数据治理定义

1. 大数据治理和数据治理的区别概述

大数据时代的特征：一、数据量大（Volume）二、类型繁多（Variety）三、价值回密度低（Value）四、速度快答时效高（Velocity）第四个特征Velocity是处理速度快，时效性要求高。这是大数据区分于传统数据挖掘最显著的特征。运用大数据提升政府治理能力，需要用大数据思路发展大数据；在运用方面，改变政府部门领导的工作方式、决策思路；部门信息化机构需要大量的数据科学专业人才，国家有关部门应及早制订招生计划。制定完善的大数据应用规则，划分部门信息使用权限，确保信息在指定部门、指定情况下按照规范流程使用，确保个人信息安全。在此基础上，设立大数据监督部门，依法监督大数据采集、使用，保证数据的真实性和安全性。望采纳我的回答。

2. 数据治理的什么是主动型数据治理

我们如何朝着更主动的架构和数据治理模式前进？第一个要求是我们开始在多领域 MDM 系统中直接授权数据，分离传统 CRM 和 ERP 系统中的数据录入。当录入系统和记录系统为同一个系统时，应用程序架构很简单。CRM 和 ERP 系统变成主数据的消费者 — 它们不再创建它。
但是，为了实现此有价值的简化，需要灵活、用户友好的界面。它有助于创建针对不同业务用户（从临时用户到专家）组的用户界面版本，同时仍然具有完整的数据管理控制台，数据管理员通过该控制台可处理需要人为判断的问题，并跟踪数据质量度量标准和解决异常。
多领域 MDM 系统本身的角色发生变化，从在别处输入或更新的数据的被动接收者和整理者变为原始录入系统和记录系统。新记录或修改后的记录通过内部数据治理规则后，MDM 系统通过实时或接近实时的中间件将经过认证的记录发布到 CRM 和 ERP 系统以及所有数据仓库或分析系统。如果不需要实时或接近实时的反馈，新记录和更改后的记录可排队等候，以便通过批量集成与企业的其它系统同步。
这一变化还消除了主要的复杂性原因。MDM 系统成为了源系统，企业中的其它应用程序和数据库成为消费系统，而不是让处于复杂源系统网络的中心的 MDM 系统位于左侧，而消费系统位于右侧。因此，省去了接近一半的系统集成工作量，并且还省去了映射源系统和其独立且特殊方法（允许数据录入返回到 MDM 系统）的工作。
这看上去是一个激进的步骤，但是它实际上是长期趋势的延续。当企业应用程序套件最初变得通用时，公司假设它们的新 CRM 或 ERP 系统是唯一的真相来源。但是，随着时间的推移，公司沦为扩散系统和数据库的牺牲品。因此，没有一个前台或后台系统拥有完整的主数据集。
如果您将要添加一个多领域 MDM 系统并承认 CRM 和 ERP 系统并不是设计用于管理主数据，为何不进行下一步骤并取消它们的创建、更新或删除主数据的功能，而是允许这些系统只能读取和处理主数据呢？

3. 数据治理的什么是应对型数据治理

应对型数据治理是指通过客户关系管理 (CRM) 等“前台”应用程序和诸如 企业资源规划 (ERP) 等“后台”应用程序授权主数据，例如客户、产品、供应商、员工等。然后，数据移动工具将最新的或更新的主数据移动到多领域 MDM 系统中。它整理、匹配和合并数据，以创建或更新“黄金记录”，然后同步回原始系统、其它企业应用程序以及数据仓库或商业智能/分析系统。

4. 数据治理包含哪些内容数据治理有标准吗

数据治理主要抄包含顶层设计、数据治袭理环境、数据治理域和数据治理过程。
1) 顶层设计是数据治理实施的基础，是根据据组织当前的业务现状、信息化现状和数据现状，设定组织机构的职权利，并定义符合组织战略目标的数据治理目标和可行的行动路径。
2) 数据治理环境是数据治理成功实施的保障，指的是分析领导层、管理层、执行层等等利益相关方的需求，识别项目支持力量和阻力，制定相关制度以确保项目的顺利推进。
3) 数据治理域是数据治理的相关管理制度，是指制定数据质量、数据安全、数据管理体系等相关标准制度，并基于数据价值目标构建数据共享体系、数据服务体系和数据分析体系。
4) 数据治理过程就是一个 PDCA（plan-do-check-act）的过程，是数据治理的实际落地过程，包含确定数据治理目标，制定数据治理计划，执行业务梳理、设计数据架构、数据采集清洗、存储核心数据、实施元数据管理和血缘追踪，并检查治理结果与治理目标的匹配程度。
IBM的数据治理相对更加成熟，在各个方面的表现都很不错，国内如果要使用IBM的平台，可以找IBM一些大的代理商，服务会比较有保障，例如北京神码、上海德慧。

5. 如何构建数据治理模式中的职责体系

1 、随着大数据热潮的不断兴起，数据资产概念已经被越来越多的企业所接受，大部分企业开始重新审视自身所拥有的数据，对内加强数据对于公司业务模式创新、流程优化、精细化营销等场景下的应用，对外探索各种数据价值变现的途径，为公司在市场化竞争的环境下提升竞争力提供支撑和助力。在这个背景下，数据治理的概念也引起了越来越多单位的重视，特别是金融、通信和能源等国内信息化相对领先的行业，这些行业中的大部分单位已经把数据当做一项重要资产来进行管理，从组织、制度、流程和技术等多个方面入手展开数据的汇总、管理和应用的工作。
2、相关数据治理理论以及职责体系的定义
2.1 DAMA数据治理体系
国际数据管理协会DMBOK一书中对数据治理的定义如下：“数据治理是对数据资产管理行使权力和控制的活动集合（规划、监控和执行）。数据治理指导其他数据管理职能如何执行，是在数据管理之上的更高一层的规划和控制”，从中可以看到DMBOK把数据相关的活动划分为数据治理和数据管理两部分，其中数据治理重点关注于整体制度的规划、监控和执行，用于指导和规范数据管理工作的开展。而数据管理工作是针对数据运营和操作所展开的日常活动，例如：数据架构设计，数据标准和数据质量管理等等。
数据治理处于数据管理的核心位置，包括了数据战略、组织和角色、政策和标准等等，在组织和角色方面，DMBOK提出了数据治理的“三权分立”模式。数据治理包括立法职能（策略和标准）、司法职能（问题管理）和行政职能（管理、服务与合规）：数据治理机构的职责包括设置策略、标准、架构和规程，以及解决数据相关问题。数据管理组织的职责包括：管理、监控和执行数据政策、标准和程序，协调、维护和实施数据架构。如图1所示。
在这个模式中，DMBOK强调数据治理的立法司法和执行之间的独立和相互制衡，这是数据治理模式三权分立中的关键点。DMBOK明确提出了首席数据官、数据治理委员会、数据治理办公室、数据管理管理专员等概念，对企业数据治理工作的开展起到了很大的推动作用。但是DMBOK对于三权分立模式如何在企业中落地实施着墨不多，这也需要根据企业规模、管理模式方面的特征来进行具体的落地实施。
2.2 DGI数据治理体系
数据治理研究所（DGI）提出了数据治理的简单定义和复杂定义。简单定义为，数据治理是对数据相关事务行使权力并进行决策的一系列活动。复杂定义为，数据治理是关于数据信息的决策权和责任制的体系，并按照共同约定的体系模型落地实施。该模型对数据信息的相关环境、人员、时间和方法、行动都进行严格、明确的定义，实现正确的人员在适当时间对合适环境中的相关数据，按照定义的方法采取必要的行动，确保数据满足规范要求。
在数据治理组织方面，DGI认为一个公司的数据治理组织主要有以下三部分组成：
（1）数据利益相关人：有可能影响数据或者被数据所影响的任何个人和团体，例如：数据架构团队、业务团队，DBA等等。
（2）数据治理办公室：数据治理日常运行的沟通、协调机构，需要推动相关制度的落实、监控日常工作开展情况，推动问题的解决等。
（3）数据管家团队：负责各自领域数据的管理工作，制定数据的业务规则，采集数据和应用数据来支持工作，并负责自身数据相关质量问题的解决。
2.3 非侵入式数据治理体系
Robert S.Seiner是国际数据治理领域的知名专家，根据对数据治理领域常见痛点的总结，结合自身数据治理经验的总结，提出了非侵入式数据治理模式《Non-invasive Data governance》，这种模式强调一种自下而上的数据治理方式，和DMBOK、DGI等方面的模式有显著区别，并在国际上有很大的影响力。
非侵入式数据治理模式的主要特点如下：
（1）数据管理专员是根据当前的工作职责而识别出来的，并对其工作职责进行规范化，而不是让他感觉到给他增加了新的工作任务。
（2）在现有的策略、流程和方法之上增加数据治理控制的功能，而不是引入新的流程或者方法。
（3）数据治理是统一支持企业范围内所有的数据集成、风险管理、商业智能和主数据管理等活动，而不是在各自的领域施加不同的控制。
（4）需要让高层领导者了解这是一种实用的、对现在没有改变的，高效的数据治理模式，可以协调数据所有者之间的关系，强调把数据当做企业资产进行管理的方式，而不是构建一套独立的数据治理机制。
（5）非侵入式数据治理模式的关键点是高效的沟通，并且能够充分利用已有的优势。
在这种模式下，整个数据相关的角色包括操作层的数据管理专员、战术层的主题域数据管理员、战术层的数据管理协调员、战略层的数据治理委员会、战略层的指导委员会、数据治理团队、数据治理合作伙伴等七类角色。
这些组织角色的设置和DMBOK中的设置有相似之处，但是在非侵入式数据治理体系中更加强调这些角色的建立是根据其当前工作职责的识别来制定的，不是新增或者重新招聘，这些角色中除了数据治理团队之外，其他角色都是兼职人员。
3 实践中的数据治理模式以及职责体系
数据治理相关理论对数据治理相关的职责体系进行了描述，但是企业应该如何构建职责体系没有涉及，在实际的应用场景中，特别是国内的企事业单位，大部分都是自上而下的方式来构建各自的数据治理职责体系，更多的是参考DAMA数据治理体系中的结构设计，对于非侵入式数据治理体系这种模式国内的实践案例不多。
数据治理职责体系在国内企业中主要存在两种类型四种模式：
（1）实体组织类型：独立数据管理组织模式，IT部门下属数据管理组织模式。
（2）虚拟组织类型：IT部门牵头的虚拟数据治理组织，业务部门牵头的虚拟数据治理组织。
3.1 独立的实体组织
独立的数据管理组织模式是把数据业务化的一种方式，针对数据这一企业资产设立独立的部门来集中进行数据资产的运营和管理。这种模式是完全脱离IT部门再重新建立一个独立的数据管理部门，统一负责数据架构、数据标准、数据质量和安全等方面的管理，并且对IT部门建设项目中的数据需求、设计和变更进行管理，确保新建项目中能够满足公司数据管理方面的要求。同时，有的公司也会把数据分析、数据运营变现的工作放在数据管理部，从而可以把数据管理部门从成本中心转变为利润中心，实现从数据到利润的变现。
这种模式强调数据管理部和技术部之间的平衡，有利于制定独立的数据管理政策和保证相关政策的落地实施，同时明确了公司数据管理运营权限的归属部门，有利于打破数据的部门壁垒，可以促进数据价值的发挥。同时，由于数据管理部门不仅仅是进行数据管理，同时也可以进行数据分析和变现的工作，业务价值比较容易体现，对于提升自身数据团队人员的积极也有很大帮助。
3.2 IT下属的实体组织
由于数据是信息系统的附属物，随着信息系统建设的逐渐成熟和稳定，很多公司为把信息化的重点逐渐转移到数据的管理和分析应用等方面，而信息科技部门往往被认为是最了解数据的部门，因此很多公司会在信息科技部门下面成立独立的团队来开展数据管理的工作。这种模式很多的是问题驱动式的，由于数据分析应用过程中面临的数据问题越来越多，迫切需要进行管理，而数据在公司内部的战略位置还没有非常高，所以会选择在IT部门下设独立的数据管理部门，在制定数据管理政策和标准的同时，推动数据质量问题的处理，可能还会承担数据维护的工作。
这种模式下数据管理部的人员出自于信息科技部门，对信息系统就非常熟悉，了解存在的数据问题，和项目人员的沟通交流很方便，相互之间也很容易协作。但是，经常会出现以技术的视角来考虑数据管理的问题，很多数据政策、标准的落地实施常常会妥协于项目实施时间、成本等方面的约束。
3.3 IT牵头的虚拟组织
由于成立实体的数据管理团队对组织架构的冲击比较大，特别是国内的央企和行政事业单位，因此成立虚拟的数据管理组织就成为很多企业采取的模式。信息技术部门往往会极力推动数据治理组织的建设，希望通过公司高层领导的支持，加强公司业务部门在数据管理工作过程中的参与度。而由于IT部门更了解信息系统，更了解技术，理所当然的就成立了由IT部门牵头的、各业务部门参与的、虚拟的数据治理组织。这种模式会参考DAMA数据治理组织的模式，设置数据治理委员会、数据治理办公室，业务数据管理员等架构模式，其中数据治理政策的制定、推动实施、监控和协调等主要工作会落实在数据治理办公室，数据治理办公室由IT部门负责落实和管理，在IT部门中有可能会指定全职的人员来进行协调和管理的工作，其他的大部分人员都是兼职的。
这种模式的优点就是对组织架构的冲击比较小，建立成本较小。虚拟组织很容易建立，但是推动数据治理相关制度具体落地执行的难度非常大，业务部门的参与度不高，数据治理的业务价值也不容易体现，因此针对这种模式，建议数据管理部能设置专职的数据管理角色，业务部门的工作职责要能够落实到岗位描述中。
3.4 业务牵头的虚拟组织
这种模式是对第三种模式的演进，由于国内很多企业IT部门都是相对弱势的部门，话语权不强，导致数据治理的制度、标准很难落实，为此，很多企业建立数据治理组织的时候会选择一个强势的业务部门牵头，IT部门配合的模式，例如银行的风险管理部门、财务部门等等。
这种模式下由于业务部门对于数据的需求和痛点很了解，比较容易体现数据治理的业务价值，同时，由于部门话语权比较强，相关的政策、标准和措施比较容易落地执行。缺点就是牵头业务部门需要平衡本职业务工作和数据治理工作的投入，同时，由于对信息技术和数据没有那么了解，往往需要增加专职的数据管理员。
4 云南电网数据治理职责体系实践
云南电网数据治理组织采用IT牵头的虚拟组织形式。数据治理委员会职责由网络与信息安全领导小组履行，数据治理管理办公室职责由网络与信息安全领导小组办公室履行。在信息部下设置数据治理业务专员，在信息中心下设置数据治理技术专员，其他各业务部门设置数据联络员。
4.1 数据治理委员会工作职责
在数据战略层面：主要负责监督数据战略和数据政策的实施和执行情况，监控数据风险。
在数据管理层面：主要负责公司数据战略的目标和策略、数据体系规划、数据政策制度、数据质量、数据标准、数据需求等数据领域的重大事项审批以及监督评价。
具体职责包括：
（1）对重大数据治理相关事项进行决策，监督数据治理相关工作的开展；
（2）审批公司数据治理工作考评方案，并监督考评结果；
（3）定期向董事会报告公司数据治理相关工作情况。
4.2 数据治理管理办公室工作职责
数据治理管理办公室是公司数据治理工作的直接领导与组织部门，负责数据治理相关各领域、各环节的决策支持、监督执行和组织落实。其主要职责包括落实数据治理决策层分配的工作，制定并审议数据治理相关工作流程和各项制度，组织推进公司各部门及基层单位开展数据治理工作。具体职责包括：
（1）审议数据治理工作相关的制度和细则及工作流程；
（2）指导数据标准的编制、执行、变更、复审的协调、决策等管理工作，审查数据标准相关方案，审议数据标准相关的重大事项等；
（3）定期向数据治理决策层汇报公司数据治理工作情况；
（4）负责审议并指导数据治理执行层工作并听取汇报；
（5）指导数据治理工作考评方案制定，并检查数据治理工作评结果。

6. 数据管理和数据治理到底是不是一个概念

严格来说，数据管理与数据治理不能视为同一概念，两者区别在于：数据管理回是做关于数据架构、数据建模、答数据集成等真正去接触数据的事情；而数据治理则是要搞清楚谁应该管什么、应该怎么管、用什么标准和制度去管这些问题。

7. 数据治理的介绍

企业高层必须制定一抄个基于价值的数据治理计划，确保董事会和股东可以方便、安全、快速、可靠地利用数据进行决策支持和业务运行。数据治理对于确保数据的准确、适度分享和保护是至关重要的。有效的数据治理计划会通过改进决策、缩减成本、降低风险和提高安全合规等方式，将价值回馈于业务，并最终体现为增加收入和利润。国际上此方面的研究协会比较多，但截止2014年底中国只有ITSS WG1国际化小组展开了正式研究，并向ISO正式提交和发布了数据治理的研究白皮书。