数据治理如何落地？|2个实践案例为你提供思路

“数据治理”成为最近跟各位大佬们交流中的高频词，大家似乎对数据治理很感兴趣，搜索“数据治理”，网络流传大多是国际数据关系协会制定的DAMA体系等一些标准体系、管理概念。 DAMA体系 我们认为，数据治理的最终目的是服务于生产业务，究竟如何把这些标准性、概念性的东西，落地到实践、实操，真正实现数据的“可管、可视、可用、可控、可估”，还需要借助数据平台建设一步步推动企业数据治理落地，直至完善的数据资产管理平台形成。 从解决生产业务的支撑问题出发，以可用可操作为宗旨，我们根据企业的实际业务需求，做了许多落地实践的尝试，这里分享2个实践案例，给大家一点思路：案例1:基于数据中台的理念和方法，做汇集数据中间层，重构数据模型，替代复杂、冗余数据源表 某集团企业需要支撑20多个子公司的日常的数据运营工作， 原力大数据基于数据中台的理念和方法，在集团公司既有的支撑体系内，做了一层数据加工：汇集数据中间层。

将复杂的数据源表简单化，重新构建表关系和指标，接入数据集市的上千张表，上万个数据指标，满足全省各地市的数据支撑需求。

汇集数据中间层的作用：

• 组合相关和相似数据，采用明细宽表，复用关联计算，减少数据扫描；
  
  

• 统一加工公共指标，构建数据治理的标准，构建命名规范、口径一致和算法一致的统计指标，为上层应用提供公共指标；
  
  

• 建立一致性维度：建立一致的数据分析维表，降低数据计算口径、算法不统一的风险；
  
  

通过规范化的数据标准与口径，降低了数据理解不一致、计算口径不一致的风险，极大的提升了支撑效率和效益。
   这个项目里，我们帮助企业：
1. 将上万个字段，简化成可满足日常使用的1000多个字段，并可以动态管理的字段上架与下架；2.   将上千张数据表，整理成54张独立的数据表，减少数据存储冗余；
3.   规范数据标准与口径，重新定义了表结构和指标，统一了计算口径，有效降低了理解不一致、调用混乱的风险；4.  各子公司运营人员能够快速、准确、简单的提取所需数据，学习成本、人力成本、时间成本直接减半。案例2:建设自主数据分析平台，将数据原子化，支撑业务人员自助选择搭配与计算原力大数据在与某世界500强集团合作的数据治理项目中，建设了自助分析平台，将数据原子化，构建原子指标库和展示数据指标库。 平台汇集多个来源的数据，基于Kimball维度建模的核心理念，先形成相对标准化的面向业务过程的明细中间表，然后以用户标签表为核心的汇总宽表，再在应用数据层生成个性化指标或数据组装，形成对标签筛选取数、用户画像、个性化分析等应用支撑。

这种数据模型（数据的存储方式）简洁清晰，标准化程度高，易扩展，能大幅节省存储、计算、开发成本；再搭配‘拖拉拽式’的自助取数功能和可灵活自定义的可视化统计报表，能够满足50-60%的日常运营提数和报表需求。

• 自助取数：拖拉拽自由选取所需数据，并配置计算条件，满足数据宽表的明细级数据输出；
  
  

• 自助可视化统计报表：实现标签结果明细数据的报表自定义配置，并可支撑灵活的多维、图形化分析；
  
  

自主分析平台这种数据治理的落地方式，操作模式简单、数据标准与口径标准化程度高、可高度自由配置的指标数据、快速的支撑响应速度，极大的释放了数据支撑人员的压力。 技术活+苦力活，数据治理落地需做好准备每个企业的数据治理落地路线是“因人而异”的，我们将在接下来的数据治理系列文章中，分享数据治理的实施步骤、数据安全标准、元数据管理、数据标准管理、数据安全管理等。数据治理既是技术活、也是苦力活。要求团队既懂数据、又懂业务、还有IT建设能力。原力大数据团队在企业数据治理和数据应用领域已有10多年的项目经验积累，曾帮助多个世界500强企业、龙头企业、政府进行数据治理及数据资产管理，具备从数据、技术、业务应用、管理、安全等方面入手，输出企业大数据治理整套解决方案的能力。来源：原力大数据