一、企业为什么要做数据治理
企业在日常经营管理中，经常遇到指标口径不一致、数据时效性差、数据质量差、数据加工困难、指标统计困难等问题。比如：
- 总经理会经常收到互相矛盾的报告，本应根据分析报告做决策的会议，却变成了对数据口径问题；
- 数据分析师往往要花大量的时间在数据收集和清洗上，占用掉大量本应用来进行数据分析和价值挖掘的时间；
- 受限于数据时效性差，首席运营官也只能凭感觉和经验来开展工作，无法依据数据做决策和管理；
- 另外，由于数据的准确性差、不完整、数据重复等问题，市场总监、首席信息官、财务总监等管理人员也很难基于数据来有效开展工作。
这种情况下，没有经过治理的数据，只能零散地躺在各业务系统里，无法融合起来发挥数据的价值，也无法形成企业的数据资产。因此，数据治理，是企业发挥数据价值、进行数字化转型的必经之路。
二、数据治理概念
数据治理是企业中涉及数据使用的一整套管理体系，包括数据管理相关的组织、制度、流程、工具。通过有效的管控手段，使数据看得见、找得到、管得住、用得好，最终提升数据的利用率和数据价值。
三、数据治理实施路径。
数据治理实施路径通常分为六步走：
第一步：基础调研
第二步：建立数据治理组织制度
第三步：业务流梳理
第四步：数据标准制定
第五步：数仓开发
第六步：数据应用与服务
- 调研
调研是数据治理的首要工作，调研内容包括：业务调研、系统调研、数据调研和需求调研。
比如酒店业务，业务调研需要调研清楚都有哪些业务类型、服务内容、业务过程，系统调研需要调研清楚都有哪些业务系统在支撑运营这些业务过程，系统间的数据联通关系是怎样的，系统数据的存储方式是怎样的；数据调研需要清楚各业务过程中都产生什么数据，数据之间的关系是什么，进行盘点出数据资产台账；需求调研是要了解相关人员的业务需求是什么：比如提高房间出租率、或者提高酒店的综合评分？
调研产出：
（1）业务流程图-数据流程图
基于调研结果，需要梳理出详细的业务流程图和对应的数据流程图，进而梳理出数据地图，为后续的数据标准制定、数据仓库设计提供基础支撑。
（2）数据台账
基于业务流程、业务系统数据说明书等资料，识别核心业务数据表，建立数据台账，记录数据表相关信息，为后续数仓设计、数据集成等工作建立基础。
（3）总线矩阵
基于业务流程图、数据流程图及其他调研信息，设计业务数据总线矩阵，作为后续数仓设计的基础和框架。
（4）需求说明书
总结调研过程中收集的业务方需求描述，提炼数据治理需求，作为数据集成、数据清洗、指标设计、报表开发、接口开发等数据应用服务的依据和参考。
- 建立数据治理组织
数据治理是一种让数据用起来的机制，是企业级战略，需要强有力的组织、流程、机制保障，企业需要在调研基础上，构建统一的数据治理组织和数据运营机制，组织协调各相关部门推进数据应用和数据治理工作。
数据治理组织整体由以下构成：
决策层：数据治理领导小组、数据治理办公室；
管理层：数据认责部门、各职能部门、各业务部门；
执行层：相关责任方、数据治理团队/中心、各层级项目组。
- 业务流梳理
在业务调研基础上，全面梳理业务过程，对相关业务流程进行整合、优化，形成统一的业务流。在此基础上，匹配业务实体，形成完整、清晰的业务总线矩阵，进行业务域的划分和主题域的设计。
- 制定数据标准规范
数据标准制定和落地的基本过程为：标准规划、标准制定、标准发布、标准执行、标准维护。数据标准来源于业务，又应用于业务，所以数据标准的编制、评审、发布、宣贯等，需要所有业务相关方共同参与完成。
数据标准规范包括：主业务数据标准、数仓设计规范、数据指标设计规范、数据接口规范、数据安全管理规范、数据质量管理规范等。
- 数仓设计与开发
基于前述详尽的业务调研与分析工作，进行数据仓库的分层分域设计与开发。包括数据仓库的分层设计、业务域设计、主题域设计、指标体系设计等设计工作，以及数据集成、数据清洗、明细表开发、维度表开发、主题表开发、应用表开发等开发工作。
开发过程中，需要严格遵守数据质量管理规范及数据安全管理规范。
- 数据应用与服务
数据的开发好后，可应用于业务指标分析、数据大屏开发、分析报表开发、自助数据分析、数据挖掘、智能营销等场景，为企业的科学管理、高效决策及业务场景创新提供数据支撑。
比如，开发好的指标存放于指标库中，用户可按需直接取用，无须再找数、找逻辑、再计算，有效解决指标统计难、口径不一致等问题；
另外，基于开发好的数据，业务人员可以通过简单的拖拉拽，实现自助数据分析，以及可视化报表的开发，解决数据使用难、分析难的问题。
