数据治理的定义
数据治理是一个用于定义组织中谁有权控制数据资产以及如何使用这些数据资产的系统。它包括了管理和保护数据资产所需的人、流程和技术。
数据治理研究所将其定义为“一个关于信息相关流程的决策权和责任系统，它会根据商定的模型执行，而这些模型描述了谁可以使用什么信息采取什么行动，以及在何时、在什么情况下使用什么方法。”
国际数据管理协会(DAMA)将其定义为“对数据管理以及数据和数据相关来源的使用所进行的规划、监督和控制。”
数据治理与数据管理
数据治理只是整个数据管理学科的一部分，尽管它很重要。数据治理主要是关于确保数据资产责任和所有权的角色、责任和流程，而DAMA将数据管理定义为了“一个用于描述规划、指定、启用、创建、获取、维护、使用、归档、检索、控制和清除数据过程的总体术语。”
虽然数据管理已成为了该学科的常用术语，但有时也会被称为数据资源管理或企业信息管理(EIM)。Gartner将EIM描述为“一个跨组织和技术边界的用于构建、描述和管理信息资产的综合学科，以提高效率、促进透明度和实现业务洞察力。”
数据治理框架
数据治理最好被认为是一种能够支持组织总体数据管理策略的功能。这样的框架可以为你的组织提供一种收集、管理、保护和存储数据的整体方法。为了帮助理解框架应该涵盖什么，DAMA将数据管理设想为了一个轮子，而将数据治理作为中心，从中辐射出了以下10个数据管理知识领域：
- 数据架构：作为企业架构不可分割的一部分的数据和数据相关资源的整体结构
- 数据建模和设计：分析、设计、构建、测试和维护
- 数据存储与操作：结构化的物理数据资产的存储部署与管理
- 数据安全：确保隐私、机密性和适当的访问
- 数据集成和互操作性：获取、提取、转换、移动、交付、复制、联合、虚拟化和运营支持
- 文档和内容：存储、保护、索引和允许访问非结构化数据源中的数据，并使这些数据可以与结构化数据进行集成和互操作
- 参考数据和主数据：通过标准化定义和使用数据值，管理共享数据以减少冗余并确保更好的数据质量
- 数据仓库和商业智能(BI)：管理分析数据的处理并允许访问用于报告和分析的决策支持数据
- 元数据：收集、分类、维护、集成、控制、管理和交付元数据
- 数据质量：定义、监控、维护数据完整性，并提高数据质量
在制定战略时，应综合考虑上述有关数据收集、管理、归档和使用的各个方面。
作为一个高度复杂、持续不断的项目，数据治理面临着参与者随着时间的推移而失去信任和兴趣的风险。为了应对这种情况，BARC建议可以从一个可管理的或特定应用的原型项目开始，然后根据经验教训在整个公司范围内进行扩展。
BARC建议采取以下的实施步骤：
- 确定目标并了解收益
- 分析当前状态以及进行增量分析
- 制定路线图
- 说服利益相关者和项目预算
- 制定和规划数据治理计划
- 实施数据治理计划
- 监视和控制
数据治理的目标
目标是建立一个标准化的，集成、保护和存储公司数据的方法、责任集和流程。BARC认为，组织的关键目标应该是：
- 最小化风险
- 建立内部数据使用规则
- 实施合规性要求
- 改善内部和外部沟通
- 提高数据的价值
- 促进对上述的管理
- 降低成本
- 通过风险管理和优化，帮助确保公司的持续存在
BARC指出，这样的项目总是跨越企业的战略、战术和操作层面的，必须将其视为是持续的、迭代的过程。
数据治理的好处
大多数公司已经对单个的应用程序、业务单元或功能进行了某种形式的治理，即使其流程和职责是非正式的。作为一种实践，它是关于对这些流程和责任所建立的一种系统的、正式的控制。这样做可以帮助公司保持响应能力，尤其是当它们已经发展到了个人执行跨职能任务不再有效的时候。只有在企业建立了系统的数据治理之后，才能实现数据管理的一些总体好处。其中一些好处包括：
- 更好、更全面的源自整个组织一致、统一的数据决策支持
- 为流程和数据的变化制定清晰的规则，帮助业务和IT变得更加敏捷和可扩展
- 通过提供中央控制机制，降低数据管理其他领域的成本
- 通过重用流程和数据来提高效率
- 提高了对数据质量和数据过程文档化的信心
- 提高对数据法规的遵从性
数据治理的原则
根据数据治理研究所的说法，所有成功的数据治理和管理计划都需要以八项原则为中心：
- 所有参与者必须在相互交往中保持诚信。在讨论与数据相关的决策的驱动因素、限制、选项和影响时，他们必须真实、坦率。
- 数据治理和管理流程需要透明度。所有参与者和审计人员必须清楚与数据相关的决策和控制是如何以及何时引入流程的。
- 受数据治理约束的数据相关决策、流程和控制必须是可审计的。它们必须附有支持基于法规遵从性和运营审计要求的文档。
- 他们必须定义谁来负责与跨职能数据相关的决策、流程和控制。
- 它必须定义谁来对管理活动负责，这些管理活动是由个人贡献者和数据管理员组负责的。
- 项目必须以一种在业务和技术团队之间，以及在创建/收集信息的人员、管理信息的人员、使用信息的人员以及引入标准和合规性要求的人员之间引入制衡的方式来定义责任。
- 该项目必须引入并支持企业数据的标准化。
- 项目必须支持参考数据值的主动和被动变更管理活动，以及主数据和元数据的结构/使用。
数据治理的角色
每个企业构建其数据治理的方式不同，但也有一些共性。
(1) 指导委员会
治理计划需要覆盖整个企业，通常从一个由高级管理人员组成的指导委员会开始，可以是负责业务线的高级主管或副总裁。《获得治理：构建世界一流的数据治理计划》一书的作者Morgan Templar表示，指导委员会成员的职责包括制定具有具体成果的总体治理战略，支持数据管理员的工作，并让治理组织对时间表和成果负责。
(2) 数据所有者
Templar表示，数据所有者是负责确保特定数据域中的信息能够跨系统和业务线进行管理的个人。他们通常是指导委员会的成员，但可能不是有表决权的成员。数据所有者负责：
- 批准数据词汇表和其他数据定义
- 确保整个企业信息的准确性
- 指导数据质量活动
- 审查和批准主数据管理的方法、结果和活动
- 与其他数据所有者一起解决数据问题
- 对数据管理员发现的问题进行二级审查
- 向指导委员会提供有关其数据域的软件解决方案、政策或法规要求的信息
(3) 数据管理员
数据管理员需要负责数据的日常管理。Templar表示，他们是理解和交流信息含义和用途的主题专家(SME)，他们会与组织内的其他数据管理员合作来作为大多数数据决策的管理机构。数据管理员需要负责：
- 成为数据领域的SME
- 识别数据问题并与其他数据管理员合作解决这些问题
- 担任数据管理员委员会成员
- 在数据政策和委员会活动上提议、讨论和投票
- 向数据所有者和数据领域的其他利益相关者汇报
- 跨部门跨职能工作，以确保其领域的数据能够得到管理和理解
数据治理工具
数据治理是一个持续的项目，而不是一个技术解决方案，但是也有一些工具可以用来帮助支持这个项目。什么样的工具适合你的企业将取决于你的需求、数据量和预算。据IT Central Station的介绍，一些比较流行的解决方案包括：
- Collibra治理：Collibra是一个企业范围的解决方案，它自动化了许多治理和管理任务。它包括了策略管理器、数据服务台、数据字典和业务术语表。
- SAS数据管理：基于SAS平台，SAS数据管理提供了一个基于角色的GUI来管理流程，包括了集成的业务术语表、SAS和第三方元数据管理，以及沿袭可视化。
- 用于数据治理的erwin数据智能 (DI)： erwin DI结合了数据目录和数据素养功能，提供了对可用数据资产的感知和访问。它提供了使用这些数据资产的指导，并确保能够遵循数据策略和最佳实践。
- Informatica Axon： Informatica Axon是一个支持项目的收集中心和数据市场。主要功能包括了协作业务词汇表、可视化数据沿袭的能力，以及基于业务定义所生成数据的质量度量。
- SAP Data Hub： SAP Data Hub是一个数据编排解决方案，旨在帮助你发现、细化、丰富和管理跨数据领域的所有类型、品种和数据量。它可以帮助组织为用户、组和角色建立安全设置和身份控制策略，并简化策略管理和安全日志记录的最佳实践和流程。
- Alation：Alation是一个企业数据目录，它可以自动按源索引数据。它的关键功能之一TrustCheck为工作流提供了实时的“护栏”。TrustCheck被设计专门用来支持自助服务分析，它将指导原则和规则附加到了数据资产之上。
- Varonis数据治理套件：Varonis的解决方案利用可扩展的元数据框架自动完成数据保护和管理任务，使组织能够管理数据访问，查看每个文件和电子邮件事件的审计跟踪，识别不同业务单元的数据所有权，并发现和分类敏感数据和文档。
- IBM数据治理：IBM数据治理利用了机器学习来收集和管理数据资产。其集成数据目录可帮助企业查找、策划、分析、准备和共享数据。
数据治理的认证
数据治理是一个系统，但有一些认证可以帮助你的组织获得优势，包括：
- DAMA认证数据管理专家(CDMP)
- 数据治理和管理专业人员(DGSP)
- edX企业数据管理
- SAP认证应用助理--SAP主数据治理
