企业数据治理是一项持续性的工作，需要一个长效的运行机制来支撑，不断巩固和加强数据治理的效率，助力企业数字化业务的深入发展。建立企业数据治理长效运行机制，关键在于分工明确、领导支持、标准明确、流程规范、奖惩分明、持续优化。

— 01 —

组织领导机制

建立符合企业业务目标和发展需求的数据治理组织，明确数据治理的工作职责，明确数据的所有权、使用权和管理权。建立良好的沟通渠道，将数据治理与企业战略绑定，充分发挥高层领导的引领作用，打造“一把手工程”。领导机制包括四个关键要素。

1.坚持数据确认。

定义每个数据域的所有权。数据所有者对域的数据质量负责，而不是应用系统或数据库的管理员。

2.坚持“一把手工程”。

数据治理必须得到高层领导的支持和深入参与。没有高层领导的支持，不要启动数据治理计划。

3.坚持组织领导。

数据治理委员会在形式上可以是虚拟的(兼职人员组成的虚拟团队)，但在效力上不能是虚拟的。数据治理组织负责企业的总体数据治理目标。数据治理需要提升到战略层面，需要建立有效的数据治理组织体系，协调解决重大问题，协调资源和资金的支持。

4.坚持业务部门和技术部门的合作。

根据数据管理的实际需要，业务部门和技术部门需要相互配合。让懂业务的人做业务定义，让他们成为自己数据标准的归口部门，让懂技术的人完成具体的业务实现。两者都要各司其职，尽最大努力，逐步构建成熟健全的标准化体系。

— 02 —

标准机制

数据治理就是遵循一定的约束和规则，使数据以一种标准化的方式输入输出，这里的约束和规则就是数据标准和数据管理规范。

1.数据标准

数据标准是数据分析和应用集成的基础。企业数据治理需要建立全面的数据标准，包括基础数据标准、主数据和参考数据标准、指标数据标准等。

广义的基础数据包括主数据和参考数据，是指在企业经营管理中产生和使用的基础数据，在不同的部门和系统中具有共同的特征，如主数据和参考数据、业务术语表、基础数据字典等。

指标是指为了满足企业内部管理和外部监督的需要，在基础数据的基础上，按照一定的计算和统计规则组合而成的业务信息，如维度数据、指标数据、分类数据、标签数据等。

2.过程规范

数据治理应该贯穿数据的整个生命周期。流程规范是对数据从产生、处理、使用到销毁的整个生命周期中所有阶段和过程的控制和约束，用于保证数据质量和数据安全合规，如数据需求管理流程、数据创建流程、数据变更流程、数据销毁流程等。按照“垃圾进垃圾出”的数据管理原则，优化和监督相关业务流程，提升数据质量，赋能业务应用。

3.管理规范

数据管理规范就是管理制度，类似于企业管理的规章制度。它告诉人们数据管理能做什么，不能做什么，怎么做。管理规范将明确数据治理的主要目标、相关人员、职责、决策权和衡量标准。管理和管理过程是相辅相成的。一般会在每个管理过程中设置控制点，明确每个控制点的控制目标、控制要素、标准规范和操作流程。通用数据治理规范

企业数据治理的标准、制度和流程不应该仅仅是存储在硬盘上的文件，更应该成为企业文化的一部分。要建立多层次、多形式、全方位的数据治理宣传培训体系，内化企业数据文化，强化全员数据治理知识，强化数据思维、数据素质和数据安全意识。

1.建立分级培训机制。

企业需要营造数据文化氛围，建立数据治理策略共识，加强数据标准的宣传和培训，促进数据理念的传播。从集团总部到分子公司的各级数据拥有者和数据管理员，要针对不同的场景和内容进行数据治理的宣传和培训，帮助企业相关人员树立正确的数字思维，了解数据治理的目标、价值和意义，了解数据治理的方法，熟悉数据治理的平台和工具，掌握数据标准化的流程，为数据治理项目的实施和落地打开工作思路。

2.培训内容的定制

数据治理的培训内容非常丰富，包括数据治理的理论基础、成熟度框架、参考模型和实施方法、数据质量意识的培训、数据标准的宣传和实施、数据治理制度和流程的宣传和实施等。此外，数据治理涵盖的范围很广，主要包括元数据管理、数据标准管理、主数据管理、数据质量、数据集成等专题领域。不是每个人都需要掌握数据治理的所有知识和技术，要针对不同角色的人定制不同的培训内容。数据管理培训既要培养全员的数据思维，又要兼顾专业人员的“专业技能”。

3.多样化的培训形式。

数据治理培训不局限于形式，可以是集中式“培训考核”的正规培训模式，也可以是数据治理理念和思想碰撞的沙龙。通过数据治理培训，帮助企业人员建立数据驱动的思维模式，触及信息化建设中的深层次问题。

，从根本上推动业务流程的衔接、业务规则与数据标准的统一，完善系统建设需求，指导系统集成与逻辑集中，促进数据驱动业务、数据驱动管理，提升数据价值。

— 04 —

人才培养机制

与数据应用、数据分析项目不同，数据治理是个“苦活累活”。业务术语表、数据模型、数据标准、数据治理的流程和策略都需要根据业务的变化而不断优化，数据本身也需要反复打磨(汇聚、清洗、处理、加工、分析、挖掘)才能产生高价值的信息和知识。这一切都需要具有工匠精神的数字化人才的智慧和付出。

1、挖掘内部数据工匠

所谓的“数据工匠”就是在数据管理和使用的全生命周期中，严格执行企业制定的数据标准，对数据质量精益求精的人员。数据工匠能够专注于数据管理的痛点和难点，发现产生数据问题的原因，从源头上杜绝数据问题的发生。数据工匠敢于拥抱新技术，能够通过对数据和技术的融合应用，不断为企业创造价值。

数据工匠不一定来自IT部门，有很多是业务岗上具备以上特质的数字化人才，企业需要有一双发掘数据工匠的眼睛。

2、吸收外部新鲜血液

数据治理离不开数字化人才，企业要实现数字化转型，就需要引入外部的数字化人才。坚持数字化转型战略，合理设置数字化岗位，给人才以发挥其专业能力的空间，建立具有竞争力的薪资体系以及持续的激励和约束机制，不断吸引并留住人才。

加强对“新人”的培养，让“新人”能够快速认同企业的价值观，融入企业文化。文化上的水土不服往往是导致“新人”流失的一个主要原因。

— 05 —

绩效考核机制

数据治理既要严抓过程，更要注重结果。为了提高数据治理执行效率，有必要建立数据治理绩效考评机制，检验数据治理各个环节的效果。绩效考评是数据治理制度有效推进和落实的根本，要建立相应的数据治理考核办法，并关联组织及个人绩效。

1、治理制度

为提高企业的数据管理和应用能力，加强数据管理，明确数据管理和使用过程的职责和要求，需要制定企业的数据治理制度，阐明企业数据治理的目标，明确相关人员和组织的职责，确定决策权力和度量标准。数据治理制度包括数据标准管理、数据维护管理、数据质量管理、数据安全管理、数据传输、数据使用、数据管理考核等。

2、考核机制

考核是保障制度落实的根本，要建立明确的考核制度。在实际操作中可根据企业的具体情况，建立数据治理评估指标体系，明确考核办法。要遵循客观公正、公开透明的原则，采用日常考核和定期考核相结合、系统自动考核和人工考核相结合的模式，明确考核奖惩措施，强化数据治理考核机制。

3、考核方式

数据治理的考核方式可分为日常录入考核和定期稽查考核两种。日常录入考核考查的是数据录入是否规范，数据提报是否及时，数据是否完整、正确、一致，其目的是在源头堵住不良数据的入口。定期稽查考核是由数据管理部门定期开展数据质量的稽查，通过制定数据质量稽查规则，明确数据稽查内容和稽查周期，通过数据质量管理工具定期对相关主题的数据进行全面稽查，形成数据质量报告，为数据治理考核提供参考依据。

— 06 —

持续优化机制

企业业务会变化，如业务目标、策略、范围、规则、实现方式等的变化;组织结构会调整;管理者会有更高的要求，如提升效率、降低成本、提升质量等。数据治理涉及的数据标准、管理流程、管理制度以及使用的技术和工具需要紧跟企业业务的发展动态调整，持续优化。

1、业务需求驱动

任何一套方法论、一套健全的标准规范都需要有持续的驱动力，数据治理的实施应以企业的业务需求为驱动，以构建数字化企业为导向。数据治理治理的不是数据本身而是数据资产，这一过程以业务目标为导向，当业务方向发生变化时，数据治理也要跟着改变。

2、持续完善标准规范体系

纵观数据治理成功的企业，无一不是以“小步快跑，循环迭代”的策略推进的，没有哪一家企业的数据治理能够一步到位。企业数据治理应遵循“急用先行，循序渐进”的原则，过程中不断改进和完善数据治理的标准规范体系，使其切实符合企业自身业务特点并且可落地、可执行。

3、持续优化业务流程

企业数据主要源自人力资源管理、供应链管理、生产管理、营销管理、财务管理等生产经营活动。优化的业务流程、规范的业务操作为数据治理提供了一个可靠的环境，能够促进数据质量的提升。

业务流程标准化：标准化的业务流程是以流程(而非部门)为中心，强调企业战略和业务整体性，强调全过程管理和业务部门协同。标准化的业务流程能打破部门界限，实现跨部门协同，关注整体和全局，其输出的数据更加标准规范。

业务操作规范化：业务操作规范化是指业务操作基于一定的基准，例如：数据基准，如计量单位、术语、符号标志、信息分类、编码及专用基础标准;技术标准，如产品标准、原材料标准、工艺标准、设备标准等;标准规范化，如标准体系(ISO、GJB等)。业务操作规范化是数据质量提升的重要保证。

写在最后的话

企业推动数据治理应以业务目标为导向，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，并进一步完善数据治理的长效机制，使业务流程持续优化、数据标准迭代更新，确保数据治理机制的持续、有效运转，充分发挥治理体系的效能，从而释放数据成效，实现业务价值。

要谨记，企业数据治理绝对不是一蹴而就的，需要建立起长效的运营机制，培养一批具有工匠精神的数字化人才，不断打磨数据标准和数据质量。只有将数据治理变成一种机制、一种文化、一种习惯，才能达到企业数据治理的“标本同治”“长治久安”的目标。