CTO/CIO如何治理数据

在数字化转型过程中，企业首先要做的便是打通数据烟囱，这就涉及具体的数据治理。数据治理的目的是为业务提供指导，成熟的数据智能管理者会先从应用的角度切入，从全局思考数据治理的维度，以项目的形式按阶段完成数据治理工作，将多个应用需求整合到数据治理中。同时，还要把控好业务场景变化和IT系统变化情况。

不论是企业技术人员、业务人员、中高层管理人员还是数据服务商，都要意识到数据治理是持续且长期的工作。初期的数据治理是为了解决某个应用的痛点，但在长期的数据治理过程中，需要考察技术架构是否能够保持稳定，是否能够按照架构建设初衷稳定运行。同时，数据产出的结果要由应用场景来检验，在治理过程中不能通过单一的结果就认为数据治理是无效的或者效果显著的。数据治理是系统化的工程，需要参与方有深刻认识并能深入参与其中。

从本质上说，数据治理是一个体系化的过程，要以服务应用场景为前提展开工作，在治理过程中，CTO/CIO需要将可能应用到的场景提前做好规划，并运用这些业务场景不断检验、指导技术部门的数据治理工作，从而确保数据治理的结果是有效的。

数据治理一般分4步进行。

数据治理的第一步是数据集成，即根据业务需求及特性，将企业内部管理系统和外部数据融合。数据融合要完全覆盖业务场景。数据集成的工作原理是通过各种数据工具融合不同渠道的业务数据并保持长期稳定运行。

对于人员变动或业务调整导致数据融合工作无人维护的情况，一方面需要标准化的方式进行数据融合，另一方面也可以通过专业的数据工具将业务场景中缺失的数据进行补充，以保障数据的全面打通，为后期业务变化和系统维护提供坚实的保障。

将企业内外部全域数据融合完毕后，接下来需要对数据进行治理。首先需要设计数据治理模型，包括建立数据标准。建立数据标准要深入产品和业务系统中，以便为后期数据智能化管理提供稳定的基础。数据标准包含不同方面，比如数据应用标准、业务数据标准、数据实践标准。

数据服务是为使用场景准备的。建设数据中台会经历从局部数据到全域数据的整合过程，并且涵盖企业全部业务系统。在庞大数据的基础上，依据不同的业务场景和产品类别，会形成特定的数据服务，这些数据服务可为业务部门提供用户画像、群体标签等助力营销推广的内容。此外，分析方法、算法模型和用户分群、聚类的数据能力也包括在数据服务内。

数据不但要满足企业内部使用，还会因业务合作与外部产生联系。因此，保障数据安全变得十分重要。在数据中台架构之上，可针对不同的数据类型进行不同形式的安全设定。依托数据中台数据分层保护机制构建的数据安全服务中心，可以保护来自不同系统的数据。在与外部进行数据合作时，可以通过数据中台搭建的公共空间完成隐私数据的安全交互。

总而言之，数据安全通过数据中台特定的机制得以保障。通过数据中台建设一个对外输出的平台，针对数据的不同类型、涉私程度制定相关措施，将数据保存在一个相对安全可控的环境中，而不同部门的人员可以在这个平台上进行内外部数据的共享和交互。

数据治理标准建设

制定和出台数据治理标准将帮助企业更好地进行数据治理。

不论是金融业、零售业还是传统产业，这些成熟的行业都会有一套相对完整的数据标准，且是从行业业务特性出发对数据进行定义。这套数据标准是行业通用的，企业也可以采用行业标准作为数据治理的参考。

随着数字化浪潮的推进，数据治理的相关标准也在不断改进。对于数据治理，国家也出台了部分指导意见，企业进行数据治理时可将其作为重要参考。

数据全覆盖包含3方面内容，分别是数据治理全覆盖、数据架构全覆盖和业务领域全覆盖。

数据治理全覆盖是指在思考数据治理的时候要搭建体系化的数据治理工具。数据治理团队搭建的数据治理模型不仅要契合中台的功能，同时，数据治理团队还应该考虑到数据获取方式、数据类型和内容、数据应用方式等，这些可以为完善数据治理模型、调整数据治理方向提供思路。

数据架构的全覆盖不仅包括传统的数据仓库，还包括关系型数据库的处理。数据治理的思考源头应该从应用方向考虑，数据治理的架构将会越来越复杂，覆盖面也会越来越广。

业务领域全覆盖是指数据治理要覆盖全部业务场景，包含常规业务数据，比如银行的贷款、储蓄、理财业务，以及更为细化的业务内容，比如银行教育性金融产品、旅游性金融产品等。

伴随消费场景的不断变化，新的业务领域会不断呈现，数据治理的方向也会越来越多，这就要求企业要全面进行数据治理。

数据治理的目的是智能应用，数据治理和数据应用必须不断融合和过渡。数据治理要有目的，需要一开始便制定好数据治理的标准和方法，在实施过程中不断以应用为出发点逐步推行。