一、前言

当前企业,基本上存有海量数据，目前最大的问题是质量较差，导致数据无法应用，所以一般企业的数据治理都围绕数据质量进行治理，根据我的经验，主要有如下4个数据管理治理场景，看下你们的项目属于哪个场景。

二、数据管理治理场景

1.场景一，创建数据管理系统

一般公司都会创建一个或多个数仓系统存储数据数仓构建一般步骤和流程：3.数仓与商务智能->4.架构->6.数据建模和设计->7.数据存储->8.数据集成与互操作->系

统测试上线推广

场景一从实战角度，一般从第3点数据仓库和商务智能这步开始，业务提出需求，需求分析人员进行需求分析，架构进行需求评估和总体架构设计，业务架构设计，技术架构设计，数据架构设计及周边关系设计，架构完成后直接进入数据建模和设计，此步完成后进入数据库环境设计配置，数据库环境和配置完成后，理论上要进行数据伦理安全评估和设计，一般项目是不太关注伦理和安全的，数据伦理和安全一般由公司层面总控，所以会直接进入数据集成与互操作，在这一步会完成数据逻辑和规则处理， 以及数据调度，监控等工作；

在新建数仓系统中数据质量的关注优先级会放的比较低，主要目标是实现业务需求，完成业务目标，在现有的数据中挖掘有用的信息，为业务和管理提供支持和决策。

2.场景二，自下而上数据治理

一般公司会以业务需求驱动自下而上数据治理自下而上一般步骤和流程：10.数据质量需求->3.数仓总体设计->4.架构->6.数据建模和设计->7.数据存储->8.数据集成与互操作->系统测试上线推广 

公司数据质量出现问题，需要进行治理，这个场景是目前大多数公司的治理现状，是最容易成功，也是最容易失败的一种方式，为什么最容易成功，因为站在局部看，此次完成了当前需求，实现数据质量局部提升，当前需求是完成了，所以是成功的，但是没有全局标准，没有机制保障，没有控制住源头，没有融入业务流程和持续优化机制，数据质量问题还是不断产生，随着时间推移，数据还是一堆问题，从公司层面看这是失败的，所以大部份数据治理的项目随着时间推移，后面调查大多是不尽人意或失败的。比如，保险银行监管数据报送治理就属于这一类，监管要求报送相关数据，一般按监管质量和质量评分规则要求进行数据治理系统设计，架构是基于报送需求设计的最简单的架构，一切以报送为主导，数据存储和操作主要从各业务系统获取监管相关的数据项，整合处理成监管需要的字段和表，根据标准进行清洗整合成监管需要的数据进行上报，清洗和整合主要由后端数据治理报送方负责，大部分只能对已经产生的数据进行清理报送，只能对报送的数据做规范化，这些年监管和被监管公司也不断在改进，效果也有些，不过还是没有融入业务流程和公司制度及文化中，未形成可持续常态的数据治理，所以一直在治，效果也就那样。

自下而上的数据治理的问题可能有以下几点

未提升到战略层面，领导关注或支持不够，数据产生方配合度低，只有负责的项目重视，目标只满足当前需求，标准只应用到局部，标准未制度化，标准未融入流程， 标准未自动化和常态化

3.场景三，自上而下规划治理

这个场景比较复杂，一般企业可能没有想好为什么要数据治理或者要进行全司数据治理，只是领导一个想法或思路发起的，一般步骤和流程如下

1.战略->1.组织架构->1.规划->2.标准->宣导->分工执行

自上而下，理解战略，组建相关人员，规划数据治理，制定数据标准，推进相关方从源头控制，监控已产生的数据，

自上而下规划治理，可能存在以下一些问题：

目标太大，目标不明确，规则不透明，规则未量化，传达不到位，执行不到位，权责不明确，监控不到位，业务场景不允许，效率与质量冲突，短期和长期冲突，局部和全局冲突，安全与质量冲突，未融入流程，未自动化和常态化，有可能制度化了，但传达和执行不到位，效果也难以保证

4.场景四，自上而下+自下而上治理体系

这个方案目前应该是比较优的方案，整个流程也比较完善，但是需要公司主负责人有权力和有能力理解组织战略，把数据治理体系化，所有的规划和设计贯彻到执行和监控层面，融入流程，融入文化，形成常态化治理制度，才有可能持续提升全流程标准和数据质量。

场景四虽然是比较优的方案，但是是否适合各自公司现状，是否有能力推动，需要详细评估，战略、文化、管理、技术、时机缺一不可，否则还是未知之数。

三、结语

上面是我对当前数据管理治理存在场景的思考，如果对您有启发，欢迎关注，加我微信，我们一起思考，实战，持续完善数据治理体系。

注：下面是我收集和梳理的所有关于数据治理体系12大知识域的模板和资料，欢迎分享领取，如果不想分享也可以加入星球和我一起构建。

                 https://t.zsxq.com/QbuJ6AM