话说：“无规矩，不成方圆”。企业数据治理也一样，明确的组织机构、角色分工、统一的数据标准、规范的管理流程是保障数据治理成功的关键要素。今天我们来谈一谈，企业数据治理的组织制度保障体系的建设。废话不说，我们直接来干货！
数据治理项目涉及范围广，牵扯到不同的业务部门、信息部门和应用系统，需要协调好各方关系，目标一致、通力协作才能保证项目的成功，而有效的组织机构是项目成功的有力保证。在2017年9月发布的DAMA-DMBOK2.0中，引入了数据治理组织架构体系章节，并重点介绍了数据治理组织机构的重要性和组织机构建设的相关内容。
由于各行业信息化发展程度参差不齐，数据治理成熟度也不尽相同，企业对于建设数据治理组织机构的认知也是不一样的。有的企业专门成立了数据治理的部门，有的企业为数据治理项目设置了临时的组织，有的企业数据治理组织人员由科信部门的人员兼职，有的企业将数据治理工作托管与第三方机构（例如：部分集团企业将数据治理托管给了下属的三产公司）。
结合笔者项目实践，企业数据治理组织机构体系可以大致划分为决策层、管理层和执行层三个层面。
决策层：定义企业数据管理战略和目标，指明数据治理方向和蓝图，批准实施数据治理制度及流程；对数据治理过程的重大事项进行审核和决策；对数据治理工作给予相应的人力、物力和资金的支持与保障。主要角色：数据治理委员会。
管理层：定义企业数据标准、质量规则制定数据管理流程和相关制度；对数据治理过程进行进行监控和管理，以符合数据标准、管理制度和流程规范的要求。主要角色：数据治理办公室。
执行层：根据企业的数据标准、管理流程和制度要求，执行数据标准，实施数据治理，提升数据质量，释放数据价值。主要角色：数据主责人、数据使用人、数据录入人、系统负责人、系统维护人、技术支持人。
笔者认为以上的数据治理的组织形态并无高低层次之分，不同行业、不同需求特点、处在不同阶段，企业数据治理的组织形态，可以有所差别，企业应结合自身的发展战略和目标确定建立什么样的数据治理组织。数据治理组织应具备目标导向的自驱力，通过合理的人才成本配置和激励措施，激发团队活力，增强企业竞争力！
在数据治理的实践中，“确权、定责”非常关键，是避免后续部门之间，相互推诿、扯皮的重要措施。在确定了企业数据治理的组织机构框架后，就需要对每个角色的权责进行明确。
1、数据治理委员会，即数据治理的决策层，主要负责制定企业数据战略、把控数据治理的总体策略，为数据治理目标指明方向，对数据治理过程中的重大事项进行决策。
2、数据治理办公室，是数据治理的经营管理层，主要负责企业数据标准、数据管理流程和数据管理相关制度的制定、审查数据质量，贯彻落实数据标准、监督数据治理效果。
3、数据治理业务操作层，主要负责数据治理的贯彻执行。根据不同的企业需要，数据治理执行层，可以由以下角色组成：数据主责人，数据使用人，数据录入组，数据审核组，技术支持组。主要职责及分工如下：
在数据治理体系中数据规范包含三个方面，即：数据标准规范、数据质量规范、数据安全规范。
数据标准规范是一套由管理制度、管控流程、技术工具共同组成的体系，是通过这套体系的推广，应用统一的数据定义、数据分类、记录格式和转换、编码等实现数据的标准化。数据标准规范包括：业务术语描述、数据模型标准、主数据和参照数据标准、指标数据标准等。通过对数据标准化定义和描述，解决数据不一致、不完整、不准确等问题，消除数据的二义性，使得数据在企业有一个全局的定义，减少了各部门、各系统的沟通成本，提升企业业务处理的效率。
数据质量规范是明确数据质量管理要求，制定数据质量指标（常见的数据质量指标包括：数据唯一性、数据完整性、数据准确性、数据一致性、数据关联性、数据及时性等）、定义数据质量规则、确定数据质量标准和制定数据质量的测量和分析方法，通过数据质量控制，提升数据质量和数据管理水平。
数据安全规范是识别敏感数据，进行数据安全的分类、分级定义，确定数据安全职责，明确敏感数据的访问和使用权限。
数据管理规范是数据治理成功落地的保障，管理规范包含：数据管理流程、数据管理制度、数据监督考核制度。
1、管理流程：数据治理应贯穿于数据的整个生命周期，在数据的规划、设计、创建、变更、存储、使用、销毁的各个阶段应设置相应的管理流程，例如：数据需求管理流程、数据创建流程、数据变更流程、数据销毁流程。
2、管理制度：管理规范是配合管理流程，在每个管理流程中设置管控点，明确每个管控点的管控目标、管控要素、标准规范和操作规程，与数据管理流程相辅相成。项目常见的数据管理制度有：数据填报规范、数据清洗规范、数据采集规范、数据运维制度等。
3、监督考核：监督是监督过程，考核是考核结果。数据治理的过程监督是对数据治理相关流程和制度执行的情况的检查，通过制度规范和约束数据管理过程。考核是数据治理制度有效推进和落实的根本，建立相应的数据治理考核办法，并关联组织及个人绩效。数据治理既要严抓过程，更要注重结构。
组织机构、角色分工、数据标准和管理制度，构成了数据治理项目成功实施的重要保障。同时，按照DMM数据管理能力成熟度模型要求，组织机构、角色分工、数据标准和管理制度也是衡量一个企业的数据管理/治理能力的成熟度的关键考察要素。
在企业数据治理中，关于组织制度保障体系的建设，笔者给出以下几点建议，供参考：
企业在实施数据治理时，往往会遇到这样一种情况。项目建设过程如火如荼，并能够取得一定的成绩。而往往项目建设完成后或建设完成后的一段时间内治理组织解散、数据标准执行不到位、数据管理制度也不了了之，建设阶段取得的成果逐渐消失殆尽，企业的数据情况又回到的治理之前。我们一直强调：数据治理是一个需要持续运营的过程，不能一蹴而就。企业的数据问题，并不是单单靠实施一个数据治理项目就能彻底解决的。组织制度的保障不仅仅是作用在建设阶段，更重要的是在运维/运营阶段的持续保障。对于项目建设期和运维期，数据治理的组织机构形态和管理制度细则会有所侧重和不同，企业应根据自身需求和数据发展要求灵活调整。
企业的数据名目繁多，千变万化，不可能寄希望于通过一个数据治理项目将企业数据问题全部解决。企业的每个业务域都需要多项数据支撑，数据治理要选择好业务重点，不能胡子眉毛一把抓。企业应按照需求紧迫程度、业务影响程度、实施难易程度等因素设置权重，排列优先级，根据优先级顺序进行逐步推进。
笔者建议企业实施数据治理，要有明确的目标，选择1个或多个业务痛点的数据进行实施，快速见效。通过解决数据痛点问题，解决由该痛点引起的业务线之间的协同问题，再通过每条业务线上数据问题的解决，逐步实现企业全面的数据治理。而每个数据痛点问题的解决都需要整合业务链条上的相关业务部门资源，不能寄希望于一个部门或一个人。例如：产品数据的治理，涉及到从产品订单开始，到产品设计、材料采购、产品生产、产品存储、产品运输、产品销售、产品服务的各个环节，需要每个业务环节设置相应的人力资源支持和制度流程保障。
加强数据专业人才的培养是数据治理组织机构建设的重要支撑，也是数据标准和制度流程体系能够顺利落地的保证。笔者在《数据治理系列5：浅谈数据质量管理》一文中曾提到，影响企业数据质量的因素，可以总结为两类，客观因素和主观因素。客观因素：在数据各环节流转中，由于系统异常和流程设置不当等因素，从而引起的数据质量问题。主观因素：在数据各环节处理中，由于人员素质低和管理缺陷等因素，从而操作不当而引起的数据质量问题。而事实上，主观因素造成的数据质量问题往往占比在70%以上。高素质的人才培养，是企业数据治理的一个重要基础。人才队伍的建设离不开企业文化土壤的滋养，数据治理要做好，企业应将数据思维、数据意识融入到企业文化的血液中。通过培训、绩效激励等方式，大力推广数据文化，形成人才队伍和企业文化建设的并行发展。
数据治理的目的是提升数据质量和数据变现的能力，让数据成为利润中心的一部分，这离不开技术，更离不开管理，而成熟有效的组织、标准、制度体系的建设，使得数据治理有了成功的保障。
笔者观点：随着数据资产化被社会的广泛接受和认可，数据治理组织制度保障体系必定会经历一个从无到有、从虚拟组织到实体组织，从兼职管理到专业岗位，从离散控制到全链监控的过程。数据治理组织制度保障体系的建设需要一个过程，并不是一步到位。在笔者看来，虚拟组织也好，实体组织也罢，不论是全职岗位还是兼职管理，不论是项目式的离散管控还是全过程、全链路的统一标准，并没有绝对的好或不好，而是在企业发展的一定阶段要选择不同的方式罢了，在这一点上没有最好的解决方案，只有更适合的解决方案。
合作
咨询
帮助
数据标注咨询 
