数据治理是国外银行业自 90 年代衰亡的概念，最开始的次要指标是进行客户数据清理、欠缺数据规范、确保银行数据的完整性，随着银行业务一直拓展、数据及其相干实践逐步完善，数据治理的概念和办法在金融行业曾经达成了共识，即数据不然而有价值而且还是有竞争价值的资产，为了让数据统一、精确、及时地交付给数据使用者，最重要的是，为了让数据能被使用者充沛了解，企业必须要对现有的数据进行治理。
数据治理体现了围绕企业数据处理所进行的数据品质、数据管理、数据政策、业务流程治理与风险管理等一系列实际的交融。企业通过数据治理能够保证数据的可信性，并且对数据认责的流程和办法能够施以积极主动的管制。数据治理须要以多种形式综合应用各种技术手段来辅助治理流程，须要时要赋予相干人员以势力用技术手段来建设流程。
数据不佳的根本原因
咱们常常会听到数据使用者对数据的埋怨：
●“咱们有很多的反复数据”— 没有解决方案
●“数字永远加不起来”— 不同部门应用不同的代码和统计口径
●“我的报告达到总是提早，失去的总是过期的信息”— 提供要害数据的接口常常出错
●“咱们永远不晓得在哪里能够找到咱们想要的信息”— 不足对数据的了解
●“咱们不能批准对咱们的考核指标”— 部门应用不同的规范来掂量他们的绩效
●“我怎样才能取得这个信息”— 没有明确的窃密和平安流程而这些数据问题的起源是多方面的，业务和 IT 都会产生数据问题。上面显示的是来自一个调研机构的调查结果。
通过下面的调研后果，咱们能够看到各种数据问题产生的次要起因包含：
76%数据录入谬误
53%源零碎的变动
48%数据迁徙或我的项目改建
46%用户不同的冀望
26%零碎谬误
明天，许多组织开始意识到，为了把数据作为一项有价值的商业资产，或者甚至作为他们的财务资产，他们须要做一些更好的工作来治理这些数据。
事实的状况是，企业往往在口头上抵赖数据是企业的经营资产。他们议论施行组织，规范，规定，流程和工具来治理和进步数据的须要，但未能实现，并反对他们。因而，数据的品质就会大打折扣。
“咱们用零碎来治理咱们业务的各个方面，却没有一个中央来管理系统自身”，如果企业数据管理流程失败了，数据依然会流经咱们的 IT 零碎，然而这些数据将不会也不能自我管理！
尽管咱们采取了相干的数据管理措施，如：数据品质治理、数据整合、元数据管理、数据规范治理、数据模型和数据安全方面的治理。然而，流经咱们各个系统的数据的可信度，完整性，安全性还是得不到保障的。因为数据品质问题的根本原因是：不足数据政策，数据规范，领导准则和规定，不足工具和流程。
数据问题制约了业务的疾速倒退
一份钻研机构所作的调研后果是：47%的决策者对数据没有信念；59%的决策者遇到缺失的数据；42%的决策者晓得，他们应用了谬误的信息。因而，数据问题将制约业务的疾速倒退，导致企业不足竞争力。
数据品质缺点将导致：
• 因为财务报表上的有失精确和数据之间的互相矛盾带来更高的违规危险• 因为客户信息的有失精确造成市场营销的低效
• 适度打搅客户
数据模型缺点将导致：
• 不同业务和数据主题之间数据的定义不统一
• 资源节约：反复的数据对象和数据元素
• 耗时的工作去找到你要找的数据。
• 抉择了谬误的数据来拜访
元数据管理缺点将导致：
• 寻找一个数据须要破费很长的工夫
• 因为意识有余造成低效或谬误的决策
• 缩短开发周期，进步培训老本
• 因为对数据和业务规定不足信念造成低使用率
数据整合缺点将导致：
• 因为各零碎之间数据互相矛盾或不能关联带来苦楚的数据比对
• 因为不足对立的整合办法给我的项目带来不必要的复杂性和不一致性
• 反复建设，冗余简单的接口，性能问题
主数据管理缺点将导致：
• 客户和产品的不足规范或不足对应会带来客户服务的问题• 缩短了产品开发和导入的周期
• 给深刻理解客户之间的关系和层级带来艰难
平安和隐衷缺点将导致：
• 带来一直减少的合规危险，扩散或不统一的数据
• 在客户、合作方、和监管机构眼中银行的信用降落
• 身份被盗用和受权被滥用的危险
业界利用数据整合的劣势推广信息导向经营策略是银行在强烈的市场竞争中取得竞争劣势的最优抉择。从寰球多家银行业的实践经验来看，通过信息导向的经营策略取得成功的银行通常具备下述特色：
●以数据分析和数字化治理的理念贯彻整个机构；
● 决策者藉由数据使用，找到驾驭及疏导改革的机会与要害信息；
●以数据为核心的业务流程设计笼罩各个次要畛域的治理需要；
●建设数字化治理的组织文化，根据量化数据进行决策，不论是新进人员或具教训的银行人员，均可基于统一的材料根底上做出业务决策；
●组织灵便有弹性，随时可能倒退新的业务模式；可能发明 20-30% 的经济效益。
数据治理概念
数据治理这个名词翻译自英文 Data Governance，有时也会被翻译成“数据管控”。业界权威组织 Gartner 对数据治理定义是：数据治理是通过组织、制度、流程、技术的联合与实际流动，用以治理、保护和开发作为企业信息资产的数据。治理不同于治理，治理是你做出的决定，治理就是为这些决定制订愿景，政策，规范，流程和规定。
治理是执政的行为。它波及到定义期望值，授予势力（决策权），并且对后果进行验证。
治理是对立的治理。有凝聚力的政策，领导，流程和规定，以确保咱们在适合的工夫，以正确的形式在做正确的事件。
治理将为企业建设一个愿景，并制订相应的政策，企业愿景，领导准则，规范和规定，治理是确保这些政策，规范，准则和规定的理论利用，并在新的和现有的零碎中体现。治理把与业务策略相干的决策和监督与实际操作紧密联系起来。
并在新的和现有的零碎中体现。治理把与业务策略相干的决策和监督与实际操作紧密联系起来。
因而，数据治理也不同于数据管理（Data Management），数据管理更关注的是治理过程，例如数据品质治理、数据规范治理。而数据治理关注的是组织架构、制度、流程这些治理因素的整合和执行。
对于银行来讲，数据管理的内容会有很多方面，而数据治理的内容只有一个。因而数据治理能够了解为是对数据管理的治理。
近些年来，国内多家银行在数据治理畛域也在做一直的摸索，很多大中型银行都启动了数据治理相干的征询我的项目和落地我的项目，然而在这些我的项目实际中也发现，不足成熟的方法论、不足整体的治理框架、不足整体的施行路线图，这些问题往往制约着数据治理工作的发展。
为了确保从数据中获取商业价值，所有与数据和信息相干的治理须要协同运作。这意味着他们将承当独特的责任，以确保正确的数据被传送，并在正确的工夫，以正确的形式，被正确的人员应用
IT 治理。监督选定的技术是否合乎企业的 IT 基础架构，与通过批准的规范的技术和 IT 流程统一。
数据治理。确保了数据是正确的，数据的定义和应用是统一的，BI 治理将确保数据以正确的形式展现，仓库治理和 IT 治理通过确保仓库和 IT 基础架构的有效性来反对数据的正确交付。
数仓治理。领导和管制数据仓库的治理，对 DW 的有效性和效率负责。IT 治理政策（像 IT 反对政策，版本控制等）和数据治理流程（如数据分析和清洁）也应实用于数据仓库，使其高效和无效的。
BI 治理。对商业智能（BI）和业务剖析进行管理控制，负责信息的正确应用和传递。
上图显示了不同的治理类型在 EDW 中的关系，从左到右：
1、右边数据产生，及数据的输出（手工）或数据创立（半自动化 / 主动）。
数据治理：负责建设输出或创立数据的政策、领导准则、规范和规定。
- 产生的数据存储在经营零碎中，反对报表或者被其余操作流程提取。
数据治理：负责在操作型零碎中制订数据拜访和平安政策，以及在定义数据和数据建模时如何利用规范。
IT 治理：负责确保操作型零碎继续可用，用户能够输出数据。
- 数据仓库从不同的独立的源零碎中获取
• 数据治理：负责决定什么数据应该被获取，以及数据获取的频率。
• IT 治理：负责决定数据获取的技术，工具应用的条件以及文件格式，等等。
• 仓库治理：负责确保获取数据时仓库是可用的，以及数据提交（batch,file）的格局，等等。
- 获取的数据存储在数据仓库的数据获取层:
• 数据治理：负责决定数据进行整合之前是否进行数据分析（data profiling），是否额定的管制字段须要退出到数据结构中。
• IT 治理：负责确保 IT 基础架构曾经建设(数据传输的网络，仓库服务器）。
• 仓库治理：负责决定多少历史数据必须加载，哪些数据能够归档。
- 获取的源数据通过转换进入到数据整合层，数据整合层提供一个整合的数据视图而不管数据的起源，整合层具备范式化的数据结构来反对数据在企业方位内能够重用。
• 数据治理：定义元数据管理政策，确保数据具备业务含意。
• IT 治理：规范的数据建模工具。
• 仓库治理：负责确保 DW 容量布局合乎未来新的数据导入须要。
- 范式化和集成的数据须要在拜访层被“非范式化”，使得数据可能指标业务用户拜访：
• 数据治理：定义数据拜访政策，即定义什么角色能够拜访哪类数据。
• IT 治理：定义开发拜访层组件的 IT 版本控制策略。
• 仓库治理：定义和监控 SLA 协定，确保目前的性能和工作负载治理是最优的。
• BI 治理：制订拜访层业务元数据建设的领导准则和规定。
- 拜访层提供的数据公布到指标零碎（剖析利用和操作，立方体，报表，文件等），使信息生产。
- 对存储在指标零碎的数据作进一步的剖析或决策（业务用户或分析师）。
因而，数据治理是一个跨零碎、跨业务部门和技术部门的系统工程，同时作为企业高阶的布局，数据治理的布局通常是在企业倒退策略高层次的布局指引下，联合 IT 治理布局进行。
数据认责概念
那么，谁对数据负责呢，有人会说：“不是 IT 负责吗？”。然而通常 IT 对此没有太大的帮忙，除非他们具备以下的业务知识：
• 可能解释在业务应用环境中须要的信息和可能用到的数据。
• 辨认受净化数据的本源和其余数据问题的本源
• 解决数据问题
• 从其余数据拆散出洁净的数据，等等
IT 是负责零碎和基础设施的，对数据认责的人员应该来自于业务部门，因为他们是零碎的应用人员，晓得什么是最好的数据。Gartner 在 2008 年的一份报告中指出：“以晋升数据品质为己任的企业必须要指派数据管理人员。数据认责若要胜利，企业文化必须转变，数据应视为竞争性资产而非不得已而为之的伎俩。”
数据认责的次要外延是确定数据治理工作的相干各方的责任和关系，包含数据治理过程中的决策、执行、解释、汇报、协调等流动的参与方和负责方，以及各方承当的角色和职责等。
• 数据认责实用于所有参加其中的人员，如：治理和晋升数据品质的数据专家，当录入数据时须要理解数据政策和规定的业务用户，当数据变更或规定变更时须要知情的数据消费者，正在进行数据开发我的项目须要分明数据管理规范，指导方针，工具和流程的我的项目组成员。
• 认责制能够避免事件“遭疏忽而产生缺点 / 失败”，这常常存在于企业的责任认定中。
• 认责制并不一定都在企业的高层人员，而是定位在最适当的程度，只有这个人员可能对这项工作担负起责任。
数据认责要达到的指标
• 造成由数据治理负责部门牵头的，全员参加的被动认责文化，器重问题的沟通，可能被动分析和疾速响应呈现的认责问题；
• 建设全行对立的认责流程，认责流程治理继续优化；
• 细化和落实各类数据认责流程、治理方法，并胜利地将数据认责纳入企业绩效考核体系当中；
• 执行基于数据域的数据认责模式，数据域的划分清晰且正当，理清各部门、各小组以及各参加人所承当的角色职责，在全行推广数据认责。
下图显示了一个数据问题治理流程，在这个流程中咱们能够看到数据认责的四个次要的角色：
• 数据使用者
须要了解数据规范、数据制度和规定，恪守和执行数据治理相干的流程，依据数据的相干要求应用数据，并提出数据品质问题。
• 数据所有者
对数据资产负责，同时对数据管理的政策、规范、规定、流程负责，提供数据的业务需要，调配数据的使用权，解释数据的业务规定和含意，执行对于数据分类、访问控制和数据管理的最终决策。
• 数据提供者
负责按相干的数据规范、数据制度和规定、业务操作流程的要求生产数据，并对生产数据的品质负责。
• 数据管理者
负责落实数据需要，对数据施行治理，保证数据的完整性、准确性、一致性和隐衷，负责数据的日常治理与保护。