大数据治理的五个核心要素，企业级数据治理工具介绍

建立数据治理计划时，您将遇到几个挑战：

· 数据治理是更大的 IT治理策略的一部分。 数据与IT部门需要相互配合才能成功。

· 进行任何类型的优化都很难，让员工关心数据治理更是难上加难。 需要激励和动力来让你的员工遵循新数据治理计划。

· 数据治理工作需要灵活地适应团队需求，并且对用户来说必须简单易用。 如果数据治理阻碍了政正常业务工作，则不会促进业务目标。

大数据治理的五个核心要素

1.明确数据治理责任，建立数据治理组织

数据出了问题，到底是谁的责任？因为数据主要是IT系统产生的，所以一直以来，解决数据问题都被认为是IT部门的职责。而IT部门也饱受其苦，数据定义和业务规则，业务部门最清楚；数据录入，业务人员负责；数据使用，业务人员是用户；数据考核，业务部门有权力……但实际上，要切实解决数据问题，开展数据治理工作，就必须先清楚一点：数据治理，是业务部门和IT部门共同的职责。

图2是典型的中国式数据治理组织架构，数据治理/管理领导小组设在信息化领导小组之下，可以单设，也可以是信息化领导小组的一个职责，而虚框中的数据治理部门可能是实体部门，也可能是由牵头业务部门和IT部门联合组成的虚拟团队。

值得一提的是，越来越多的企业开始重视数据治理工作，一些企业高管团队中也产生了一个全新的职位——首席数据官（CDO），是组织内大数据战略的制定者和推动者，负责组织内数据资产的开发和利用，通过数据推动组织业务的创新和发展，通常直接汇报给CEO或CIO。

2.管理出成效，制度是保障

大数据治理需要管理和制度的有力支撑，可结合企业的现状，制定相应的管理办法、管理流程、认责体系、人员角色和岗位职责等，颁布相关的数据治理的企业规章制度等。

举个例子，在笔者负责过的一个数据治理项目中，为了加强数据保密管理，根据重要程度、公开范围、数据使用频次和数据安全要求，针对数据制定了四个重要级别：极敏感级、敏感级、较敏感级、低敏感级，并根据不同级别实施相应的管理举措，级别越高，数据管理的要求越高。

3.数据规范：没有规矩，不成方圆

数据规范是指对企业核心数据进行有关存在性、完整性、质量及归档的测量标准，为评估企业数据质量，并且为手动录入、设计数据加载程序、更新信息以及开发应用软件提供的约束性规则，数据规范一般包括数据标准、数据模型、业务规则、元数据、主数据和参考数据。

制定数据标准的目的是为了使业务人员、技术人员在提到同一个指标、名词、术语的时候有一致的含义。数据模型对企业运营过程中涉及的业务概念和逻辑规则进行统一定义。业务规则是一种权威性原则或指导方针，用来描述业务交互，并建立行动和数据行为结果及完整性的规则。元数据能够帮助增强数据理解，可以架起企业内业务与 IT 部门之间的桥梁。主数据用来描述参与组织业务的人员、地点和事物。参考数据是系统、应用软件、数据库、流程、报告中及交易记录中用来参考的数值集合或分类表。

4.数据治理活动，理论结合实践

数据治理活动是指为实现数据资产价值的获取、控制、保护、交付以及提升，对数据规范所做的计划、执行和监督工作，一般包括以下活动。

数据架构管理，用于定义企业数据需求，设计实现数据需求的主要蓝图，通常包括数据标准管理、数据模型管理、数据集成架构等；数据质量管理，指通过计划、实施和控制活动，运用质量管理技术度量、评估、改进和保证数据的恰当使用；元数据管理，指通过计划、实施和控制活动，以实现轻松访问高质量和整合的元数据；数据安全管理，指通过计划、制定并执行数据安全政策和措施，为数据和信息提供适当的认证、授权、访问和审计；参考数据和主数据管理，指通过计划、实施和控制活动，达到保证参考数据与主数据的一致性。

5.数据治理软件：工欲善其事，必先利其器

目前业界流行的数据治理软件，一般也称为数据资产管理产品、数据治理产品，主要包括的功能组件有元数据管理工具、数据标准管理工具、数据模型管理工具、数据质量管理工具、主数据管理工具、数据安全管理工具等。

利用数据治理软件主要解决企业不同来源数据集成过程中遇到的问题，需要数据治理软件能够为企业提供统一的元数据集成、数据标准管理、数据模型设计、数据质量稽核、数据资产目录、数据分析服务等能力。

基于大数据的人工智能时代的到来，为各行业带来基于数据资产进行业务创新、管理创新的契机，伴随着企业数字化转型过程，越来越多的数据被收集，大数据治理将为企业提供更全面更准确的数据，故企业培养或招纳数据治理方面的专业人才是一个很重要的决定因素。

在技术落地层面，需要自下向上推进，从实际内容来看，数据治理是一套工具集。亿信华辰结合十几年大数据技术经验，打造了一套完善、通用的的数据治理工具睿治数据治理平台，包括数据集成、数据交换、实时数据计算、主数据、数据标准、数据质量、数据集成、元数据、数据交换、数据资产、数据生命周期和数据安全十大功能模块，去帮助企业规范的定义与加工数据、清晰的管理数据、安全的应用数据。

△睿治产品架构图

睿治平台流程上从下至上主要分为以下几层：

• 数据源层：客户的各类业务数据来源，包括OA、ERP、CRM等业务系统数据、社交媒体、互联网等外部数据。

• 数据存储层：业务数据到数仓到数据中心等流转过程中的数据输入输出，支持百亿级数据实时计算存储。

• 数据整合层：通过数据集成、元数据管理、数据标准管理、数据质量管理等实现数据高质量高标准整合。

• 数据服务层：基于整合层数据，通过数据交换、主数据管理、数据资产管理，实现数据数据资产的无障碍共享和多渠道应用。

• 数据应用层：主要通过平台便捷的应用功能，从而改善决策支撑、缩减管理成本、降低数据风险、提升数据价值，并提供数据公开等。

作为数据治理领域的领军者，睿治数据治理平台究竟有何不一样？

VIP策略，打造数据治理最佳实践

Visualization可视化：数据全生命周期的可视化管理

睿治数据治理平台为管理人员、技术人员、业务人员等不同角色人员提供数据从创建到消亡整个生命周期的可视化服务，包括治理过程可视化和治理结果可视化，实现数据治理的全角色全流程可视化管理。

睿治平台以人人都会数据治理为目标，数据治理的每一个流程步骤无需代码输入，全流程可视化点选拖拽，并同步提供治理结果可视化展示，科学管理数据的同时提升数据管理效率，降本增效。

例如睿治的元数据管理监控页面，就是将平台用户在数据治理各业务领域的元数据治理成果以可视化界面统计出来，能让用户快速了解并监控企业元数据的总体情况及分布，如接入元数据总数量、总类型、数据之间存在多少依赖关系，主要的技术元数据如何分布，元数据的新增、修改删除等变更情况监控预警，业务系统域分布，以及关联度较高的元数据类目等。

△元数据管理监控

Intelligentization智能化 ：融合AI技术简化实施过程

数据治理是一个非常耗时耗力的工作，手工方式的代价和人力成本太高了，需要选择更智能化方式来实现大数据治理的工作。充分考虑到数据治理高复杂性的特点，睿治数据治理平台不断融合AI新技术，力求通过智能化管理来简化数据治理实施过程，大大地解放技术人员，帮助企业实现更高效的数据治理，远离“数据黑洞”。

1、智能化元数据服务

睿治平台支持全自动元数据采集和关联，实现元模型智能化应用，提供图形化元数据分析视图。

2、智能化探查数据质量

睿治平台内置数理统计算法、绑定机器学习算法，实现自动探查数据质量，同时支持智能修复。

3、智能化构建数据标准

睿治平台支持智能化映射及落标，形成的数据标准和业务数据双向评估。

4、智能化识别主数据

睿治平台自动识别主数据，帮助重复数据自动匹配和合并，构建完整的主数据视图。

Platformization平台化 ：十大产品模块功能互通

众所周知，数据治理工作的各类问题，并不是独立存在而往往是相互关联的，比如元数据、数据标准管理与数据资产、数据安全、数据质量管理相互联系，动此及彼。欲解决这些问题，睿治数据治理融合数据集成、数据交换、实时计算存储、主数据、数据标准、数据质量、数据集成、元数据、数据交换、数据资产、数据生命周期和数据安全十大模块，可基于政企用户不尽相同的发展现状，选择性单独或组合使用，快速匹配数据治理的各类场景应用。

平台化还体现在，可基于高扩展性系统集成接口无缝对接数据应用系统，让治理后的数据更快的服务于业务，一站式解决数据应用问题，驱动业务价值。

一套好的数据治理工具，能让企业的数据治理工作事半功倍。数据治理本质是盘点数据资产、治理数据质量，实施数据全生命周期的管理，根据不同的项目特点，会用到不同的技术或工具，一般来说，数据治理产品或工具主要包含以下组件：数据模型管理、元数据管理、数据质量管理、数据标准管理、主数据管理、数据安全管理、数据服务平台。

作为目前国内功能最全的数据治理产品，睿治数据治理平台完全覆盖了数据治理十大领域，平台采用微服务架构，既可以和企业已建系统高度融合，也可以随着未来信息化发展而无限延展。