DGI(Data Governance Institute)数据治理框架是屹今为止我看到过的最棒的数据治理框架，我所实践的数据治理内容，大都没有逃脱这个框架，因此推荐给你。

为了方便大家读懂DGI框架，一方面我摘取了DGI数据治理框架[1]每个章节最核心的内容要点，方便大家速览，另一方面，我会结合实践，给出自己的解读和详细说明案例。

这是DGI数据治理框架系列的第三篇文章，将介绍该框架10个组件的第1个组件-使命与价值(Mission&Value)，“使命与价值”在DGI数据治理框架中的位置如下图①所示：

本文围绕“使命与价值”回答四个数据治理问题：

1、数据治理的核心使命是什么?

2、数据治理的五大工作是什么?

3、数据治理的目标如何确定?

4、数据治理项目如何定位?

这里同时列出了历史文章，方便大家回顾复习：

(1)一文详解数据治理的5W1H | DGI数据治理(一)

(2)一文详解数据治理框架图 | DGI数据治理(二)

一、数据治理项目的核心使命

每个数据治理项目的使命都应该是为组织提供价值。它通常通过以下方式实现这一目标：

1、提升组织的产品、服务、流程、能力和资产的价值;

2、降低成本、复杂性、混乱和延误;

3、降低风险。

案例1：提升价值

一家大型零售公司实施数据治理项目，重点是清洁、标准化和整合客户数据。通过建立统一的客户数据平台，该公司能够更准确地分析客户行为和偏好，从而优化其营销策略和产品供应。这直接提高了销售效率和客户满意度，增加了产品和服务的价值。

案例2：降低成本

一家制造公司通过数据治理项目，对其供应链管理系统中的数据进行了标准化处理。这包括制定数据质量标准和整合来自不同来源的数据。结果，该公司能够更有效地跟踪库存水平，预测供应需求，减少了库存过剩和缺货的情况。这不仅降低了运营成本，也减少了供应链管理的复杂性和相关的时间延误。

案例3：降低风险

一家金融服务公司启动了一个数据治理项目，旨在改善其对敏感客户数据的管理。项目包括实施更严格的数据访问控制、审核跟踪和合规性监测。通过这些措施，该公司能够更好地保护客户数据，减少了数据泄露的风险，从而降低了业务运营中的合规和声誉风险。

二、数据治理项目的间接特性

数据治理意味着“对数据相关事务的决策权和权威行使。” 更具体地说，数据治理是“一个决策权和信息相关过程的责任制度，根据商定的模型执行，这些模型描述谁可以在何时、在什么情况下、使用什么方法对哪些信息采取什么行动。”

基于这个定义，数据治理的内涵包括五个方面：

1、建立组织架构

2、明确决策权和责任

3、制定/收集/协调规则

4、监控/执行合规性

5、解决问题

可以看到，数据治理项目本身不直接产生收入或直接降低成本和风险，但它通过影响其他事物的输出来创造价值，这是数据治理和数据管理很大的不同。

下面给出一个案例来说明数据治理项目的这种间接特性：

一家国际银行面临数据管理的挑战，包括数据质量不一、信息孤岛、决策效率低下和合规性风险。银行启动了一个数据治理项目，旨在通过改进数据管理来提升其产品和服务的质量，增强客户满意度和市场竞争力。

建立组织架构：银行成立了一个数据治理委员会，由高级管理层领导，负责制定数据治理策略和监督执行。这确保了数据治理项目与银行的战略目标一致，提高了决策的效率和效果。

明确决策权和责任：通过定义数据所有者、数据质量管理者和数据使用者的角色和责任，银行明确了谁负责监控、维护和使用数据。这增强了数据的准确性和可用性，为提供更好的客户服务和产品决策提供了支持。

制定/收集/协调规则：银行制定了一系列数据质量标准、安全政策和合规要求，并确保全行遵循。这提高了数据的质量和安全性，降低了合规风险，使银行能够更有效地开发和提供符合客户需求和监管要求的金融产品和服务。

监控/执行合规性：通过实施数据审计和监控机制，银行能够持续评估数据管理实践的有效性，并及时调整以满足变化的业务需求和法规要求。这不仅保护了银行免受数据泄露和合规风险的威胁，也增强了客户对银行服务的信任。

解决问题：银行建立了一个反馈机制和问题解决流程，以快速识别和解决数据相关的问题。这提高了业务流程的灵活性和响应能力，使银行能够更有效地应对市场变化，提高服务质量和客户满意度。

通过执行这些数据治理举措，银行不仅提升了数据质量和数据管理的效率，还间接提升了其产品和服务的质量、增强了客户满意度和市场竞争力。

银行能够基于高质量数据做出更精确的业务决策，开发新的金融产品和服务，同时降低了运营成本和合规风险，最终实现了组织的长期可持续发展。

三、数据治理项目的目标确定

每个数据治理项目都需要考虑组织的独特条件、文化和痛点，以形成适合自身的价值传递方法。

那么如何确定呢?

DGI建议在项目开始时，以及定期之后，项目负责人会与组织中的其他人会面，审视塑造成功项目的因素，下面这些问题[1]的回答有助于界定数据治理项目试图实现的目标，包括：

1、现有治理

关于数据管理的决策是如何做出的?

存在哪些决策机构来解决数据需求?

潜在受益者在数据决策中的参与程度如何?

2、现有管理

领导层对数据治理和管理的看法是什么?

数据管理是独立的职能，还是融入到技术管理中?

执行数据分析和数据科学的职能是否在数据管理中有发言权?

3、现有数据

组织是否开发了销售或共享的数据产品?

组织是否因其当前的数据实践面临重大合规风险?

数据分析和数据科学对他们处理的数据有什么看法?

4、对项目的期望

领导层表达了对数据治理的什么期望?

商业和合规项目对数据治理有什么期望?

技术团队对你的项目有什么期望?

5、治理视角

数据治理项目是否旨在直接向组织的领导团队提供战略性输入?

它是否希望通过汇聚不同部门或团队的力量，来确保大家在重要事项、使用的资源以及最终的成果上能够保持一致，从而提高效率和效果。

它是否预期专注于少数类型的输出，例如数据质量、术语表、专注合规性，或支持特定项目?

6、治理文化

数据治理将被授予多大实际权力?

它是否主要定位为咨询或合规功能?

它的影响范围和深度预期是什么?

下面示例了某大型零售企业如何通过回答以上问题明确数据治理目标，供大家参考：

1、背景

该企业拥有庞大的数据资产，但数据质量参差不齐，数据管理混乱，导致数据分析和应用效率低下。为了解决这些问题，企业决定实施数据治理项目。

2、问题

现有治理：

关于数据管理的决策是如何做出的?

目前，数据管理决策主要由 IT 部门负责，缺乏业务部门的参与。

存在哪些决策机构来解决数据需求?

目前只有一个数据管理委员会，但其成员主要是 IT 部门的代表，业务部门的参与度不高。

潜在受益者在数据决策中的参与程度如何?

业务部门对数据管理的参与度不高，主要原因是缺乏数据管理知识和技能。

现有管理：

领导层对数据治理和管理的看法是什么?

领导层认识到数据治理的重要性，但对具体实施缺乏了解和支持。

数据管理是独立的职能，还是融入到技术管理中?

数据管理目前是 IT 部门的一个职能，尚未融入到业务部门的日常管理中。

执行数据分析和数据科学的职能是否在数据管理中有发言权?

数据管理目前是 IT 部门的一个职能，尚未融入到业务部门的日常管理中。

现有数据：

组织是否开发了销售或共享的数据产品?

尚未开发数据数据目录等产品。

组织是否因其当前的数据实践面临重大合规风险?

存在数据隐私和安全方面的风险。

数据分析和数据科学对他们处理的数据有什么看法?

数据分析和数据科学部门认为数据质量不高，影响了分析结果的准确性。

对项目的期望：

领导层表达了对数据治理的什么期望?

希望提高数据质量，降低数据安全风险，并为业务决策提供支持。

商业和合规项目对数据治理有什么期望?

希望数据治理能够提供准确、可靠的数据，支持业务运营和合规管理。

技术团队对你的项目有什么期望?

希望数据治理能够提供规范的数据标准和工具，提高数据管理效率。

治理视角：

数据治理项目是否旨在直接向组织的领导团队提供战略性输入?

是的，项目将定期向领导团队汇报数据治理进展情况和成果。

它是否希望通过汇聚不同部门或团队的力量，来确保大家在重要事项、使用的资源以及最终的成果上能够保持一致，从而提高效率和效果。

是的，项目将建立数据管理协作机制，确保各部门在数据管理方面保持一致。

它是否预期专注于少数类型的输出，例如数据质量、术语表、专注合规性，或支持特定项目?

项目将首先专注于提高数据质量和建立数据标准。

3、目标

根据上述问题的回答，该企业明确了数据治理项目的目标：

提高数据质量，降低数据安全风险。

建立统一的数据管理标准和规范。

提升数据分析和应用效率。

为业务决策提供支持。

4、实施方案

建立数据治理组织架构，明确各部门职责。

制定数据管理政策和标准。

实施数据质量管理和数据安全管理。

建立数据共享和应用平台。

开展数据治理培训和教育。

四、数据治理项目的多重定位

可能是战略性功能，由首席数据官领导，旨在优化组织数据资产。

可能是小规模功能，专注于为特定受益者提供价值。

可能介于两者之间，如作为行业趋势的远见者、变革的推动者、技术和组织部分之间的桥梁等。

案例1：作为战略性功能的数据治理

谷歌(Google)的数据治理策略。在谷歌，数据治理是由首席数据官(CDO)领导的战略性功能。这种定位使得数据治理在谷歌的日常运营和长期战略规划中起着核心作用。例如，谷歌通过其数据治理实践优化了数据资产的管理，确保了数据的质量和安全性，并支持了数据驱动的创新。这种战略性定位帮助谷歌保持了在技术领域的领导地位，支持了其持续的业务增长和新产品的开发。

案例2：作为小规模功能的数据治理

一家中型医疗保健提供商实施的数据治理项目。在这个案例中，数据治理被定位为一个较小规模的功能，专注于改善患者数据的质量和一致性。该项目的目标是为医疗服务提供者提供更准确和完整的患者信息，从而提高医疗服务的质量。这种较小规模的数据治理实践对特定的受益者(如医生和护理人员)产生了直接价值，改善了患者的治疗结果。

案例3：介于战略性功能和小规模功能之间的数据治理

一家大型金融服务公司的数据治理项目。该公司的数据治理既不完全是战略性功能，也不仅是小规模功能，而是起着连接技术和业务部门的桥梁作用。数据治理团队与业务部门紧密合作，以确保数据管理实践支持公司的业务目标。同时，他们监督技术部门的数据架构和工具的选择，以确保这些技术解决方案符合业务需求。这种定位使得数据治理在支持业务决策和促进技术创新方面发挥了关键作用。