一文详解数据治理框架图 | DGI数据治理（二）
在第一篇《读透数据治理：DGI框架全解（第一章）》中我对数据治理的六个问题进行了诠释，本篇将正式介绍DGI数据治理框架图，这是当前关于DGI数据治理框架最新最全面的解读。
我们为什么需要数据治理框架呢？
所有组织都需要制定关于数据管理、价值实现、成本与复杂性降低、风险管理以及遵守日益增多的法律和监管要求的决策。
数据治理框架提供了一套管理数据资产的政策、程序、标准和指标，帮助组织明确复杂或不明确的概念。
这种框架使来自不同领域的利益相关者能更好地合作，共同确定目标，帮助管理层和员工做出长远影响的决策，确保规则得到遵守并有效处理问题。
总之，组织不仅需要管理数据，还需要一个治理系统为管理活动设定规则，就“决策的决策方式”达成共识。
DGI 数据治理框架正是为了协助这些而设计的，如下所示：
读懂这张图是理解DGI数据治理框架的关键，看起来是不是有点晕？没关系，让我们来解构它。此框架图共包含三套逻辑关系：
1、第一套逻辑是4W1H逻辑
即谁（Who），为了什么目的（Why），做了什么事情（What），是怎么做的（How），是为谁做的（For Whom），如图中左边所示，自上而下分为四个层次：
Who:人员和组织机构（People and Organizational Bodies）
Why：项目价值（Program Value）
What & How：治理产出、流程、项目（Governance Outputs, Processes, Work Program）
For Whom：受益者（Beneficiaries）
2、第二套逻辑是业务组件逻辑
此框架包含10个核心组件，如图中右边所示，按（1）到（10）的编号顺序分别是：
（1）Mission&Value：使命&价值
（2）Beneficiaries : Products, Services, Processes, Capabilities， Assets：受益者：产品、服务、流程、能力、资产
（3）Data Products; Catalogs; Definitions &Metadata：数据产品；目录；定义与元数据
（4）Controls; Checkpoints & Notifications：控制；检查点与通知
（5）Accountabilities; Oversight Models; Metrics：责任；监督模型；指标
（6）Decision Rights; Data-Related Decisions：决策权；与数据相关的决策
（7）Policy & Rules; Guidance & Guardrails：政策与规则；指导与保障
（8）Processes, Tools, Communications：流程、工具、沟通
（9）DG Work Program：数据治理项目
（10）Participants：参与者
这10个核心组件并非孤立，互相之间有紧密的联系，其业务逻辑关系如图中绿色和黄色箭头所示，可以解释为：
（10）与（9）通过（8）实现了数据治理的有效输出，输出物包括（3）（4）（5）（6）（7），这些输出物使得（2）受益，从而支撑了企业的（1）的实现。
3、第三套逻辑是映射逻辑
从图中还可以看出，4W1H和这10个组件有着明确的映射关系，即：
Who -> （10）参与者
Why -> （1）使命&价值
What -> （3）数据产品；目录；定义与元数据（4）控制；检查点与通知（5）责任；监督模型；指标（6）决策权；与数据相关的决策（7）政策与规则；指导与保障
How -> （8）流程、工具、沟通（9）数据治理项目
Who -> （10）参与者
由以上分析可知，DGI数据治理框架是由10个核心组件构成的有机整体，以价值为导向的数据治理项目从“为什么”开始：以一个或多个价值声明作为项目的基础，其使命是以可识别和可衡量的方式为项目的受益者提供价值，通过直接的项目成果和对协作努力的贡献实现价值，包括：
通过“小g”治理（受益者为数据管理员和保管员），增加数据资产的价值并控制风险，治理的产出包括：
数据产品；目录；定义与元数据（3） 控制措施；检查点与通知（4）
通过“大G”治理（受益者为决策机构），实现组织清晰度、效率和效果，治理的产出包括：
决策权；与数据相关的决策（6） 责任；监督模型；指标（5） 政策和规则；指导原则和保护措施（7）
同时，通过流程、工具和沟通（8）支持，数据治理项目（9）被作为一系列活动的组合进行管理，每个活动都有自己的重点、范围、目标、衡量指标、生命周期和资金模型。
数据治理办公室 (DGO)推动项目进行，其他参与者包括决策委员会、参与项目的数据管理者，以及为决策者和管理者提供支持的项目受益者（10）。
下面我举个例子说明引入数据治理框架的必要性；
假设有一家中型企业，主营业务是在线零售。起初，这家企业的数据管理主要集中在日常操作上，比如跟踪库存、处理客户订单和维护客户信息。这些任务通常由不同部门的员工使用各自的系统和方法来完成。
随着企业逐渐成长，它开始积累大量的数据，包括客户行为数据、销售数据和市场趋势信息。企业开始意识到，如果能够更有效地利用这些数据，就能更好地理解客户需求、优化库存管理和提升营销策略。
在这一点上，企业开始从单纯的日常数据管理，过渡到需要更宏观的数据治理决策。例如，他们可能需要建立统一的数据标准和格式，以确保不同部门之间的数据可以互通。他们还可能需要引入高级的数据分析工具来洞察市场趋势，或者制定数据共享和数据隐私的政策，以遵守法规并保护客户信息。
在这个过程中，企业可能并没有清晰意识到自己已经从处理日常数据管理任务转变为需要制定和执行整体数据治理策略。这种转变通常是逐步发生的，随着数据量的增加和数据利用需求的提高，组织逐渐认识到需要更全面的数据治理框架来支撑其业务战略和运营效率。
小型组织或数据环境较简单的组织可能通过非正式的治理系统实现这些目标。他们可能连自己何时从做日常管理的决策转变为做更宏观治理层面的决策都没意识到，正如上面的案例所示。
大型组织或数据或合规环境更为复杂的组织，通常发现构建一个更正式的治理系统是必需的。
DGI数据治理框架本身也在不断演进，当前的DGI版本跟以往版本已经有很大的不同，我觉得它还是比较接地气的，读来有很多的共鸣。
当然本篇只是对DGI数据治理框架进行的浮光绿影式的宏观介绍，接下来，我将会对框架包括的10个核心组件进行逐一解读。
注：从第一篇来看，读者比较少，也许这类文章过于学术了，但DGI真的很有价值，请帮忙朋友圈转发，推荐给有需要的人。
国家数据局正式揭牌4947
国家数据局首次招聘启动 10148
谈谈数据资产计入资产负债表的挑战和数据估值的几个常用方法 2975
数据资源||数据入表！（3414）