从架构到治理：数据治理5个阶段的任务·角色·分工·职责
从架构到治理：数据治理5个阶段的任务·角色·分工·职责
在企业数字化转型的道路上，数据治理是不可或缺的核心基础性工作。本文基于主数据驱动的数据治理框架，分享数据治理五个阶段的过程架构以及对应的任务、角色、分工和职责，希望能为在企业数字化转型之路上负重前行的同仁带来一定的参考价值。
一般来说，我们可以将主数据治理的任务分解成为5个阶段，即架构阶段、主数据治理阶段、业务数据治理阶段、分析数据治理阶段、优化治理阶段。每个阶段都分为分析、设计、执行、评估4个基本环节，循环迭代，推动阶段任务的达成。
上述过程框架通过将复杂的数据治理任务进行阶段性任务划分，分解成为较小的独立子集，进而增强数据治理的可实施性，有利于企业管理者进行整体规划和安排。
同时，该数据治理过程架构可根据企业的整体战略和治理目标进行灵活剪裁，以满足不同企业数据治理的不同要求。其中架构阶段和主数据治理阶段是数据治理的基础，一般企业实施数据治理项目都需要从架构和主数据治理开始；而业务数据治理阶段、分析数据治理阶段、优化治理阶段则可根据企业实际需要灵活选择。
一、架构阶段
架构阶段是数据治理的准备阶段。
- 分析环节：通过对企业战略、业务状态、企业信息化状态的现状调研和需求分析，识别业务问题和实施风险
- 设计环节：完成数据治理从愿景使命目标到路线图的整体规划，以及组织、管控、标准、安全四方面的体系设计
- 执行环节：通过详实可信的分析报告和可落地的体系规划获得高层支持，创建数据治理管理组织
- 评估环节：应用主数据管理成熟度模型（MDMMM），完成企业的主数据管理成熟度评估
主数据管理成熟度模型（MDMMM）将主数据管理成熟度分为六个级别：
- 初始级L1：组织内部只有模糊的主数据管理意识，没有专门的机构对其进行管理
- 可重复级L2：建立了基础的主数据管理流程，实现了局部可复用性
- 已定义级L3：组织内部建立起统一的主数据管理规范，并建立起独立的部门进行主数据管理的协调活动
- 已管理级L4：形成主数据管理专业部门，建立起协同跨流程区域的专业化数据标准团队
- 优化级L5：不仅能保证主数据管理流程的有序进行，而且能够实现业务环节的专业评估
- 创新级L6：主数据管理已经跨越了企业的边界，形成跨企业的行业主数据标准
二、治理阶段
主数据治理、业务数据治理、分析数据治理、优化治理4个阶段只是治理的对象和工作范畴存在差别，但其过程框架具有相似性，可互相参考。
- 分析环节：完成业务过程分析和业务问题聚焦，并从数据质量、数据安全、数据生命周期三个方面分析、梳理数据缺陷
- 设计环节：完成数据标准和数据模型的设计、开发
- 执行环节：依次完成数据采集、数据清洗、数据导入、应用集成、系统测试和上线切换
- 评估环节：从运行情况、数据质量、数据安全、系统性能、管理水平、经济效益等方面对数据治理的效果进行评估
在设计阶段，为有效支持数据治理的开展，需要高效、灵活的技术架构和信息管控工具作承载数据标准和数据模型。在主数据驱动的数据治理框架下，数据治理的技术架构如下图所示：
基础数据平台、业务支持平台、数据分析平台：分别承载着和主数据、业务数据、分析数据有关的企业运营、管理活动
数据交换平台：将上述三个平台连接在一起，完成彼此之间的数据交换
数据管控平台：完成上述平台之间的协调
数据治理组件：辅助完成对主数据、业务数据和分析数据的治理。其可看作是实施数据治理的IT工具包，其中包括数据标准管理、元数据/数据模型管理、数据质量管理、数据安全管理、数据生命周期管理5个基本的管理组件。
同时以工作引擎的方式提供一系列通用工具，包括但不限于：
- 工作流引擎：管理申请、校验、审核、发布等数据治理的工作流程
- 清洗引擎：完成采集数据的清洗工作
- 转换引擎：完成符合特定条件数据的批量修改和转换
- 分析引擎：实现数据质量、数据生命周期管理中的分析任务
数据治理组件也通过数据交换平台实现数据导入导出，通过数据管控平台完成和其他平台的协调。数据交换平台和数据管控平台以总线化的方式提供了可扩展的数据通道和控制通道，而工作引擎则实现了数据治理组件的能力扩展。
三、任务、角色、分工、职责
数据治理是一项复杂的任务，仅仅依靠企业IT部门难以完成，往往需要专业的外部咨询服务和开发人员的辅助。因此，需要在过程框架中澄清各方的分工和职责，以便配合。以主数据治理阶段为例，数据治理过程中的任务、角色、分工、职责如下：