲目做数据标准。在数据资源目录和地图、数据共享交换与服务、数据处理规范、数据资源整合、数据安全与监控的方面选择合适的大数据治理工具，提高数据安全性、完整性、一致性及准确性。

2.长远目标与短期实效相结合原则

“大处规划，小处着眼，重点实施，分步治理”的实施原则，设计长远发展的数据治理体系架构，形成数据资源及应用服务开放目录，满足公司领导和业务部门短期和长期的数据需求，解决数据问题。

1）遵循总体设计，根据需求分步实施：数据治理体系的建设是企业增强数据资产管理的长期任务。企业应从自身的战略、业务、机构和人员、管理流程等方面，综合评估，并根据各阶段的业务目标，分步建设数据治理体系。

2）局部执行，快速见效：数据治理是一件极其复杂、短期很难见到成效的事情，治理体系建设的每个阶段，都应结合自身业务现状和问题，有针对性制定方案，并落实解决。在建设初期，应通过“局部执行，快速见效”策略，以点带面，推动治理体系的分步演进。

3.“标准、工具”与“运维保障”相结合原则

数据治理涉及面广、内容多：数据管理组织及制度建立、业务职能和流程优化、既有信息管理系统优化、数据管理平台固化、数据标准、数据清洗、工具支撑以及后期运营体系建设等，企业以需求和问题为导向，打出多项数据治理任务的“组合拳”，单一的数据治理建设不足以落地见效。

通过将数据标准规范并固化到数据治理管理平台中，通过技术手段保证运维质量和应用效果，通过数据的服务机制，保证数据的应用质量和数据的一致性。建立反馈机制，形成迭代闭环运维管理模式，在数据治理方案中嵌入问责机制，纳入到监督考核办法。

04  

四个坚持和五个避免

图3.数据治理四个坚持和五个避免

1.坚持统筹规划、分步演进、局部执行，避免贪大求全

1）顶层架构设计，统筹规划、小步快跑、局部执行

大数据治理要统筹考虑，加强顶层设计，在充分与相关业务部门协商研究、沟通衔接的基础上制定综合规划和方案，确定重大事项推进的目标任务、政策措施等。数据治理体系的建设是企业增强数据资产管理的长期任务。企业应从自身的战略、业务、机构和人员、管理流程等方面综合评估，并根据各阶段的业务目标，分步建设数据治理体系。数据治理体系建设的每个阶段，都应结合自身业务现状和问题，有针对性制定方案，并落实解决。

2）避免贪大求全，要做小而精，实现“速赢”。

把一个具体的数据标准问题，从前到后都梳理清楚，真正把这一个标准项所涉及的问题都理顺，这样这一个数据标准问题才能够得到真正的解决。同时也要注意优先级，因为数据标准问题很多，需要根据重要性、紧迫性来进行选择。第一，范围不聚焦。所做的工作没办法短期见效，也得不到领导的认可，很难再开展二期的计划，从而失去信心。第二、需求不明确。很多客户看似需求明确，需求并不总是清晰的，如果想不清楚需求，建议先启动一个小型的咨询项目，通过专业的团队，一起找到项目切入点，企业很多时候并不是没有需求，只是需求太笼统，模糊不清晰，没有梳理出来。

2.坚持“标准先行、急用先建、滚动发展”，避免单一工具建设

1）坚持“标准先行、急用先建、滚动发展”

信息标准是信息系统建设的重要基础，标准必须先行，才能避免走弯路和重复建设。建立分层、分级数据标准和规范；信息标准遵循体系表进行建设，同时信息标准建设还必须紧密结合信息系统建设项目而开展，脱离实际的标准是没有生命力的。信息标准在应用过程中需要不断的修订和完善，同时在信息系统的建设过程中还会不断产生新的需求，因此信息标准化工作是不断滚动完善的过程。

2）避免为了做数据标准而做标准

很多企业做数据标准，却不注重数据标准的全面梳理，数据标准定的范围很大，却很难以一个项目的方式都做完，而且就算是花很大精力梳理，也没办法看到效果，往往是客户只看到了一堆文档，这是最普遍的问题。

数据标准落地困难。数据标准落地有几个方法，有源系统落地、数据资源中心落地、数据接口规范落地。要不要在源系统落地是取决于具体的数据标准问题，而不是泛泛的谈论落地。企业数据标准的落地，应该细化到数据标准项，再分析其必要性，涉及面、紧迫性、重要程度等方面，只有把这些问题都搞清楚，才能够作出正确决策。

3）避免单一的工具建设，唯“工具论”

很多企业错误的认为：数据治理就是买一些数据治理的工具，认为工具做好了，数据治理就没问题了。结果是：一方面功能越做越多，另一方面实际上线后，软件功能复杂，使用者使用不起来。数据治理本身包含很多的内容，标准规范、数据清洗、治理组织、工具四项缺一不可，工具只是其中一环，企业在做数据治理过程中最容易忽视的就是组织和人员，所有的活动流程、制度规范都需要人来执行、落实和推动，治理推广工作没人做。在做数据治理的时候将组织和人员放在第一位，有组织的存在，就会有人去思考这方面的工作，怎么去推动，持续把事情做好，以人为中心的数据治理工作，才更容易推广落地，见到实效。

3.坚持“业务部门牵头、信息部门统筹管理，服务公司作技术支撑”，避免唯信息部门孤军作战，避免流程过长和授权模糊不清

1）坚持“业务部门牵头、信息部门统筹管理，服务公司（内或外部咨询实施商）技术支撑

数据治理不应局限于一个部门，一个业务，而是需要企业从战略和管理高度重视数据质量问题。数据治理需要政策制度和技术监管双管齐下，企业高层从全局的角度出发来设计顶层架构和制定政策制度，规范数据从业务输入到战略管理过程的全流程治理，使用技术手段监控在数据治理制度下产生数据，确保数据治理全流程是符合企业标准和规范，同时需要保证整个数据治理过程中，企业内部和外部合作伙伴的数据使用和数据管理均符合相应的法律法规。

大数据治理体系是企业为充分发挥数据价值，实现数字化转型的基础。其成功需要企业跨机构、跨部门、跨地域、跨系统的整体协调配合，必须具备全局意识和相应组织来统筹组织和推进。业务部门与技术部门合作，协同推进数据治理工作数据管理中的数据分析梳理，规范制度的落实等众多环节都需要具体业务部门负责或配合。

数据是流动的，数据的问题涉及多个部门，仅有信息部门的参与是很难推动数据治理的活动，只有让信息和业务部门都参与进来，以业务为导向，信息部门配合，才能够达成较好的结果。例如以财务关键业务指标为切入点，针对财务指标加工数据流向所涉及的方面去梳理，结果是财务指标的数据质量得到了大幅提高，同时也积累了治理的经验。

2）避免信息部门唱独角戏

业务部门的参与度往往决定了项目的成果与成效水平。数据管理中的数据标准建立，数据清洗工作，规范制度的落实等众多环节都需要具体业务部门负责或配合。对数据质量的重要性充分认同，获得业务部门的长期支持。数据治理当前大部分的立项都是信息部门，原因在于业务部门往往觉得数据治理跟他们没什么关系，技术部门大多是以数据中心或者大数据服务平台为出发点，受限于组织范围，不希望扩大到业务系统，只希望把自已负责的范围管好。

应坚持由各业务领域的专业技术人员主导数据中台、数据治理平台及数据应用的建设，结果的应用要下沉到业务人员手中，支持一线的业务决策和管理。

3）避免流程过长和授权模糊不清

一个良好的数据治理项目需要一个计划周详的数据治理框架、明确的管理办法和规定以及清晰的分级审核流程。梳理数据管理流程，采用“两个简化，三个避免”的原则，着眼于整体设计，业务流程和数据流程充分衔接（恰当的时机，合理的时耗）。并采用定岗、定量、考核与激励并举的措施，保证数据流程效率和强有力的管控能力。

图4.数据数据管理流程原则和措施

着眼于整体设计，业务部门往往从流程入手，开始建立流程，从需求、设计、开发、测试、上线，运维，将所有环节都用统一的流程来管理。业务流程和数据流程充分衔接（恰当的时机，合理的时耗）。并采用定岗、定量、考核与激励并举的措施，保证数据流程效率而强有力的管控能力。

梳理数据需要简化处理，如果流程非常复杂，不仅会为开发人员实际增加很多工作量，而且领导没有见到实效，于是逐渐边缘化，最后流程文档束之高阁。 

4.坚持标准贯标和内部数据人才培养，培养数据伦理文化

1）加大标准贯标力度。通过经验交流、专家讲座、培训学习、规划宣讲等形式，提高企业数据从业者和业务人员的大数据知识素养，知道大数据能干什么、怎么干、找谁干等实际问题，加快规划落实转化。

2）建立适应大数据发展需求的人才培养机制。培养和引进数据治理专家和大数据科学家，整合高校、企业、社会资源，推动建立创新人才培养模式，建立健全多层次、多类型的大数据人才培养体系。

3）打造和建立数据文化，营造数据氛围。加强数据文化的宣传工作，建立数据数据伦理道德文化，让数据管理工作者能够感受到数据文化的魅力，更好的敬岗爱业。

结束语：大数据治理是一项战略性、长期性、艰巨性、系统性、持续企业内部数据环境优化的治理工作。因此，大数据治理是一个漫长而持续的过程，没有一针顶破天的诀窍，也没有立竿见影的捷径，唯有企业持续不断、持之以恒不懈努力，才能达到预期的目标。

来源：数据工匠俱乐部

作者：蔡春久