岁末年初，一般是各家公司进行复盘与梳理的重要时期。在此期间，企业通常会回顾过去一年的运营情况，总结经验教训，同时规划新一年的发展方向，这也是很多“新年茶话会”的灵魂议题。但如果把这样的场面进行乾坤大挪移，搬到数据治理领域，结果会发生什么？

　　设想一下，如果是一群深耕数据开发或者是数据架构的专业人士“围炉共话”，猜猜他们会说些什么？是如何摆平复杂的数据架构？数据分布？数据流？数据模型……确实，这些都是数据治理必须要攻克的难题！

　　但在分享各种实操经验之前，大佬们通常会先送你一个忠告：若非必要，能不做数据治理就不要做，也就是我们常说的“躺平”！

　　What？外行人听到这句话后，会惊呼：原来呼兰的“承重墙”段子梗无处不在呀！但圈内人士听到这个说法，会把头晃成鸡啄米状，表示深度赞同。数据治理被称为是“下水道工程”，做不好挨骂还不说，很可能会导致自己卷铺盖卷走人。

　　为什么要做数据治理？

　　既然数据治理是个“烂摊子”，那么为什么很多人还在周而复始地做数据治理？原因有很多，大概可以归为3类：

　　1.信创

　　所谓“信创”，是指信息技术自主可控，让核心的关键业务系统掌握在自己的手中。而关键业务系统之所以重要，是因为承载着大量重要数据。从这个角度来说，数据是信创发展的基石，而要想确保数据的准确性、一致性、完整性和安全性，则需要做充分的数据治理。本质上，不管是数据精细化管理，还是数据可视化管理，都是在确保数据安全的前提下进行模式、趋势和规律的研究，以提高数据的利用率和价值。

　　可以说，在大型央国企发展过程中，推动信创一体化建设是“刚需”，不能有半点马虎。为了提升数字化水平，进一步提升管理效能，必须解决之前数据分散、整合困难、信息传递不畅、决策依据不充分、缺乏统一管理平台等难点问题。此种背景下，以数据互通共享、智能数据分析与应用为主要目标的数据治理，成为信创过程中的重要工作。

　　2.降本

　　央国企是信创推动，不做数据治理不行。而对于大多数非央国企而言，如果不是成本问题居高不下，可能没人主动去做“数据治理”。大多数情况是，随着企业业务运营压力变大，各个部门都要想办法控制成本。一家知名企业大数据技术总监讲了一个笑话：你以为的HR是管人，实际上的 HR不仅关心团队建设及人员裁撤，还会关心底层技术问题，比如HR会问：你的CPU利用率为什么不是100%，而是60%。

　　不得不说，HR发挥的作用，有时候是正向的，可以推动企业进行数据治理。但有时过于严苛的KPI及绩效考核体系，也会让数据工程师望而生畏。比如：一位前辈吐槽道，公司打算做一个数据平台。到底怎样做？涉及很多技术栈，可能会包括关系型数据库、非关系型数据库，甚至还会有虚拟化技术、数据编织等内容。想不到的是，让人感觉头疼的问题，竟然不是技术有多复杂，而是公司的投入产出比考核，真的没办法评估。

　　3.让数据变现

　　随着大模型时代的到来，数据的重要性日益凸显。大模型要想真正引入业务场景，需要价值密度高、逻辑性强、动态且鲜活的数据去支撑。而好的数据治理，可以让数据变得更干净，从而训练出更好的模型，催生出更好的应用。所以，大模型时代数据治理变得更加重要，是数据能否实现业务价值的关键能力。

　　数据治理：治什么？理什么？

　　显然，数据治理虽然是个“坎儿”，但关键时刻必须得去折腾。问题是，如何避免反复折腾，实现标本兼治的目标？首先，我们得把治理目标搞清楚！

　　数据治理是个大工程，有人形象地比喻为是大禹治水，涉及“修堤建坝河流改道”等复杂工序。具体而言，数据治理是通过一系列过程实现决策权和职责分工的系统，并且这些过程要按照达成共识的模型来执行任务。即谁（Who），在什么时间(When)和情况（Where）下，用什么方法（How），采取什么行动（What）。

　　在现实业务环境下，数据治理可以做得很大，需要通过制定统一的标准、流程和规范来确保数据可用，同时还需要很多专业的技术能力，比如：埋点管理、模型建设、数据质量、资产管理、成本优化、数据血缘、统一权限管理等问题。另外，数据治理也可以做得很小，不用把所有数据都捋一遍，可以从解决某一业务需求角度切入。

　　举一个反面例子：大型央企做数据治理，一般都是大活，翻来翻去折腾完不容易。但做完一个星期后，刚好疫情来了，四年过去后，所有数据都已经改变，之前的工作等于白干。所以，若不是从零开始建设数据平台，就不要随便折腾。做数据治理之前，需要想明白你在干什么，什么应用能直接受益。如果没有目标，做了数据治理也没什么意义，看上去很高大上，实则是技术人员的自嗨！

　　那么，问题又来了，如果是哪个业务部门有需求，或者哪个业务数据出了问题，就集中治理哪个业务，会进入另一个怪圈，那就是“头痛医头，脚痛医脚”，缺乏全局视角。比如：一旦信创工作开启，如果过去没考虑过顶层规划问题，很难有序开展工作。所以，在数据治理过程中，既要满足当下业务需求，也要开启上帝视角，兼顾长远发展。

　　从成本层面切入，关注ROI转化

　　最简单的方式是，我们不妨从ROI转化层面去切入数据治理。以某一大型互联网企业为例，之所以觉得数据治理非做不可，是因为看到了几个重要数据：1）成本增速大于业绩增长；2）成本在总IT成本中占比45%；3）人均拥有数据资产接近70个；4）人均维护数据资产达到600个以上。所以，数据治理的前期目标是，让成本降下来，让人均拥有的应用数降低，减轻维护的压力。

　　之后，这家互联网企业进行了一系列的调整。首先是定策略，实现降存量、治增量、控风险和可运营的目标。以降存量为例，需要对资产确权，明确责任，识别ROI数据，然后通过具体的治理方法，删除无用的表、任务、文件等，同时缩短存储周期，以更廉价的存储方式存储数据。更重要的是，对长期无访问、建模不合理、埋点不合理的情况进行了全面整治，尤其改变了无元数据管理的现象。

　　大体来看，这家企业的核心策略是，抓大放小和去重复。不管是DB入仓、日志入仓，还是实时入仓、文件上传，一定要通过数据强规范的方式管住入口，包括信息规范、资源成本、数据价值、数据质量和数据安全等，都有相应的规范和具体的量化指标。去重复，重点关注的是日志文件与ODS的重复，还有表结构相似度的问题。

　　在重点的血缘关系建立上，需要借助Atlas 数据管理和分析平台构建和维护关系，这些数据可以是表、列、文件、目录等，它们之间的血缘关系可以是数据传输、数据转换、数据衍生等。通过血缘关系，数据的使用者可以了解数据的来源、用途和变化情况，实现数据管理和分析目的。期间，除了Atlas平台的使用，整个数据平台还要有任务ID识别能力，并且通过拦截SQL补充血缘。在血缘关系应用时，给定一个资产，就能找到数据应用；给定一个数据应用，就能找全整个ETL链路。

　　工欲善其事，必先利其器。选择适用的工具是数据治理的一大难题，数据技术栈很大，工具很丰富，但无需赶时髦，全部都拿来为我所用。大多时候，保持简单的数据架构和数据应用，反而能回到最初的美好。

　　其实，在大模型如火如荼的背景下，说服领导进行开展数据治理不难。如今，很多企业都已经有了垂直大模型应用探索，只是还比较初级，可能只是实现了从0到1这样一个产品形态，如何实现从1到100的完整业务覆盖？还需要进一步探索，比如：如何实现字段级别的血缘关系建立？如何从知识图谱的优化去构建更宏观的技术能力？如何通过RAG、Agent这些AI原生的技术手段实现数据治理价值最大化？相信，这些都是数据技术从业者普遍关心的问题！

　　结语：

　　让数据治理告别“下水道工程”，靠“躺平”肯定行不通。如果说，数据治理是一场“修行”，我们可以借助前人的经验，尽量避免采坑。比如，通过One Data第一性原理，我们可以打造以不变应万变的一体化数字底座。另外，我们可以多问自己一些灵魂问题：企业整体的数据分布该怎么做，数据流是什么，如何建立全局可观测的能力等等。同时，并不是所有的能力都靠外部工具和平台解决，我们需要打造自服务的DIY能力，解决提数不方便，用数都要靠IT的现状。总之，方法总比困难多，我们既要躬身入局，同时更要开上帝视角。