海量、多元化的数据，为大数据时代下的数据治理带来了许多新的挑战。与此同时，数据治理的必要性也是有增无减——在此前的一篇文章中，我们曾讨论过这个话题。为了实现提高数据质量，将数据价值最大化的总体目标，企业往往需要一个全面、详尽且合理的数据治理计划。
如何制定数据治理计划?这无疑是一个复杂的工作。从数据的收集、处理、管理到使用，企业首先需要一个功能健全的IT系统平台。此外，数据治理并不仅仅是IT团队的工作，企业中所有与数据有关的涉众，都应考虑到数据治理计划中。一切与数据有关的行为，都应该有标准化的工作流程、操作规范。在计划中，都应有所体现。
这篇文章中，我们将讨论一部分更加具体的问题：数据治理团队的组织架构、角色职责以及治理指标。在真正开始"治理数据"之前，这些问题都需要得到明确。
如何设计数据治理团队的组织架构?
如上所述，数据治理是一项跨部门的工作，一个成功的数据治理计划，都是需要从整个企业的层面去考虑，甚至可能需要跨越所有业务线、所有应用和所有功能领域。没有这种全面的视角、没有来自企业各个部门的支持，就很难实现数据治理的目标。
比如，只有对应领域的资深业务员才能更清楚地知道自己需要的是什么样的数据，如何制定标准才能收集到更规范的数据。因此，一个数据治理团队不应该仅仅是由IT人员组成的，在团队建立之初，就需要考虑它的"多元化"。
目前，一个成熟的数据治理团队的组织架构，通常包括：
- 由数据管理和数据治理专业人员组成的数据治理计划团队。团队成员与业务数据主管一起制定相关策略和流程规范，并为整个组织中使用的数据(包括元数据)设置标准。
- 数据治理委员会。由来自所有业务领域，以及IT部门的高级领导代表组成。该委员会将对项目团队制定的政策、实践方法和标准进行审批。一般来说，不同业务领域的数据主管和管理员也都是由他们指定的。
- 来自每个业务领域的数据管理团队。与数据治理团队一起设计策略和实践方法，并与来自IT专业人员一起实现。每个数据管理团队都由业务数据主管领导，业务数据主管形成一个数据管理协调小组，致力于解决跨组的差异，并根据需要对某些定义或元数据进行细化。
当然上面只是一个粗略的架构，数据治理团队更加具体的角色和职责，应根据企业的运营方式灵活变通，而不是僵化死板的。一般来说，业务人员与IT专业人员的协同应放在重要的位置。
如何制定数据治理工作指标?
制定数据治理计划期间，如何衡量其工作进展和所带来的业务收益，也是一项关键任务，同时更是一个巨大挑战。数据治理团队必须制定一组数据治理的工作指标，以便于向企业的高级管理层、业务主管展示数据。
改善数据质量是大多数治理计划的首要任务，因此数据质量的度量，就成为了最广泛使用的数据治理指标。数据质量指标一般需要涉及到数据的准确性、完整性、一致性和及时性等等。
此外，数据治理团队还可以对其数据质量改进工作进行量化，例如发现和纠正的数据问题的数量，以及通过解决这些问题而获得的业务收益。
具体的数据质量指标如下，仅作参考：
- 每个月或每个季度识别和修复的数据错误的数量
- 数据集的准确性和错误率(当错误率超过可接受水平时，发出警报)
- 数据完整性、一致性、完整性和及时性的度量
- 数据质量问题和修复后对业务产生影响的度量
- 数据定义、元数据和数据目录的质量等级评估
- 调查数据和从最终用户处收集的其他关于数据质量的反馈
值得关注的是，培养包括业务人员在内的所有数据涉众的"数据意识"，也是数据治理的一个重要工作。帮助他们正确、规范地认识数据、了解数据、使用数据，将成为提高数据质量的一个重要助力。
因此，考察企业员工的数据意识，也需要相应的指标，例如：
- 业务人员进行的数据相关查询的数量
- 数据洞察平台的唯一登录(即一个账号只在一台设备登录)数
- 参加数据管理相关培训活动的员工百分比
- 培训活动结束后表示数据管理知识有所提升的员工百分比
- 表示自己的数据符合公司要求的数据所有者的百分比
通常来说，数据意识指标会同时包括定量测量和定性测量——基于的针对性用户调查结果。
本文中，我们对数据治理团队的架构和角色职责，以及相应的工作指标进行探讨，并结合前人经验，给出了一些参考性的意见。不过值得注意的是，由于数据治理涉及范围较广，应充分考虑到企业的独特性，在致力于实现数据治理目标时，需要对症下药。
