什么是数据治理

❶ 数据治理的定义，有谁知道

数据治理就是在明确责任的前提下，发挥数据的有效性和提升业务价值而采用的一系列业务、技术和管理相结合的活动。

❷ 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？

❸ 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。

❹ 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：数据管理是做关于数据架构、数据建模、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。

❺ 数据治理包含哪些内容数据治理有标准吗

比起层出不穷的分析工具，分析思维才是数据分析师的核心。作为一名导师，希望帮每一位入门学员认识到该领域的核心竞争力是什么。不要一头扎进代码的世界。

❻ 数据治理三个阶段是什么

数据治理分为四个阶段：

第一阶段，梳理企业信息，构建企业的数据资产库。首先要清楚企业的数据模型、数据关系，对企业资产形成业务视图、技术视图等针对不同用户视角的展示。

第二阶段，建立管理流程，落地数据标准，提升数据质量。从企业角度梳理质量问题，紧抓标准落地。

第三阶段，直接为用户提供价值。本阶段依赖于前两个阶段的建设，为用户提供方便的获取数据的途径。

第四阶段，为企业提供数据价值。通过多种手段对多种来源的数据进行分析，形成企业知识图谱，体现数据的深层价值。

通过这4个阶段的建设，建立起全企业的数据质量管控平台，以用户为中心，由用户使用数据并通过用户的使用优化数据质量，既达到了数据治理的目标，也最大限度的发挥了数据的价值。

数据治理方案：

有关数据治理的问题并不能在企业的单一部门得到解决。这需要IT与业务部门进行协作，而且必须始终如一地进行协作，以改善数据的可靠性和质量，从而为关键业务方案提供支持，并确保遵守法规。

Informatica能够提供企业级数据治理解决方案，该解决方案可以在本地或云中使用，在传统数据或大数据中均有使用案例，可以满足业务和IT部门的需求。

Informatica可提供功能齐全而又稳健可靠的数据治理解决方案，具备交付可信、安全的数据和启动成功的元数据管理方案所需的全部精确功能。

Informatica Axon提供端到端智能数据治理解决方案，以整体、协作的方法将员工、流程和系统流畅融合，从而实现战略业务成果。Axon Data Governance作为协作中心，为成功实施数据治理计划提供支持。

❼ 数据治理包括哪些方面

从技术实施角度看，数据治理包含“理”“采”“存”“管”“用”这五个步骤，即业务和数据资源梳理、数据采集清洗、数据库设计和存储、数据管理、数据使用。

数据资源梳理：数据治理的第一个步骤是从业务的视角厘清组织的数据资源环境和数据资源清单，包含组织机构、业务事项、信息系统，以及以数据库、网页、文件和 API 接口形式存在的数据项资源，本步骤的输出物为分门别类的数据资源清单。

数据采集清洗：通过可视化的 ETL 工具（例如阿里的 DataX，Pentaho Data Integration）将数据从来源端经过抽取 (extract)、转换 (transform)、加载 (load) 至目的端的过程，目的是将散落和零乱的数据集中存储起来。

基础库主题库建设：一般情况下，可以将数据分为基础数据、业务主题数据和分析数据。基础数据一般指的是核心实体数据，或称主数据，例如智慧城市中的人口、法人、地理信息、信用、电子证照等数据。主题数据一般指的是某个业务主题数据，例如市场监督管理局的食品监管、质量监督检查、企业综合监管等数据。而分析数据指的是基于业务主题数据综合分析而得的分析结果数据，例如市场监督管理局的企业综合评价、产业区域分布、高危企业分布等。那么基础库和主题库的建设就是在对业务理解的基础上，基于易存储、易管理、易使用的原则抽像数据存储结构，说白了，就是基于一定的原则设计数据库表结构，然后再根据数据资源清单设计数据采集清洗流程，将整洁干净的数据存储到数据库或数据仓库中。

元数据管理：元数据管理是对基础库和主题库中的数据项属性的管理，同时，将数据项的业务含义与数据项进行了关联，便于业务人员也能够理解数据库中的数据字段含义，并且，元数据是后面提到的自动化数据共享、数据交换和商业智能（BI）的基础。需要注意的是，元数据管理一般是对基础库和主题库中（即核心数据资产）的数据项属性的管理，而数据资源清单是对各类数据来源的数据项的管理。

血缘追踪：数据被业务场景使用时，发现数据错误，数据治理团队需要快速定位数据来源，修复数据错误。那么数据治理团队需要知道业务团队的数据来自于哪个核心库，核心库的数据又来自于哪个数据源头。我们的实践是在元数据和数据资源清单之间建立关联关系，且业务团队使用的数据项由元数据组合配置而来，这样，就建立了数据使用场景与数据源头之间的血缘关系。 数据资源目录：数据资源目录一般应用于数据共享的场景，例如政府部门之间的数据共享，数据资源目录是基于业务场景和行业规范而创建，同时依托于元数据和基础库主题而实现自动化的数据申请和使用。

质量管理：数据价值的成功发掘必须依托于高质量的数据，唯有准确、完整、一致的数据才有使用价值。因此，需要从多维度来分析数据的质量，例如：偏移量、非空检查、值域检查、规范性检查、重复性检查、关联关系检查、离群值检查、波动检查等等。需要注意的是，优秀的数据质量模型的设计必须依赖于对业务的深刻理解，在技术上也推荐使用大数据相关技术来保障检测性能和降低对业务系统的性能影响，例如 Hadoop，MapRece，HBase 等。

商业智能（BI）：数据治理的目的是使用，对于一个大型的数据仓库来说，数据使用的场景和需求是多变的，那么可以使用 BI 类的产品快速获取需要的数据，并分析形成报表，像派可数据就属于专业的BI厂商。

数据共享交换：数据共享包括组织内部和组织之间的数据共享，共享方式也分为库表、文件和 API 接口三种共享方式，库表共享比较直接粗暴，文件共享方式通过 ETL 工具做一个反向的数据交换也就可以实现。我们比较推荐的是 API 接口共享方式，在这种方式下，能够让中心数据仓库保留数据所有权，把数据使用权通过 API 接口的形式进行了转移。API 接口共享可以使用 API 网关实现，常见的功能是自动化的接口生成、申请审核、限流、限并发、多用户隔离、调用统计、调用审计、黑白名单、调用监控、质量监控等等。

❽ 什么是数据安全治理

数据治理是数据高效安全利用持续改进的一套管理机制和技术辅助工具有机结合的体系，其中包含数据管理的组织架构、数据管理模型、政策和体系，涉及数据标准要求、数据质量要求、数据影响度分析、工作流程、监督考核和辅助的技术工具等一系列体系性内容；数据治理涉及的技术主题包括元数据的定义和管理、数据质量的标准和检验、数据集成约定、主数据定义与管理、数据资产的明确与管理、数据交换范围和规则、数据生命周期和数据安全的关联性配套等多种技术和产品组成的体系化技术措施。
通过数据治理，能够规范化业务系统中的数据，有利于充分利用和挖掘数据的价值，进一步促进业务的发展和精细化管理，实现和保障数字化转型，体现经济价值和社会价值。
严格来说，数据治理包含数据安全治理，数据安全属于数据治理的一项重要内容，数据安全治理是数据治理的一个过程。

❾ 数据治理的价值体系包括哪些方面

数据治理的价值体系包括：

·对数据的共同理解——数据治理为数据提供了一致的视图和通用术语，同时各个业务部门保留了适当的灵活性。

·提高数据质量——数据治理创建了一个确保数据准确性、完整性和一致性的计划。

·数据地图——数据治理提供了一种高级能力，可以了解与关键实体相关的所有数据的位置，这是数据集成所必需的。就像GPS 可以代表物理景观并帮助人们在未知景观中找到方向一样，数据治理使数据资产变得可用并且更容易与业务成果联系起来。

·每个客户和其他业务实体的360 度视图——数据治理建立了一个框架，以便企业可以就关键业务实体的“单一版本真相”达成一致，并在实体和业务活动之间创建适当的一致性级别。

·一致的合规性— 数据治理提供了一个平台来满足政府法规的要求，例如欧盟通用数据保护条例 (GDPR)、美国 HIPAA（健康保险流通与责任法案）和行业要求，例如 PCI DSS（支付卡行业数据安全标准）。

·改进数据管理——数据治理将人的维度带入高度自动化、数据驱动的世界。它建立了数据管理的行为准则和最佳实践，确保传统数据和技术领域（包括法律、安全和合规等领域）以外的问题和需求得到一致解决。

❿ 数据治理顾问是做什么的

就是企业的管理顾问。如果企业有什么发展，找不到发展方向，提出对策建议。企业运行中遇到难题。企业发展遭遇瓶颈。企业大的项目建设。