ThinkingAI Logo
返回博客列表

数据治理流程案例解析:流程图背后的执行逻辑

以深铁集团数据治理专项和华为云公开示例为线索,拆解数据治理流程图各环节的输入、交付物、责任与验收条件,并给出六个可复用检查点和Agent时代的知识治理补充。

2026-11-2010分钟
数据治理流程案例解析:流程图背后的执行逻辑

一份数据治理流程案例,流程图通常画得很顺:调研、规划、建标准、上平台、运营,箭头从左上走到右下。项目启动后,让流程停下来的,常常是图上没有写出的部分:这一步谁拍板,上一环节要交出什么,什么条件下才能进入下一步,出了问题回到哪一格。流程图背后的执行逻辑,就是把每个节点写成有人输入、有人拍板、有交付物、有验收条件、有回退路径的动作。

先看一个集团级项目和一套平台操作示例的对照。主线是深铁集团2021年启动的数据治理专项;对照是华为云DataArts Studio公开的使用流程与出租车出行数据入门示例。前者是集团级治理项目,后者是平台操作示例,两者不能混为一谈。先把数据治理框架看清,再回到流程图,会更容易判断哪些框只是动作名,哪些框能推动项目。

一、深铁案例的起点:先把问题、范围和目标说清

深铁集团启动专项时,面对的是大型集团常见的局面。业务系统覆盖越来越广,数据规模快速增长,各板块也有一定管理基础,但统计口径不统一、数据质量不高、数据孤岛严重,数据难以支撑经营决策和运营优化。截至2023年3月底,集团地铁运营里程516.7公里,日均客流800.91万人次,这样的业务体量会让口径问题迅速放大。

项目从调研和评估开始。团队先用问卷调研和现场访谈了解业务、数据和治理现状,再按DCMM数据治理方法论,从内容建设、技术支撑、保障机制三个层面找问题,并参考同业实践评估成熟度。评估结果显示,综合数据治理水平接近受管理级,问题集中在数据壁垒多、共享和追溯困难、主数据管理薄弱、数据质量不高、数据应用刚起步。

这些判断决定了后面所有动作的范围。项目把目标收成三句话:

  • 看得清:盘点数据资产,建立企业级数据资产目录;
  • 管得住:建立组织、制度、流程和评价考核机制,管住标准、质量和安全;
  • 用得好:依托集团统建的数据平台做分析、展示和共享。

流程图上的现状调研环节,交付物应当包括这一轮治理的范围和优先级。 深铁把治理蓝图覆盖到13个核心业务领域,这个范围就是调研阶段最直接的输出。

二、蓝图到执行:四段动作各自要交出什么

深铁把做法概括为厘清战略目标、绘制治理蓝图、发布制度流程与技术规范、盘点数据资产,并在系统与项目中推动落地。对应到流程图,蓝图、制度、盘点、落地是四段连续动作,每一段都要有交付物,也要有进入下一段的条件。

1. 蓝图阶段:1+3+1把治理对象分开

深铁把蓝图拆成1份目录、3套体系、1组平台。1份目录是数据资产盘点及数据资产目录;3套体系分别是数据管理体系、数据技术体系、数据应用与服务体系;1组平台承载数据资产管理、服务共享和智能分析。数据技术体系又列出数据架构、数据标准、数据质量、主数据、元数据、数据安全、数据生命周期、数据需求、数据运维和数据应用绩效十个领域。

这套分法的执行意义在于分清三件事:谁定规则、规则管哪些对象、用什么系统承载(参见数据治理与数据平台)。蓝图里的每个体系都要能找到对应的责任部门和交付物,否则它就还停留在汇报材料层面。

2. 制度阶段:把原则写成可执行条款

项目编制了十余项数据管控制度流程和7项数据标准管理规范,覆盖数据资产管理总纲、数据定义管理、数据安全规范、数据资产规范等内容。制度要能直接指导执行,条款里应有责任人、处理时限、变更程序和例外处理。流程图画到建章立制时,检查这几项比检查文件数量更有用。

3. 盘点阶段:从主题域落到字段

数据资产盘点分三层:业务属性回答数据有哪些,技术属性回答数据在哪里,管理属性回答数据谁在管。项目从L1主题域分组一直盘到L5字段级,形成5个L1级主题域分组、34个L2级主题域、405个L3级业务对象、2503个L4级逻辑数据实体、19107个L5级数据资产项,接近2万字段,并制定了数据认责方案。

资产目录的价值,体现在每个资产项都能找到业务含义、系统位置和责任部门。 少一项认责,目录就会退回成一张字段清单。

4. 落地阶段:让标准进入系统和项目验收

项目之后建设数据资产目录管理系统并上线,支持全集团员工浏览和管理数据资产;推进员工、合同、会计科目、线路、站点、枢纽等核心主数据标准,统一编码、分类以及业务、技术、管理三类属性;集团大数据平台优化时,把数据集成标准写进新建或改造信息系统的竣工验收标准。

最后一条最能说明执行逻辑。标准进入项目验收,意味着新建系统不按标准接数据就过不了验收,治理从倡议变成约束。流程图能否走通,常取决于有没有这样一条带验收权的箭头。 项目有交付节点,治理机制还要长期运行,治理项目与持续运营的边界需要在立项时提前分清。

三、平台流程图为什么从流程设计开始

再看平台侧。华为云DataArts Studio的公开使用流程,把流程设计放在购买和配置之前。流程设计包含需求分析、业务调研和流程设计三步,之后才是实例配置、数据连接、数据集成、元数据采集、数据架构、数据开发、数据质量、数据目录、数据安全和数据服务。

官方入门示例用某市出租车出行数据演示,目标是统计某出租车供应商2017年度的运营数据。示例先列问题:没有标准化模型、字段命名不规范、数据内容不标准、质量不可控、统计口径不一致。再列目标:数据标准化、模型标准化、统一统计口径、质量监控告警,以及按天、按月、按支付类型统计收入。

业务调研表把后续配置需要的信息逐项问清,包括数据源类型和版本、全量与增量规模、迁移周期、网络带宽、作业数量、调度次数、资产规模、质量需求、安全要求和数据服务调用量。数据质量监控则按完整性、有效性、及时性、一致性、准确性、唯一性六个维度设置规则。

平台流程图的起点是业务问题和数据现状,购买实例只是其中一步。 调研表填不清,后面的连接、建模、质量规则和服务配置就会反复返工。这是平台官方操作示例,不能用来证明某家企业取得了什么效果;它说明的是,平台操作流程本身也要求先把输入问清。

四、流程图对不上执行,通常断在五个地方

把集团级案例和平台示例放在一起看,流程图与执行脱节,常见五种断点。

流程图节点执行要素示意图,标出输入、责任人、交付物、验收条件与例外回退

图:流程节点接收输入、输出交付物,责任人与验收条件标注在节点上,例外回退回到输入。

  • 只有动作名,没有输入和输出。 图上写建标准,却没有写依据哪些业务问题选标准、由谁起草、什么算评审通过。下一环节拿不到可用输入,只能重新开会。
  • 有部门名,没有决定权。 口径冲突时由谁裁决、多久给出结论、结论对哪些系统生效,图上看不出来,争议就会绕开流程。
  • 标准发布了,没有落标。 文件发完就结束,新建系统照旧接数据,历史数据无人清洗。深铁把数据集成标准放进竣工验收,解决的正是这个断点。
  • 平台上线了,业务问题没有主人。 工具能跑任务,指标异常却没人认领。资产目录里缺责任部门,问题就会在技术与业务之间来回转。
  • 没有例外和回退路径。 数据源不可用、质量规则误报、标准变更影响历史报表时,流程若只画正向路径,团队只能停在那里等指令。

这五条属于对两个公开案例的对照判断,使用时还要结合自己企业的流程。它们可以用来检查一张流程图:每一条箭头,是否都能回答谁交什么、谁来判、判不过怎么办。

五、复用前,把六个检查点写进图里

如果要把这套流程迁移到自己的企业,先不必照着画一样的框。把下面六个检查点补进现有流程图,通常更能减少返工。

检查点图上要写清可用的完成证据
范围与基线这轮覆盖哪些业务域,先解决哪几个口径或质量问题业务域清单、问题清单、基线数据
责任与裁决谁拥有数据对象,口径争议由谁裁决认责表、裁决机制、升级路径
标准与变更标准覆盖哪些对象,变更如何评审和通知标准文档、变更记录、影响范围说明
资产目录盘点到哪一层,业务、技术、管理属性是否齐全资产目录、责任人、系统位置
落标与验收新系统何时接入,按什么标准验收验收条款、接入检查结果
运营与复盘质量异常如何发现、分派和关闭质量规则、问题单、复盘记录

六个检查点里,最容易被省略的是责任与裁决,最难补的也是它。 资产可以再盘,平台可以再配,责任一旦悬空,标准和质量规则都会停在文档里。

对第一次做治理的企业,范围可以更小。选一个业务域、一组核心指标、一份能落到字段的资产清单,先把认责、标准和验收跑通,再扩业务域。IBM在数据治理实施方法中也强调从小处着手、围绕优先级业务成果迭代推进,并定期量化评估。这个建议与深铁的集团级规划并不冲突:集团定框架,试点验证执行细节。

六、Agent开始用数据后,流程图末端要多一步

治理成果过去主要服务报表和分析师。现在,Agent这类能自主调用工具完成任务的智能体,也会读取指标定义、业务规则和历史文档,直接回答问题或生成查询。如果同一指标在报表、文档和知识库里各有一套定义,Agent会把这种混乱放大。

流程图的末端因此要多一个检查点:治理后的指标、标准和业务定义,是否以可追溯的方式发布给AI使用。ThinkingAI的企业级知识库把这件事拆成两条机制:用SSOT,也就是单一事实来源,保证同一概念全系统只有一处定义;用ChangeSet记录每次更新的差异,支持对比和回滚。它面向Agent提供结构化、可追溯的知识,适合承接面向Agent的语义层里统一指标口径这类治理成果。ThinkingAI已服务全球超1500家企业,接入产品超8000款,这些数据智能实践也为知识治理提供了场景基础。

治理流程的终点正在从报表能用扩展到Agent答得一致。 是否增加这一步,取决于企业是否已经把数据分析或问答交给Agent;如果还在以人工报表为主,先把前六个检查点跑顺更实际。

常见问题

数据治理流程图一般分几个阶段?

没有统一数量。深铁的集团级项目按战略目标、蓝图、制度、资产盘点和落地推进;华为云的平台示例按流程设计、数据集成、元数据、数据架构、数据开发、质量、目录和服务展开。阶段多少取决于这一轮要解决的问题,阶段拆得越多,交接点也越多。

数据治理流程案例里的效果数据怎么判断?

先看基线、时间范围、统计口径和证据来源。深铁公开材料主要列出交付物和上线状态,没有给出投入产出数字,这并不影响它说明流程怎么执行,但不能据此推算收益。看到效率提升或成本下降的说法,要追问基线是什么、统计了多长时间、由谁统计。

制度和平台哪个先上?

两者相互约束,可以并行准备。制度先明确谁定标准、谁负责、怎么验收,平台再把标准和规则固化下来。深铁先形成蓝图和制度,再建设目录系统;华为云示例也要求先做流程设计,再配置平台。只有平台没有制度,标准很难落标;只有制度没有平台,执行依赖人工。

中小企业没有专职数据团队,怎么开始?

从一个业务域、一组核心指标和一份能落到字段的资产清单开始。先把责任人、标准和验收写清,再考虑扩范围和上平台。范围小,问题暴露得快,也更容易形成可复用的模板。

数据治理流程和平台实施流程有什么区别?

数据治理流程决定治理谁、谁负责、按什么标准、什么算完成;平台实施流程是把数据和规则接入工具的操作顺序。两者需要对接,不能互相替代。平台流程跑得再顺,治理责任没有落地,数据仍然不可信。

参考资料

  • 深圳市地铁集团有限公司,深铁集团数据治理规划项目,DAMA中国,2024年4月
  • 华为云,DataArts Studio使用流程,华为云帮助中心
  • 华为云,步骤1:流程设计,华为云帮助中心
  • IBM,如何实施数据治理

准备好构建你的 Agent 团队了吗

立即体验 Agentic Engine, 让 AI 成为真正的团队成员

ThinkingAI Big Logo
电话咨询