经验分享 ：数据治理中的有趣发现

本文整理自老树之见公众号，作者胡晨川，原文分数据治理中的有趣发现（一）与（二）组成，本文将两篇文章整理加工在一起发文

数据治理，一般来说，涉及数据获取的治理、数据流程治理、数仓模型治理、数据权限治理、指标体系治理、数据应用能力提升、分析框架治理、数据可视化方案治理等范畴。有着内容涵盖广，琐碎的细节多，外在体感弱，成效周期长，人员心力要求高的特点。

随着近期工作中对数据治理的深入，尤其是在指标治理范畴下，过去的许多认知，在深层次上被刷新了；同时，随着执行中各种细节的碰撞，也有了不少新的发现和观点。酝酿多时，打算甄选若干，希望对大家有所帮助。

（当然，本人目前的观点，仅来自本地生活场景下的实践，难免有些片面，读者们请批判地吸收。）

---

观点一：“数据治理，从最初的最初，就要有所设计。”这话看起来较费解，何谓最初的最初？如果你是一个创业者，那么你在团队成立的第一天，你就得规划，做些什么样的事，能让你不仅拥有数据，还能正确高效地使用数据。以我对身边朋友的观察，大部分人，会想到要拥有数据，但以为初期有这就够了。
如果你是一个经理人或者决策层，你需要在一个新业务的起步阶段，即在业务规划中，就准备好以“精准量化分析”为目的的一整套的数据治理方案，而不要仅仅罗列几个指标，作为KPI，以体现所谓的“数据驱动”。
如果你是一个项目经理、产品经理或者业务运营，你需要在kickoff阶段，就有方案，以保证健全的数据获取通道，准确稳定的指标口径，多方一致的评价及分析方式。而不是认准领导的绩效，硬拼凑一个本质上也许毫无关联的评价指标。
以我目前的观察，在业务启动初期，数据治理方案的缺失，会使得数据混乱的发展速度，远高于业务发展速度。回过神来你会发现，你以为能靠数据结果给予决策支持，但实际上，你会有一堆的混乱结论。你想有座灯塔，可实际上是一片迷雾。观点二：如果你是一个leader，当你不能准确了解你所使用的指标口径，就不要推动所谓的“用数据说话”。

乍一看，这个观点或许有些极端，但自测一下这个问题，或许你会猛醒：

“你工作中经常查看的报表和数据，你能说清楚他们明确的计算口径么？所属的业务主题、计算的方式、统计周期、限制条件、维度组合、字段定义等？”

如果这个问题你答不全，那么你并不具备指标治理的意识（指标治理是数据治理中，与管理决策最为相关的部分），换个角度说，就是你还没有准备好使用数据。可怕的是，若leader不能清晰地回答，那么下属、分析师、产品经理等角色，基本上对口径也是一笔糊涂账。这样的结果就是：

• 管理决策从相对可靠的经验判断，变成依据不准确的数据进行推测；虽然不能说这样的改变有多负面，但有些本优秀的决策者，往往被模棱两可的数据解读挤出自己擅长的领域，以更多的疑虑面对决策，会表现得更“依赖”数据结果，前瞻性决策的能力会变得平庸。
• 模糊的数据口径，给了“用数据说谎”、“用指标逃避责任”的空间，大大增加了组织的管理成本。相对的，模糊的口径，也确实能带来一些“柔性”协作的效果，毕竟，任何组织里都有“和稀泥”的价值。
• 各协同部门之间，一旦涉及指标的应用，就一定少不了“对数据”，至少开4次“会”：
  
  
  第一次，暴露问题，拉群，越拉人越多，伴随各种推脱后，终于，最痛的那一方，万般无奈地作为owner；第二次，搞清楚“owner方”的数据口径；第三次，搞清楚“对方”的数据口径；第四次，确定到底谁的是对的，商量怎么办。往往还有第五次，即由boss们来决定，怎么办。
  
  
  这里的协同成本，十分可怕。
  
  
  ----分割线---
  
  
  
  

在上面文中，我抛出了以下两个观点：

• 数据治理，从业务的最初阶段，就要开始设计。
• 如果你不了解所使用的各种数据结果的口径，就不要推动所谓的“用数据说话”。
  
  

第二个观点换个角度说，就是数据的消费方，一定要有“数据严谨性”的意识，尤其当你是一个leader的时候。第二篇中，我继续抛出一些观点。

• 知识沉淀的健全与否，决定了数据治理的执行成本
  
  
  

数据治理项目，不仅需要深挖各种细节的业务定义，还需要有许多的“决断”（比如确定一版大家都能有共识的口径），需要协同的人，牵扯的部门往往很多。我们先不谈人配合意愿的问题（许多时候，数据治理会触碰协作方的“安全边界”，这是一种寓情于理都可以理解的沟通障碍），我们假设所有协作方都无条件配合的情况下，仍然有极大概率出现的困难，那就是：“谁都说不清某个关键的细节”
为什么呢？因为知道的人已经走了，或者时间久了忘了，且没有历史记录沉淀下来。在业务变化快，人员流动大的互联网公司，这种情况尤其普遍。

如何解决该问题？道理其实很简单，就是加强业务知识管理；但执行基本很扯淡，因为谁都不愿意“打杂”。所以我有两个明确的建议：

• 每个有明确的组织边界的团队，都要建立《新人上手指南》，由公司HR部门全程监督：内容制作详细且定期更新，每次更新发布，都由两个以上协作团队进行审核；HR跟踪部门新人对《新人上手指南》的评价，该评价计入该部门各层级的KPI考核中。
• 公司内部，从leader开始，应用任务协作和文档管理工具。目前市面上的协作工具已经很多，私有部署的和saas模式都有，无论大小公司，都能找到适合自己价位的工具。但心理预期要降低，工具的应用，并不能立马解决问题；工具的应用，只是一个起点，能够使整个团队，开始建立知识管理和协作提效的意识。
  
  

• 我们可能正在透支整个社会的“数据应用能力”
  
  

这个观点在我脑中有段时间了。出现的当时，我自己很诧异，但仔细想了想，也许这真的是事实。为什么我们大力招人，却鲜有合适的人选？尤其是高段位人才。高段位固然是稀缺的，但稀缺的情况能够改善么？目前似乎看不到好的信号。

首先，整个大的公共教育环境，对数据分析、数据科学人才的培养是非常滞后的。虽然近年来大力投入资源，但是一是起步晚了，人才补充到市场还需要时间。二是培养方式不够脚踏实地。高校里，缺乏有实战经验的老师设计课程体系，导致“堆砌”理论，学生的商业感知和动手能力都不够好。市场上的培训机构呢，基本上急功近利，拿入门级的知识当专业课，让学生挂几个“包”，跑几个“函数”，尝试几个kaggle案例，就收一笔学费，不论效果如何。

在这两个大背景下，我们大量的“用人单位”，只管招人干活，不管人的培养（许多都是自由生长，尤其是与上一个观点相呼应，当知识沉淀很差时，人才的成长更难达预期）。在门槛越抬越高的情况下，公司内部的小伙伴却没有清晰的成长路径和辅导。那么结果就是，有一定工作年限的所谓的“高阶数据分析人才”，泡沫越来越大。而正在努力的行业新人，却不能在正确的方向上，用合理的时间达到必要的高度。“既然是泡沫，终究是要破灭的！”当泡沫破灭，所有人认清了现实以后。国内的数据分析高阶人才市场，有可能出现信心危机。极有可能造成“高阶大数据人才信任感缺失”的情况，市场信心的恢复，可要花点时间。这与金融危机，是一个道理。
“以我个人招聘的经历来说（完全达到了大样本要求）：数据分析领域，在正确的发展路径上的，3-7年工作经验是最有价值的。更长工作年限的人选，适配性可能不好，薪资要求也会偏高。”

回过头来，有资源，有能力的大厂，应该正视这个问题。格局应该高一点，不管人才能不能长期留住，都要以“为中国经济发展，以自身业务场景为基础，培养数据分析人才。”为责任。踏踏实实分析现有的业务需求和人才成长模型，设计务实、分阶段、可量化、有积累效应的人才成长体系。
目前在数据领域打拼多年，资历颇深的伙伴们，尤其是处在团队管理岗位的伙伴，也应正视这个问题。你们的未来，并不取决于你有多稀缺，有多少好的offer，这些都是暂时的。好好培养身边的新人们，给予更多的引导和帮助。只有帮助他们提高，市场对“数据分析人才”的信心才能维持，整个市场的人才梯度更健康，才能挤压水分，消除泡沫。从长远来看，才有利于行业内所有人的生存。