很多大型企业的数据部门或数据团队,都会把数据治理当作主业来做,这本身当然是无可厚非。
但值得注意的是,数据治理并不是数据部门唯一的工作,甚至不是数据部门需要亲自下场去做的事儿。
怎么理解呢?
直观上看,数据治理好像是应该交给数据部门全权负责,让数据部门来保障数据的质量。
但是,数据质量其实是一个相对的指标。数据质量没有最好,只有更好。企业开展数据治理活动,也必须要有个边界。
无论是数据治理的范围,还是数据治理的程度,都是够用即可。数据治理工作是由数字化业务目标"反向推导"来决定的。
正确的数据治理顺序是:
首先,要想清楚数据怎么用。
基于数据应用场景来确定用到哪些数据,以及这些数据到底应该在质量上达到什么水准。
在定义数据质量标准时,需要考虑:
业务上必须要调用的数据字段不能为空;有些字段如果精度不够难以区分重要的业务场景;一些数据字段之间需要满足一定的关系函数,关系函数的确定也是业务逻辑决定的。
之后,在数据应用场景确定的基础上,再安排具体的数据治理工作,投入资源。
数字化转型本身是个成本型项目,是需要积极的反馈驱动的。如果没想清楚就开始做,相关负责人就很容易落个"骑虎难下"。
而如果做到“治用结合”,数据治理工作才能做到可持续,可落地。
当前,经常看到的现象是,很多企业的数据治理工作直接是由业务部门直接牵头来做。甚至,数据治理直接成为某些数字化应用项目的一部分。
数据治理不再是数据部门的专利,各个业务部门都逐渐开展自己的数据治理工作。
在业务部门来看,数据部门不甚懂业务,自己的数据需求很迫切,治理这件事干脆直接“上手”了。
这种情况,是不是说明,数据部门在做的数据治理工作被“抢饭碗”了呢?
其实不然,数据部门更多的精力是在统筹和管理,业务部门的重点是执行。
如果数据治理工作是各业务部门分头进行,一盘散沙,那么很容易导致治理重复、治理标准不一致、治理缺失等问题。
当然,数据部门也需要开展一些数据治理的具体执行工作,但是这些执行工作并非是为了“冲业绩”,而是要为企业级的需求提供通用的服务支撑。
除此以外,数据部门的工作重心应当是“搭架子”,建立一套面向数据治理的工作标准,流程,评价体系,激励策略。
接下来,各个业务部门结合自身的数字化业务需求,在上述机制框架下,开展各自的数据治理工作。
数字经济时代,数据是重要的生产要素,这个生产要素怎么用,业务部门自己最有发言权。
而在此过程中,数据部门要给予专业性的指导和引导,通过数据标准,数据架构,数据模型,数据监测整改机制来贯通、协调存在于各个业务线条的治理任务。
在数据治理体系的建设过程中,应注意:
统一协调,避免重复治理;
系统规划,源头整改,杜绝前治后乱;
责任前置,预防大于治理;
有序覆盖,循多维度的优先级原则;
激励驱动,治理成效可考核;
分层体系,常态化治理(重要不紧急)与专项治理(重要且紧急)相结合
…