数据治理8种方法

1. 数据治理8种方法

 顾名思义，顶层设计法就是先做一个数据治理顶层设计的规划，然后按照规划执行即可。
   做过咨询的彭友都知道，顶层设计、战略咨询都会根据战略目标拆解KPI，然后设立对应的支撑项目，并且根据优先级别进行排序，最后形成一个执行的路径。
   今年做什么，明年做什么，先做啥，后做啥，都规划的清清楚楚明明白白。
   之后就按图索骥就行。大致的逻辑就像下图一样：
                                           这样的好处很明显，先有面，再有线，最后是各个点状的项目，一点点的落实，效果自然没的说。
   但是这样的方案是非常非常奢侈的，因为这种方案见效慢，对组织的要求非常非常高。耐得住性子的组织很少，通常都要快速见效。
   基本上也只有一些政府单位和极少数的企业使用这种方式获得了数据治理的成功。
   02****技术推动法****   有敏感的朋友已经察觉出来了，这里叫“技术推动法”，而不是技术引领啥的。
   其实这种方法是绝大多数企业采用的数据治理方法。要说原因么，其实很简单，因为数据治理项目大多是在信息部门立项和实施的。
   既然是技术部门的事儿，那当然是技术部门推动了。讲真，我见过太多类似的事情，很少有效果很好的。
   《华为数据之道》里说要“业务主导”，话是真没错，但几乎没有做到的。原因很简单，屁股决定脑袋。业务负责人的主责主业是搞业务，根本不会野不可能要主动做数据治理的事情。
   技术驱动的套路没啥说的，就是针对数据问题，从技术层面进行解决。套路就是信息系统建设的逻辑，立个项，做调研，各种概要设计、详细设计，各种开发、集成、测试、部署，然后验收。
                                            效果么，一般吧。因为大多是问题导向，频繁“打补丁”式的建设。到最后往往就是各种爆炸，报表爆炸，指标爆炸，数据问题爆炸。 
   然后开始上指标系统、数据质量系统，一个补丁贴一个补丁，到最后谁都不敢动了。
   归根结底，就是因为数据的问题是一个系统性的，技术层面的原因只是其中之一而已。造成这种现象的原因就是业务参与度不够。
   在企业，谁挣钱，谁的话语权就大。业务自然是利润中心，而技术一般都是成本中心。纯让技术去推动数据治理，就像是让儿子督促爸爸戒烟一样不靠谱。
   03****应用牵引法****
   如果说技术推动是小孩推车，那么应用牵引则是壮牛拉车得心应手啊。有应用在前面牵引，后面的各种事情就显得非常自然。
   很多企业建数据体系都喜欢先弄一个大屏不是没有道理的。因为没有“用”的东西是没有价值的。
   大屏虽然用户比较单一，实用价值比较低，但毕竟还是有使用场景的，比单纯没有使用场景的纯技术开发建设强的不是一星半点。
                                           以数据应用为牵引，反向要求各链路的数据高质量供给，促进数据治理体系的建设，也是一个很好的选择。
   但是这种方式做数据治理，始终还是会陷入到片面、局部胜利的结果。有应用的地方，数据质量就能得到治理，没有应用的数据质量就没人管了。
   04****标准先行法****
   讲真，标准现行法的真实案例我只遇到过极少数的几个
   甲方在建业务系统的时候，把数据标准和业务系统绑定起来。所以他们在做信息化建设的时候，就已经把所有的数据标准都已经建立好了。
   我过去的时候，发现数据治理真的就这么简单，完完全全就是一个纯技术活儿，不用考虑人的因素。
   所有表都是按照统一的数据模型建设的，所有字段中的键值都在最新发布的数据字典里，甚至为某个“主数据”单独建了一套管理系统。
   我过去就是按照标书里的要求，建库建表，开发ETL，把数据收上来，然后整个规则引擎，按照配置结果，自动计算数据质量，定期出数据质量报告。
                                           其实为什么有那么多的数据质量问题？很简单，没有标准。没有标准就没有对错，自然就会乱到一塌糊涂！
   标准有了，就能确定什么是对的，什么是错的。后面的执行、监测和控制就有了依据，数据质量才有保障。
   05 监管驱动法 
   这个好理解，就是 强监管 。
   强监管通常是上级单位发政策，下级单位执行。而且做不好，还会有惩罚。
   银行、保险等强监管的行业就是跟着政策走的。不好好做数据治理，不按照EAST、1104的要求报送数据，罚单马上就来。
   不要想着随便糊弄，有本事就造全套的假数据，假的跟真的一样的那种，表间勾稽关系无误，各个维度都找不到破绽的那种。
   当然了，在企业内部其实也可以执行这种强监管的模式，但这需要“ 特权 ”。这个前提通常很难达到。
   有种取巧的方法，就是 贯标 。比如现在国家在推的DCMM贯标。
   贯标有一个特别的好处，就是把“贯标评级”列到组织年度目标中，这样就能在企业内部形成一个巨大的“ 势能 ”，形成强监管的态势。
   当我们把“ DCMM贯标 ”这根大棒挥舞起来， 自然比某个部门或者某几个部门推动数据治理强太多了。
   我们给某企业做DCMM贯标的时候，发现技术部门早就制定并颁发了数据安全的制度、流程。但是跟大多数企业一样，发完之后就成一纸空文了。业务觉得安全管控太费事了，压根就不执行。
   现在不一样了，技术部门借着“贯标”的理由，要求业务贯彻执行之前发布的制度和流程。业务虽然不情不愿，但是贯标是企业级目标，大家不得不做，也就 半推半就的推行起来 了。
                                           其实说到底，监管驱动法，就是在借势，借上级政策要求的势，借国家标准的势。用大势推动原本推不动的部门，疏通原本阻力大的流程。
   06****质量控制法****
   质量控制法其实是没有办法，也算是数据管理早期的雏形。因为说起来，数据管理理论体系往前追溯，其实是来 自于质量管理体系 。
   ISO9000（质量管理标准体系）、TQM（全面质量管理体系）、CMMI（能力成熟度集成模型，不只是软件哦！），都属于通用管理体系。
   ISO9000后发展出ISO8000（数据质量管理标准体系），TQM延展出TDQM（全面数据质量管理体系）。而CMMI协会也在2014年推出了DMM（企业数据管理能力成熟度模型）。这是数据领域质量管理体系。
   中国则参考CMMI等一众数据管理体系，在2018年正式发布数据管理成熟度评估模型（DCMM）国家标准，这是后话了。
   与其他行业情况一样，质量是绕不过去的关。不管是做业务的，还是搞技术的，相信各位彭友没少 为数据质量的问题挠头 。质量有问题，数据就没法用，甚至会影响错误决策。
   于是，迫于各种数据质量问题，企业内外部才认真对待，逐步解决数据质量问题。
                                           数据质量管控很明显，是问题导向。但是也不能头疼医头脚疼医脚，还得有个方法论。
   一般来说得有一个具体的 需求 ，包括数据质量管控目标、评估标准、判定规则等等。
   然后再以阶段性的目标和需求出发，从 事前防范 、 事中监控 、 事后核查 三方面进行质量管控，对各类数据问题予以解决。
   在解决的时候，一般会立一个数据质量改进的 专项 ，从技术、流程、制度、机制等层面进行 改进 ，定期开展 评估 ，对数据质量问题及解决办法建立 知识库 ，便于之后遇到类似问题能快速定位和解决。
   在这个过程中，以数据质量问题为 牵引 ，综合使用元数据、主数据、数据标准、制度规范等各类 手段 ， “建”以致用 ，自然就不会出现用不起来的情况了。
   07****利益驱动法****
   利益驱动法其实也很有意思。这是我偷偷观察并总结的招，而且这招貌似特别好用。
   其实说白了，也没啥，就是一招：以 利益共享 为根本，以 “成就” 为导向，建立一个符合 部分核心人员****利益 的目标，然后推一下就行了。
   具体的操作手法有很多，比如成功案例法、合作致胜法、评奖法、出书法、会议法等，还有互联网企业保命大法“开源法”。
                                           08****项目建设法****
   这个很容易理解，就是弄个数据治理项目，慢慢建设。
   其实数据治理这件事情开展到现在，也已经形成了一整套非常完善的流程了，相关产品能力也已经非常全面了。
   我之前参与的项目，基本上覆盖了数据全流程，什么数据咨询、数据采集、共享交换、数仓、数据标准、元数据、主数据、数据质量、数据可视化、数据分析等等。
   目前效果比较好的，是咨询和实施结合起来做。
   做个咨询，对数据现状进行盘点，全面掌握企业未来的战略和目前的现状，然后根据数据管理体系，做出差距分析，拟定具体执行的工作任务，根据时间进度安排，拆解并规划项目。
                                           然后在实施项目中，先穿透一个场景，再慢慢从纵深和横向两个层面不断扩大战果，建元数据、主数据、指标体系、数据质量管理体系等等，不断夯实数据基建，为前端数据应用提供高质量数据供给。

2. 数据治理总体解决方案

关注CIM技术应用与发展，聚焦CIM核心技术与应用助力城市转型升级。2020年4月22日，飞渡科技总经理宋彬先生与大家分享“城市CIM数据治理解决方案”。

3. 关于数据治理

关注CIM技术应用与发展，聚焦CIM核心技术与应用助力城市转型升级。2020年4月22日，飞渡科技总经理宋彬先生与大家分享“城市CIM数据治理解决方案”。

4. 数据治理的介绍

从技术实施角度看，数据治理主要包含“理”“采”“存”“管”“用”这五个，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，MapReduce，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。

5. 数据治理的应用指南

数据治理的应用指南
数据治理(有时也称为IT治理)是存储管理的关键部分。显然，IT治理总体上与数据治理密切相关：IT是任何数据治理项目的组成部分。
　　数据治理是使组织能够正式管理其数据资产的策略、过程、人员和技术的框架。前端规划是实现组织治理的关键，这涉及到多个利益相关方，并对人员和流程产生广泛的影响。
　　数据治理和9个子域
　　大多数组织都是为了应对严重的威胁而启动其数据治理举措。常见的高级威胁包括代价高昂的违规行为、安全漏洞、诉讼、无法运行分析，以及发现暗数据的高成本。
　　全面的数据治理涉及9个不同的子域。每个子域都需要花费大量时间和资源来实现治理，但很少有组织需要这样做。没有一个组织会同时尝试去做这些事情。


　　构建整体数据治理
　　?评估和框架。全面的治理始于建立主要治理框架的意愿，而其意愿来自企业的高级执行理事会。该理事会与IT部门和业务部门主管一起工作，确定重要系统面临风险的流程。正式评估分析当前的治理措施，建议治理项目，并确定优先顺序。理事会和合作伙伴系统地将项目及其重要性传达给员工。
　　?政策和技术。治理团队从评估报告中优先考虑项目。主要考虑因素应该是降低数据安全性和不合规性的风险，以节省高效的数据流程成本，并从以前不可见的数据中获取重要的商业智能。项目团队通常与顾问和外包商合作，规划每个项目及其附带的工具、技术和培训。
　　?监督和路线图。企业在一夜之间无法实现全面治理。在考虑治理举措时，每个组织都需要平衡风险与资源。如果任务或业务关键型域名对信誉、数据丢失或合规性构成高风险，则建立治理是值得的。一旦治理的努力在一个领域中实现，将其扩展到其他领域变得更加简单。根据需要在其他领域建立治理项目路线图。对于企业建立数据治理的领域，每1-3年进行一次评估审查。
　　业务用例用于数据治理
　　合规是治理举措的共同驱动因素。医疗和金融服务这两个受高度监管的行业尤其需要参与治理举措，以保持合规性。
　　(1)医疗保健
　　医疗保健的优先治理项目之一是遵守HIPAA，该规定管理美国医疗行业如何收集、存储、传达和传输受保护的健康信息。由于法规几乎影响到与医疗相关的每个IT领域，因此符合HIPAA规范涵盖了一系列数据活动。
　　随着更多医疗信息的数字化，管理EPHI的重要性也在增长。HIPAA要求认真处理电子记录，包括EPHI数据的安全备份和恢复、经常验证的备份、传输和静止时的加密、备份到安全的远程站点，并记录所有策略和过程。
　　(2)金融服务业
　　金融机构受到多项国家和国家法规的约束。美国的主要法规包括保护个人财务信息的GLBA，通过规范公司披露保护投资者的SOX，用于业务连续性和DR计划的FINRA，以及用于安全证券交易的SEC。
　　此外，纽约州通过了一套全面的网络安全条例，称为NYCRR，适用于所有受该州银行、保险和金融服务法律约束的企业。其他州可能会效仿。
　　金融公司在试图将他们的治理项目与监管要求相匹配时面临着真正的挑战。这些公司面临的常见障碍包括员工失误、不安全的笔记本电脑和移动设备、不合规的云计算服务提供商，以及过时或隐晦的法规。但是像HIPAA一样，机构调查人员将会对一个毫无准备和不合规的金融服务公司进行审查。
　　数据治理的好处
　　企业从内部和外部受益于数据治理。内部治理通过高效一致的程序取代低效的流程，节省了时间。外部治理使组织保持合规，并使企业能够通过高效可靠的流程提高其商业信誉。
　　有效的流程和训练有素的员工可以节省时间和成本，并降低风险。
　　数据可视性和管理使组织能够遵守法规和行业最佳实践。如果有调查，企业可以快速提供可验证的结果。
　　整个企业的标准化数据管理改善了信息共享和协作。
　　集中数据仓库或大数据池中的业务数据可实现分析和商业智能，即使是非结构化数据。
　　收入随着更有效的流程而增加，并有能力采取新的业务洞察。
　　数据治理是一个大项目，实际上是一系列大项目。即便如此，任何公司和IT组织都有可能进行数据治理，这些组织将致力于改进生产力，增加收入，并降低风险。

6. 数据治理的应对型数据治理的缺点及其改进方案

批量集成和应对型数据治理方法引入的时间延迟可能导致业务部门继续操作重复、不完整且不精确的主数据。因此，这会降低多领域 MDM 方案实现在正确的时间向正确的人员提供正确数据这一预期业务目标的能力。在期望被设定为数据将变得干净、精确且及时之后，批量集成引入的时间延迟让人感到沮丧。应对型数据治理（下游数据管理员小组负责整理、去重复、纠正和完成关键主数据）可能导致让人认为“数据治理官僚化”。应对型数据治理还会导致最终用户将数据管理团队看做“数据质量警察”，并产生相应的官僚化和延迟以及主数据仍然不干净的负面认识。这还将使得 MDM 方案更难实现它的所有预期优势，并可能导致更高的数据管理总成本。此方法的风险是组织可能以“两个领域中的最差”而告终，至少部分上如此 – 已在 MDM 方案中投资，但是只能实现一些潜在优势，即在整个企业内获得干净、精确、及时以及一致的主数据。有三个方法可超越应对型数据治理。1. 用户将数据直接输入到多领域 MDM 系统中：用户使用界面友好的前端将数据直接输入到多领域 MDM 系统中，但是他们的新记录和现有记录的更新留在暂存区域或保留区域，直到数据管理员审核和认证为止。这之后 MDM 系统才接受插入或更新，以便进行完整的整理、匹配、合并，并将“最佳记录”发布到企业的所有其他应用程序。此方法好过将一个完全不同的应用程序（例如 CRM 或 ERP 系统）作为“录入系统”，但是它仍然会出现延迟和效率低下。尽管存在这些缺点，使用暂存区域确实解决了大部分问题，例如不用强制执行重要属性的录入或在创建前不必进行彻底搜索。此外，由于我们并不受传统应用程序或现代 CRM 或 ERP 应用程序如何处理数据录入功能的影响，通过不对应对方法进行批量数据移动，我们还大大缩短了时间安排。2. 用户输入直接传送到多领域 MDM 系统中的数据：在外面输入新记录或更新，但是会立即传送到 MDM 系统，以便自动整理、匹配和合并。异常或例外传送到数据管理员的队列，几个管理员便可支持更多最终用户。这是第一个主动方法的改进，因为我们利用 MDM 系统的业务规则、数据整理和匹配功能，只要求管理员查看作为整理、匹配和合并流程的例外而弹出的插入或更新。3. 用户使用特定于数据治理的前端输入数据：第三个方法是允许最终用户直接录入到多领域 MDM 系统中，但是应使用专为主动数据治理方法而设计的前端。可专门为最终用户数据录入设定屏幕，您可利用功能齐全的 MDM 系统允许的自动化、数据整理、业务规则、搜索和匹配等所有功能。因此，不必首先将数据输入到 MDM 系统的暂存区域中，并且您不需要系统外的单独工作流应用程序。

7. 如何成功实现数据治理

随着信息技术的飞速发展，各领域的数据量都在爆发式增长，尤其在云计算、物联网、移动互联网等it技术得到广泛应用之后，数据的增长实现了从量变到质变的转型，大数据如浪潮般席卷而来，人类社会进入大数据时代。大数据不仅仅只是一次颠覆性的技术革命，更是一场思维方式、行为模式与治理理念的全方位变革，尤其在治理领域，大数据带来了巨大的变革潜力和创新空间。在“全面深化改革，推进国家治理体系和治理能力现代化”的时代背景下，应充分重视大数据在治理中的重要价值，牢牢抓住大数据为治理提供的创新机遇，切实提高各级部门的治理能力。
一、大数据为治理理念转型带来新机遇
治理理念的转型是提升治理能力的前提，理念的转型需要新文化、新思维的融入，大数据所蕴含的数据文化与数据思维恰好可以为治理理念转型提供突破口，基于大数据探索治理的多元、多层、多角度特征，最终实现以为主体的管制理念向以协同共治、公共服务为导向的治理理念的转型。在大数据时代，治理的依据不再是个人经验和长官意志，而是实实在在的数据，在过去深入群众、实地调研考察的基础上，系统采集的客观数据和实证分析的科学结果将成为最为重要的决策依据。“尊重事实、推崇理性、强调精确”的特征和“用数据说话、用数据决策、用数据管理、用数据创新”的理念将成为治理理念转型的核心要义。
二、大数据为治理模式创新带来新机遇
大数据通过把数学算法运用于海量数据，从数据中寻找相关关系，通过这种相关性预测事情发生的可能性，这是大数据方法论的核心思想。此外，依托于大数据技术和，通过、众包等灵活的组织方式，可以推动治理的组织架构从科层、分割、封闭向开放、协同、合作转型，因此把大数据的方法和手段引入到治理领域，是实现治理模式创新的有效路径。基于上述方法论，大数据为治理模式创新带来的新机遇主要包括：从粗放式管理到精细化治理、从单兵作战型管理到协作共享型治理、从被动响应型管理到主动预见型治理、从电子政务管理到2.0治理、从风险隐蔽型管理到风险防范型治理，最终实现全面数据驱动的治理模式创新。
三、大数据为决策科学化带来新机遇
随着公共事务的日益复杂，仅凭个人感知已经很难全面了解所有正在发生的事情并做出正确判断，部门想要提高决策的科学性，就需要把大数据思维与技术运用到治理与决策中，依靠大规模数据的收集来直观呈现经济社会运行规律，通过相应的数据挖掘来辅助部门进行科学决策。大数据为决策科学化带来的机遇主要体现在两个方面：首先，在决策的制定阶段，大数据背景下，决策不再是个别领导干部“拍脑袋”做出的，而是通过“用数据说话”，让听得见炮火的人（数据）做出决策，这样的决策是在对客观数据进行科学分析、充分了解客观现实的基础上做出的，这样大大提高了决策的精准性、适用性和科学化水平；其次，在决策实施效果的跟踪反馈阶段，通过物联网和社交网络的普及，大量的客观数据能够快速汇集给决策者，通过这些数据对决策的实施过程和效果进行实时监控，能够更全面地掌握决策的实施效果和下一步的改进方向。
四、大数据为服务效能提升带来新机遇
提升服务效能是治理能力提升的重要支撑，也是大数据背景下服务型建设的关键所在，在治理的范畴下，提升服务效能主要包括部门行政审批的效率提升和公共服务产品的质量提高两个方面。在提升行政审批效率方面，大数据可以打通各个部门的信息孤岛，打破各部门数据的条块分割，通过构建统一的行政审批云，让数据为老百姓“跑腿办事”，省去了“跑断腿、磨破嘴，办事跑十几个部门，盖几十个公章”的苦恼和无奈，这样既提高了行政审批效率，又节约了开支。在提高公共服务产品质量方面，大数据通过对公共服务产品数据和服务对象数据的挖掘、分析，提升公共服务产品供给的精准化、分层化、个性化；通过公共数据的开放和兼容，让公众参与到公共服务产品设计、提供和监督等各个环节，实现公共服务产品质量的提高。

8. 如何实施数据治理项目？

1.调研发现企业现存的数据问题，并将这些问题整理归类。
2.确定数据治理项目的目标，能够给企业的数据带来怎样的成果。
3.获取企业高层的支持，保障数据治理项目实施必须的人力和物力的支持。
4.制定数据治理的总体计划，确定项目实施落地的方法。
5.成立数据治理委员会，任命委员会的各个成员并分配相应的职责。
6.梳理企业的各个业务系统，确定数据源，并理解这些数据，分析各个业务系统之间的关系。
7.建立元数据，从个业务系统库采集元数据，理清各个元数据之间的组合和依赖关系。
8.通过数据标准管理、数据质量管理、主数据管理等统一个业务系统的数据规范，提高数据质量，并在数据的整个生命周期内保障数据安全。
9.展示数据治理成果并对治理成果进行评估。如仍存在问题可按照上述流程再次治理。
亿信睿治从元数据、主数据、数据标准、数据质量再到数据处理、数据资产、数据交换和数据安全，为企业提供一站式解决方案，打通数据治理全流程。
技术的成熟度很高，可以解决各种数据质量问题，同时还可以降低数据管理成本