关于数据治理与数据管理的关系（数字化转型中的数据治理-从数据资产到数据服务）

关于数据治理与数据管理的关系（数字化转型中的数据治理-从数据资产到数据服务）对于数据本身我还是想从两个方面来谈，其一是业务运作产生的数据层面，其二是数据驱动和业务运作和运营。在数据管理层做好后，需要对数据能力进行集成和共享，将数据服务能力开放为更多的应用服务，进一步实现数据价值，即数据应用层。即数据应用层包括了数据集成共享，数据服务开放，数据应用分析三个关键内容。在整个框架体系中，我们将数据治理分为三层：在支撑体系层包括了数据治理的驱动源头，即数据治理组织体系和责权利建设，在明确这个后本身也分解为静态和动态两部分支撑。静态支撑包括了技术体系，标准体系，规范体系；而动态支撑包括流程执行体系，绩效评估体系等。在管理层首先要关注静态和动态两个维度。对于静态核心是数据架构，在数据架构中本身有包括了数据模型和元数据两个部分内容。该动态部分核心是数据生命周期管理，其中包括了数据创建，变更，废弃等流程管理。同时围绕静态和动态生命周期还需要做好数据质量管理，数据安全管理两个纵向维

对于数字化转型，在连接，数据，智能三大核心要素里面，数据起到了关键的承上启下的作用。业务运作产生了数据，数据本身又为业务运作和智能化运营提供服务。

数据治理本身是一个相对大的范畴，在前面我专门写过数据治理的文章，简单来说至少应该包括了业务，技术和管控三大方面。

• 业务：数据资产和内容管理
• 技术：类似大数据平台，数据集成，数据建模和分析等技术
• 管控：组织体系，人员，标准规范，流程制度等

所以你会看到原来做MDM主数据，大数据平台，数据中台，BI数据分析，数据架构规划咨询等诸多的企业都会认为自己是在做数据治理方面的事情，并推出了相应的产品。

数据治理框架

对于数据治理，我前面给出过一个完整的数据治理框架如上图。

在整个框架体系中，我们将数据治理分为三层：

• 支撑体系层（组织，技术标准规范，流程）
• 管理体系层（静态模型 动态生命周期）
• 价值体系层（共享 数据应用）

在支撑体系层包括了数据治理的驱动源头，即数据治理组织体系和责权利建设，在明确这个后本身也分解为静态和动态两部分支撑。静态支撑包括了技术体系，标准体系，规范体系；而动态支撑包括流程执行体系，绩效评估体系等。

在管理层首先要关注静态和动态两个维度。对于静态核心是数据架构，在数据架构中本身有包括了数据模型和元数据两个部分内容。该动态部分核心是数据生命周期管理，其中包括了数据创建，变更，废弃等流程管理。同时围绕静态和动态生命周期还需要做好数据质量管理，数据安全管理两个纵向维度内容。

在数据管理层做好后，需要对数据能力进行集成和共享，将数据服务能力开放为更多的应用服务，进一步实现数据价值，即数据应用层。即数据应用层包括了数据集成共享，数据服务开放，数据应用分析三个关键内容。

数据本身-从数据资产到数据服务

对于数据本身我还是想从两个方面来谈，其一是业务运作产生的数据层面，其二是数据驱动和业务运作和运营。

业务运作产生和使用数据

当前你看到的数据治理，大部分都在在补原来信息化简单欠下的旧账，典型的就是类似数据规范流程建设，MDM主数据平台建设等。

这些不是数字化转型下的新东西，而是原来信息化阶段的问题解决方案。

注意业务运作产生了数据，但是你会发现你已有的数据无法很好地支撑业务运作，比如数据缺失，数据不一致性，数据冗余等导致的业务运作出现断点等。

也正是这个原因让企业开始重视元数据管理，主数据管理，数据规范和管控治理体系建设等。期望数据能够更好地支撑业务运作。

也就是说首先要解决的是业务数据化后出现的问题。

数据驱动业务和运营

基本数据问题解决后，才可能考虑数据如何进一步发挥更大的价值。

这里面有两个关键的转变。

其一就是数据本身是一种资产，这种无形资产本身是有价值的。因此你需要做好数据资产的全生命周期管理，同时将资产价值变现。

其二就是数据驱动，不是简单的数据支撑业务，而是数据驱动业务，用当前流行的一个词就是数据为业务赋能，或者数据业务化的说法。

当谈到数据驱动的时候，你会发现在原来信息化简单，更多仅仅考虑主数据的统一和共享，但是主数据的共享只能解决数据支撑业务问题，无法解决数据驱动业务问题。

所以现在你会看到另外一个热点就是数据中台。

要做到数据驱动，必须要考虑动态数据价值挖掘，在这个动态数据价值挖掘中又是又需要考虑两个关键点。

• 将分散的数据采集和集成，集中化
• 数据的加工，重构要快，数据能力要敏捷

单个数据往往没有价值，数据和数据之间发生关联才产生大的价值，而当前数据往往是存储在各个独立的业务系统或微服务模块里面，所以你需要将这些数据采集和集中，形成一个大的数据中心，或者说一个分布式的ODS库。

其次数据采集加工过程要快，不能够像传统BI系统一样一个月可能才一次分析，只能为中长期管理决策服务，而是希望数据能够准实时的加工和分析，快速的为驱动业务运作。

要做这些事情，这个时候才涉及到底层技术支撑可能需要一个大数据平台，这个大数据平台是一个技术平台，需要提供数据采集，数据集成，数据分布式存储，流处理等各种技术能力。

有了大数据平台也仅仅有了技术平台，而里面的数据资产才是关键。

这个数据资产更加不是简单从各个业务系统采集和集成过来就完事，这个时候仅仅形成了贴源数据层，并没有太大的价值。而是需要进行数据清洗，加工，抽象，建模等各种操作。真正形成按业务主体，业务目标的各个数据模型域。

即基于分析目标-》构建数据分析模型-》采集和集成数据。构建数据分析和模型又回到了传统BI类似数据模型，数仓建设，数据算法等内容。

从数据资产到数据服务

当你形成了数据资产后，最后一个关键步骤就是这些数据资产需要开放和共享给业务运作，那么开放的方式就是数据服务API接口。

通过数据服务能力开放完成对业务运作的最终支撑能力。

也就是常说的数据业务化这个关键。能够直接将数据资产开放为数据服务，并反哺给业务系统使用，做到数据实时，准实时的支撑业务运作的能力。

所以数字化转型里面的数据不是简单地形成数据资产就完事，更加重要的是数据驱动业务，数据驱动运营，通过对数据的分析不断的持续优化流程，优化你对我的商业运作模式等，这才是数据带来的最大价值。

否则你仍然还在信息化阶段的数据管理和治理。

因此数字化转型中的数据治理也不是简单的构建一个治理规范体系就完事，更加重要的还是形成数据驱动的思维，真正理解数据如何业务化，数据如何支撑运营。