浅谈数据治理

01 引言
在之前的一篇博客《细谈数据仓库》我大致讲解了为何需要数据仓库？数据仓库的概念以及分层等。与数据仓库紧密相关联的概念就是 “数据治理” 了,也就是本文要讲的内容。

在讲解数据治理前，需要了解一下相关的概念，这里先贴出来 （可以先跳过）：

元数据（Metadata ）：描述数据的数据或关于数据的结构化数据，比如“年龄：18岁”，年龄是一种属性，用来描述具体的“值”的，而这种属性的信息就叫元数据；
主数据（Master Data）：企业内需要在多个部门、多个信息系统之间共享的数据，如客户、供应商、组织、人员、项目、物料等；
资源目录：资源目录指在数据库表基础上建立的，用于对内部系统或对外部应用共享的数据资源清单；
数据模型：数据模型是通过对元数据表描述信息、字段描述信息等元数据的定义，来抽象建立元数据实体表逻辑和物理模型；
血缘分析：是保证数据融合（聚合）的一个手段，通过血缘分析实现数据融合处理的可追溯；
02 为何需要数据治理？
2.1 数据治理定义
网上对数据治理的定义褒贬不一，而我理解的数据治理就是：“处理高质量的数据，以便于高层做正确的决策”！

2.2 何为数据治理？
首先我们需要明白为何数据需要治理？下面来举个例子：

假设一家公司下有很多家子公司，每家子公司都有一个财务部门，每个财务部门都有一个财务系统，财务数据都存入他们的数据库。何时有一个问题来了，年底了，总公司的高层需要知道每年的年度报表，需要知道公司的盈利情况，那么如何解决呢？

针对上述问题，我们会很自然的想到一个方案，那就设计一个类似于 “ 数据中台 ” 的系统，也就是把每个子公司的财务系统数据库里的数据，汇聚（即ETL）到我们数据中台通过数据建模定义“数据仓库表”里面去，这样我们就能看到每个子公司财务系统里面的数据了，减少了多个子公司数据库的连库表查询，可以看到，这是十分方便和高效的。但是，这会有一个问题，因为高层不熟悉我们的系统，他们往往希望看到他们期望的东西，例如盈利的趋势，走向等，那该如何解决呢？其实这也就是我们讲数据治理的核心，即“质量”。

考过 PMP的都知道有个铁三角，即“成本、效率、质量”，这三者同时保障是很困难的，但是有了 “数据治理” 我们可以提高“效率”（如前面讲的“数据中台设计数据仓库表”），再提高“质量”，进行了数据治理之后方便高层做出决策，进而减少“成本”。

如何保证质量？这个时候就需要我们设计一个高质量的模型了，这个模型需要我们结合财务高手一起来设计，设计的前提是我们财务的基础数据（即每个子公司的财务系统数据），协同财务高手的主要目的是他们的经验（因为技术不懂财务知识）。假如他们有一套财务公式可以预测盈利的走势，那么，我们可以使用到我们的 “数据中台” 系统通过模型设计把这套财务公式应用进来，进而保证了“质量”。

再回顾之前开头说的一句话：“数据治理就是处理高质量的数据，以便于高层做正确的决策！”，通过上面的例子，是不是对“数据治理”这个概念有所理解了呢？如果还不是很清晰，可以继续往下阅读。

03 数据治理设计
先贴出一张设计图：

这是我自己画的一张关于“数据治理的设计图”，可以看到我把它分为了三层，分别为：“数据规则层”、“数据处理中间层”、“数据共享层”。

3.1 数据规则
3.1.1 标准
在数据治理之前，我们必须定义“标准”，这些标准都是大家公认的，比如：“国家标准”、“行业标准”、“地区标准”等。这些标准我们可以在网站里看到： http://std.samr.gov.cn/gb/

所以我们定义标准前，必须是按照全国的标准才是最规范的，例如：1表示男，2表示女等。

3.1.2 模型
这里的模型主要指的是 “元模型” 的设计，比如我们期望的数据在我们的数据仓库里面存储的规则是怎样的？例如：有哪些字段？每个字段能存什么类型？每个字段能存的值有哪些等等？

3.2 数据处理中间层
在前面，我们已经有了一个“标准”以及“模型”，那么我们可以设计数据属性了，也就是数据处理中间层要做的事情。

3.2.1 元数据
元数据（Metadata ）：描述数据的数据或关于数据的结构化数据，比如“年龄：18岁”，年龄是一种属性，用来描述具体的“值”的，而这种属性的信息就叫元数据；

可以说 “元数据” 是前面说的 “模型” 来定义的，这里定义的元数据，就是我们期望的 “未来存入数据定义” ，例如：这里定义了MySQL的某张表的数据（列字段，列信息、列长度等）。

还可以理解 “元数据”对应的 “实际数据” 就是ods层的数据。

数据从源表拉过来，进行etl，比如mysql映射到hive，那么到了hive里面就是ods层，但是，这一层面的数据却不等同于原始数据，为我们定义表的数据。

3.2.2 主数据
主数据（Master Data）：企业内需要在多个部门、多个信息系统之间共享的数据，如客户、供应商、组织、人员、项目、物料等；

我理解的 “主数据”，就是“元数据”的一种抽取。我们都知道“元数据”都是为了方便高效的去整理和处理数据，只能说从程序中优化了来自各系统的数据，并把它们规范存储起来，但是这些数据不能保证 “质量” 的，如果保证到了“质量”，这个数据就是“主数据”了。

主数据就是有价值的的数据，例如：这些数据可以跨部门共享的，如OA打卡数据，每个部门都需要用到。

3.3 数据共享
我把设计图的最后一层定义为 “数据共享层”，根据意思，就是把上一层的数据共享出去，可以通过“开发API”等技术共享出去，当然这些数据共享是需要通过逐层审批的，不能随意的共享出去，因为这些数据已经是 “有价值” 的了，具体怎么申请，是否需要充值，这个企业的业务需求了。

04 文末
其实最后还有一层是 “安全”，做任何的系统都是需要保障安全，具体的安全规则如何定义？这里就不再多说了。
 

来源：51CTO博客

作者：阿甘兄_