DGI是我看到过的最棒的数据治理框架，这是DGI数据治理框架系列的第7篇文章，错过了前面的精彩内容？点击下面链接抓紧补课！

（1）一文详解数据治理的5W1H | DGI数据治理(一)

（2）一文详解数据治理框架图 | DGI数据治理(二)

（3）一文详解数据治理的使命和价值 | DGI数据治理(三)

（4）一文详解数据治理的受益者 | DGI数据治理(四)

（5）一文详解数据治理的成果 | DGI数据治理(五)

（6）一文详解数据治理流程、工具和沟通 | DGI数据治理(六)

本文介绍DGI数据治理框架10个组件的第9个组件－数据治理工作计划（DG Work Program），该组件解决的是数据治理的HOW问题，其在DGI数据治理框架中的位置如下图⑨所示，在框架图的右侧，用黄色突出显示，表明其在整个数据治理框架中的核心地位。

其与"Processes, Tools, Communications"（过程、工具、沟通）组件⑧直接相连，表明工作计划的执行依赖于这些支持性元素。并通过"Program Outputs"（项目输出）与其他组件相连。

1、数据治理工作计划框架

数据治理工作计划是一个综合性框架，用于组织和管理与数据相关的各种活动、流程和项目。它是将数据治理战略转化为可操作任务的关键工具，如下图所示：

（1）数据治理工作计划主要由三层构成

• 数据治理工作计划（最外层矩形）：这是最高层级的组织框架，包含了所有的工作流和活动。它代表了整个数据治理努力的总体规划和结构。

  举例：一个企业的年度数据治理计划，可能包括：

  • 提升数据质量

  • 增强数据安全

  • 优化数据使用效率
    

• 工作流（中间层矩形）：在工作计划内，我们有多个工作流（图中显示了两个）。每个工作流代表了一个特定的数据治理领域或目标，

  举例：在"提升数据质量"这个工作计划下，可能有以下工作流：

  • 客户数据清洗项目

  • 产品数据标准化流程

  • 数据质量监控系统实施

• 活动（最内层矩形）：每个工作流内部包含多个具体的活动。这些活动是实际执行的任务，直接贡献工作流的目标。

  举例：在"客户数据清洗项目"这个工作流中，可能包括以下活动：

  • 数据审计：检查现有客户数据的完整性和准确性

  • 数据清理：删除重复记录，更正错误信息

  • 数据标准化：统一客户地址格式

  • 数据验证：设置数据输入规则，确保新数据符合标准

  • 培训：对相关人员进行数据质量管理培训

（2）数据治理工作计划的层级关系

1. 包含关系：

• 工作计划包含多个工作流

• 每个工作流包含多个活动

层级结构：

• 活动是最基本的执行单元

• 工作流组织和管理相关的活动

• 工作计划协调所有工作流，确保整体一致性

协同作用：

• 活动的成功执行推动工作流目标的实现

• 工作流的有效管理确保工作计划的整体成功

（3）数据治理工作计划的实施意义

• 供了一个结构化的方法来组织和管理数据治理活动。

• 确保数据治理工作覆盖所有关键领域，不遗漏重要方面。

• 通过生命周期管理，保证每个工作流都有清晰的目标和可衡量的成果。

• 将数据治理与组织的整体战略和业务目标对齐。

2、工作流：数据治理的实现机制

工作流是数据治理工作计划的核心组成部分，是实现数据治理目标的实际机制，它们将抽象的数据治理策略转化为可操作的步骤。下图显示了“客户数据质量改善”的工作流，包括10个活动。

（1）工作流的特点

• 连续性：活动之间有明确的连接和流动。

• 顺序性：活动按照逻辑顺序排列，每个活动都基于前一个活动的结果。

• 循环性：最后的评估步骤可以触发新的循环，使得整个过程成为一个持续改进的循环。

• 阶段性：

  可以将这些活动分组为不同阶段，如：

  • 评估阶段（步骤1-3）

  • 计划阶段（步骤4）

  • 执行阶段（步骤5-8）

  • 监控和改进阶段（步骤9-10）

• 决策点：在某些步骤之后可能有决策点，例如：

  • 步骤3之后：决定是否需要大规模的数据清理

  • 步骤7之后：评估是否需要额外的培训

• 反馈循环：例如，从步骤9（持续监控）可能会发现新问题，导致回到步骤3（问题识别）。

• 里程碑：可以在关键点设置里程碑，如数据清理完成、新规则实施等。

• 资源分配：每个步骤都可能需要不同的资源和技能，工作流有助于规划这些资源。

• 时间框架：可以为每个步骤或阶段设定时间框架，帮助管理整个流程的进度。

（2）工作流的关键要素

• 焦点（Focus）：

  • 定义：工作流的核心目标或主要关注点。

  • 重要性：确保所有活动都围绕一个明确的目的展开。

  • 示例：在客户数据质量改善工作流中，焦点可能是"提高客户数据的准确性和完整性"。

• 范围（Scope）：

  • 定义：工作流涵盖的具体领域和边界。

  • 重要性：明确什么在工作流内，什么在工作流外，避免范围蔓延。

  • 示例：可能包括"所有活跃客户的联系信息和购买历史"，但不包括已失活的客户数据。

• 目标（Goals）：

  • 定义：工作流希望达成的具体、可衡量的成果，比如SMART目标。

  • 重要性：提供清晰的成功标准，指导整个过程。

  • 示例："在6个月内将客户数据错误率从8%降低到2%"。

• 指标（Metrics）：

  • 定义：用于衡量进展和成功的具体标准。

  • 重要性：提供客观的评估方法，帮助跟踪和报告进度。

  • 示例：数据准确率、完整性百分比、重复记录数量等。

• 资金（Funding）：

  • 定义：支持工作流执行所需的财务资源。

  • 重要性：确保有足够的资源来执行计划的活动。

  • 示例：可能包括软件购买费用、培训成本、额外人力资源的薪酬等。

这些关键元素共同构成了工作流的基础框架，它们相互关联，共同确保工作流的有效性和可执行性：

• 焦点为整个工作流提供方向。

• 范围界定了工作的边界。

• 目标给出了具体的成功标准。

• 指标提供了衡量进展的工具。

• 资金确保了必要资源的可用性。

3、数据治理聚焦的主要活动领域

数据治理涉及的主要活动领域包括多个方面，每个领域都对整体数据管理战略至关重要。让我详细解释这些领域：

（1）数据使用（Data Usage）

定义：关注如何有效且合规地使用组织的数据资产。

活动

• 制定数据使用政策和指南

• 监控数据访问和使用模式

• 确保数据使用符合法律和道德标准

重要性：确保数据被正确使用，最大化其价值，同时最小化风险。

（2）策略（Strategy）

定义：制定和实施组织的整体数据战略。

活动

• 制定数据治理愿景和目标

• 设计数据治理框架

• 确保数据策略与业务目标对齐

重要性：为所有数据相关活动提供方向和目的。

（3）数据科学（Data Science）

定义：利用高级分析和机器学习技术从数据中提取洞察。

活动

• 建立数据科学项目管理流程

• 确保数据科学实践的伦理和合规性

• 促进数据科学成果的有效应用

重要性：最大化数据的分析价值，支持决策制定。

（4）数据管理（Data Management）

定义：管理数据的整个生命周期。

活动

• 数据建模和架构设计

• 元数据管理

• 数据存储和保留策略实施

重要性：确保数据的有效组织、存储和维护。

（5）风险管理（Risk Management）

定义：识别、评估和缓解与数据相关的风险。

活动

• 数据风险评估

• 实施数据安全措施

• 制定数据灾难恢复计划

重要性：保护组织免受数据相关威胁和违规的影响。

（6）产品管理（Product Management）

定义：管理基于数据的产品和服务。

活动

• 定义数据产品路线图

• 确保数据产品质量

• 管理数据产品生命周期

重要性：确保数据驱动的产品和服务满足用户需求并创造价值。

（7）合规性（Compliance）

定义：确保组织的数据实践符合法律和行业标准。

活动

• 监控和实施数据保护法规（如GDPR、CCPA）

• 进行定期合规审计

• 培训员工了解合规要求

重要性：避免法律风险和罚款，维护组织声誉。

（8）政策/标准（Policy/Standards）

定义：制定和实施数据管理的规则和标准。

活动

• 创建数据质量标准

• 制定数据命名和分类政策

• 建立数据处理流程标准

重要性：确保整个组织的数据实践一致性和质量。

（9）访问/共享（Access/Sharing）

定义：管理数据的访问权限和共享流程。

活动

• 实施数据访问控制策略

• 建立安全的数据共享机制

• 监控数据访问和共享活动

重要性：平衡数据可用性和安全性，促进协作同时保护敏感信息。

（10）适用性（Fitness for Use）

定义：确保数据适合其预期用途。

活动

• 评估数据质量和相关性

• 实施数据清洗和增强流程

• 收集和响应用户反馈

重要性：确保数据能够有效支持业务决策和操作。

（11）定义（Definitions）

定义：建立和维护一致的数据定义和术语。

活动

• 创建和维护数据字典

• 标准化业务术语

• 解决跨部门的数据定义冲突

重要性：确保整个组织对数据有一致的理解，减少误解和错误。

这些活动领域相互关联，共同构成了全面的数据治理框架。每个领域都为组织的数据资产管理贡献了重要价值，从而确保数据能够安全、有效、合规地支持业务目标。成功的数据治理需要在这些领域之间取得平衡，并根据组织的具体需求和优先级进行调整。

4、价值陈述：让所有人理解数据治理的重要性

在推动数据治理工作时，我们常常会遇到这样的问题："为什么要做数据治理？它能带来什么价值？"这时，一个清晰的价值陈述就显得尤为重要。

我们可以使用这样一个模板来创建价值陈述：

"因为数据治理打算做A，我们预计将交付B [输出]，为受益者带来C [影响]；否则，他们面临D的风险，结果将是E。"

例如：

"因为数据质量管理工作流打算实施自动化数据验证，我们预计将提供每周数据质量报告，为业务部门带来更可靠的决策支持；否则，他们面临使用不准确数据做出错误决策的风险，结果可能导致市场份额损失和客户满意度下降。"

这样的价值陈述能够清晰地表达数据治理工作的必要性和预期成果，有助于获得各方的支持。

结语

在数据驱动的时代，有效的数据治理已经成为企业成功的关键因素之一。通过制定并执行数据治理工作计划，企业可以将复杂的数据管理工作转化为可操作、可衡量的具体活动，从而最大化数据的价值，为企业的持续发展提供有力支持。

下一篇，我将介绍DGI数据治理框架10个组件的最后一个组件-数据治理组织架构。敬请期待！

数据治理与数据资产管理平台方案 1976

一文详解数据治理框架图 | DGI数据治理（二） 1626

国家统计局刚刚公布：数据造假纳入纪律处分......2482

读透数据治理：DGI框架全解（第一章） 1984

数据治理核心工作内容 2975

数据管理关键技术顶层设计 2050

上海市数据局揭牌成立 4233

查看全部文章

点击左下角“阅读原文”查看更多精彩文章，公众号推送规则变了，如果您想及时收到推送，麻烦右下角点个在看或者把本号置顶！