经过多年的数据治理实践，业界已经充分认识到，仅仅依靠技术部门来推动和开展数据治理工作是无法取得成果的，原因在于数据治理涉及企业各部门的业务和资源，只有来自更高层管理者的驱动力，建立自上而下的跨部门跨条线的组织体系，才能保证企业内部的高效协作。

下图是一张通用的企业数据治理组织框架，可以看到里面有个归口管理部门，理论上，这个归口管理部门干的是企业级的数据治理工作，比如负责制度、流程、规范、标准、考核等工作，华为叫这个组织为数据管理部，那么，现实中的数据管理部的职责到底有哪些呢？如果让你成立企业数据管理部，你该如何安排人员？

 

关于企业数据管理部的构成，它可能适用于对于企业数据治理的价值有高度认知、并在资源上能给予实际支持的大型企业。

企业数据管理部一般是虚实结合的组织，我觉得至少有以下十大职能，分别是数据战略管理、制度规范建立、信息架构管控、数据质量管控、数据安全管控、统筹跨部门需求、数据湖及治理平台建设、数据变革项目、数据创新孵化及培训推广运营，下面分别介绍：

 

1、数据战略管理

通过对数据战略进行规划、执行、评估，确立数据资产管理的中长期目标和管理活动优先级，明确需要的资源投入总量和资源分配机制，并使数据战略始终契合组织的业务战略，以上内容需报决策层批准及发布。
 

 

战略规划是战略管理的首要环节和基础性工作，是数据资产管理的指导蓝图。通过评估当前组织数据资产管理能力，结合组织发展规划和 IT 发展规划，明确数据战略规划的中长期和短期，发展目标、管理原则、主要活动，识别重要业务领域、数据范围和活动优先级，确认投入的资源规模。

战略执行是战略管理的中间环节，是战略规划落地的有效保障。战略执行通过对战略规划进行拆解，制定阶段性提升计划与实施路线，明确各项活动参与团队，并根据实际执行情况及时调整短期战略规划。

战略评估是优化组织数据战略管理、提升数据战略指导作用的必要手段。通过从目标完成率、价值收益率、成本合理性等维度评估战略内容、管理过程，提升战略规划和战略执行有效性。

数据战略要跟着业务战略走。

2017年华为提出了企业的新愿景：“把数字世界带入每个人、每个家庭、每个组织，构建万物互联的智能世界”。同时，华为公司董事、CIO陶景文提出了“实现全联接的智能华为，成为行业标杆”的数字化转型目标，对内，各业务领域数字化、服务化，打通跨领域的信息断点，达到领先于行业的运营效率。对外，对准5类用户的ROADS体验，实现与客户做生意更简单、更高效、更安全，提升客户满意度。

围绕这个目标确定了五个举措，其中举措四涉及数据治理和数字化运营，是华为数字化转型的关键，其承接了打破数据孤岛、确保源头数据准确、促进数据共享、保障数据隐私与安全等目标。

 

2、制度规范建立

负责制定、修订和发布数据治理总体规定、管理办法、实施细则和操作规范，构建公司数据治理制度体系。

总体规定从数据资产管理决策层和组织协调层视角出发，包含数据战略、角色职责、认责体系等，阐述数据资产管理的目标、组织、责任等；

管理办法是从数据资产管理层视角出发，规定数据资产管理各活动职能的管理目标、管理原则、管理流程、监督考核、评估优化等；

实施细则是从数据资产管理层和数据资产管理执行层的视角出发，围绕管理办法相关要求，明确各项活动职能执行落实的标准、规范、流程等；

操作规范是从数据资产管理执行层的视角出发，依据实施细则，进一步明确各项工作需遵循的工作规程、操作手册或模板类文件等

建章立制是企业数据管理团队的核心职责，没有什么歧义和争议，需要注意的是只有企业的数据管理活动出现了问题才有建章立制的必要性，因此制度规范一定是因地制宜逐步建立的，不能空降，也不要copy，起步的时候，能有1-2个执行就不错了。
 

下图示例了一个制度体系，但你的企业可能一个都不需要。数据管理团队虽然负有建立制度规范的职责，但绝不能闭门造车，要花更多的时间去一线了解实际情况，征集更多的意见和建议，奥卡姆剃刀是要遵循的原则：如无必要，勿增实体，不要为了看上去“有”而炮制大量无效的制度规范，炮制的成本其实也挺高，这在大企业尤甚。

 

3、信息架构管控

负责规划、构建和管控企业的信息架构，统筹开展数据模型、数据分布、数据目录、数据标准及主数据等管理工作。

数据目录决定了数据治理的边界和对象，通过数据资产的分门别类不仅能让数据模型归位，帮助企业更好的对业务变革进行规划设计、避免重复建设，也能让数据资产找得到、看得清，为数据资产有效使用奠定基础。

数据标准定义公司层面需要共同遵守的属性层数据含义和业务规则，是公司层面对某个数据的共同理解，这些理解一旦确定下来，就应作为企业层面的标准在企业内被共同遵守。

数据模型是从数据视角对现实世界特征的模拟和抽象，根据业务需求抽取信息的主要特征，反应业务信息（对象）之间的关联关系。数据模型不仅能比较真实地模拟业务（场景），同时也是对重要业务模型和规则的固化。

数据分布定义了数据产生的源头及在各流程和IT系统间的流动情况，数据分布的核心是数据源，指业务上首次正式发布某项数据的应用系统，并经过数据管理专业组织认证，作为企业范围内唯一数据源头被周边系统调用，为了更好地识别、管理数据在流程和IT系统间的流动，可以通过信息链、数据流来进行描述，体现某一数据在流程或应用系统中是如何被创建、读取、更新、删除的。

主数据定义了业务领域中重要的人、事、物对象，承载了业务运作和管理涉及的重要信息，是信息架构中最重要的管理要素，业务对象需要有唯一的身份标识。

那么，为什么数据管理团队需要管控和统筹好企业的信息架构？

因为传统的企业信息架构管理出现了问题。

随着企业数字化转型的推进，企业越来越认识到信息架构的价值并不应局限于“支撑IT建设落地”，而是更好地管理企业数据资产，更好地提升整个业务交易链条的效率，甚至基于信息架构重新审视业务边界的划分和整合。

信息架构承载了企业如何管理数据资产的方法，需要从整个企业层面制订统一的原则，这些原则不仅是对数据专业人员的要求，也是对业务的要求，因为业务才是真正的数据Owner。所以，公司所有业务部门都应该共同遵从信息架构原则。

首先要确定“数据同源一致”的治理目标，围绕目标的实现，有五条架构原则。

比如原则一：数据按对象管理，明确数据Owner，数据Owner要负责所辖领域的信息架构建设和维护，负责保障所辖领域的数据质量，承接公司各个部门对本领域数据的需求，并有责任建立数据问题回溯和奖惩机制。

又比如原则二：从企业视角定义信息架构，为了拉通各部门所产生的数据结构和流转路径，实现数据在企业内共享和流通的目标，明确要求各业务领域都需站在企业的视角定义信息架构，充分考虑数据的应用场景、范围和用户群体，参考业界实践和主流软件包，平衡和兼顾AS-IS（现状）和TO-BE（未来）诉求，在流程设计和IT实现中得到落实。

以合同编号为例，销售部门作为数据Owner有责任定义合同信息架构，但不应只考虑销售环节对合同编号的管理诉求，而是应该综合考虑供应、交付、财经等各个环节对合同的诉求，合同在整个交易链条中延伸的范围就是相应数据Owner所综合覆盖的范围。

企业数据管理团队要制定信息架构管理办法和相关规范，并通过建立相关流程和机制来指导和监督各领域落实企业架构原则的情况，在一套规则的约束下，共同建设一个企业级的信息架构，一般要遵循由易到难的策略，比如从企业数据目录的管控和统筹开始。

 

4、数据质量管控

负责制定数据质量基础规则，明确管理要求，制定检查和考核指标，并提供数据质量问题的指导和协调。

企业数据管理团队要根据公司数据管理工作规划，制定数据质量目标，组织数据质量度量工作开展，发布公司数据质量度量报告，组织评审数据质量标准及指标，并验收数据质量问题闭环状况，也就是PDCA，其跟领域数据质量管理的方法区别不大，主要在于侧重点不同。

企业数据管理团队应更多关注跨领域的数据质量问题的解决，因为领域基本是屁股决定脑袋的，自身领域的数据质量问题只要不影响自身的KPI就难有改进的动力，这严重限制了其他领域对这些数据的有效应用，比如影响公司财报的关键数据，在数据的资产属性日益增加的当下，跨领域的数据质量问题日益突出，解决这种问题只有靠企业数据管理团队的统筹推进，几乎难有好的办法。

 

5、数据安全管控

负责组织制定数据安全基础策略，构建企业级数据安全管控体系，配合公司安全和审计部门开展数据安全的监督和审计工作。

当前的大型企业一般都有专门的安全部，其中数据安全也是其职能的一部分，因此这个职能跟企业的安全部冲突，但随着国家数据安全法，个人隐私保护法等专门的数据安全法律法规的颁布，也许数据安全的管控职责会移交给公司的数据管理部，毕竟其在数据上更专业。

 

6、统筹跨部门需求

负责受理跨部门、跨机构或重要的数据需求，组织开展数据需求的评审、实施和成果交付工作。

一般跨部门需求可以由需求方和实现方直接对接，不需要企业数据管理团队干预，但如果这些跨部门的需求非常重要且涉及需多方数据协同，那么原来点对点的对接方式可能效率就会很低，最终损害企业全局利益，这个时候数据需求方可以委托企业数据管理部来组织推进，由企业数据管理部承担集中化节点这个角色，降低管理的开销。

 

7、数据湖及治理平台建设

负责企业统一数据湖和治理平台的建设和运营。

企业数据管理团队是否要从事实际的数据管理活动存在争议，任何一本讲数据管理的书都将数据治理和数据管理活动作了严格区分，大家都在突出数据治理中“权力和控制”这个概念，但在具体的实践中，组织职能的设置应有更大的灵活性，虚实结合的职责更符合企业数据治理团队的工作统筹，在满足集约化原则的前提下，让企业数据管理团队更多的从事实际数据管理活动，其制定的政策、制度和规范才会更接地气。

数据湖相对于数据仓库，其业务的特性减少了，集约的属性特别大，这为企业数据管理团队承担数据湖的统一建设和运营工作奠定了理论基础，由于数据治理定的那些规则只有嵌入到平台中才能有效发挥作用，因此数据治理工具让企业数据管理团队来建设似乎理所当然，至少它应该具有一定的控制权。

 

8、数据变革项目

负责企业每年数据变革大型项目，孵化数据管理能力，组织各域数据管理团队落地实施。

针对数据管理领域的重点难点问题，如果通过常态化支撑手段难以推进，那么就需要企业数据管理部立项解决，比如数据湖的建设和升级、信息架构的构建、重大数据质量问题的解决等等。

 

9、数据创新孵化

负责企业创新类业务的数据支撑和孵化探索。

主要包含两大类工作，第一类是如果领域自身缺乏数据管理团队和数据分析能力，那么就需要企业数据管理团队对这个领域进行补位，很多企业的IT支撑团队事实上承担着这个职责。第二类是重大的通用类的数据技术和数据服务探索创新，无论是领域不愿意干的，不适合干的，或者是干不了的，都需要企业数据管理团队顶上去。

 

10、培训推广运营

负责企业数据文化的倡导，数据治理和数据能力的宣传、培训及推广。

数据治理作为新鲜事物，无论是数据治理概念和方法的普及，还是数据治理成果的推广应用，都任重而道远，要做好这些事情，一定要组建专业的运营团队，“有了”和“好用”的GAP，需要运营去填平。

以上列出的企业数据管理部的十大职能不是全集，比如考核就未列入，在每个企业的设置肯定也有所不同，某些职能甚至会有些争议，但无论如何，一旦企业设置了企业数据管理部这种组织，就一定要想清楚其职能到底是什么，与其它组织的边界到底在哪里，模棱两可对组织的伤害很大。

企业数据管理部重在“治理”，领域数据管理部重在“管理”，虽然“管理”和“治理”仅仅一字之差，但其内涵和侧重点是完全不同的，即使我在写这篇文章的时候，也特别留意了用词，比如企业数据管理部对数据质量只有管控的职责，而不是管理的职责，否则就乱套了。

康威定律说得好：“设计系统的架构受制于产生这些设计的组织的沟通结构。”通俗的来讲：产品必然是其（人员）组织沟通结构的缩影。