近年来，数据治理工作倍受重视，成为企业数字化转型的关键问题之一。我们之所以谈数据治理，主要在于数据资产在使用过程中遇到了难点、发现了问题，出现了治理的动机和需求。结合大家资产的工作实践，从总体原则和具体策略维度，予以分析和探讨。

 

一、总体原则

 

（一）公司重视、认识统一

 

数据治理是一项系统性工程，想把这件事情做好，首先要公司重视，所有的团队要达到认识上的统一。这并非形式主义，恰恰非常重要，体现了数据治理的态度和决心。如果认识和态度上不能达成一致，就不会有足够的动力和决心把事情做好。

 

公司重视是具体的、可见的，要有公司领导全程参与，定期听取数据治理的阶段性计划和工作进展。如果公司上下都重视，大家能够达成一致意见，就会劲往一处使，拧成一股绳。

 

（二）职责清晰、目标明确

 

关于职责清晰。公司层面重视，相当于确立了公司层面的KPI，然后需要向下作层层分解，这就涉及到各个部门和业务条线的职责划分，形成清晰的职责分工。就数据而言，企业数据源自两个方面，一是内部产生的，包括各个业务系统运行中产生的；二是外部获取的，包括一些资讯数据供应商提供的，以及通过网络爬虫等技术手段获取的外部公开数据、非结构化数据。作为内部产生的数据，谁产生谁负责、谁使用谁监督，这是比较清晰的、理想的状态，但实践中经常会出现一些“三不管”场景，需要事先做好规则的明确和职责的划分。

 

关于目标明确。数据作为一种重要资产，需要被充分使用。如果想把数据用好，就要了解数据是被如何使用的？被哪些人使用？在什么时间点使用？这涉及到数据的维度、粒度、层级、时效以及关联关系。以数据使用对象为例，目前数据使用主要包括两个方面，一是外部使用，需要将数据统计汇总后，定期向监管机构和基础设施报送；二是内部使用，用在绩效评估、风险分析、投研分析以及客户服务等方面，几乎涵盖了各个业务职能板块。在明确了使用对象后，我们才能明确数据治理的目标或者方向。举个例子，在做绩效考核的时候，既包括集团公司对资管子公司的考核，还包括公司对下属部门的考核，也包括公司对投资经理的考核，对投资组合或某个产品的业绩归因考核。每个使用对象的需求各不相同，如果不加以明确，数据治理就会南辕北辙。

 

（三）执行到位、定时检视

 

再好的战略战术，没有执行也是一句空话。数据治理说到底就是一个执行，就是要执行到位，时间上、质量上达到公司的目标要求，这也要求目标的传导和培训、配套机制的激励和刺激。

 

执行过程中还要定期进行检视，一是对数据自身的检视，数据质量改变如何，数据应用效果如何。二是对数据治理工作的检视，治理成果如何，有何经验教训，这都需要定期的回顾和分析，以及时校正方向。

 

二、四大策略

 

（一）有章可循

 

公司应成立由高管参与的数据治理领导组织，制定数据治理原则，明确各部门职责分工，包括数据生产者和消费者职责，尽量避免一事一议的低效沟通。因为数据治理涉及到多个部门，如果遇到任何一个问题，都要组织比较多的员工参与，讨论谁来做、谁负责，站在一家公司的角度来看，是价值的极大浪费。

 

（二）有典可依

 

需要制定一套比较完备的数据标准及指标字典，能够精简指标数量，同时明确使用场景，这样就可以统一数据口径，明确数据指标内涵，做到概念的清晰和理解的一致。如果指标不统一，口径不清晰，那么在每一个指标上都要作大量的备注或解释，导致大家不断的去核对和讨论。只有使用一套通用语言，车同轨，书同文，才能降低沟通成本，提升工作效率。

 

（三）有质可保

 

在数据生产环节，尽量做到每日数据日清日结，在数据经过下一环节加工处理之前，即完成基础数据的准备和核验，避免后续的回溯和返工。究其本质，是一个尽早介入的问题，有点类似我们现在疫情防控，比如说早筛查、早管控等。常规的数据生产环节会产生大量基础数据，基于这些基础数据，会派生出大量数据项或者指标，一旦基础数据有纰漏，就会导致缺陷数据扩散。事后再修复、回溯、刷新，会费时、费力、费神。

 

（四）有据可查

 

这里是指数据流应保证系统间的无缝流转衔接，日志及时间戳记录完整，便于数据的排查和追踪，以便于定位最终源头，寻找解决方案。

 

三、系统支撑

 

无论是数据治理总体原则，还是“四有”具体策略，要落地形成数据治理最终成果，还需要依靠于流程再造和系统改造。如果数据治理最终只产生一堆文档，而没有在系统层面加以落实的话，数据治理就是低效的，甚至是失败的。因为无论是现在提高数据的准确性、时效性，还是未来为人工智能等新技术应用奠定基础，最终都需要依靠信息系统的支撑。总体原则是纲领，具体策略是方法，系统支撑是基础。