数据治理

大部分从传统企业里数据会由一个从工具到生产力的转换过程，而这个过程并不是一帆风顺的。当前在大部分的传统企业里在数据的应用方面存在一些问题。

数据可观测性，即组织充分了解其系统中数据的健康状况和质量的能力，已成为现代数据工程中最热门的技术之一。

在数据被称为新石油的时代，组织拥有良好且易于访问的数据资产目录不再是一种奢侈，而是一种必需品，因为组织需要处理来自每个系统的大量数据。数据团队和数据所有者的工作变得具有挑战性，要了解数据所在的位置及其来源。

当我们与企业合作制定数据策略时，我们通常会识别三到五个数据场景-如果超过这个数量，数据策略就有可能变得混乱和不切实际。

据统计，44%的企业数据丢失，只有56%的数据可供使用。此外，在这56%中，只有57%被实际使用，而其余43%则没有有效使用并产生价值。这表明只有32%的数据真正被投入使用。

共享服务是通过专设的、专业的机构，基于集中化、标准化、流程化保障集团总部与所属企业战略目标协同一致，加强管控、提高效率、节约成本、提升服务质量进而创造价值的。

主数据治理的目标：在多个异构系统集成应用时，基于主数据以尽量低的成本让各系统实现信息对称，进而让多个系统有机协同起来，实现完整的功能和业务。

本文将开启数据治理的系列篇，结合借鉴业界先进的数据治理经验及个人工作实践经历，帮助大家系统化地了解数据治理。

自下而上构建数据治理是很困难的。它需要整个组织的利益相关者的投入。但很多时候，数据治理是一个孤立的、过于复杂的框架，让员工感到脱节。

在数据战略和数据管理领域，数据领导者正在尝试走向数据驱动的组织。当一家公司采用“数据驱动”方法时，这意味着它需要根据数据分析和解释做出战略决策，而不是基于直觉或既定经验。

数据管理的高成本和复杂性阻碍了企业实现数字化目标。高达 93% 的 IT 决策者表示，存储和数据管理的复杂性阻碍了他们的数字化转型，而 56% 的企业领导者表示，管理数据运营成本是一大痛点。

数据指标的应用也是推动数字化转型的重要引擎，流程如何优化，工艺如何优化、过程如何降本、企业如何增效，模式如何转变，均是要根据指标的牵引去做出决策。

自2021年启动企业级数据治理工作，做的第一个事情就是打造企业级数据目录，今天就来谈谈企业级数据目录的构建之路。

建立数据驱动的文化很困难。为了了解成功所需的条件，以海湾银行新数据计划的前两年工作为例，他们在该计划中致力于建立一种拥抱数据的文化，并提供了一些经验教训

来自一线的数据经验分享，通过建立数据标准及指标体系，统一业务对数据的认知与理解，实现数据的标准管理

在这篇文章中，我们将讨论将数据视为资产在实践中意味着什么，这样做与其他数据方法有何不同，以及为什么它会带来更好的结果。我们还将介绍可以采取的实施数据资产管理并从组织数据中获取最大价值的步骤。

麻省理工科技评论和 Databricks 的一份新报告发现，尽管存在风险，但积极的CIO们正在果断地拥抱生成式人工智能AIGC，将其作为整个企业战略的一部分。

关于数据产品的讨论很多，尤其是随着数据网格等方法的兴起。如果做得正确，使用数据产品创建分析可以推动真正的业务价值并显著加快分析交付速度。在这篇文章中，我们尝试从业务角度确定数据产品应该是什么，并研究构建它们的框架。

数据治理是一个复杂的系统工程，需要结合业务、技术、流程、组织架构、专业人员和专业方法。以下列一些数据治理的避坑指南：

数据资产生命周期通常包括数据产生采集、数据转换、数据存储、数据分发、数据使用和数据存档及销毁等阶段。