数据治理服务解决方案

⽬录

⼀、数据治理概述 (2)(⼀)数据治理⽬标 (2)(⼆)数据治理概念 (2)⼆、数据治理需求分析 (2)三、数据治理应⽤ (4)(⼀)证券⾏业数据治理应⽤ (4)四、数据治理体系建设 (7)(⼀)数据治理核⼼域 (8)(⼆)数据治理管控机制 (12)(三)IT⼯具⽀撑 (17)⼀、数据治理概述(⼀)数据治理⽬标

结合当前⾏业组织信息化发展过程中数据业务相关的应⽤需求，以“风险可控、运营合规、价值实现”为数据治理总体⽬标：1)运营合规：组织应建⽴符合法律、规范和⾏业准则的数据合规管理体系，并通过评价评估、数据审计和优化改进等流程保证数据的合规性，促进数据价值的实现；

2)风险可控：组织应建⽴、评估数据风险管理机制，确保数据风险不超过组织的风险偏好和风险容忍度，评估、指导和监督风险管理的实施；

3)价值实现：组织应形成统⼀的数据驱动和数据价值理念，完善价值实现相关要素的定义、应⽤、调整，助⼒组织加快实现数字化进程。

数据治理管控⽬标是提⾼组织数据的质量（准确性和完整性），保证数据的安全性（保密性、完整性及可⽤性），推进数字资源在组织各机构部门间的⾼效整合、对接和共享，从⽽提升组织整体数字化⽔平，充分发挥数据资产价值。(⼆)数据治理概念

数据治理是指将数据作为组织资产围绕数据全⽣命周期⽽展开的相关管控活动、绩效和风险管理⼯作的集合，以保障数据及其应⽤过程中的运营合规、风险可控和价值实现。

数据治理体系是指从组织架构、管理制度、IT应⽤技术、绩效考核等多个维度对组织的数据架构、元数据、数据质量、数据标准、数据安全、数据⽣命周期等各⽅⾯进⾏全⾯的梳理、建设并持续改进的体系。⼆、数据治理需求分析

数据资产意识在各组织机构中已经得到充分的认可，但⽬前各组织单位对数据资产的管控状况依旧不容乐观，制约了组织数据质量的进⼀步提⾼，同时也限

制了数据价值的实现。根据⾏业信息化与数据治理发展现状，各组织单位现阶段对数据治理的需求主要存在以下五⼤⽅⾯：1)需要专门对数据治理进⾏监督和控制的组织。信息系统的建设和管理职能分散在各部门，致使数据管理的职责分散，权责不明确。组织机构各部门关注数据的⾓度不⼀样，缺少⼀个组织从全局的视⾓对数据进⾏管理，导致⽆法建⽴统⼀的数据管理规程、标准等，相应的数据管理监督措施⽆法得到落实。组织机构的数据考核体系也尚未建⽴，⽆法保障数据管理标准和规程的有效执⾏。

2)需要规范统⼀的数据标准和数据模型。组织机构为应对迅速变化的市场和社会需求，逐步建⽴了各⾃的信息系统，各部门站在各⾃的⽴场⽣产、使⽤和管理数据，使得数据分散在不同的部门和信息系统中，缺乏统⼀的数据规划、可信的数据来源和数据标准，导致数据不规范、不⼀致、冗余、⽆法共享等问题出现，组织机构各部门对数据的理解难以应⽤⼀致的语⾔来描述，导致理解不⼀致。

3)需要规范统⼀的主数据。组织机构核⼼系统间的⼈员等主要信息并不是存储在⼀个独⽴的系统中，或者不是通过统⼀的业务管理流程在系统间维护。缺乏主数据管理，使得主数据在整个业务范围内保持⼀致、完整和可控⽆法保障，从⽽⽆法保证数据的准确性。

4)需要统⼀集团化的数据质量管控体系。当前现状中数据质量管理主要由各组织部门分头进⾏；跨部门跨机构的数据质量沟通机制不完善；缺乏清晰的跨部门跨机构的数据质量管控标准与规范，数据分析随机性强，存在业务需求不清的现象，影响数据质量；数据的⾃动采集尚未全⾯实现，处理过程存在⼈为⼲预问题，⼤多数部门存在数据质量管理⼈员不⾜、知识与经验不够、监管⽅式不全⾯等问题；缺乏完善的数据质量管控流程和系统⽀撑能⼒。

5)需要基于数据全⽣命周期的治理。⽬前，⼤型集团或政务单位，数据的产⽣、使⽤、维护、备份到过时被销毁的数据⽣命周期管理规范和流程还不完善，不能确定过期和⽆效数据的识别条件，且⾮结构化数据未纳⼊数据⽣命周期的管理范畴；⽆信息化⼯具⽀撑数据⽣命周期状态的查询，未有效利⽤元数据管理。三、数据治理应⽤(⼀)证券⾏业数据治理应⽤

证券⾏业作为⼀个数据密集型⾏业，⽆论是传统线下业务还是新型的线上业务，其竞争的⼀个关键要素就是数据。随着证券⾏业信息化建设的不断深⼊，以及证券公司业务种类、范围等的逐渐延伸，使得IT系统产⽣的数据量以惊⼈的速度增长，⾯对巨⼤的数据规模，证券公司如何在监管报送和信息披露、风险控制、决策⽀持、精准营销、产品定价、绩效考核等各⽅⾯得到准确、及时、完整的数据⽀持，使其发挥价值是当前证券公司必须考虑的重要问题。1产品创新中的数据治理1.1 背景介绍

企业普遍通过对IT系统建设⽣命周期中的主要环节，如业务需求、系统设计、测试上线等环节，运⽤数据标准或数据模型等⼯具，进⾏系统层⾯的管控，以数据规范性在信息系统的提升为主要⽬标。然⽽在实际推进过程中，往往遇到“数据治理与业务创新脱节”、“数据⽣产与应⽤脱节”、“信息化建设与业务规范管理的脱节”、“缺乏从业务维度对数据质量问题的分解⼿段”等挑战。2.2 场景描述

为解决这⼀困境，建议组织将数据治理管控扩展到产品管理领域，以业务规范定义为源头，将数据⽣命周期和产品管理流程相结合，借助产品⽬录、业务台账规范和数据标准等⼯具，通过产品识别、产品信息要素梳理、数据标准定义、数据标准落地等治理活动进⾏数据治理管控，形成产品创新阶段中数据治理的有效管控。流程如下图所⽰：

2 授信业务中的数据治理——调整

1.1 背景介绍 证券公司客户授信⾸先来源于银⾏的信贷管理，由于贷款⼈信⽤状况性和复杂性，银⾏通常⽆法准确快速判断每个贷款⼈的信⽤情况，为全⾯获得客户的征信信息，对于证券公司来说，⾮常重要。汇聚客户线上线下数据，包括消费数据、⾏为数据等，作为贷款客户的重要征信依据，有利的⽀撑贷款授信业务，从⽽降低证券公司的风险。 某证券公司与银⾏、移动公司合作推出了⼿机贷业务，通过⼿机贷APP 终端，可⽅便的进⾏⽆抵押⼩额贷款。流程如下图所⽰：⽤户⼿机贷APP 实名注册消息推送授信请求⼤数据平台⽤户数据

标准化数据数据资产待服务数据数据结果银⾏系统结果反馈贷款通过综合评估标准化处理数据定价评估数据质量稽核数据安全处理采集发送请求

1) ⽤户在得到⼿机贷业务的宣传后，下载安装并实名注册⼿机贷客户端。2)APP进⾏注册后，⼿机贷APP进⾏授信请求的推送。3)⽤户同意授信后，APP后台发送数据请求到移动⼤数据平台。4)⼤数据平台以该⼿机号码为关键字，进⾏⽤户相关信息的采集和解析。

5)采集后的数据通过数据标准化要求进⾏数据预处理，通过标准化处理和元数据的约束形成标准化数据。

6)标准化数据经过平台数据数据定价和评估模型，产⽣有价值的数据资产。7)数据资产通过预先配置好的数据质量检查规则，形成待服务数据。

8)满⾜数据质量要求的数据资产经过平台相应数据安全机制验证，产⽣评估结果。

9)满⾜评估结果的⽤户会收到APP的相应推送消息，⽤户可进⾏后续的贷款预约和准备，贷款结束。3风险管理中的数据治理——调整1.1 背景介绍

随着我国监管改⾰持续推进，监管部门对证券⾏业风险管理⼯作提出了更⾼标准的要求，2016年12⽉，中证协在《证券公司全⾯风险管理规范》、《证券公司风险控制指标动态监控系统指引》等⽂件中明确提出“建⽴健全数据治理和质量控制机制”、“制定数据标准，涵盖数据源管理、数据库建设、数据质量监测”等合规要求。⽬前，证券公司在风险管理⽅⾯主要存在以下不⾜：风险计量数据基础完备性不⾜、风险计量模型表现有效性不⾜、风险计量结果应⽤充分性不⾜等问题，亟需全⾯建设数据驱动型风险管理体系。2.2 场景描述

为了全⾯满⾜新形势下对证券公司全⾯风险管理的要求，证券公司需要在前期⼯作的基础上，进⼀步提升对风险数据、模型、系统以及⼈员的管理能⼒，全

⾯建设数据驱动型风险管理体系。以构建深化风险管理中的数据治理管控机制为抓⼿，实现风险数据的统⼀视图，并通过统⼀的数据服务和管理，确保数据的完整性和准确性，从⽽提升风险管理效率。流程如下图所⽰：四、数据治理体系建设

组织构建数据治理体系主要围绕数据治理核⼼域、数据治理管控机制、IT ⼯具⽀撑、数据治理管控宣介以及数据治理实施路线规划五个⽅⾯展开。具体内容及相互关系参见下图：

数据治理体系框架(⼀)数据治理核⼼域1 元数据管理

元数据是关于数据的数据，描述了数据定义和属性。主要包括业务元数据、技术元数据和管理元数据。元数据管理的⽬的是厘清元数据之间的关系与脉络，规范元数据设计、实现和运维的全⽣命周期过程。有效的元数据管理为技术与业务之间搭建了桥梁，为系统建设、运维、业务操作、管理分析和数据管控等⼯作的开展提供重要指导。元数据管理的内容主要包括元数据获取、元数据存储、元数据维护（变更维护、版本维护）、元数据分析（⾎缘分析、影响分析、实体差异分析、实体关联分析、指标⼀致性分析、数据地图展⽰）、元数据质量管理与考核等内容。2 数据架构管理

数据模型是数据构架中重要⼀部分，包括概念数据模型、逻辑数据模型和物理数据模型，是数据治理的关键、重点。理想的数据模型应该具有⾮冗余、稳定、⼀致、易⽤等特征。逻辑数据模型能涵盖整个组织的业务范围，以⼀种清晰的表达⽅式记录跟踪组织的重要数据元素及其变动，并利⽤它们之间各种可能的条件和关系来表达重要的业务规则。数据模型必须在设计过程中保持统⼀的业务定义。为了满⾜将来不同的应⽤分析需要，逻辑数据模型的设计应该能够⽀持最⼩粒度的详细数据的存储，以⽀持各种可能的分析查询。同时保障逻辑数据模型能够最⼤程度上减少冗余，并保障结构具有⾜够的灵活性和扩展性。物理数据模型是逻辑数据模型在数据库中的具体实现，是数据库系统中实际数据的定义或主机⽂件系统中的⽂件结构定义，内容包括数据库内所有的表、视图、字段及其相关主键和外键的定义，以及系统内数据流向及系统间的数据交换关系。3 数据标准管理

数据标准是组织建⽴的⼀套符合⾃⾝实际，涵盖定义、操作、应⽤多层次数据的标准化体系。数据治理对标准的需求可以划分为三类，即基础类数据标准、

指标类数据标准和专有类数据标准。基础类数据是指组织⽇常业务开展过程中所产⽣的具有共同业务特性的基础性数据。基础数据可分为客户、资产、协议、地域、产品、交易、渠道、机构、财务、营销等主题。指标类数据是指为满⾜组织内部管理需要及外部监管要求，在基础性数据基础上按⼀定统计、分析规则加⼯后的可定量化的数据。专有类数据标准是指公司架构下⼦公司在业务经营及管理分析中所涉及的特有数据。

4 数据质量管理

数据质量不⾼将影响数据应⽤程度。数据质量管理包含对数据的绝对质量管理、过程质量管理。绝对质量即数据的准确性、完整性、⼀致性等是数据本⾝应具有的属性。过程质量即使⽤质量、存储质量和传输质量。⾼质量的⾏业数据⾄少应满⾜以下要求：

⼀是准备性，在转换、分析、存储、传输、应⽤流程中不存在错误；⼆是完整性，数据库应⽤或要求的所有记录、字段都存在；

三是⼀致性，体现在整个数据库的定义和维护⽅⾯，确保数据在使⽤的整个过程中是⼀致的；

四是时效性，衡量指标是在指定的数据与真实的业务情况同步的时间容忍度内，即指定的更新频度内，及时被刷新的数据的百分⽐；

五是可靠性，提供数据的数据源必须能够可靠稳定地提供数据。数据质量管理的规划和实施应⾄少包括以下内容：

⼀是数据质量管控体系的建⽴，包括数据质量的评估体系，定期评估数据质量状况；⼆是在部门各个应⽤系统中的落实，包括每个应⽤系统中的数据质量检查等；

三是在最开始建⽴数据质量管理系统的时候，借助数据治理平台上，通过建⽴数据质量管理的规则来集中化地建⽴数据质量管理系统，发现问题并持续改进；

四是数据质量管理与业务稽核的结合，通过业务规则的稽核来发现数据质量深层次的问题，将数据质量与业务⼀线结合起来，使业务⼈员对数据质量问题有更加清晰和明确的认识。

完善的数据质量管理是保障各项数据治理⼯作能够得到有效落实，达到数据准确、完整的⽬标，并能够提供有效的增值服务的重要基础。5 主数据管理

主数据管理要做的就是从各部门的多个业务系统中整合最核⼼的、最需要共享的数据（主数据），集中进⾏数据的清洗和丰富，并且以服务的⽅式把统⼀的、完整的、准确的、具有权威性的主数据传送给组织范围内需要使⽤这些数据的操作型应⽤系统和分析型应⽤系统。主数据管理的信息流应为：

1)某个业务系统触发对主数据的改动；

2)主数据管理系统将整合之后完整、准确的主数据传送给所有有关的应⽤系统3)主数据管理系统为决策⽀持和数据仓库系统提供准确的数据源。

因此对于主数据管理要考虑运⽤主数据管理系统实现，主数据管理系统的建设，要从建设初期就考虑整体的平台框架和技术实现。

6 数据安全管理

由于组织的重要且敏感信息⼤部分集中在应⽤系统中，数据安全更是⾄关重要。如何保障数据不被泄露和⾮法访问，是⾮常关键的问题。数据安全管理主要解决的就是数据在保存、使⽤和交换过程中的安全问题。数据安全管理主要体现在以下六个⽅⾯：

⼀是数据使⽤的安全性，包括基础数据的保存、访问和权限管理；

⼆是数据隐私问题，系统中采集的敏感信息在下游分析系统和内部管理系统中，是否要进⾏加密，以避免数据被⾮法访问；三是访问权限统⼀管理，包括单点登录问题及⽤户名、数据和应⽤的访问授权统⼀管理；四是数据安全审计，为数据修改、使⽤等环节设置审计⽅法，事后进⾏审计和责任追究；

五是制度及流程建⽴，逐步建⽴数据安全性的管理办法、系统开发规范、数据隐私管理办法及相应的应⽤系统规范、在管理决策和分析类系统中的审计管理办法等；

六是应⽤系统权限的访问控制，建⽴集团级权限管理系统，增加数字⽔印等技术在应⽤系统中的使⽤。

7 数据⽣命周期管理

数据⽣命周期管理⼀般包括数据⽣成及传输、数据存储、数据处理及应⽤、数据销毁四个⽅⾯。（1）数据⽣成及传输

数据应该能够按照数据质量标准和发展需要产⽣，应采取措施保证数据的准确性和完整性，业务系统上线前应该进⾏必要的安全测试，以保证上述措施的有效性。对于⼿⼯流程中产⽣的数据在相关制度中明确要求，并通过事中复核、事后检查等⼿段保证其准确性和完整性。数据传输过程中需要考虑保密性和完整性的问题，对不同种类的数据分别采取不同的措施防⽌数据泄漏或数据被篡改。（2）数据存储

这个阶段除了关注保密性、完整性之外，更要关⼼数据的可⽤性，对于⼤部分数据应采取分级存储的⽅式，不仅存储在本地磁盘上，还应该在磁带上，甚⾄远程复制到磁盘阵列中，或者采⽤光盘库进⾏存储。对于存储备份的数据要定期进⾏测试，确保其可访问其数据完整。数据的备份恢复策略应该由数据的责任部门或责任⼈负责制定，信息化管理部门可以给予相应的⽀持。同时还需要注意因为部门需要或故障处理的需要，可能对数据进⾏修改，必须在数据管理办法中明确数据修改的申请审批流程，审慎对待后台数据修改。（3）数据处理和应⽤

信息化相关部门需要对数据进⾏分析处理，以挖掘出对于管理及业务开展有价值的信息，为保证过程中数据的安全性，⼀般应采⽤联机处理，系统只输出分析处理的结果。但是实际中，因为相关数据分析系统建设不到位，需要从数据库中提取数据后再对数据进⾏必要的分析处理，在这个过程中就需要关注数据提取操作是否可能对数据库造成破坏、提取出的数据在交付给分析处理⼈员的过程中其安全性是否会降低、数据分析处理的环境安全性等。（4）数据销毁

这个阶段主要涉及数据的保密性。应明确数据销毁的流程，采⽤必要的⼯具，数据的销毁应该有完整的记录。尤其是对于需要送出外部修理的存储设备，送修之前应该对数据进⾏可靠的销毁。8 数据服务管理

数据整合归集最终⽬的就是要服务于各机构部门、⼈员等，能更准确更快更⽅便的服务是数据服务管理的⽬标。

数据服务管理是指针对内部积累多年的数据，研究如何能够充分利⽤这些数据，分析⾏业业务流程优化业务流程。数据使⽤的⽅式通常包括对数据的深度加⼯和分析，包括通过各种报表、⼯具来分析运营层⾯的问题，还包括通过数据挖掘等⼯具对数据进⾏深度加⼯，从⽽更好的管理者服务。通过建⽴统⼀的数据服务平台来满⾜针对跨部门、跨系统的数据应⽤。通过统⼀的数据服务平台来统⼀数据源，变多源为单源，加快数据流转速度，提升数据服务的效率。(⼆)数据治理管控机制1数据治理组织1.1组织架构

有效的组织架构是项⽬成功的有⼒保证，为了达到项⽬预期⽬标，在项⽬开始之前规划符合组织当前数据治理理念的组织架构和职责分⼯是⾮常必要的，如

建⽴数据治理委员会、数据管理委员会、数据管理团队、数据质量团队、数据安全团队、数据技术团队等。⼀般建议组织采⽤如下图所⽰的组织架构：

1.2组织层次

数据治理委员会由组织⾼层领导者组成。委员会定义数据治理愿景和⽬标；组织内跨业务部门和IT部门进⾏协调；设置数据治理计划的总体⽅向；在发⽣策略分歧时进⾏协调。委员会也将包含来⾃部门或⼦公司的领导代表，以及来⾃数据为组织资产的信息科技部门代表。这些⾼层管理⼈员是数据治理计划的所有拥护者，确保在整个组织内获得⽀持。

数据治理⼯作组是组织内委员会下⾯的下⼀个级别。⼯作组执⾏数据治理计划。⼯作组负责监督数据管理员⼯作。数据治理⼯作组由数据治理委员会中各局领导主持。

每各业务部门有⾄少⼀位业务分析员，信息科技部门设置数据质量分析员、数据管理员、集成开发⼈员。各⼯作⼈员负责本部门数据的质量，履⾏职责，解决具体的问题。1.3⾓⾊职责

根据数据管理⼯作的实际需要，在业务管理部门、技术管理部门和业务应⽤部门确定各⼯作⼈员的职责。数据治理委员会职责范围：

1)从战略⾓度来统筹和规划，对数据资产和系统进⾏清理，确定数据治理的范围；明确数据源的出处、使⽤和管理的流程及职责；2)明确数据治理的组织、功能、⾓⾊和职责；3)负责各⼯作组成员的培训⼯作；

4)负责审查各⼯作⼩组的⽬标、原则，批准数据管理的相关制度、标准及流程；

5)负责确定数据治理的⼯具、技术和平台；6)负责制定数据治理的评估指标、⽅法。数据治理⼯作⼩组，其主要⼯作职责是：

1)负责数据治理的牵头，组织、指导和协调组织的数据治理⼯作；2)综合数据治理管控办法、数据治理考核机制等有关规章制度的牵头制定、修改等；

3)负责数据的分析整理并出具数据指标报告；4)负责数据的监测预测⼯作；

5)建⽴数据冲突的处理流程和数据变更控制流程；

6)负责对基础数据质量的检测、发布、考核和清理完善⼯作。

⼯作组成员：业务分析员、数据质量分析员、数据管理员、集成开发员这些不同的⾓⾊在数据治理过程中承担着彼此不同，⽽⼜相辅相成的职责。

集成开发⼈员在数据治理流程中需要肩负起数据访问、验证数据结构、验证数据、交付数据以及数据库/知识库的构建等⾓⾊，其主要⼯作职责作包括：1)访问及交付相应数据给业务⽤户；2)提⾼⽣产⼒和性能；

3)最⼤化减少异常/出错的影响；4)开发和完善技术最佳实践。

数据质量分析员在数据治理流程中负责数据的剖析、清洗匹配合并等，其主要⼯作职责作包括：1)为开发⼈员定义数据规格及标准；2)为机构有效的追踪数据质量问题；

3)实施被业务⼈员和数据管理员定义正确的数据质量规则；4)不间断的监控数据质量⽔平及问题。

业务分析⼈员在数据治理流程中负责定义数据的转换规则，其主要⼯作职责作包括：1)与需求开发⼈员协作，正确捕获和解析业务需求；

2)与开发⼈员和数据管理员协作，为业务⽤户缩短数据产⽣价值的时间。数据管理员需要定义引证数据，并管理元数据，其主要⼯作职责作包括：1)保证数据的质量、正确、完整、⼀致、审计及安全性；

2)定义引证/参考数据；

3)为组织机构数据实体给出正确业务定义；4)为组织机构解决混淆和有争论的数据定义。2制度章程1.1规章制度

数据治理章程类似于企业的公司条例，该章程⽤以明确数据治理相关战略规划、合规管理和控制、标准和规范，如《数据治理⼯作管理办法》，加强组织数据治理管理能⼒，满⾜组织数据治理的要求，统⼀数据标准，提⾼数据质量，深化数据应⽤，⽀撑业务发展，提升管理⽔平及合规监管要求。具体可参见附件A 数据治理管理办法。1.2管控办法

数据治理管控办法是基于规章制度与⼯具的结合，可落地的操作的办法，⽤以完善数据管控相关的规章制度起草、审核、落实、监督的部门和管控机制，明确各数据管理活动的⼈员⾓⾊和职责、管理内容和相关流程，⼀般组织会设置《数据标准管控办法》、《数据质量管控办法》、《数据质量评估办法》、《元数据管控办法》等。具体可参见附件B 数据质量评估办法1.3考核机制

考核是保障制度落实的根本，建⽴明确的考核制度，实际操作中可根据组织情况，建⽴数据治理管控相关的考核指标、制度和办法，不断优化相关机制。⼀般组织都会针对数据标准管理、数据质量管理、元数据管理等核⼼治理域设置相关的考核机制与指标，并与个⼈绩效相关联。对于数据质量的考核，可参见下图：

3管控流程

数据管控流程是基于数据治理各核⼼领域的⼯作⽬标，在数据治理组织下，明确各参与⽅的⼯作步骤、⼯作任务以及流转⽅向。数据治理流程的设⽴是数据治理核⼼领域内容得以贯彻执⾏的基础，通过将数据治理任务进⾏分解，最⼤程度提⾼数据治理的执⾏效率，降低管理成本。

数据治理管控流程包括流程⽬标、流程任务、流程分级，根据数据治理的内容，建⽴相应流程，且遵循组织数据治理的规则制度。实际操作中可结合所使⽤的数据治理⼯具，与数据治理⼯具供应商进⾏协商，建⽴符合组织的流程管理。数据管控流程的设计应从组织实际出发，充分考虑组织的业务特点、管控模

式以及数据管控的应急响应，同时将数据管控流程固化在相应的管理⼯具或平台，实现各数据管理流程的⾃动化、可视化和实时监控。

具体可参见附件C数据质量管控流程(三)IT⼯具⽀撑1⽀撑平台

数据治理平台/⼯具是⽀撑公司数据治理体系和制度办法在流程上的执⾏落地，以最⼤限度地实现公司数据治理⼯作的⾃动化，提升数据治理能⼒和数据服务⽔平。

⽬前市场上关于数据治理平台存在不同的成熟产品，但在功能实现上⼤致相同，具体可参加下图了解。

数据治理平台总体架构

元数据管理功能架构

数据质量管理功能架构

数据标准管理功能架构2技术规范

技术规范是保障数据治理平台可持续管理的基础，随着数据量的增长、技术⽔平的发展，为更好、可持续的实现数据资产的管理、应⽤，需建⽴明确的技术规范。结合数据治理相关管控制度和流程，构建组织的数据技术规范，包括：数据应⽤研发规范、数据架构规范、门户数据整合规范、数据存储规范等。3选型标准

在数据治理体系建设和完善的基础上，调研分析数据治理产品和⼯具，结合组织实际应⽤需求，形成相关的数据治理产品选型标准和建议。