01 数据治理体系

数据治理体系内容从两个维度来看：

1）数据治理难点痛点：数据脉络不清晰、数据汇聚能力不足、数据管控能力薄弱、数据治理体系不完善、开放形式不完善。

2）数据治理5个核心：理、聚、管、治、用。

数据治理体系主要包含内容有数据标准、元数据、数据建模、数据集成、数据生命周期、数据质量、数据开放、数据安全及数据应用。

详见：数据治理体系建设与数据资产路线图规划

02 元数据

2.1、元数据解决的问题

有什么数据 - 数据是什么 - 来自何处 - 如何流转 - 谁可以访问

其本质也是一种数据，，开展元数据管理工作是开展数据资产管理的基础。

2.2、元数据分类

业务元数据：描述数据系统中业务领域相关概念、关系和规则的数据；包括业务术语、信息分类、指标、统计口径等。（从业务角度描述的）

技术元数据：描述数据系统中技术领域相关的概念、关系和规则的数据；包括数据平台内对象和数据结构的定义、源数据到目的数据的映射、数据转换加工过程的描述等。

管理元数据：描述数据系统中管理领域相关概念、关系、规则的数据；主要包括人员角色、岗位职责、管理流程等信息。

2.3、元数据模型成熟度

1、第一阶段：需要手动管理元数据，即在数据治理流程外需要额外增加的步骤。

2、第二阶段：在数据探查阶段自动生成元数据。

3、第三阶段：自动构建数据流转元数据。

2.4、元数据建设目标和管理手段

详见：元数据管理—企业数据治理的基础

2.5元数据管理

元数据管理方法：

 

元数据管理能力：

03 数据标准

常见的数据标准包含基础数据标准和指标数据标准。

主要构成：业务定义+管理信息+技术属性

数据标准包含内容包括：主题&分类+标注属性+标准代码

3.2.2、数据标准类型（举例）

不同行业的标准不同，这里仅是举例说明。

如：性别、身份证、金额、手机号码、行业、级别的分级分类的代码等

3.3、数据标准管理体系涉及思路

数据标准来源于业务，服务于业务。

依据已有标准进行建设

基础类数据标准：业务化视角

指标类数据标准：从管理角度出发

数据标准的制定是一个以业务管理为主导、外部要求为依据、企业现状为基础的兼容过程。

3.4、数据标准架构体系

通过统一标准和架构规范，统一指标、统一术语、统一模型、统一信息项，解决数据口径解释不清晰、业务和数据理解不一致等问题，实现数据在架构层面的统一

但并非所有基础类数据都要建立标准，纳入标准的数据项需要满足共享性、重要性和可行性的准入原则。

3.5、管理类数据标准建设原则

定义：分析类数据标准的业务含义和所适用的业务场景保持一致。

口径：分析类数据标准的业务取值范围、计算方法和编码规则等业务规则保持一直。

名称：分析类数据标准中文名称和英文名称均采用统一命名规则，表示相同业务含义的信息项名称应保持一直。

参照：各分析类数据标准项标准化时参考的外部标准（包括国际标准、国家标准和行业标准），内部业务制度和业务规范应保持一致。

来源：每个分析类数据标准都应有权威的来源系统；其他系统使用该信息时应直接取用权威系统结果，以保持一致。

以下为某企业数据标准体系框架示例，分为基础类数据标准和管理类数据标准

3.6、数据标准生命周期管理

详见：数据治理：数据标准管理的内容和实践！

04 数据建模

4.1、概念

企业级数据模型建设方法：从全局入手，涉及标准化数据模型，构建统一的数据模型管控体系，丰富和完善数据实体相关属性信息，梳理数据实体之间的逻辑关系，最终形成不同主题域数据模型。

4.2、数据模型分类

4.3、数据模型生命周期

4.4、案例

详见：8000字，详解数据建模的方法、模型、规范和工具！

05 数据集成

5.1、概念

数据集成：主要是指基于企业分散的信息系统的业务数据进行再集中、再统一管理的过程，是一个渐进的过程，主要有新的、不同的数据产生，就不断有数据集成的步骤和方案执行。数据集成是把不同来源、格式、特点性质的数据在逻辑上或物理上有机的集中，从而为企业数据共享提供基础支撑。

5.2、数据集成整体架构

详见：数据治理：数据集成的关键技术

06 数据生命周期

6.1、阶段划分

按照两个大的阶段来划分：数据治理规划阶段+数据生命周期管理阶段

数据治理规划阶段：

• 业务规划定义阶段：业务规划、业务标准设计

• 应用设计实现阶段：数据模型设计、应用标准设计、应用设计实现、数据录入

数据生命周期管理阶段：

• 数据创建：利用数据模型保证数据完整、执行数据标准保证数据准确、加入数据质量检查创建准确、保证数据在合理的系统生成；

• 数据使用：利用元数据监控数据使用、利用数据标准保证数据准确、利用数据质量检查加工准确、确保数据在合理的系统使用、控制数据的派生；

• 数据归档：利用评估手段保证归档时机、分数据类型规档数据；

• 数据销毁：利用评估手段保证数据销毁时机，分数据类型销毁数据。

要求：

• 满足对历史数据查询相关政策和管理制度的要求

• 满足业务操作和管理分析的需要

• 满足审计管理要求

• 减少数据冗余，提高数据一致性

• 存储、硬件、运维等方面基础设施投入

• 提升应用系统性能，提高响应速度

6.2、管理要求和手段

6.3、管理规范和管理办法

07 数据质量

7.1、数据质量管理目标

1. 根据数据消费者的需求，开发一种满足数据质量要求的管理方法
2. 定义数据质量控制的标准和规范，并作文整个数据生命周期的一部分
3. 定义和事实测量、监控和报告数据质量水平的过程
4. 根据数据消费者要求，通过改变流程和系统，以及参与可显著改善数据质量的活动，识别和倡导提高数据质量的机会

7.2、生命周期

• 计划阶段：数据质量团队评估已知的问题范围、影响和优先级，并评估解决这些问题的备选方案。
• 执行计划：数据质量团队负责努力解决引起问题的根本原因，并做出对持续监控数据的计划（技术问题、流程问题）。
• 检查阶段：这一阶段包括积极监控按要求评测的数据质量。
• 处理阶段：处理和解决新出现的数据质量问题的活动。

7.3、数据质量维度

详见：数据质量管理之根因分析！

7.4、数据质量常用工具

08 数据开发

围绕数据价值通道（数据资产 -> 数据服务 -> 业务应用）来设计数据开发的全流程管理，推动数据价值的释放。

8.1、数据资产

数据资产的应用实现方式，打通基础数据链条，实现联通协同，提升数据价值

数据资产生命周期：注册、变更、监控、下线

详见：数据管理、数据治理、数据资产管理，到底有何不同？

8.2、数据服务

数据服务技术架构:

详见：为什么说 数据服务是数据中台的标配？

09 数据安全

数据安全体系包含：数据安全技术体系+安全管理体系+安全运营体系

详见：数据安全治理体系建设思路和方法

10 ETL

10.1、含义

10.2、ETL模式

触发器模式：

增量字段模式：

全量同步模式：

日志对比模式：

不同模式的对比：

详见：ETL与数仓建模！

10.3、离线和实时

实时数据：

离线数据：

使用场景：

详见：实时数仓VS离线数仓