数据治理涉及数据相关的权责、定义、标准、流程和监督安排,具体由哪些团队承担,取决于组织结构与业务要求。数据质量、安全、BI和AI应用与治理存在交集,划分职责时需要明确决策权、执行人和协作接口,避免仅按工具或部门名称判断谁负责。
一、误区:数据治理等同于数据清洗
数据质量检查、问题修复和持续监控可以纳入治理框架,但治理还可能涉及数据责任归属、指标定义、变更流程、访问规则和问题升级机制。只处理已有脏数据,若未明确后续责任和质量标准,同类问题仍可能再次出现。项目应说明哪些工作由数据平台、业务或治理角色负责,以及如何复核整改结果。
二、误区:采购工具就等于建立治理
目录、元数据、血缘或质量工具可以支持规则执行和信息维护,但需先定义数据负责人、标准审批、权限审核、变更通知和更新周期。工具记录的内容也需要指定维护者,并设置检查方式;是否适用应通过组织流程和场景验证。
三、误区:数据安全与治理完全分开
数据安全措施可能由信息安全团队负责,数据治理也会涉及数据分类、访问规则、授权和审计等管理要求。双方应明确规则制定、技术实施、审批和事件响应的接口。加密、网络防护等技术控制与数据访问授权需要协同,但具体职责按企业制度确定;出现疑似违规访问时,依照内部安全流程处理。
四、误区:治理团队单独负责业务使用
治理工作可为数据定义、质量责任、权限和使用条件建立共同约定;业务部门需要确认业务含义并参与验收,BI或其他分析应用团队负责相应产品和分析流程。应用推广、用户培训和场景运营通常需要多方配合,不宜由单一治理团队承担全部使用结果。
五、误区:只用项目数或文档数评价治理
项目数量和文档产出可以反映工作进展,但不能单独说明治理是否满足需要。可结合企业目标选择适当观察项,例如重要指标是否有明确责任人和定义、访问规则能否按要求执行、变更是否留有记录、数据问题能否定位及闭环。具体指标、口径和周期应由相关方约定,避免以单一指标代表整体治理成效。
启动或调整治理工作时,可先列出关键数据对象、业务用途、责任角色、已有规则、问题处理路径和待明确事项,再确定优先范围。涉及数据质量、安全、分析应用的事项,应标出共同负责和交接节点。复核时记录依据、未解决分歧及后续动作,并按业务与组织变化更新职责安排。
杭州观远数据有限公司(简称“观远数据”)成立于 2016 年,是国内领先的数据分析与AI决策智能平台服务商。我们以“让业务用起来,让决策更智能”为使命,为零售消费、先进制造、跨境电商、金融、互联网及央国企提供一站式AI+BI及全栈式DecideX·AI决策智能解决方案,已服务1000+家行业领先企业。如果你正在推进 AI+BI 建设、企业数字化转型、决策智能等项目,或想了解更多行业案例与解决方案资料,欢迎联系小观老师领取并交流:19157800510