建立成功的数据治理团队的四个步骤

英文链接：

翻译：年少有为

成功的数据治理需要与清晰定义的业务需求保持一致。然而，有太多的数据治理程序未能实现目标，因为它们忽略了这一先决条件。他们也没能解决一个显而易见的问题:为什么一个组织应该在数据治理上投资?

治理团队必须回答以下三个关于基本业务需求的问题:

•治理是实现法规遵从性所必需的吗?•治理是更快实现分析洞察力的关键成功因素吗?•治理如何减少业务转换/卓越运营计划的时间、成本和风险?

对于大多数组织来说，数据治理目标是这三个目标的组合。但你的主要业务驱动力是什么呢?

如果您能够回答为什么要投资治理，那么不仅治理团队会支持它，组织也会支持它。治理不仅仅是现代数据治理工具的特性和功能。被忽视的一点是，治理团队只有在对人员、流程和技术的公式进行微调时才会成功。当然，数据治理工具可以支持人员和流程——但首先您必须决定如何实现治理，以最大限度地提高成功的可能性，这要考虑到组织的业务驱动程序和组织文化。

定义治理策略

这就引出了下一个关键问题:您的数据治理方法是什么?您希望像公共图书馆一样对每个数据元素进行编目吗?这被称为“自下而上”的方法。也许您需要控制业务流程和相关数据来驱动业务结果?这就是所谓的“中间偏出”策略。也可能是您的组织希望治理来监视和管理围绕业务的目标、目标和度量的数据。这就是“自上而下”的方法。

无论您选择哪种方法，治理团队都需要将该方法社会化，以获得组织的认可，即这是基于公司文化和目标的正确治理策略。然而，这并不意味着其他方法永远不会得到解决。例如，一个组织选择了一种“中间向外”的方法来管理一个新产品引入过程，然后将其演化为关键的KPI和度量标准，以例证“自上而下”的方法。要点是选择一个作为逻辑起点，并随着数据治理计划实现组织的接受和动力而演进。

定义数据治理

虽然有许多关于数据治理的定义，但我们将其定义为人员、流程和技术的正式编排，以使组织能够利用数据作为企业资产。需要注意的是，每个组织都根据其独特的文化和治理计划的业务驱动因素自定义定义。然而，同样重要的是建立一个强大的团队来开发和成熟数据治理策略。选择正确的团队可以决定一个项目的成功与否。

数据治理团队通常负责获得预算批准、设置治理目标和优先级、构建数据治理模型、选择要采用的技术和传播计划。在许多方面，团队是创建数据驱动文化的管道，因为他们在整个公司内建立兴奋和活力，以确保围绕数据的持续利用、协作和通信。

现在，让我们深入研究业务必须解决的四个关键步骤，以建立一个繁荣的数据治理计划:

•建立领导团队•选择管理级员工•指定数据所有者、管理员和用户•选择现代技术

建立数据治理领导

成功的数据治理从领导层开始。企业通常会任命首席数据官(CDO)或其他高管来领导治理工作。CDO负责监督整个团队，并确保数据治理工作保持在正轨上，在预算范围内，产生预期的结果或ROI。CDO还负责沟通过程和监控成功。

在CDO下工作的是来自业务各个部门(如营销、人力资源和IT)的执行级领导团队。

作为一个统一的团队，CDO和数据治理领导团队开发并建立数据治理流程，其中包括数据策略和过程，同时监督整个项目。

领导团队就位后，下一步是开发团队的其余部分。

构建数据治理团队

不同的部门出于不同的目的使用数据，因此从不同的业务部门任命数据治理倡导者非常重要。来自不同部门的代表的任务是促进整个企业的协作，以确保遵循治理过程，满足法规遵循标准，并培养数据素养。

这些数据治理团队成员一起工作，建立通用的数据定义，实现和监控数据质量分数，制定治理指标，并将角色和职责分配给数据所有者、用户和管理员。这些治理活动促进数据理解，鼓励数据利用，并在数据资产中建立信任，以鼓励数据使用者参与数据并生成有意义的业务洞察。

除了这个数据治理团队之外，指定的数据所有者、管理员和用户还在成功的数据治理策略中扮演关键角色。

指定数据所有者、管理员和用户

数据所有者、管理员和用户各有不同的数据治理角色和职责:

•数据所有者负责确保数据质量在流经业务数据供应链时不会降低，满足所有的法规要求，并根据定义的策略和过程适当地使用数据。•数据专员监督数据集的分析，为业务用户生成易于理解的报告，并回答数据问题。•数据用户必须遵循管理层制定的所有指导方针和策略，并将发现的任何数据异常报告给适当的数据所有者。

为这些角色选择对组织有意义的名称也很重要。在某些情况下，人们不喜欢“数据所有者”这个术语，因为他们认为没有人拥有数据。在这种情况下，您可以将其称为“数据托管人”。

一旦数据治理团队就位并创建了流程，组织就必须选择能够确保全面、成功的数据治理的技术。为了确保产生更好的业务决策的高质量数据，组织需要一个工具，该工具在企业范围内提供集成的数据管理功能。

选择现代技术

为了促进有效的数据治理计划，治理团队必须选择一个企业数据智能平台，该平台为数据治理、数据质量和分析提供广泛的集成功能。

数据治理功能应该提供对组织的数据环境的清晰可见性，包括可用的数据、分配的所有者/管理员、数据沿袭和使用，以及相关的定义、同义词和业务属性。以“自顶向下”的治理方法为例。在此场景中，工具必须合并易于可视化的治理仪表板，以显示关键kpi和度量，以评估实现关键业务目标的进度。

此外，该平台应鼓励通过可视化接口和工作流进行协作，以形成一个将人员和数据聚集在一起的数据社区。工作流之所以特别重要，有两个原因:首先，流程的工作流应该易于构建，例如数据访问请求、报告数据质量问题或建议新的治理术语，而不需要编写编码手册。其次，工作流程不仅仅需要由人来触发。当数据质量指标低于可接受的阈值时，应该自动触发工作流。此自动工作流事件会及时向数据所有者和管理员发出警报，提醒他们需要注意某个问题。没有人希望发现数据质量问题已经存在了几个月，只是偶然发现的。

该平台还应使所有用户能够方便地定义、跟踪和管理其数据资产的所有方面。

数据质量是任何数据治理策略的一个组成部分，数据管理解决方案必须确保数据在整个数据供应链中具有高层次和详细的质量度量的准确性和可靠性。例如，数据质量检查对数据分析、一致性、一致性、完整性、及时性和一致性的检查常常是“细节中的魔鬼”指标，分析用户希望在他们相信数据集适合用于某个目的之前检查这些指标。

通过采取适当的步骤来构建一个包含数据治理团队并选择最先进的技术，企业可以在整个组织内增加企业数据资产的价值。

专注互联网前沿技术

数据仓库|大数据|机器学习|人工只能

作者简介：就职于一线互联网公司

目前主要从事flink实时流开发

喜欢作者文章的，可以关注一波+++