《探索数据治理模型的多元种类》
一、DAMA数据管理知识体系模型
图片来源于网络，如有侵权联系删除
1、数据治理框架
- DAMA模型涵盖了数据治理的各个方面，包括数据架构管理、数据建模与设计、数据存储与操作等，在数据治理框架中，它强调了明确的组织架构和角色职责，定义了数据所有者、数据管理员等不同角色，数据所有者负责确定数据的业务需求和使用目的，数据管理员则负责数据的日常管理，如数据的准确性、完整性维护等。
- 它通过建立数据战略来指导整个数据治理工作，数据战略与企业的业务战略相契合，明确了数据治理的目标和方向，一家电商企业的业务战略是拓展国际市场，其数据战略可能就是整合全球范围内的客户数据，以提供个性化的服务，提高客户满意度。
2、数据治理流程
- DAMA模型中的数据治理流程是一个循环且持续改进的过程，从数据规划开始，包括数据需求的收集和分析，然后进入数据的开发和实施阶段，在开发过程中，遵循严格的数据标准和规范，如数据命名规范、数据格式要求等，在数据库表的设计中，字段命名要遵循统一的命名规则，以便于数据的理解和共享。
- 数据的运维管理也是流程中的重要环节，包括数据的备份、恢复和性能优化等，数据治理流程还注重数据质量的评估和改进，通过建立数据质量指标，如数据的准确性、及时性、一致性等指标，定期对数据进行评估，并采取相应的改进措施。
3、数据治理技术支持
- DAMA模型强调了多种技术在数据治理中的应用，在数据架构管理方面，利用数据建模工具来构建企业的数据模型，这些工具可以直观地展示数据之间的关系和结构，在数据存储方面，涉及到数据库管理系统、数据仓库等技术的应用，对于大数据环境下的数据治理，还会用到分布式存储和计算技术，如Hadoop、Spark等，以处理海量的数据。
二、COBIT（信息及相关技术的控制目标）模型
1、治理与管理的区分
- COBIT模型明确地区分了治理和管理的概念，治理侧重于战略方向的设定、政策和框架的建立，而管理则更关注于执行和操作层面的活动，在数据治理方面，它通过定义一系列的控制目标来确保数据的有效管理，对于数据的安全性治理，治理层会制定数据安全政策，规定数据的访问权限、加密要求等，而管理层则负责具体的实施，如设置用户的访问权限，对数据进行加密操作等。
2、流程框架
- COBIT模型的流程框架包含了规划与组织、获取与实施、交付与支持、监控等多个流程域，在规划与组织流程域中，企业需要制定数据治理的战略计划，确定数据治理的组织架构和资源分配，企业要明确数据治理委员会的组成和职责，以及为数据治理工作分配相应的人力、物力和财力资源。
- 在获取与实施流程域中，涉及到数据技术的选择和实施，如选择合适的数据分析工具或数据管理系统，交付与支持流程域则关注数据的日常运营管理，如数据的处理、存储和传输等，监控流程域确保对数据治理的各个环节进行监督和评估，及时发现问题并进行调整。
图片来源于网络，如有侵权联系删除
3、成熟度模型
- COBIT的成熟度模型可以帮助企业评估自身在数据治理方面的成熟度水平，从初始级到优化级，企业可以根据不同的成熟度等级特征来确定自己的位置，在初始级，企业的数据治理可能是混乱的，没有明确的政策和流程；而在优化级，企业拥有完善的数据治理体系，能够持续改进数据治理的效果，通过评估成熟度，企业可以明确改进的方向和重点，逐步提升数据治理的水平。
三、DCMM（数据管理能力成熟度评估模型）
1、能力域划分
- DCMM模型将数据管理能力划分为数据战略、数据治理、数据架构、数据应用、数据安全、数据质量、数据标准、数据生命周期管理等8个能力域，每个能力域又包含了多个子能力项，在数据战略能力域中，包括数据战略规划、数据战略实施等子能力项，这有助于企业全面、系统地评估自己的数据管理能力。
2、成熟度等级
- DCMM设定了五个成熟度等级，分别是初始级、受管理级、稳健级、量化管理级和优化级，在初始级，企业的数据管理是临时的、无序的；受管理级则开始建立基本的数据管理制度；稳健级有比较完善的数据管理流程；量化管理级能够对数据管理进行量化评估；优化级能够持续优化数据管理能力，企业可以根据自身的实际情况，确定自己在每个能力域的成熟度等级，从而有针对性地进行改进。
3、评估与提升
- 企业可以通过DCMM评估来发现自己在数据管理方面的优势和不足，在数据治理能力域，如果评估结果处于受管理级，企业就可以参考稳健级的标准，制定改进计划，如进一步明确数据治理的组织架构、完善数据治理的流程等，逐步提升自己的数据管理能力，特别是数据治理能力，以适应日益复杂的数据管理需求。
四、ISO/IEC 38500标准模型
1、原则导向
- ISO/IEC 38500标准模型基于6个原则，即责任、策略、规划、获取、绩效和合规，在数据治理中，责任原则要求明确数据治理相关人员的职责，确保数据管理工作有人负责，企业的高层管理人员要对数据治理的战略决策负责，数据管理员要对数据的日常维护负责。
- 策略原则强调制定数据治理的策略，以指导数据管理的方向，规划原则涉及到数据治理的长期和短期规划，如规划数据中心的建设、数据资源的整合等，获取原则关注数据的获取方式和来源的合法性，绩效原则要求对数据治理的效果进行评估，合规原则确保数据治理符合相关的法律法规和行业规范。
2、治理域
图片来源于网络，如有侵权联系删除
- 该模型包含了治理域的概念，如数据治理域包括数据资源管理、数据服务管理等，在数据资源管理方面，要对数据的分类、标识、存储等进行管理；在数据服务管理方面，要确保数据能够以合适的方式提供给用户，满足用户的需求，通过对治理域的定义和管理，可以提高数据治理的效率和效果。
3、应用与监督
- 在应用方面，企业将ISO/IEC 38500标准模型应用于实际的数据治理工作中，按照其原则和治理域的要求，构建自己的数据治理体系，在监督方面，要建立监督机制，确保数据治理工作按照标准模型的要求进行，通过内部审计、外部评估等方式，检查数据治理工作是否符合责任、策略等原则，是否对治理域进行了有效的管理。
五、六西格玛数据治理模型
1、数据质量改进
- 六西格玛数据治理模型以数据质量为核心，通过定义、测量、分析、改进和控制（DMAIC）的流程来提升数据质量，在定义阶段，明确数据质量的目标和问题，对于一家制造企业，定义产品质量数据的准确性要求，确定数据中存在的不准确问题，如测量误差等。
- 在测量阶段，收集数据质量相关的数据，如数据错误率、数据缺失率等指标，分析阶段则找出影响数据质量的根本原因，可能是数据录入流程不规范、数据系统存在漏洞等，改进阶段采取措施来解决这些问题，如优化数据录入流程，修复数据系统漏洞等，控制阶段建立长效机制，确保数据质量持续保持在较高水平。
2、项目管理与团队协作
- 六西格玛数据治理模型采用项目管理的方式来推动数据治理工作，每个数据质量改进项目都有明确的项目目标、计划和团队成员，团队成员包括数据专家、业务人员等，他们之间密切协作，数据专家负责分析数据质量问题的技术方面，业务人员则提供业务需求和数据的实际应用场景方面的信息，通过这种团队协作，可以更有效地解决数据治理中的问题。
3、与业务流程的融合
- 该模型强调数据治理与业务流程的融合，数据质量问题往往与业务流程紧密相关，订单处理流程中的数据准确性会影响到企业的销售和客户服务，通过将数据治理融入到业务流程中，在业务流程的各个环节进行数据质量的控制和改进，在订单录入环节设置数据验证规则，在订单审核环节进行数据准确性的再次检查等，从而提高整个业务流程的效率和质量。
六、总结
不同的数据治理模型都有其特点和优势，企业可以根据自身的规模、行业特点、数据治理的目标等因素选择适合自己的模型，对于大型企业，可能更适合采用DAMA或COBIT模型，因为这些模型涵盖的内容全面，能够满足复杂的组织架构和数据管理需求；而对于中小企业，DCMM或六西格玛数据治理模型可能更具可操作性，能够在有限的资源下提升数据管理能力，企业也可以借鉴多个模型的优点，构建适合自己的混合数据治理模型，以实现有效的数据治理，提高数据的价值，为企业的发展提供有力的支持。
评论列表