数据治理 订阅
数据治理(Data Governance)是组织中涉及数据使用的一整套管理行为。由企业数据治理部门发起并推行,关于如何制定和实施针对整个企业内部数据的商业应用和技术管理的一系列政策和流程。国际数据管理协会(DAMA)给出的定义:数据治理是对数据资产管理行使权力和控制的活动集合。国际数据治理研究所(DGI)给出的定义:数据治理是一个通过一系列信息相关的过程来实现决策权和职责分工的系统,这些过程按照达成共识的模型来执行,该模型描述了谁(Who)能根据什么信息,在什么时间(When)和情况(Where)下,用什么方法(How),采取什么行动(What)。数据治理的最终目标是提升数据的价值,数据治理非常必要,是企业实现数字战略的基础,它是一个管理体系,包括组织、制度、流程、工具。 展开全文
数据治理(Data Governance)是组织中涉及数据使用的一整套管理行为。由企业数据治理部门发起并推行,关于如何制定和实施针对整个企业内部数据的商业应用和技术管理的一系列政策和流程。国际数据管理协会(DAMA)给出的定义:数据治理是对数据资产管理行使权力和控制的活动集合。国际数据治理研究所(DGI)给出的定义:数据治理是一个通过一系列信息相关的过程来实现决策权和职责分工的系统,这些过程按照达成共识的模型来执行,该模型描述了谁(Who)能根据什么信息,在什么时间(When)和情况(Where)下,用什么方法(How),采取什么行动(What)。数据治理的最终目标是提升数据的价值,数据治理非常必要,是企业实现数字战略的基础,它是一个管理体系,包括组织、制度、流程、工具。
信息
外文名
Data governance
技术要求
大数据分析、大数据处理、大数据管理
中文名
数据治理
应用范围
企业、政府
数据治理数据治理内容
以企业财务管理为例,会计负责管理企业的金融资产,遵守相关制度和规定,同时接受审计员的监督;审计员负责监管金融资产的管理活动。数据治理扮演的角色与审计员类似,其作用就是确保企业的数据资产得到正确有效的管理。由于切入视角和侧重点不同,业界给出的数据治理定义已经不下几十种,到目前为止还未形成一个统一标准的定义。 [1]  ITSS WG1认为数据治理包含以下几方面内容(1)确保信息利益相关者的需要评估,以达成一致的企业目标,这些企业目标需要通过对信息资源的获取和管理实现;(2)确保有效助力业务的决策机制和方向;(3)确保绩效和合规进行监督。数据治理过程 [2]  从范围来讲,数据治理涵盖了从前端事务处理系统、后端业务数据库到终端的数据分析,从源头到终端再回到源头形成一个闭环负反馈系统(控制理论中趋稳的系统)。从目的来讲,数据治理就是要对数据的获取、处理、使用进行监管(监管就是我们在执行层面对信息系统的负反馈),而监管的职能主要通过以下五个方面的执行力来保证——发现、监督、控制、沟通、整合。
收起全文
精华内容
下载资源
问答
  • 数据治理

    2020-06-12 22:10:55
    互联网寒冬,每个公司的数据团队都会面临数据治理,那么什么是数据治理呢?简单来说就是解决集群的存储问题,实际要比这复杂的多。 什么样的数据需要治理,需要怎么治理,谁来治理? 从治理来说,只有一个目的,...

    互联网寒冬,每个公司的数据团队都会面临数据治理,那么什么是数据治理呢?简单来说就是解决集群的存储问题,实际要比这复杂的多。

    什么样的数据需要治理,需要怎么治理,谁来治理?

    从治理来说,只有一个目的,安全、稳定、高效的清理无效数据或是使用率较低的数据,节约成本;减少小文件数,降低NameNode压力

    数据治理不是单独存在的,它依赖着数据资产分析,数据元信息等

    现在说一下我实现的数据治理方案:

    1. Hive 表数据压缩归档

    周期性的对用户设置的压缩周期进行压缩归档,可以减少一定的存储,同时也在一定程度上减少了小文件数

    那么什么样的hive格式可以压缩呢?

    目前大家使用的hive格式有 textfile ,SequenceFile,rcfile,orcfile,parquet,avro,以及自定义格式等

    相对来说 ,基于textfile的压缩比是最高的,有 gip,bzip2格式可选,我选择的是bzip2 格式,它压缩后的文件会很小,但是解压会消耗大量的cpu 资源,这个可以根据单独场景进行分析设计

    SequenceFile格式支持的有NONE,RECORD,BLOCK,我们目前选择的是BLOCK压缩,因为他在测试中表现出了更好的压缩性能

    还有就是 parquet 格式,我们只是对其进行了文件合并

    其他的, rcfile 格式,具有最高的压缩比,使用rcfile + bzip2也许会是个不错的选择,但是由于其他格式表较少的原因,我们暂时只是支持了上面三种格式

    压缩归档任务在执行时会消耗大量的cpu 时间,所以他是长周期的,在我们的开发中,设置为 10天执行一次

    但在压缩归档中的需要注意数据的稳定可靠性,在压缩过程中,源数据依然可以提供服务,做好备份等,我想大家都能考虑到

    2.冷热数据治理

    通过解析 nameNode 镜像文件 Fsimage 获取集群文件信息,包括

    •  Path  目录路径
    •  Replication  备份数
    •  ModificationTime  最后修改时间
    •  AccessTime 最后访问时间
    •  PreferredBlockSize   首选块大小 byte
    •  BlocksCount  块 数
    •  FileSize 文件大小 byte
    •  NSQUOTA 名称配额 限制指定目录下允许的文件和目录的数量。
    •  DSQUOTA  空间配额 限制该目录下允许的字节数
    •  Permission   权限
    •  UserName    用户
    •  GroupName 用户组

    在获取到信息之后,合并成 目录级的信息,上面的信息全部替换成了目录级的信息,例如目录下的所有文件大小,目录下所有文件的最后访问时间,最后读取时间等

    然后与 Hive metaStore 信息进行join  计算出  分区级 及表级的以上信息

    此时就可以做冷热数据的逻辑了,因为已经拿到了 分区什么时候最后被读取,最后被写入

    3.生命周期治理

    生命周期治理同样是依托于 上面的 Fsimage 解析,然后知道分区及表信息后,根据设置的表级的生命周期做清理逻辑 

    这里就不在详细讲了,大家可以参考下 阿里云的生命周期规则 https://help.aliyun.com/document_detail/55297.html?spm=a2c4g.11186623.6.556.37865b9cix5Qdb

    大家还可以在这个阿里云的基础上结合表热度进行更加智能的清理策略,如下

     

     

     

     

     

     

     

     

     

     

     

    展开全文
  • 数据治理系列1:数据治理框架【解读分析】

    万次阅读 多人点赞 2019-05-08 14:58:56
    作者:石秀峰,多年来一直从事企业数据资源规划、企业数据资产管理、数据治理,欢迎关注。 一、什么是数据治理? 维基百科:数据治理对于确保数据的准确、适度分享和保护是至关重要的。有效的数据治理计划会...

    作者:石秀峰,多年来一直从事企业数据资源规划、企业数据资产管理、数据治理,欢迎关注。

     

    一、什么是数据治理?

     

    维基百科:数据治理对于确保数据的准确、适度分享和保护是至关重要的。有效的数据治理计划会通过改进决策、缩减成本、降低风险和提高安全合规等方式,将价值回馈于业务,并最终体现为增加收入和利润。

     

    笔者认为:所有为提高数据质量而展开的业务、技术和管理活动都属于数据治理范畴。数据治理的目的就是通过有效的数据资源控制手段,进行数据的控制,以提升数据质量进而提升数据变现的能力。

     

    二、为什么需要数据治理?

     

    在我国,各行业的信息化发展和建设水平并不均衡,甚至有的行业是刚刚起步。但是,不论是金融行业、通讯行业、地产行业、传统制造业以及农业,其信息化的发展基本都遵循了“诺兰模型”。笔者认为企业信息化大致经历了初期的烟囱式系统建设、中期的集成式系统建设和后期的数据管理式系统建设三个大的阶段,可以说是一个先建设后治理的过程。

     

     

    1、数据质量层次不齐

    当今时代,“数据资产化”的概念已经被大多数人理解和接受。不论是企业、政府还是其他组织机构,对于的数据资产的管理越来越重视。然而,数据并不等于资产,也就是说不是所有数据都是数据资产,数据中也有垃圾数据。我们需要治理的是能够为企业创造价值的数据资产,而不是全部数据。

     

    2、数据交换和共享困难

    企业信息化建设初期缺乏整体的信息化规划,系统建设大多都是以业务部门驱动的单体架构系统或套装软件,数据分散在这些架构不统一、开发语言不一致、数据库多样化的系统中,甚至还有大量的数据存放在员工的个人电脑中,导致在企业内部形成了一个个的“信息孤岛”。这些“孤岛”之间缺乏有效的连接通道,数据不能互联互通,不能按照用户的指令进行有意义的交流,数据的价值不能充分发挥。只有联通数据,消除这些“信息孤岛”,才能实现数据驱动业务、数据驱动管理,才能真正释放数据价值。

     

    3、缺乏有效的管理机制

    目前,许多企业都认识到了数据的重要性,并尝试通过生产系统的业务流来控制数据流,但由于缺乏有效的管理机制和某些人为的因素,在数据流转过程中,存在数据维护错误、数据重复、数据不一致、数据不完整的情况,导致了产生了大量的垃圾数据。数据产权不明确,管理职责混乱,管理和使用流程不清晰,是造成数据质量问题的重要因素。

     

    4、存在数据安全隐患

    2018年3月份的Facebook 5000万用户信息被泄露和滥用的事件,受该事件影响,Facebook股价当日大跌7%,市值缩水360多亿美元,而盗用数据的剑桥分析这家公司也于同年5月停止运营,并申请破产。这种数据安全事件,在我国发生频率更多,我还清楚的记得:2011年,黑客在网上公开了CSDN的用户数据库,高达600多万个明文的注册邮箱账号和密码遭到曝光和外泄;2016年,顺丰员工应盗取大量客户信息被送上法庭;2017年,京东员工盗取用户个人信息50亿条,并通过各种方式在网络黑市贩卖。近年来,随着大数据的发展,诸如此类的数据安全事件多不胜数。数据资产管理上,正在由传统分散式的人工管理向计算机集中化管理方向发展,数据的安全问题愈来愈受到人们的关注。

     

    三、DMBOK的数据治理框架

     

    DMBOK是由数据管理协会(DAMA)编撰的关于数据管理的专业书籍,一本DAMA 数据管理辞典。对于企业数据治理体系的建设有一定的指导性。注:DAMA 是数据管理协会的简称,是一个全球性数据管理和业务专业志愿人士组成的非营利协会,致力于数据管理的研究和实践。

     

    DMBOK将数据管理分为以下10个职能域:

     

    • 数据控制:在数据管理和使用层面之上进行规划、监督和控制。

    • 数据架构管理:定义数据资产管理蓝图。

    • 数据开发:数据的分析、设计、实施、测试、部署、维护等工作。

    • 数据操作管理:提供从数据获取到清除的技术支持。

    • 数据安全管理:确保隐私、保密性和适当的访问权限等。

    • 数据质量管理:定义、监测和提高数据质量。

    • 参考数据和主数据管理:管理数据的黄金版本和副本。

    • 数据仓库和商务智能管理:实现报告和分析。

    • 文件和内容管理:管理数据库以外的数据

    • 元数据管理:元数据的整合、控制以及提供元数据。

     

    四、数据治理框架的理解和解读

     

    DMBOK对企业级数据治理给出了框架性建议,但是任何指导性的框架文件都不是万能的。不同的行业、不同性质的企业、不同的信息化程度、不同的企业文化,其数据治理方案必须因地制宜,量身定制。我们常说:没有最好的解决方案只有更合适的解决方案。企业在实施数据治理的时候,应做好充分的分析和评估,切勿盲目跟风,避免出现数据治理收效甚微,还浪费了投资的窘境。

     

    笔者认为企业数据治理应考虑以下要素:

     

    1、数据治理的对象

    大家都在谈数据治理,但是到底哪些数据需要被治理?我们说数据治理不是治理全部数据,而是针对企业数据资产的治理。那么,问题来了,到底什么是数据资产?又如何识别数据资产?

     

    维基百科定义:数据资产属于普通个人和企业的数字财产,数据资产是无形资产的延伸,不具有实物形态。其本质是数据作为一种经济资源参与企业的经济活动,减少和消除了企业经济活动中的风险,为企业的管理控制和科学决策提供合理依据,并预期给企业带来经济利益。

     

    笔者认为,数据资产虽不具备实物形态,但是它必定是实物在网络世界映射的一种虚拟形态。对于企业而言,人、设备、产品、物料、软件系统、数据库、以及任何涉及到使用文件作为载体的各类数据,都属于企业的数据资产。

     

    我们虽然定义了数据资产,但是不同行业的数据治理侧重点也不同。数据治理要理解行业需求、企业诉求,在不同行业、不同企业应具有不同的差异化方案。企业在实施数据治理的时候,首先要进行数据资产的识别和定义,明确数据治理的对象和范围,做好数据治理的顶层设计!

     

    2、数据治理的时机

    这些年由于工作原因走访了一些企业,其经济情况不同、行业特点不同、信息化程度不同、数据治理情况也不尽相同。

     

    第一类企业:经济实力雄厚,信息化起步较早,信息化程度比较高,如:XX银行、国家电网,他们已形成了系统性的数据治理体系。

     

    第二类企业:有一定的经济实力、信息化程度相对较好,但是早期的信息化盲目建议,买了一堆的套装软件,建了一堆的系统,虽然系统或多或少都有使用,但效果不佳,谈起数据治理,客户自己都觉得头痛:企业到底都有哪些数据?这些数据都是分布在哪里?数据治理该如何入手?

     

    第三类企业:经济实力相对薄弱,也有信息化刚刚起步的企业,这些企业多数的业务还是靠纸质或线下模式,部分企业使用了财务软件或ERP系统,数据存放个人电脑或生产系统中,基本没有数据治理。我国的一些中小民型营制造企业多数处于这个水平。

     

    企业数据治理的时机该如何选择?是先有了数据再进行治理,还是先建设好数据治理体系再进行应用系统建设?针对上述不同类型的企业,其数据治理选择的时机和体系建设的设计绝对不能一概而论。

     

    对于第一类企业,已经有了相对完善的数据治理体系,更需要的是加强数据安全、数据应用、数据创新,稳固提升数据管理、数据应用和数据变现的能力;

     

    对于第二类企业单体架构的系统多,信息孤岛严重,一定存在数据多源、重复、不一致等问题,其数据治理已是迫在眉睫;

     

    对于第三类企业,在数字化的浪潮下,信息化虽然薄弱,但如果打好数据基础,未免不是企业改革创新,实现“弯道超车”的最佳时机。

     

    3、谁来实施、谁来主导

    企业常常有这样一个误区,很多人认为数据治理就是信息化部门的事情和业务部门无关。前边我们说过数据治理是对企业数据资产的治理,既然是资产,就一定要确权。企业数据资产的生产、使用应该有明确的责任部门,显然数据资产的生产及归属部门应该是业务部门,信息化部门最多也就是一个数据资产的托管部门而已。笔者也多次强调企业的数据问题,80%是业务和管理的问题,20%是技术问题。

     

    所以,企业数据治理是应有高层领导牵头,业务部门负责,信息部门执行,企业全员的参与。企业全员应培养起数据思维和数据意识,当然这是一个长期的过程,也是一件很不容易的事情,需要一点一滴的积累沉淀,并不断融入企业文化中。

     

    4、数据治理的内容

    数据治理是长期、复杂的工程,涉及到组织体系、标准体系、流程体系、技术体系和评价体系五方面的工作领域,包含了数据标准、数据质量、主数据、元数据、数据安全等多个方面内容。由于企业性质、业务特点、管理模式的不同,有必要建立符合企业现状和企业需求的数据治理框架,指导企业数据治理工作的开展。

     

    以下是笔者个人理解的数据治理框架内容,不足之处希望业内专家指正,期待与您的交流:

     

     

    组织体系:数据治理项目的实施绝非是一个部门的事情,不能在企业的单一部门得到解决。需要从整个组织考虑,建立专业的数据治理组织体系,进行数据资产的确权,明确相应的治理制度和标准,培养整个组织的数据治理意识。这需要 IT 与业务部门进行协作,而且必须始终如一地进行协作,以改善数据的可靠性和质量,从而为关键业务和管理决策提供支持,并确保遵守法规。

     

    标准体系:数据治理的标准体系是多个层面的,包括:国际标准、国家标准、行业标准、企业标准等。企业数据标准体系内容应涵盖:元数据标准、主数据标准、参照数据标准、数据指标标准等。数据治理的成效,很大程度上取决与数据标准的合理性和统一实施的程度。企业数据标准体系的建设应既满足当前的实际需求,又能着眼未来与国家及国际的标准接轨。

     

    流程体系:数据治理流程体系,为数据治理的开展提供有据可依的管理办法、规定数据治理的业务流程、数据治理的认责体系、人员角色和岗位职责、数据治理的支持环境和颁布数据治理的规章制度、流程等。建立数据的生产、流转、使用、归档、消除的整个生命周期管理的过程。企业应围绕数据治理的对象:数据质量、数据标准、主数据、元数据、数据安全等内容建立相应的制度和流程。

     

    评价体系:建立数据评价与考核体系是企业实施和贯彻数据治理相关标准、制度和流程的根本。建立明确的考核制度,实际操作中可根据不同企业的具体情况和企业未来发展要求建立数据的认责体系,设置考核指标和考核办法,并与个人绩效挂钩。考核指标包括两个方面内容,一方面是对数据的生产、管理和应用等过程的评估和考核指标,另一方面是数据质量的评测指标。

     

    技术体系:数据治理包括数据治理的工具和技术,总体应包括元数据管理、主数据管理、数据标准管理、数据质量管理和数据安全管理。

     

     

    元数据管理:元数据管理是对企业涉及的业务元数据、技术元数据、管理元数据进行盘点、集成和管理,按照科学、有效的机制对元数据进行管理,并面向开发人员、最终用户提供元数据服务,以满足用户的业务需求,对企业业务系统和数据分析平台的开发、维护过程提供支持。借助变更报告、影响分析等应用,控制数据质量、减少业务术语歧义和建立业务和技术之间的良好沟通渠道,进一步提高各种数据的可信性、可维护性、适应性和可集成性。

     

    数据标准管理:数据标准适用于业务数据描述、信息管理及应用系统开发,可以作为经营管理中所涉及数据的规范化定义和统一解释,也可作为信息管理的基础,同时也是作为应用系统开发时进行数据定义的依据。涉及国家标准、行业标准、企业标准和地方标准,在定义元数据实体或元素时进行关联。数据标准需要不断的补充完善、更新优化和积累,以便更好的支撑业务的开发和系统的集成。

     

    主数据管理:主数据管理是通过运用相关的流程、技术和解决方案,对企业核心数据的有效管理过程。主数据管理涉及主数据的所有参与方,如用户、应用程序、业务流程等,创建并维护企业核心数据一致性、完整性、关联性和正确性。主数据是企业内外被广泛应用和共享的数据,被誉为是企业数据资产中的“黄金数据”,主数据管理是撬动企业数字化转型的支点,是企业数据治理最核心的部分。

     

    数据质量管理:建立数据质量管理体系,明确数据质量管理目标、控制对象和指标、定义数据质量检验规则、执行数据质量检核,生产数据质量报告。通过数据质量问题处理流程及相关功能实现数据质量问题从发现到处理的闭环管理,从而促进数据质量的不断提升。

     

    数据安全管理:目前多数人都知道数据安全问题十分重要,但在现实中,数据安全却常常被忽视,只有出现了数据安全问题甚至事故时,人们才认识到要为数据安全做点什么了。数据安全应贯穿数据治理全过程,应保证管理和技术两条腿走路。从管理上,建立数据安全管理制度、设定数据安全标准、培养起全员的数据安全意识。从技术上,数据安全包括:数据的存储安全、传输安全和接口安全等。当然,安全与效率始终是一个矛盾体,数据安全管控越严格,数据的应用就可能越受限。企业需要在安全、效率之间找到平衡点。

     

    五、数据治理框架总结

     

    再次强调,企业实施数据治理需因地制宜,不论建立什么样的数据治理体系、采用什么样的数据治理技术,其目的都是实现数据治理目标,即:通过有效的数据资源控制手段,对进行数据的管理和控制,以提升数据质量进而提升数据变现的能力。数据治理体系和框架,只是企业数据治理的一个参考,不能照搬和套用,更不能为了治理而治理。

     

    (文:石秀峰 2019年4月)

     

    更多精彩请微信扫描上图二维码,关注谈数据!

    展开全文
  • 想要通过快速访问高质量数据,灌输信心并支持数据驱动的决策,为业务合作伙伴创造竞争优势吗?那么这篇文章你一定得看!...要想要平衡数据治理和数据管理,首先我们就要先弄清楚什么是数据治理,什么又是数据管理?
  • 今天准备再谈下数据治理以及对数据治理框架的初步思考。 实际上我在前面谈数据中台和主数据管理的时候多少谈到过数据治理和数据资产管理方面的内容,但是更多的都是从IT系统和功能层面来谈数据治理需求的最终实现。...

     

    从数据治理到数据资产管理-数据治理框架再思考

     

    今天准备再谈下数据治理以及对数据治理框架的初步思考。

    实际上我在前面谈数据中台和主数据管理的时候多少谈到过数据治理和数据资产管理方面的内容,但是更多的都是从IT系统和功能层面来谈数据治理需求的最终实现。但是对于数据治理更多的首先是一个组织和管理问题,其次才是一个技术实现问题。

    其次在谈数据中台的时候谈到过数据资产管理,即数据治理本身就是对数据资产管理行使权力和控制的活动集合(规划,监督和执行)。同时在数据中台一书里面提出数据资产管理是数据治理的升级版本,只是在传统数据治理基础上增加了数据价值管理和数据共享管理。

    而在我国,由中国电子技术标准研究院牵头,又给出DCMM数据管理能力成熟度模型,提炼出组织数据管理的八大能力,并将这八大能力划分为八个共八个关键过程域,即:数据战略、数据治理、数据架构、数据应用、数据安全、数据质量管理、数据标准、数据生命周期。在这里又将数据治理域单列出来,更多是谈组织,制度和流程的内容。

    数据治理究竟是什么?

    从数据治理到数据资产管理-数据治理框架再思考

     

    重新先回归下百度上对于数据治理这个词的一些标准定义。

    数据治理(Data Governance)是组织中涉及数据使用的一整套管理行为。由企业数据治理部门发起并推行,关于如何制定和实施针对整个企业内部数据的商业应用和技术管理的一系列政策和流程。

    国际数据管理协会(DAMA)给出的定义:数据治理是对数据资产管理行使权力和控制的活动集合。

    国际数据治理研究所(DGI)给出的定义:数据治理是一个通过一系列信息相关的过程来实现决策权和职责分工的系统,这些过程按照达成共识的模型来执行,该模型描述了谁(Who)能根据什么信息,在什么时间(When)和情况(Where)下,用什么方法(How),采取什么行动(What)。

    数据治理的最终目标是提升数据的价值,数据治理非常必要,是企业实现数字战略的基础,它是一个管理体系,包括组织、制度、流程、工具

    前期对治理不重视导致后期大量管理行为

    首先我们还是再回顾下数据治理为何越来越受到大家的重视。

    简单来说就是企业中的数据在支撑业务协同,支撑分析决策上出现了问题。这些问题包括了数据标准不统一,多个系统数据不一致,数据没有Owner和责任部门,数据质量不高导致最终基于数据分析结果也是错误的。

    哪怕一个采购订单,你会发现有些业务人员叫采购合同,有些叫采购订单;或者在采购系统里面订单名称长度50,而在ERP系统里面长度100。或者说同一个供应商你会发现在系统里面存在两个名字,导致产生了两套数据。

    所以你可以看到数据类的问题包括了数据本身的组织制度,标准规范体系,流程建设;也包括了IT系统支撑,更加包括了数据质量提升,数据集成和共享。如果数据出问题一方面是影响到业务协同,一方面影响到最终的基于数据的分析决策。

    在谈企业数字化转型的时候提到了三个关键点,即连接,数据和智能。可以看到数据在里面起到关键的承上启下的作用,智能化的产生必须依托数据,那么数据本身能否高效,高质量的满足要求就是必须要去考虑和解决的问题。

    所以参考了上面的数据治理,简单总结就是:

    数据治理是确定如何进行数据资产管理的组织制度,标准规范,流程支撑体系建设。即所有数据资产管理工作必须有章可循,这个依托就是数据治理体系和框架。

    那实际现在数据治理是如何?

    对于当前大部分企业的数据治理,实际上可以看到两个关键的问题。

    其一就是数据治理属于问题驱动和后治理型,即都是数据在产生和使用,协同和共享的过程中发现了问题,才来考虑数据治理的内容,这种问题驱动方式很难构建完整的数据治理体系。更多的是建设大量的类似数据稽核类系统,个人任务数据稽核系统本身就是一个反治理下的产物。

    其二是希望通过IT系统建设来规范数据治理,这个虽然有点用,但是不全。比如我们做MDM主数据系统,会减少类似元数据管理,数据质量管理,数据创建变更流程等。但是要看到系统本身仅仅是治理规范要求的落地,如果你没有事先形成治理规范要求,那么系统再多也没用。

    现在有很多做主数据管理或数据管理平台的IT其一给出数据治理架构,可以看到这些仅仅是系统IT功能的实现点,如果深究漏洞百出。

    也正是这个原因,需要重新来梳理和思考数据治理体系和框架问题,数据治理本身的核心究竟在哪里,其概念模型和核心要素是什么?

    狭义数据治理即核心

    要理解数据治理,还是要回归到对数据治理的一个狭义定义,即:数据治理组织包括组织架构、岗位设置、团队建设、数据责任等内容,是各项数据职能工作开展的基础。对组织在数据管理和数据应用行使职责规划和控制,并指导各项数据职能的执行,以确保组织能有效落实数据战略目标。

    简单来说就是先确定对数据进行管理的组织,岗位角色,人员和制度标准。

    大部分企业实际上对这块是缺失的,或者没有进行清晰的定义。任何一个数据首先要确定的是谁来产生,谁来使用,谁来管理的责权利问题;其次才是确定数据产生的时候基于什么标准和流程,最后才是这些标准流程是否通过IT系统来固化。

    也就是说,数据治理核心首先是建立数据治理管控体系,确定基于数据的责权利。

    对于数据治理管控体系内容可以参考下图:

    从数据治理到数据资产管理-数据治理框架再思考

     

    该图基本给出了一个完整的数据治理管控体系所涉及到的技术,标准,规范,流程支撑,同时也包括了执行和评估体系,以实现数据的持续改进和闭环管理。

    数据-产生,使用和管理

    一套到数据治理,必须先谈组织体系,在组织体系里面需要确定对数据进行管理的责权利,即数据的产生者,使用者,拥有者和管理者。

    比如经常看到的采购订单叫法不一致,现在订单名称长度不够需要进行扩展,这些究竟应该找谁解决?很多企业往往一个电话就让IT人员后台修改,这些都是属于严重不规范操作。其问题的本质还是缺失对数据责任边界的定义。

    数据的产生者往往不一定是数据的Owner或拥有者,比如我通过供应商门户,供应商录入了相关的基本信息,这个时候供应商是数据产生者,但是数据拥有者是采购部门。其次对于数据拥有者和管理者往往也不一定统一,比如一个会计科目主数据,数据的拥有者是财务部门,但是最终对该数据的管理是独立的数据管理部门。

    数据使用者是另外一个关键内容,但个数据在自己业务系统或部门的使用往往自己就能够解决,因此数据使用更多谈的是跨部门,那么跨部门数据使用应该遵循什么标准,流程,安全控制要求。比如公司的采购订单数据,能不能共享给营销部门使用?这些就需要有明确的规则定义。

    比如我们在主数据项目实施里面,也经常提到首先要建立数据管控体系,建设数据管控委员会,并确定数据的产生者,使用者和管理者等,如下:

    从数据治理到数据资产管理-数据治理框架再思考

     

    数据管控体系展开

    前面基本是从组织,规范和流程角度来谈数据治理体系的建设。数据治理本质是要解决如何对数据进行管理的问题。这个既涉及到数据标准规范,数据质量和数据安全的内容。同时也涉及到对数据进行创建,变更,废弃等内容管理的流程定义。

    即我们在进行数据管理体系和数据技术体系制订的时候,基本也是围绕上面这些内容展开形成一个完整的数据管控框架体系。

    在这里可以参考下埃森哲给出的一个数据管控框架:

    从数据治理到数据资产管理-数据治理框架再思考

     

    通过这个数据治理框架,基本覆盖了工具技术支撑,组织,流程,数据标准,数据质量,数据安全,数据评价和考核体系等各个方面的内容。

    DCMM数据成熟度模型

    DCMM由中国电子技术标准化研究院牵头,人民大学、清华大学、建设银行、光大银行、华为、御数坊、阿里巴巴等单位起草,是国内关于数据能力成熟度模型的一项国家标准,在制定的过程中充分吸取了国内先进行业的发展经验(以金融业为主),结合了国际上DAMA(国际数据管理协会)《数据管理知识体系指南DMBOK》中的内容。

    从数据治理到数据资产管理-数据治理框架再思考

     

    DCMM是一个整合了标准规范、管理方法论、评估模型等多方面内容的综合框架,目标是提供一个全方位组织数据能力评估的模型。在模型的设计中,结合数据生命周期管理各个阶段的特征,对数据管理能力进行了分析、总结,提炼出组织数据管理的八大能力,并将这八大能力划分为八个共八个关键过程域,

    即:数据战略、数据治理、数据架构、数据应用、数据安全、数据质量管理、数据标准、数据生命周期,标准描述了每个过程域的建设目标和度量标准。

    整个DCMM模型将企业数据管理成熟度分为五个等级,分别从上面8大能力详细进行评估。当然在该书里面也给出了一个整体的数据管理成熟度等级说明如下:

    从数据治理到数据资产管理-数据治理框架再思考

     

    这个等级实际上和CMMI标准的成熟度等级说明有差异,在这里关键说明下对于量化管理级,其中关键包括了两点。其一是构建了数据绩效评估指标体系;其二是基于KPI指标体系能够以数据驱动思维闭环持续改进。

    在整个框架内容里面单独列出了数据治理,包括:

    • 数据治理组织(组织,岗位角色,人员,绩效)
    • 数据制度建设(制度,发布,宣贯)
    • 数据治理沟通

    对于数据治理组织和制度容易理解,对于数据治理沟通书里面描述为:数据治理沟通旨在确保组织内全部利益相关者都能及时了解相关政策、标准、流程、角色、职责、计划的最新情况,开展数据管理和应用相关的培训,掌握数据管理相关的知识和技能。

    在前面谈为何进行数据治理时候已经谈到,数据治理目标是为了让数据更好地服务于业务,服务于企业分析决策。因此从这个角度来说,数据治理体系本身不仅仅是数据管理体系,还应该包括数据应用体系。

    数据价值体系解决的是数据如何以服务化方式应用和共享,创造价值的问题。

    同时数据价值体系,还需要转变思维,形成数据驱动的运营服务体系,即如何围绕数据持续运营来产生价值,持续改进。这个和我前面在谈数字化转型的时候谈到的数据驱动思维是一个关键思维转变一致。因此数据治理体系本身应该包括数据管理体系和数据价值体系两个方面内容。在DCMM模型里面可以看到数据服务和共享开放在数据应用域得到了详细描述。

    数据治理框架重构

    基于前面的分析可以看到,对于数据治理来讲核心仍然是涉及到组织,数据管理责权利的数据管控体系建设,即首先要回答谁来管的问题,其次才是回答如何管的问题。简单来说就是我们先搭建了数据组织体系,进行了岗位人员角色定义,那么接着就是对数据进行管理的执行层面。

    对于数据对象,仍然可以从静态和动态两个视角来看。

    从静态维度来看,数据本身有结构有层次,数据和数据之间有关系,数据定义有模型,数据模型本身还可以定义元数据模型,这些内容都属于数据的静态结构视角。

    从动态维度来看,数据本身也有生老病死,有生命周期,因此数据管理需要覆盖数据从需求,设计,开发,上线应用,运维,退役的完整生命周期管理。

    即可以理解为:静态+动态两个视角完成了对数据的基础管理体系建设。但是对于数据治理包括了数据管理体系和数据价值创造体系。

    因此在完成数据基础管理后,我们还得看数据如何进一步价值创造。

    数据在传统的单个系统里面使用,支撑最基础的业务协同和业务流程,这个当然也是价值创造。但是数据更大的价值,在于跨域的数据协同。这就涉及到数据的集成和整合,在数据整合后本身数据能够以数据服务的方式进行能力开放和共享。

    在数据朝上开放后,我们可以考虑进一步的数据应用,数据分析和决策,包括基于数据分析进一步指导运营过程改进,业务流程改进,形成数据驱动的闭环机制。

    而这个就是我们说的数据价值创造体系。

    当把这点思考清楚后,我们对数据治理框架重新构图如下。

    从数据治理到数据资产管理-数据治理框架再思考

     

    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。

    展开全文
  • 一、什么是数据治理? 维基百科:数据治理对于确保数据的准确、适度分享和保护是至关重要的。有效的数据治理计划会通过改进决策、缩减成本、降低风险和提高安全合规等方式,将价值回馈于业务,并最终体现为增加...

    一、什么是数据治理?

    维基百科:数据治理对于确保数据的准确、适度分享和保护是至关重要的。有效的数据治理计划会通过改进决策、缩减成本、降低风险和提高安全合规等方式,将价值回馈于业务,并最终体现为增加收入和利润。

    笔者认为:所有为提高数据质量而展开的业务、技术和管理活动都属于数据治理范畴。数据治理的目的就是通过有效的数据资源控制手段,进行数据的控制,以提升数据质量进而提升数据变现的能力。

    二、为什么需要数据治理?

    在我国,各行业的信息化发展和建设水平并不均衡,甚至有的行业是刚刚起步。但是,不论是金融行业、通讯行业、地产行业、传统制造业以及农业,其信息化的发展基本都遵循了“诺兰模型”。笔者认为企业信息化大致经历了初期的烟囱式系统建设、中期的集成式系统建设和后期的数据管理式系统建设三个大的阶段,可以说是一个先建设后治理的过程。

     

     

    1、数据质量层次不齐

    当今时代,“数据资产化”的概念已经被大多数人理解和接受。不论是企业、政府还是其他组织机构,对于的数据资产的管理越来越重视。然而,数据并不等于资产,也就是说不是所有数据都是数据资产,数据中也有垃圾数据。我们需要治理的是能够为企业创造价值的数据资产,而不是全部数据。

    2、数据交换和共享困难

    企业信息化建设初期缺乏整体的信息化规划,系统建设大多都是以业务部门驱动的单体架构系统或套装软件,数据分散在这些架构不统一、开发语言不一致、数据库多样化的系统中,甚至还有大量的数据存放在员工的个人电脑中,导致在企业内部形成了一个个的“信息孤岛”。这些“孤岛”之间缺乏有效的连接通道,数据不能互联互通,不能按照用户的指令进行有意义的交流,数据的价值不能充分发挥。只有联通数据,消除这些“信息孤岛”,才能实现数据驱动业务、数据驱动管理,才能真正释放数据价值。

    3、缺乏有效的管理机制

    目前,许多企业都认识到了数据的重要性,并尝试通过生产系统的业务流来控制数据流,但由于缺乏有效的管理机制和某些人为的因素,在数据流转过程中,存在数据维护错误、数据重复、数据不一致、数据不完整的情况,导致了产生了大量的垃圾数据。数据产权不明确,管理职责混乱,管理和使用流程不清晰,是造成数据质量问题的重要因素。

    4、存在数据安全隐患

    2018年3月份的Facebook 5000万用户信息被泄露和滥用的事件,受该事件影响,Facebook股价当日大跌7%,市值缩水360多亿美元,而盗用数据的剑桥分析这家公司也于同年5月停止运营,并申请破产。这种数据安全事件,在我国发生频率更多,我还清楚的记得:2011年,黑客在网上公开了CSDN的用户数据库,高达600多万个明文的注册邮箱账号和密码遭到曝光和外泄;2016年,顺丰员工应盗取大量客户信息被送上法庭;2017年,京东员工盗取用户个人信息50亿条,并通过各种方式在网络黑市贩卖。近年来,随着大数据的发展,诸如此类的数据安全事件多不胜数。数据资产管理上,正在由传统分散式的人工管理向计算机集中化管理方向发展,数据的安全问题愈来愈受到人们的关注。

    三、DMBOK的数据治理框架

    DMBOK是由数据管理协会(DAMA)编撰的关于数据管理的专业书籍,一本DAMA 数据管理辞典。对于企业数据治理体系的建设有一定的指导性。注:DAMA 是数据管理协会的简称,是一个全球性数据管理和业务专业志愿人士组成的非营利协会,致力于数据管理的研究和实践。

    DMBOK将数据管理分为以下10个职能域:

     

    • 数据控制:在数据管理和使用层面之上进行规划、监督和控制。

    • 数据架构管理:定义数据资产管理蓝图。

    • 数据开发:数据的分析、设计、实施、测试、部署、维护等工作。

    • 数据操作管理:提供从数据获取到清除的技术支持。

    • 数据安全管理:确保隐私、保密性和适当的访问权限等。

    • 数据质量管理:定义、监测和提高数据质量。

    • 参考数据和主数据管理:管理数据的黄金版本和副本。

    • 数据仓库和商务智能管理:实现报告和分析。

    • 文件和内容管理:管理数据库以外的数据

    • 元数据管理:元数据的整合、控制以及提供元数据。

    四、数据治理框架的理解和解读

    DMBOK对企业级数据治理给出了框架性建议,但是任何指导性的框架文件都不是万能的。不同的行业、不同性质的企业、不同的信息化程度、不同的企业文化,其数据治理方案必须因地制宜,量身定制。我们常说:没有最好的解决方案只有更合适的解决方案。企业在实施数据治理的时候,应做好充分的分析和评估,切勿盲目跟风,避免出现数据治理收效甚微,还浪费了投资的窘境。

    笔者认为企业数据治理应考虑以下要素:

    1、数据治理的对象

    大家都在谈数据治理,但是到底哪些数据需要被治理?我们说数据治理不是治理全部数据,而是针对企业数据资产的治理。那么,问题来了,到底什么是数据资产?又如何识别数据资产?

    维基百科定义:数据资产属于普通个人和企业的数字财产,数据资产是无形资产的延伸,不具有实物形态。其本质是数据作为一种经济资源参与企业的经济活动,减少和消除了企业经济活动中的风险,为企业的管理控制和科学决策提供合理依据,并预期给企业带来经济利益。

    笔者认为,数据资产虽不具备实物形态,但是它必定是实物在网络世界映射的一种虚拟形态。对于企业而言,人、设备、产品、物料、软件系统、数据库、以及任何涉及到使用文件作为载体的各类数据,都属于企业的数据资产。

    我们虽然定义了数据资产,但是不同行业的数据治理侧重点也不同。数据治理要理解行业需求、企业诉求,在不同行业、不同企业应具有不同的差异化方案。企业在实施数据治理的时候,首先要进行数据资产的识别和定义,明确数据治理的对象和范围,做好数据治理的顶层设计!

    2、数据治理的时机

    这些年由于工作原因走访了一些企业,其经济情况不同、行业特点不同、信息化程度不同、数据治理情况也不尽相同。

    第一类企业:经济实力雄厚,信息化起步较早,信息化程度比较高,如:XX银行、国家电网,他们已形成了系统性的数据治理体系。

    第二类企业:有一定的经济实力、信息化程度相对较好,但是早期的信息化盲目建议,买了一堆的套装软件,建了一堆的系统,虽然系统或多或少都有使用,但效果不佳,谈起数据治理,客户自己都觉得头痛:企业到底都有哪些数据?这些数据都是分布在哪里?数据治理该如何入手?

    第三类企业:经济实力相对薄弱,也有信息化刚刚起步的企业,这些企业多数的业务还是靠纸质或线下模式,部分企业使用了财务软件或ERP系统,数据存放个人电脑或生产系统中,基本没有数据治理。我国的一些中小民型营制造企业多数处于这个水平。

    企业数据治理的时机该如何选择?是先有了数据再进行治理,还是先建设好数据治理体系再进行应用系统建设?针对上述不同类型的企业,其数据治理选择的时机和体系建设的设计绝对不能一概而论。

    对于第一类企业,已经有了相对完善的数据治理体系,更需要的是加强数据安全、数据应用、数据创新,稳固提升数据管理、数据应用和数据变现的能力;

    对于第二类企业单体架构的系统多,信息孤岛严重,一定存在数据多源、重复、不一致等问题,其数据治理已是迫在眉睫;

    对于第三类企业,在数字化的浪潮下,信息化虽然薄弱,但如果打好数据基础,未免不是企业改革创新,实现“弯道超车”的最佳时机。

    3、谁来实施、谁来主导

    企业常常有这样一个误区,很多人认为数据治理就是信息化部门的事情和业务部门无关。前边我们说过数据治理是对企业数据资产的治理,既然是资产,就一定要确权。企业数据资产的生产、使用应该有明确的责任部门,显然数据资产的生产及归属部门应该是业务部门,信息化部门最多也就是一个数据资产的托管部门而已。笔者也多次强调企业的数据问题,80%是业务和管理的问题,20%是技术问题。

    所以,企业数据治理是应有高层领导牵头,业务部门负责,信息部门执行,企业全员的参与。企业全员应培养起数据思维和数据意识,当然这是一个长期的过程,也是一件很不容易的事情,需要一点一滴的积累沉淀,并不断融入企业文化中。

    4、数据治理的内容

    数据治理是长期、复杂的工程,涉及到组织体系、标准体系、流程体系、技术体系和评价体系五方面的工作领域,包含了数据标准、数据质量、主数据、元数据、数据安全等多个方面内容。由于企业性质、业务特点、管理模式的不同,有必要建立符合企业现状和企业需求的数据治理框架,指导企业数据治理工作的开展。

    以下是笔者个人理解的数据治理框架内容,不足之处希望业内专家指正,期待与您的交流:

     

     

    组织体系:数据治理项目的实施绝非是一个部门的事情,不能在企业的单一部门得到解决。需要从整个组织考虑,建立专业的数据治理组织体系,进行数据资产的确权,明确相应的治理制度和标准,培养整个组织的数据治理意识。这需要 IT 与业务部门进行协作,而且必须始终如一地进行协作,以改善数据的可靠性和质量,从而为关键业务和管理决策提供支持,并确保遵守法规。

     

    标准体系:数据治理的标准体系是多个层面的,包括:国际标准、国家标准、行业标准、企业标准等。企业数据标准体系内容应涵盖:元数据标准、主数据标准、参照数据标准、数据指标标准等。数据治理的成效,很大程度上取决与数据标准的合理性和统一实施的程度。企业数据标准体系的建设应既满足当前的实际需求,又能着眼未来与国家及国际的标准接轨。

     

    流程体系:数据治理流程体系,为数据治理的开展提供有据可依的管理办法、规定数据治理的业务流程、数据治理的认责体系、人员角色和岗位职责、数据治理的支持环境和颁布数据治理的规章制度、流程等。建立数据的生产、流转、使用、归档、消除的整个生命周期管理的过程。企业应围绕数据治理的对象:数据质量、数据标准、主数据、元数据、数据安全等内容建立相应的制度和流程。

     

    评价体系:建立数据评价与考核体系是企业实施和贯彻数据治理相关标准、制度和流程的根本。建立明确的考核制度,实际操作中可根据不同企业的具体情况和企业未来发展要求建立数据的认责体系,设置考核指标和考核办法,并与个人绩效挂钩。考核指标包括两个方面内容,一方面是对数据的生产、管理和应用等过程的评估和考核指标,另一方面是数据质量的评测指标。

     

    技术体系:数据治理包括数据治理的工具和技术,总体应包括元数据管理、主数据管理、数据标准管理、数据质量管理和数据安全管理。

     

     

    元数据管理:元数据管理是对企业涉及的业务元数据、技术元数据、管理元数据进行盘点、集成和管理,按照科学、有效的机制对元数据进行管理,并面向开发人员、最终用户提供元数据服务,以满足用户的业务需求,对企业业务系统和数据分析平台的开发、维护过程提供支持。借助变更报告、影响分析等应用,控制数据质量、减少业务术语歧义和建立业务和技术之间的良好沟通渠道,进一步提高各种数据的可信性、可维护性、适应性和可集成性。

     

    数据标准管理:数据标准适用于业务数据描述、信息管理及应用系统开发,可以作为经营管理中所涉及数据的规范化定义和统一解释,也可作为信息管理的基础,同时也是作为应用系统开发时进行数据定义的依据。涉及国家标准、行业标准、企业标准和地方标准,在定义元数据实体或元素时进行关联。数据标准需要不断的补充完善、更新优化和积累,以便更好的支撑业务的开发和系统的集成。

     

    主数据管理:主数据管理是通过运用相关的流程、技术和解决方案,对企业核心数据的有效管理过程。主数据管理涉及主数据的所有参与方,如用户、应用程序、业务流程等,创建并维护企业核心数据一致性、完整性、关联性和正确性。主数据是企业内外被广泛应用和共享的数据,被誉为是企业数据资产中的“黄金数据”,主数据管理是撬动企业数字化转型的支点,是企业数据治理最核心的部分。

     

    数据质量管理:建立数据质量管理体系,明确数据质量管理目标、控制对象和指标、定义数据质量检验规则、执行数据质量检核,生产数据质量报告。通过数据质量问题处理流程及相关功能实现数据质量问题从发现到处理的闭环管理,从而促进数据质量的不断提升。

     

    数据安全管理:目前多数人都知道数据安全问题十分重要,但在现实中,数据安全却常常被忽视,只有出现了数据安全问题甚至事故时,人们才认识到要为数据安全做点什么了。数据安全应贯穿数据治理全过程,应保证管理和技术两条腿走路。从管理上,建立数据安全管理制度、设定数据安全标准、培养起全员的数据安全意识。从技术上,数据安全包括:数据的存储安全、传输安全和接口安全等。当然,安全与效率始终是一个矛盾体,数据安全管控越严格,数据的应用就可能越受限。企业需要在安全、效率之间找到平衡点。

     

    五、数据治理框架总结

     

    再次强调,企业实施数据治理需因地制宜,不论建立什么样的数据治理体系、采用什么样的数据治理技术,其目的都是实现数据治理目标,即:通过有效的数据资源控制手段,对进行数据的管理和控制,以提升数据质量进而提升数据变现的能力。数据治理体系和框架,只是企业数据治理的一个参考,不能照搬和套用,更不能为了治理而治理。

     

    https://blog.csdn.net/kuangfeng88588/article/details/89952992

    展开全文
  • 数据治理:数据安全治理整体解决方案
  • 美团数据治理参考

    2021-02-24 16:51:55
    数据治理项目目标:通过建设一个专业数据治理平台,实现指标维度及数据的统一管理,也探索一套高效的数据治理流程。在建设起源数据治理平台的过程中,主要面临的挑战如下:起源数据治理平台应该在架构中的哪个位置...
  • 大数据数据治理

    2018-07-31 09:22:17
    我国最早意识到数据治理重要性的行业银行是金融行业。由于对数据的强依赖,金融业一直非常重视数据平台的建设,经过几代数据平台的验证,发现数据治理是平台建设的主要限制因素,而且随着投资和建设的投入增加,对...
  • 数据治理框架是什么数据治理框架是指为了实现数据治理的总体战略和目标,将数据治理领域所蕴含的基本概念组织起来的一种逻辑结构,可为企业的数据治理实践提供理论指导。包含内容:每个组件的职能以及组件间的逻辑...
  • 数据治理简介

    2018-03-07 09:46:20
    关于数据治理的简介内容,让你对于数据治理的概念和内容有个大致的理解。
  • 我主要想和大家分享一些数据治理的经验和数据模型管控的方法。其实数据治理的难度很大,因为牵扯的东西太多、外围的环境太复杂。尤其是IT系统建设到一定程度的时候,你才开始做数据治理,难度真的会非常大。数据治理...
  • 数据是银行最核心的资产,数据治理能成就银行的未来。数据治理是一个新兴的并且不断演进的概念,涉及数据质量、数据管理、数据政策、商业过程管理、风险管理等多个领域,同时也受技术革新等因素的影响。在数据治理...
  • 1国外数据治理模型比较(来源:图书馆论坛,2018-06-19)摘要:[目的/意义]深入探析国外数据治理模型的构成要素、治理特点、优势与不足等,为我国数据治理模型的构建提供理论基础与实践参考。[方法/过程]采用文献调研...
  • 数据是银行最核心的资产,数据治理能成就银行的未来。数据治理是一个新兴的并且不断演进的概念,涉及数据质量、数据管理、数据政策、商业过程管理、风险管理等多个领域,同时也受技术革新等因素的影响。在数据治理...
  • 数据治理概念 数据治理是指将数据作为组织资产围绕数据全生命周期而展开的相关管控活动、绩效和风险管理工作的集合,以保障数据及其应用过程中的运营合规、风险可控和价值实现。 从使用零散数据变为使用统一数据...
  • 数据治理 主数据 元数据Data governance is top of mind for many of my customers, particularly in light of GDPR, CCPA, COVID-19, and any number of other acronyms that speak to the increasing importance ...
  • 数据治理怎么做

    2019-01-18 13:47:22
    数据治理怎么做? 数据治理不仅需要完善的保障机制,还需要理解具体的治理内容,比如我们的数据该怎么进行规范,元数据又该怎么来管理,每个过程需要哪些系统或者工具来进行配合呢?这些问题都是数据治理过程中最...
  • 数据治理.zip

    2019-05-13 09:19:09
    汇总整理了25个关于数据治理的PPT,涉及很多大厂的数据治理案例。
  • 同时,监管机构对于商业银行数据治理的要求也在不断加码,银保监会于2018年5月21日正式发布的《银行业金融机构数据治理指引》就明确要求:商业银行应将数据治理工作纳入公司治理的范畴,并将数据治理情况与公司治理...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 5,987
精华内容 2,394
关键字:

数据治理