本文基于主数据驱动的数据治理框架，分享数据治理五个阶段的过程架构以及对应的任务·角色·分工·职责，希望能为在企业数字化转型之路上负重前行的同仁带来一定的参考价值。

之前在《数据治理：企业信息化的核心基础性工作》一文中和各位介绍了主数据驱动的数据治理框架。

今天就接上回，和大家分享下在主数据驱动的数据治理框架下的数据治理过程。

一般来说，我们可以将主数据治理的任务分解成为5个阶段，即架构阶段、主数据治理阶段、业务数据治理阶段、分析数据治理阶段、优化治理阶段。每个阶段都分为分析、设计、执行、评估4个基本环节，循环迭代，推动阶段任务的达成。

上述过程框架通过将复杂的数据治理任务进行阶段性任务划分，分解成为较小的独立子集，进而增强数据治理的可实施性，有利于企业管理者进行整体规划和安排。

同时，该数据治理过程架构可根据企业的整体战略和治理目标进行灵活剪裁，以满足不同企业数据治理的不同要求。其中架构阶段和主数据治理阶段是数据治理的基础，一般企业实施数据治理项目都需要从架构和主数据治理开始；而业务数据治理阶段、分析数据治理阶段、优化治理阶段则可根据企业实际需要灵活选择。

一、架构阶段

架构阶段是数据治理的准备阶段。

• 分析环节：通过对企业战略、业务状态、企业信息化状态的现状调研和需求分析，识别业务问题和实施风险
• 设计环节：完成数据治理从愿景使命目标到路线图的整体规划，以及组织、管控、标准、安全四方面的体系设计
• 执行环节：通过详实可信的分析报告和可落地的体系规划获得高层支持，创建数据治理管理组织
• 评估环节：应用主数据管理成熟度模型（MDMMM），完成企业的主数据管理成熟度评估

主数据管理成熟度模型（MDMMM）

对于主数据管理成熟度的评估可以分为初始、可重复、已定义、已管理、优化、创新六个级别。每个成熟度级别是一个完备的进化阶段，反映企业主数据管理能力所能到达的水平。

• 初始级L1：处于初始级的组织内部只有模糊的主数据管理意识，没有专门的机构对其进行管理
• 可重复级L2：可重复级的最大特征是建立了基础的主数据管理流程，实现了局部可复用性，企业已经了解到主数据的重要性，并在组织内部开始进行主数据管理工作，但往往局限于项目或部门内部
• 已定义级L3：已定义级最大的特征就是组织内部建立起统一的主数据管理规范，并建立起独立的部门进行主数据管理的协调活动，明确定义主数据流程的各专业岗位
• 已管理级L4：处于管理级的组织中已经形成主数据管理专业部门，建立起协同垮流程区域的专业化数据标准团队，主数据实现集成化管理，主数据标准流程和制度的实施细则也已经明确
• 优化级L5：处于优化级的组织不仅能保证主据管理流程的有序进行，而且能够实现业务环节的专业评估，实现自我优化，不断提升
• 创新级L6：创新级是主数据管理的最高级别，此阶段的主数据管理已经跨越了企业的边界，形成跨企业的行业主数据标准，主数据业务流程能够灵活创新、敏捷地支撑新流程运作，响应新的产品服务

每个级别的主数据管理水平将作为下一更高级别的基础，成熟度不断升级的过程也就是企业主数据管理水平不断积累的过程。

二、治理阶段

主数据治理、业务数据实力、分析数据治理、优化治理4个阶段只是治理的对象和工作范畴存在差别，但其过程框架具有相似性，可互相参考。

• 分析环节：完成业务过程分析和业务问题聚焦，并从数据质量、数据安全、数据生命周期三个方面分析、梳理数据缺陷，形成治理的阶段性目标和具体的工作计划；
• 设计环节：完成数据标准和数据模型的设计、开发，为数据治理的实际执行做好准备；
• 执行环节：依次完成数据采集、数据清洗、数据导入、应用集成、系统测试和上线切换，最终提交数据服务和数据产品，完成数据资产的价值提升；
• 评估环节：从运行情况、数据质量、数据安全、系统性能、管理水平、经济效益等方面对数据治理的效果进行评估，为进一步的优化提供条件。

技术架构

在设计阶段，为有效支持数据治理的开展，需要高效、灵活的技术架构和信息管控工具作承载数据标准和数据模型。

在主数据驱动的数据治理框架下，数据治理的技术架构如下图所示：

• 基础数据平台、业务支持平台、数据分析平台：分别承载着和主数据、业务数据、分析数据有关的企业运营、管理活动
• 数据交换平台：将上述三个平台连接在一起，完成彼此之间的数据交换，是平台之间的数据通道
• 数据管控平台：完成上述平台之间的协调，是平台之间的控制通道
• 数据治理组件：辅助完成对主数据、业务数据和分析数据的治理。其可看作是实施数据治理的IT工具包，其中包括数据标准管理、元数据/数据模型管理、数据质量管理、数据安全管理、数据生命周期管理5个基本的管理组件，实现治理框架中治理域的基本功能。

同时以工作引擎的方式提供一系列通用工具，包括但不限于：

• 工作流引擎：管理申请、校验、审核、发布等数据治理的工作流程
• 清洗引擎：完成采集数据的清洗工作
• 转换引擎：完成符合特定条件数据的批量修改和转换
• 分析引擎：实现数据质量、数据生命周期管理中的分析任

数据治理组件也通过数据交换平台实现数据导入导，通过数据管控平台完成和其他平台的协调。

数据交换平台和数据管控平台以总线化的方式提供了可扩展的数据通道和控制通道，而工作引擎则实现了数据治理组件的能力扩展。

三、任务、角色、分工、职责

数据治理是一项复杂的任务，仅仅依靠企业IT部门难以完成，往往需要专业的外部咨询服务和开发人员的辅助。

因此，需要在过程框架中澄清各方的分工和职责，以便配合。以主数据治理阶段为例，数据治理过程中的任务、角色、分工、职责如下：