数据治理是管理和组织数据和流程的实践，以实现对数据的协作和遵从性访问。数据治理允许用户从数据资产中创造价值，即使在安全和隐私方面受到限制。
当你听到数据治理时可能会不寒而栗，因为你想象人们会说“不——”
- 没有你不能用这些数据
- 没有我们不会支持你的
- 没有你没有权利
不，不，不。但数据治理远不止是一个讨厌的图书管理员，他的规则总是让你陷入困境。现代数据治理就是自由。它可以帮助您在确保遵守内部和外部政策的同时发展业务。很容易。不可见。无摩擦。
详细的数据治理
数据治理是帮助组织以数据为中心的最佳方式。对来龙去脉的了解是很有力量的，能够推动采用的人会成为组织中有价值的领导者。
数据治理是一种组织规程。它是由技术支持的，而不是技术本身。真正的数据治理将规则置于合适的位置，并使组织保持一致，因此数据不会成为潜在的责任。
在一个数据过度丰富的世界里，赢家和输家取决于他们的反应和反应(特别是在经济低迷时期)，数据治理工具帮助组织轻松理解这些成堆的数据。它推动增长和数字化转型。
如今，数据治理技术被视为许多组织的重要组成部分。组织利用它作为业务规程来支持业务结果，例如收入增长或法规遵从性。
治理是数据智能的基础。由于数据管理的学科是分裂的和被误解的，数据智能提供了一个保护伞术语来帮助组织发现、理解和充分利用所有受治理的数据资产。当组织寻求对数据进行智能化处理而不是实现点解决方案时，数据治理、数据目录、隐私manbetx1.0下载解决方案等都将得到简化。数据质量和主数据管理等零碎的部分可以为数据智能策略提供强大的业务效益。
数据治理的好处
良好的数据治理首先确保组织中的大量企业数据可以被利用来实现业务价值。不受治理的数据是混乱的、没有规则的，而且会限制生产效率。数据治理意味着组织可以信任他们的数据来回答重要的问题，比如在哪个市场中哪些产品可能带来最高的收入。糟糕的数据意味着糟糕的答案，从而导致糟糕的决策，这可能会严重损害一个组织。
以一家数据不一致的公司为例。例如，客户名称在其所在的系统(如客户服务、销售或物流系统)中以不同的方式列出。缺乏数据治理意味着这些问题得不到解决，关于客户的情报要么是有限的，要么是完全错误的。一个可怕的想法。
另一个例子是法规遵从性。必须遵守欧盟的GDPR或加州的CCPA等隐私法，否则监管机构将处以昂贵的罚款。如果没有数据治理，组织就没有机制来查看个人信息存在的位置，因此也就没有办法删除或编辑这些信息来满足这些规定。
数据治理有助于防御用例(避免罚款和低生产力)和进攻用例(增长)。每个成熟的组织都知道他们需要数据治理来实现最高的数据效益。
具体的利益领域
- 管理确保对数据资产进行管理，以便能够充分利用它们
- 当客户数据得到良好的管理并用于锁定机会时，销售额就会增长
- 采购通过使用受治理的数据来优化采购流程和供应链，从而最大限度地降低成本
- 遵从性/法律依赖于数据治理来满足需求。
- 财务部门拥有管理良好的数据，可以准确地报告业务活动
数据治理的目标
组织对数据有许多目标，而数据治理有助于实现这些目标
- 提高组织的数据成熟度，以便所有决策都是数据驱动的
- 消除整个组织的信息孤岛
- 了解数据的位置以及数据之间的关系
- 实现满足法规遵循的策略
- 确保数据的一致性和高质量
- 拥有信心数据是值得信赖的
- 知道数据不会被滥用
- 建立安全措施
- 确保所有内部和外部/第三方数据的安全
- 避免重复并消除修改数据或创建报告所需的时间
底线?受治理的数据消除了“心痛”，并最大限度地利用该资产。如果数据不能帮助组织发展或节省成本，那么它就没有被开发。数据治理有助于实现结果并避免直觉决策。
构建数据治理框架
一个好的数据治理框架包括策略、过程、流程、规则以及正确的组织结构和实现这一切的技术。相信仅靠技术解决方案就能神奇地实现数据治理可能是徒劳的。任何计划都是由人和过程组成的，支持技术和数据治理也不例外。
框架还必须包括组织中的执行人员。数据治理必须在董事会中得到理解和赞赏，否则它将永远无法在部队级别上生存。狗万新闻c资源，包括金钱和人力，都需要进行分配。赋权必须实现。领导层需要领导并实现确保采纳的一致性。
构建框架的第一步是在任务声明中明确目标，并定义将用于确定进展的kpi。尽早表达这一点可以确保您的努力与愿景保持一致。
然后，该框架必须包括组织将如何管理其数据的所有方面。规则是什么?的政策吗?流程和程序?商业术语?所有数据资产的地图?这一步骤将消耗组织的大量精力、数据经验和知识。
接下来，确定责任。谁将负责项目的每个部分，谁负责全面的责任和决策?
最后，一旦数据治理框架制定出来，委员会将转向技术，并选择一个最支持愿景的平台。一个好的技术解决方案将从各种系统收集元数据、管理业务术语表、执行策略和过程、绑定到技术数据字典等等。集成平台的易用性确保了这些功能可以轻松地结合在一起。
有了所有这些，就可以在组织中实现数据治理。
数据治理角色
数据治理旨在实现协作;因此，实现数据治理计划需要跨职能协作。为了建立一个有效且可伸缩的计划，数据治理团队需要建立一个委员会，从整个组织中引入利益相关者来担任特定的角色和职责。
业务范围(LOB)
LOB可以跨越许多不同的部门，如财务、市场营销、分析等。LOB每天都使用数据来支持业务决策，因此它在委员会中的角色是澄清人们在任何给定的一天如何使用数据以及数据的价值是什么。
数据科学
数据科学家想要轻松访问经过认证的可信数据，因此他们可以快速构建和部署有助于提高分析质量的模型，最终推动业务向前发展。与团队需要包含LOB的原因类似，让数据科学家作为数据的日常用户参与进来是很重要的。
隐私和遵从性
该团队拥有与数据隐私相关的所有事项，其目标是确保组织处理个人数据的法规符合性。该团队在委员会中的作用是分享其关于组织如何在法律和监管约束下处理个人数据的知识。
资讯科技(IT)
技术促进了对数据的访问和对规则和程序的遵守。IT团队的角色是帮助标准化工作流程和监控活动，确保信息安全，并在必要时实现和部署新技术。
数据治理
当然，数据治理团队的作用是将所有人聚集在一起。数据治理团队监督委员会，定义流程，标准化术语，并努力围绕数据向组织的其他部门授权。
数据治理原则
在构建数据治理计划时，委员会应该考虑以下原则:
透明度
透明度包括容易理解数据驻留的位置、可用的数据以及人们如何使用数据。数据透明度对于隐私和安全问题至关重要，特别是考虑到监管机构日益严格的审查(例如加利福尼亚州和CCPA;欧盟和GDPR)以及公众的意识(即Equifax 2017年的泄密事件)。
问责制
组织需要支持一种围绕其数据的问责文化。政策应该明确规定，员工对他们如何处理数据完全负责。在组织中确立问责制的一些方法是:
- 在数据生命周期中分配角色和职责(即谁负责创建数据)
- 限制对敏感数据的访问，因此只有那些需要执行工作的人才能访问它
- 管理过程和程序
- 记录人们如何使用数据，数据驻留在哪里，以及数据如何随时间移动或更改
订婚
只有当所有用户都采用数据治理实践时，数据治理才会产生影响。推动所有利益攸关方参与至关重要。为了做到这一点，委员会必须了解数据用户的需求和挑战，并证明为什么嵌入数据治理的日常活动可以缓解他们的问题。如果用户理解数据治理实际上会让他们的生活更轻松，他们就更有可能支持和采用数据治理。然而，仅仅告诉他们数据治理的好处是不够的;委员会需要实施教育和培训计划，以便用户了解如何将数据治理嵌入到他们的日常活动中。
最佳实践
数据治理程序可能会让人感到难以承受，但是这些最佳实践让它成为每个组织都能实现的目标:
- 关注运营模式
- 识别数据域
- 识别数据域中的关键数据元素
- 定义控制度量
为什么需要数据治理
数据治理是任何依赖数据做出重要决策的组织的生命线。哪个组织不是这样呢?企业必须拥有良好的、治理良好的数据，以确保从这一宝贵资产中获得最大利益，同时保持重要的策略。当今环境中最好、最健康的组织都有有效的数据治理计划。我们将看到他们生存下来并茁壮成长，而其他人则步履蹒跚。确保你的组织是胜利的一方。
