继续延续上一篇文章，对数据治理之法进行学习。数据治理之法是战术层面的方法，是一套涵盖8项举措的数据治理实施方法论，包括梳理现状与确定目标、能力成熟度评估、治理路线图规划、保障体系建设、技术体系建设、治理策略执行与监控、绩效考核与长效运营。构建形成数据治理的8项核心能力，为企业数字化转型铺平了道路。
本书这八章从方法论的角度，阐述了数据治理的持续性、长期性、全面性和循环迭代性，明确了数据治理要以业务目标为导向，以数据标准为基础，以优化流程为关键，以技术创新为支撑，以组织制度为保障，明确数据治理的业务目标和治理范围，指出数据治理不能一蹴而就的，需要建立起长效运营机制，需要培养一批有工匠精神的数字化人才，不断打磨数据标准和数据质量，将数据治理变成一种机制、一种文化、一种习惯，才能达到数据治理的标本兼治、长治久安的目标。方法论部分从现状剖析，目标确定，由成熟度评估找出差距到路线图规划，明确了数据治理过程中的管理制度组织保障和技术保障措施，之后提出了数据治理的策略制定和治理过程的执行监督，并明确了数据治理的考核指标，最后根据数据治理要想支撑业务出效果，就需要长期和持续的坚持，即长效运营机制的建立，说明数据治理工作既是一个过程工程，也是一个持久性结果工程，不能只看过程，更要注重结果。
一、梳理现状与确定目标
数据治理的第一步是明确治理的业务目标是什么。
首先，需要摸清楚企业现状，通过信息化摸底，了解企业信息化建设情况，从IT视角了解企业数据管理的痛点和需求；通过业务部门调研，了解数据治理涉及的实施范围，目前数据管理存在的问题与核心需求等，从业务视角了解企业数据管理的痛点和需求；通过高层领导调研，了解企业业务战略、数据思维和认知，了解高层领导对数据治理思路目标方向期望和要求，明确数据治理的目标，数字化目标和发展目标。
其次，开展现状评估，需要对企业的数据思维和认知现状进行评估，接下来要对企业IT系统现状(系统架构、系统集成、系统使用和系统数据)、数据分布现状（数据域划分和数据资源归类）、数据管理现状和数据质量现状进行评估分析。
最后，明确数据治理的目标，要通过企业战略理解、业务需求分析来确定业务目标，再结合IT需求分析，进而确定治理目标，明确了数据治理是企业实现业务目标的一种手段。
常见的治理目标：提效、降本、增强决策、控制风险、精细化管理、创新管理业务模式、增强数据价值获取、满足利益相关方需求等。
二、数据治理能力成熟度评估
能力成熟度评估是企业开展数据治理的切入点，主要通过一系列方法、关键指标和工具来摸清楚企业目前的数据管理现状，用于统一数据管理概念认识、帮助企业建立全面的数据管理能力体系、找到优势和差距，指明方向，提供建议。
常见的能力成熟度模型有DMM和DCMM模型，DCMM分为5个等级，即初始级、受管理级、稳健级、量化管理级和优化级。具体见下图。
引入DCMM模型后，需要进行相应的评估，评估方法见下图。
DCMM是参考DMM模型和DAMA数据管理框架，并结合国内数据管理特点形成的，相对成熟和应用广泛。
总之，通过能力成熟度评估，目的是为了发现问题、找出差距、明确改进方向。
三、数据治理路线图规划
通过前面的能力成熟度评估，绘制出符合企业现状和需求的数据治理路线图。
路线图：一种目标计划，就是计划未来要做的事情罗列出来，直至达到某个目标。
数据治理路线图：是企业数据治理战略要素、发展方向、建设顺序和实施路径的综合表达，指明方向和路径，以时间为轴，采用量化方式明确每个节点的目标、建设内容，为数据治理的实施和操作提供具体参考和依据。一般包括5个要素，即目标任务、需求分析、技术路径、建设步骤、实施保障。给出了具体业务目标，以及实现该目标的步骤、方法、资源、技术和制度等，形成全方面、全链路的治理体系规划。
在路线图中，首先要明确目标、量化指标，要选取业务部门强烈的数据需求和数据质量痛点为着力点，同时要量化数据治理的指标；其次要选择合适的技术路径，比如自研、采购平台或PaaS服务，未来数据治理的技术路径会逐步走向云端；最后要确定治理的优先级，绘制治理路线图，要通过业务痛点--》业务线协同问题--》数据问题，以点连线、以线带面，采用大处着眼、小处着手的原则推进，逐步实现治理目标。典型的数据治理路线图如下。
四、数据治理保障体系建设
数据治理是对数据资产的治理，更是对数据资产所属的利益相关方的协调和规范，甚至是利益再分配。因此需要配置良好的组织机构和高层（一把手）的支持，甚至深入参与。
数据治理项目不像传统的IT项目或科研项目，要求项目负责人具备强大的沟通能力、深厚的技术能力和业务功底。
1.组织机构
设置组织机构明确了组织的3个原则，即治理要从企业利益出发、需要合理分工、需要相关方通力合作。
数据治理项目涉及范围广，牵扯不同的业务部门、信息部门和应用系统，一般来说，主要有5类角色，即数据治理委员会、数据治理办公室、数据所有者、生产者和使用者（消费者）。见下图。
关于谁应该对数据质量负责的问题？数据所有者对特定数据域内的数据负责，数据确权定责只是数据治理的手段，目的是为了提高数据质量和实现业务目标。严格来说数据质量人人有责，谁生产谁负责，谁拥有谁负责，谁管理谁负责，谁使用谁负责。
数据治理的组织机构也要随着建设阶段和运营阶段的变化有所调整，具体见下图。
2.打造高层（一把手）工程
数据治理项目的实施涉及业务范围广、牵扯的人员多、技术复杂多样，因此需要一把手打破部门墙、消除信息孤岛，拿到项目成功的金钥匙。
数据治理不仅仅是一个项目，更是一项持续的数据服务，需要不断迭代、持续优化的综合工程，需要高层的支持或深度参与，由于涉及范围广、周期长、过程复杂等特点，需要不断的重新调配预算、资源，这些都需要高层的推动，同时要开展全面数据治理才可能最终见效，需要企业的利益相关方统一认知、统一思想、齐心合力、上下一致行动，种种这些都需要高层领导和支持。
数据治理是企业信息化的一场重要变革，需要4类人的支持，分别为倡导者、跟随着、观望者和抵制者。
如何才能得到高层的支持呢？
1）将数据治理与企业战略绑定，将IT部门从成本中心逐步变为利润中心
2）敢于暴漏数据的问题，管理、业务和技术方面的问题
3）选择价值显而易见的数据治理策略，增收、降本、提效、控制风险
4）提供明确的落地方向，哪些数据、哪些管理问题、哪些流程、哪些系统，形成路线图，明确阶段内容、效果和投入等
5）引导更多的人支持，重点关注高管利益相关项目，利益干系人关注的事项
高层领导如何发挥作用呢？深度参与和充分授权与适当机会的表扬肯定。
五、数据治理技术体系建设
数据管理中的架构、建模、存储、质量、安全、集成和应用等技术都与数据治理的技术体系有关。技术体系的设计涉及到数据的采集、处理、存储、访问、应用和分析等全生命周期，要考虑静态数据，如元数据、模型、主数据、共享数据的标准化问题，还要考虑动态数据，如交易数据、数据流转、大数据、ETL等数据的生命周期管控。以下是5个典型实战案例的技术架构。
1.元数据为核心的数据治理，见下图
2.主数据为主线的数据治理，见下图
3.混合云架构下的数据治理，见下图
4.大数据架构下的数据治理，见下图
5.微服务架构下的数据治理，见下图
六、数据治理策略执行与监控
从项目经理角度，如何做好数据治理过程的沟通管理，如何监控治理的执行情况，对治理过程进行监督和控制是必须要事先考虑的问题。
数据治理包括4个过程，即发现过程、策略定义、执行和监控。
发现过程就是发现问题，识别需求的过程，获取治理需求、管理问题和存在的风险。确定治理目标和范围的过程。
策略定义需要制定治理策略、项目章程和计划
策略执行需要做好开端，做一个项目启动会、做好沟通管理，学会借势和造势，以及例行的会议和报告及时总结成果，做好宣传
策略监控包括执行情况监控，包括治理度量和评价的指标体系，以及有效性和价值监控，比如提升了哪些业务指标等
总之，数据治理是一个问题发现、定义策略、执行项目和监控成效的闭环管理过程，是一个不断迭代、循环上升的螺旋模型。
七、数据治理绩效考核
数据治理既要抓过程，更要看结果，企业要建立相应的数据治理考核办法，并将其关联到组织和个人绩效中，以保证制度的有效推进和落实。
数据治理绩效考核难以量化，只能间接形成考核指标，一般数据治理的目标就是降本、增收、提效，建立考核指标体系的3个要素为问题，目标和影响。绩效考核机制是形成并固化企业数据文化的重要手段，培养员工数据素养的手段，促进业务效率提升。
4个考核原则：公平公正、严格、公开透明、客观评价原则
6类考核指标：数据治理人员维度、数据治理问题、数据标准贯彻、治理策略执行、技术达成、业务价值实现维度。
数据质量的6种检查办法：记录数、关键指标总量分析法、历史数据对比法、值域判断、经验审核法、匹配判断法。
数据治理的4种考核方式：日常考核、定期考核，系统自动考核和人工考核。
八、数据治理长效运营
由于数据治理是一个长期持续性的工作，因此需要逐步建立长效运营机制。
长效：长期持续运行的数据治理；运营：多项数据治理活动的总称（计划、组织、实施、控制和沟通）；机制：发挥预期效能的配套制度，数据治理赋能业务，数据治理要有规范、稳定、配套的制度体系。
数据治理为什么需要长效运营？数据治理的意义是运用科学的管理、先进的技术，持续调动人员的积极性、主动性和创造性。通过数据治理的长效运营，不断加强巩固数字化协同环境，巩固和扩大数据治理成果（树立数据治理旗帜、盘活存量挖掘价值、从被动到主动治理），通过以治促管、以治促用、以治促转，加速企业的数字化转型。
长效运营的挑战：组织挑战、文化认知挑战、项目转产的挑战。
如何建立长效运营机制：组织领导机制、标准规范机制、培训教育机制、人才培养机制、绩效考评机制和持续优化机制。
