企业数据治理应满足哪些关键点

企业数据治理应满足以下关键点：

• 构建数据治理整体架构确保数据治理的整体性：制定数据治理架构是数据治理的核心任务，好的数据治理架构可以确保数据治理的整体性，实现彻底、完善的数据治理，更好地达到数据治理的预期效果。因此应该构建包括一个体系（数据标准体系）、三个环境（治理型环境、分析型环境、知识型环境）、一个架构（面向服务的集成架构）的数据治理整体架构。

• 全方位重构数据标准体系彻底改善数据环境：企业内的数据可分为分析型数据（趋势、计划、指标数据等）、交易型数据、共享（主）数据、业务场景数据4大类，数据的质量问题很大程度上取决于数据所处环境的状况，因此需要从根本上打造一整套全方位的数据标准体系以确保数据质量的可控制性、可持续性。

• 构建全视角管控的静态数据中心全面保障数据质量：一般我们会通过基本、组织和业务三个视角信息对数据进行描述。基本视角信息是对某条数据的基本特征信息的描述，组织视角信息是指某条数据在不同的组织范围描述的不同信息，业务视角信息是指某条数据在不同的业务场景下描述的不同信息。当然也可以从共享的角度去描述一条数据的信息，这就是我们常提到的主数据。

• 通过技术加行为的手段深层次保障数据质量：数据质量在数据治理中的分量不言而喻，但是目前保障数据质量的主流方法几乎全是技术手段，主要有以下三种方法。第一种方法，针对数据产生的源端进行控制。指通过针对属性字段取值的格式、上下限、枚举值、从属关系、关联关系等的判断来进行数据质量的控制。第二种方法，针对数据仓库的末端进行控制。这种方法已经随着数据仓库、BI的发展存在了多年，实际上就是ETL过程对数据质量的控制。第三种方法，也是针对数据存储应用层（数据仓库）的末端进行控制，当然这种方法就比较高级了，那就是采用AI（人工智能）技术，比ETL高级了很多，尤其是随着数据中台的兴起，业界对其十分看好。

• 构建基于场景的数据服务体系推进数据资产化管理：大数据时代的来临使得数据的价值逐步显性化，也被各企事业单位更加重视。数据资产管理当前也已经成为IT界的一门新兴概念被广泛研究。DAMA将数据资产管理（Data Asset Management，DAM）定义为规划、控制和提供数据这种企业资产的一组业务职能，包括开发、执行和监督有关数据的计划、政策、方案、项目、流程、方案和程序，从而控制、保护、交付和提高数据资产的价值。

• 构建日常数据质量监测体系持续确保数据质量：为了确保数据质量的持续性良好，数据治理项目实施后需要构建一个基于大数据行为分析的数据质量监测平台，而不是传统意义的基于属性字段级的技术验证。平台需要具备实时探知数据质量的能力，并且把数据质量量化展现，同时提供问题数据处理的通道。

• 构建基于过程的知识体系确保全面的数据治理能力：企业具备数据治理的能力非常重要，那么企业应该具备什么样的能力呢？根据多年的经验总结，企业数据运维管理阶段需要具备针对数据管理体系的拓展和完善能力，以便支撑未来企业发展后的数据扩展或管理变更的需求。因此要做好此工作需要长期积累大量的过程知识，构建基于过程的知识收集和推送体系是关键中的关键。