对于你喜欢的事想去做的事,你必须付出百分之一千的努力你知道这一路可能会有很多困难，会有坚持不下去想要放弃的时候也有时候，你不一定会得到你想要的结果,但你—定要相信。

公众号：857Hub

转发领取全集PDF 一份~~

数据治

数字转型，治理先行（为什么）

近几年，企业都在做数字化转型。数字化转型是为了使组织更好地适应数字时代的变革，提高效率、降低成本、增强竞争力。是将业务和流程数字化，以实现更快、更准确、更可靠的数据处理和决策。是以数据驱动的精细化运营、业务创新增长和商业模式创新。

现在有一句话说数字转型，治理现行因为数字化转型需要数据支持，而数据治理可以确保数据的质量和可靠性，从而支持数字化转型的实现。

在数字化和大数据背景下，数据治理将成为企业持续发展的关键要素。数字化转型依赖于企业的数据基础，但企业中数据管理和应用却面临着众多问题:

业务协同与流程贯通问题

不标准
不规范
无法跨业务

业务和运营管控指标口径不统一

无规则
标准不一致

数据质量无法满足业务应用

数据质量差
获取不及时

数据整合问题

数据分散
重复开发

我司作为一个金融领域的公司，经历过一系列的数据挑战，这些挑战往往具有普遍性，但同时又和我们特定的业务环境和历史因素紧密相关。以下是我们面临的一些主要问题：

数据库管理的外包导致数据质量问题：在之前的业务阶段，我们将数据库的管理工作外包给了第三方服务提供商。这样的安排带来了一定的灵活性，但同时也引发了一些问题。由于第三方的开发人员素质参差不齐，使得我们的业务库数据质量存在严重问题。例如，存在许多表没有设置主键，导致数据的查询和管理效率低下；表注释的缺失使得数据的含义和用途变得难以理解；表名和字段名的不规范，以及字段的不统一，都大大增加了数据处理的难度和复杂性

数据的接手和维护问题：在外包服务提供商退场后，新的接手人员对业务和数据库都不熟悉，这使得我们的数据资产陷入了一种尴尬的状态。许多数据表因为无人理解其业务含义和用途，因此不敢使用，也无法进行有效的维护和更新。同时，存在大量的空表，这些表因为长时间无人维护，也不敢随意删除，导致数据资源的浪费

业务线的复杂性和缺乏统一标准：我们的业务线非常多，而且各自复杂，各自业务线之间的沟通并不频繁，导致缺乏统一的数据标准和取数口径。这使得跨业务线的数据调用变得困难，往往不清楚应该从哪个数据源取数，取数的方式是什么，数据应该如何处理
业务优先，对数据质量的忽视：在业务压力面前，数据质量往往被忽视。整改的工作往往被视为次要的任务，不被重视。这导致我们的数据质量问题长期得不到解决，数据质量的问题反过来又影响了业务的效率和准确性

数据治理说起来容易，做起来难

据知名咨询公司Gartner的调研显示，在实施数据治理的企业中，有近50％的企业数据治理并未取得理想的效果，有34％的企业数据治理处于良性建设阶段，仅有16％的企业数据治理效果显著，处于行业领先水平。

为什么在企业中数据治理这么难做呢？我总结了以下三点：

* 没价值，推不动

没有将数据治理的价值与业务的价值进行匹配，所以没办法在业务口，业务层体现出数据治理的价值，业务部门不知道为什么要做，不知道怎么做，也不知道做的目的是什么，而偏偏数据治理本身却要靠业务部门来配合来治理。

* 没思路，治不了

大多数公司都没有专业的数据治理人员，也从来没接触过数据治理，只了解这么一个概念，不知道怎么去开展这样一个工作。不贴合公司的实际状况来对症下药

* 太费力，治不好

数据治理工作量大，投入成本高，治理周期长。很多公司在开展数据治理以后，在短时间内看不到成效，就不再推动，甚至停滞。而随着数据的不断产生，数据质量则会越来越差。

所以数据治理说起来容易，做起来难，做好更难。

数据治理概述（是什么）

DAMA国际数据管理协会对数据治理的定义是：数据治理是对数据资产的管理活动行使权力和控制的活动集合（规划、监控和执行）。国际数据治理研究所（DGI）给出的定义是：“数据治理是一个通过一系列与信息相关的过程来实现决策权和职责分工的系统，这些过程按照达成共识的模型来执行，该模型描述了谁（Who）能根据什么信息，在什么时间（When）和情况（Where）下，用什么方法（How），采取什么行动（What）。”

数据治理建设依据2018年3月15日，国家标准化管理委员会在《数据管理能力成熟度评估模型》标准号：GB/T 36073-2018 中定义，应该从数据战略、数据治理、数据架构、数据标准、数据生命周期、数据应用、数据质量、数据安全等八大方面进行评估。

数据战略

数据战略是指企业或组织利用数据资源来实现其业务目标和优势竞争的规划和方法。一个有效的数据战略可以帮助企业在日益激烈的竞争环境中脱颖而出，提高决策效率，降低风险，提升客户满意度和盈利能力。数据战略通常包括以下几个关键要素：

数据愿景与目标：明确企业的数据愿景，以及通过数据分析和应用实现的具体业务目标。
数据管理：制定数据管理的政策、流程和标准，确保数据的质量、一致性和安全性。
数据架构与技术：搭建数据基础设施，包括数据存储、处理、分析和可视化等方面的技术选型和部署。
数据治理：建立数据治理组织和责任体系，对数据资产进行有效的监督、评估和优化。
数据文化与能力建设：培育数据驱动的企业文化，提高员工的数据素养和分析能力，鼓励创新和跨部门合作。
数据价值实现：识别数据分析的应用场景，挖掘潜在商业价值，推动数据驱动的决策和业务变革。

数据治理

数据治理是组织对数据进行的一种系统性管理和监督，以确保数据质量、一致性、可用性、安全性和合规性。数据治理的目标是使数据成为可信赖、可维护和可支持决策的重要资产。以下是一些数据治理的基本概念：

数据质量：数据质量是指数据的准确性、完整性、一致性、及时性和可用性。数据治理通过数据清洗、数据校验和数据监控等方法，确保数据质量满足业务需求。
数据一致性：数据一致性是指在组织内部，不同数据源和业务系统之间的数据具有统一的定义、格式和度量标准。数据治理通过数据集成、数据标准化和数据元管理等方式，提高数据的一致性。
数据安全性：数据安全性是指保护数据免受未经授权访问、篡改和泄露的风险。数据治理通过数据加密、数据脱敏、数据访问控制和数据审计等措施，确保数据的安全性。
数据合规性：数据合规性是指数据的收集、处理、存储和使用符合相关法律、法规和行业标准的要求。数据治理通过数据政策、数据流程和数据监管等手段，确保数据的合规性。
数据所有权：数据所有权是指数据的归属、责任和权限的明确划分。数据治理通过设立数据负责人（Data Stewards）和数据管理组织，明确数据的所有权和责任。
数据目录：数据目录是一种记录组织内部数据资源的元数据信息（如数据定义、数据来源、数据关系等）的工具。数据治理通过数据目录，帮助员工更容易地发现、理解和使用数据。
数据生命周期管理：数据生命周期管理是指对数据从创建、使用、存储到销毁的整个过程进行规划和控制。数据治理通过制定数据保留策略、数据归档策略和数据删除策略等，确保数据在整个生命周期内得到有效管理。
数据隐私：数据隐私是指保护个人隐私信息和敏感数据免受未经授权访问和泄露的能力。数据治理通过实施数据脱敏、数据保护影响评估（DPIA）和隐私政策等措施，确保数据隐私得到充分保护。

数据治理是数据战略的重要组成部分，对提高数据价值和降低数据风险具有关键作用。

数据架构

数据架构是指组织内部数据的组织、存储和管理方式。它包括数据的结构、模型、流程和技术，以满足数据质量、性能和可扩展性等方面的需求。以下是一些数据架构的基本概念：

数据模型：数据模型是对现实世界中的数据对象、属性和关系的抽象表示。它有助于理解数据的结构和含义，并指导数据库设计和数据集成。
数据存储：数据存储是指数据在组织内部的存储方式和技术。主要包括关系型数据库、非关系型数据库和分布式数据库等，用于存储结构化数据和非结构化数据。
数据流程：数据流程是数据在组织内部流动和变换的过程，包括数据收集、数据清洗、数据转换、数据加载和数据分发等。数据流程的设计需要考虑数据质量、性能和可维护性等因素。
数据处理：数据处理是指对数据进行计算、转换和分析的过程。数据处理技术包括批处理、流处理和复杂事件处理等，以满足不同场景的数据处理需求。
数据分析与可视化：数据分析是从数据中提取有用信息和洞察的过程。数据可视化是将数据以图表、地图等形式展示的方法。数据分析和可视化工具有助于更好地理解数据和支持决策。
数据安全与合规：数据安全是保护数据免受未经授权访问、篡改和泄露的风险。数据合规是确保数据的收集、处理、存储和使用符合相关法律、法规和行业标准的要求。

数据架构的主要目的是确保数据与业务需求的一致性，并提供高效、灵活、可扩展的数据管理能力。

数据标准

数据标准是指对数据的定义、格式、度量、编码和质量等方面的规范和约定。数据标准旨在确保组织内部以及跨组织之间的数据具有一致性、互操作性和可比性，从而提高数据的价值和可用性。数据标准主要包括以下几个方面：

数据定义：数据定义是对数据的名称、含义、数据类型和取值范围等方面的规定。通过统一的数据定义，可以降低数据歧义和冲突，提高数据的理解和沟通效果。
数据格式：数据格式是指数据的表示和存储方式，如日期格式、数字格式、文本编码等。统一的数据格式有助于简化数据交换和集成，提高数据的可读性和可处理性。
数据度量：数据度量是对数据的计量单位和精度的规定，如长度单位、重量单位、货币单位等。统一的数据度量可以保证数据在不同场景下的可比性和转换性。
数据编码：数据编码是指将数据转换为特定格式的过程，如字符集编码、条形码、二维码等。统一的数据编码有助于确保数据的可识别性和互操作性。
数据分类：数据分类是对数据进行分组和分级的过程，如按照数据敏感性、数据重要性等维度进行分类。数据分类有助于组织更好地管理和保护数据资产。

数据标准是数据治理的重要组成部分，对提高数据价值和降低数据风险具有关键作用。

数据安全

数据安全是指保护数据不被未经授权的访问、使用、修改、泄露、破坏或丢失的过程。数据安全涵盖了数据的保密性、完整性和可用性三个方面。

保密性指的是确保只有授权的人员能够访问敏感数据，并对未授权人员进行防止和监控。
完整性指的是确保数据没有被篡改、损坏或销毁，并保持数据的一致性和可信度。
可用性指的是确保数据在需要时可用，包括防止数据被意外删除、系统故障、网络攻击等导致数据不可用的情况。

为了确保数据安全，通常需要采取一系列措施，包括：

访问控制：实施身份验证、授权和审核等措施，确保只有授权的人员能够访问敏感数据。
数据加密：使用加密技术对数据进行保护，确保数据在传输和存储过程中不被窃取或篡改。
数据备份和恢复：定期备份数据，并测试恢复流程，以确保在数据丢失或损坏的情况下能够及时恢复数据。
安全培训：对员工进行安全培训，提高员工的安全意识和技能，避免因员工的疏忽或错误导致数据泄露或遭受攻击。
安全监控：使用安全监控工具和技术对数据进行监控和检测，及时发现和应对安全事件。

数据安全是保护数据不被未经授权的访问、使用、修改、泄露、破坏或丢失的过程。

数据质量

数据质量是指数据的准确性、完整性、一致性、可靠性、及时性和适用性等方面的程度，也就是数据是否符合预期的标准和要求。数据质量的好坏直接影响到数据的分析、决策和应用结果的准确性和可信度。

数据质量通常可以从以下方面进行评估：

准确性：数据是否反映了真实世界中的情况。
完整性：数据是否包含了所有必要的信息。
一致性：数据是否在不同的系统或环境中保持一致。
可靠性：数据是否可信、可靠，是否经过验证和审查。
及时性：数据是否及时更新和反映最新情况。
适用性：数据是否适合特定的应用场景和目的。

数据质量的问题可能来自于多个方面，例如数据采集、数据处理、数据存储、数据传输等环节都可能会引起数据质量问题。为了提高数据质量，需要采取一系列措施，例如：

数据质量管理：建立数据质量管理体系，包括数据质量评估、数据质量监控、数据质量报告等流程。
数据采集：采用标准化的数据采集方法，确保数据的准确性和完整性。
数据处理：采用合理的数据处理算法和工具，避免出现数据丢失、重复、错误等问题。
数据存储：采用安全、可靠的数据存储方式，避免数据泄露和损坏。
数据传输：采用安全、加密的数据传输方式，确保数据在传输过程中不被窃取或篡改。

数据应用

数据应用是数据战略的核心目标和价值所在，是指基于数据和分析方法来解决实际问题、优化业务流程、支持决策和创造价值的过程。以下是一些与数据应用相关的概念：

数据分析：数据分析是从数据中提取有用信息和洞察的过程。数据分析方法包括描述性分析、探索性分析、预测性分析和规范性分析等。
数据可视化：数据可视化是将数据以图表、地图等形式展示的方法。数据可视化工具有助于更好地理解数据和支持决策。
数据驱动的业务流程：数据驱动的业务流程是指利用数据和分析方法来指导和优化业务活动的过程。数据驱动的业务流程可以提高业务效率、降低成本和提高客户满意度。
数据产品和服务：数据产品和服务是基于数据和分析方法开发的解决方案、工具和平台。数据产品和服务可以帮助用户更好地利用数据、解决问题和创造价值。
机器学习和人工智能：机器学习是一种基于数据训练模型的方法，用于预测、分类和推荐等任务。人工智能是一门研究使计算机模拟人类智能的学科。机器学习和人工智能技术可以提高数据应用的智能性和自动化程度。

数据生命周期

数据生命周期是指数据从创建到最终处理的整个过程，包括数据的创建、存储、使用、维护和销毁等阶段。它有助于组织更好地管理其数据资产，提高数据的价值和可用性。通常，数据生命周期包括以下主要阶段：

数据采集：数据生命周期的第一个阶段是数据采集，即从各种数据源收集数据。这些数据源可以是内部数据源，例如企业应用程序、数据库和文件系统，也可以是外部数据源，例如社交媒体、传感器和外部数据提供商。
数据存储：数据采集后，数据需要存储在合适的地方，以便后续的处理和使用。数据存储可以包括传统的关系型数据库、非关系型数据库、数据仓库、数据湖等。
数据处理：数据处理是数据生命周期的核心阶段，包括数据清洗、数据转换、数据集成、数据分析和数据可视化等。这些操作可以帮助组织更好地理解其数据，并从中获取关键见解。
数据维护：数据生命周期的下一个阶段是数据维护，包括数据备份、恢复、数据安全、数据质量管理、数据隐私和安全等活动。这些活动有助于确保数据的安全性、完整性和可靠性。
数据销毁：在数据生命周期的最后阶段，数据需要被安全地销毁。这可以通过数据删除和数据销毁等方式实现，以确保数据不被未经授权的人访问。

为了方便大家理解，我用更简洁的话描述

数据战略：实现数据价值的方针

数据治理：数据管理的过程

数据架构：数据分类、组织和管理结构

数据标准：数据管理的规范和准则

数据安全：数据保护的过程

数据质量：数据的准确性和稳定性

数据应用：数据用于实现商业价值的过程

数据生命周期：数据从产生到消亡的过程

数据治理体系建设（怎么做）

制定数据治理策略：

分析业务需求和数据需求
明确数据治理的具体目标
制定具体的数据治理计划，如时间线、预算和资源
设定绩效指标用以评估且保证数据治理的效果

建立数据治理组织架构：

成立数据治理委员会，明确成员职责
设立数据管理员和数据负责人等角色
制定沟通机制和合作流程，以确保数据治理工作的顺利进行

这是阿里的的数据治理管理架构，类似的这种规模较大的组织也都会会专门成立一个部门来做数据治理。因为这种大体量的单位，做一个非常小的一个优化或者改进，就会有一个非常明显的成效。对于我们中小型的公司，数据量没有那么大，数据部门人员也比较少，可以专门抽出来一个组或者指定几个人专门去做数据治理，并在各业务部门中安排一个人抽时间来对接。

数据清洗和标准化：

识别和消除重复数据
纠正错误数据，如拼写错误、格式错误等
转换数据格式，以确保数据的一致性

数据质量管理：

设定数据质量指标，如准确性、完整性、一致性等
制定数据质量检查流程，包括自动化检查和人工审核
设立数据质量改进措施，如数据修复、数据补充等
定期评估数据质量，并进行优化

数据生命周期管理：

制定数据归档策略，如按数据类型、访问频率等进行归档（冷温热的异构存储）
设定数据删除策略，如按数据过期时间、业务需求等进行删除
制定数据保留策略，以确保数据的合规性

形成数据资产：

设计数据分类体系，如按业务功能、敏感性等进行分类
制定元数据标准，包括数据定义、数据结构等
建立元数据管理工具和平台，以便查找和使用元数据
利用数据分析，发现数据中的潜在价值，转化为数据资产

数据安全和隐私保护：

制定数据安全政策和标准
实施加密、访问控制和审计等安全措施
遵守相关法规
定期进行数据安全检查和隐私评估

持续改进：

定期收集员工、客户的反馈
对数据治理策略、流程和工具进行优化和调整
分析数据治理绩效指标，发现问题和改进点，形成闭环

培训和推广：

开展内部培训，提高员工的数据治理技能和意识
组织数据治理分享会，交流经验和教训
提供在线资源和培训材料，方便员工自主学习
将数据治理融入企业文化，提高员工对数据治理工作的认识和参与度

上述概述的是数据治理的常见流程。在实践中，执行数据治理的企业普遍都会根据自身的特定环境和业务需求，采用类似的流程。然而，数据治理并非一成不变的公式，而是应当灵活应对各类不同的情况。具体操作时，每个企业都需要根据自己的实际需求、环境和目标，对这个流程进行适当的定制和调整。这样才能最大程度地利用数据治理提升业务效率和决策质量。

在我们公司，我们并没有机械地按照这个通用流程进行操作。相反，我选择了一种更具针对性、更符合我们公司具体需求的方式来进行数据治理。我依照公司的核心业务需求、业务环境、数据质量和完整性，以及公司的数据治理目标，对通用的数据治理流程进行了创新性的改进和优化。这样，我们公司的数据治理不仅有效地支持了我们的决策制定，而且提高了我们的业务效率，最终实现公司的发展目标。

数据治理的实施过程是一个系统化、结构化的流程，它包含了从提升业务领导对数据治理重要性的理解，到规范数据架构，最后达到提升数据质量和建立数据资产管理的步骤。在我们公司，这个过程的落地执行主要经历了以下五个步骤：

第一步数据治理启动会议：该会议是数据治理工作的开端，邀请了公司的各级领导以及业务部门主要负责人参加。我们在会议中提出了数据治理的重要性，解释了高质量、规范的数据对于金融决策软件的重要性。我们解释了数据治理是如何通过提升数据质量和规范性，帮助我们的决策软件提供更准确的预测和分析，从而提高客户满意度和公司业绩。此外，我们还介绍了如何实施数据治理，以便于得到领导和各部门的支持和参与。

接着，我们开始进行数据探查。鉴于公司过去的业务主要依赖外包，导致数据架构缺乏规范，我们启动了一个详细的数据探查过程。我们通过探查理解并梳理了公司的数据架构和业务流程，详细记录了每一个数据表和字段的信息，例如字段的名称，类型，长度，是否允许为空，以及它们在业务流程中的作用。这个过程的成果是一个详尽的数据字典，它将作为我们后续提升数据质量和规范性工作的基础。

在第三步中，我们开始着手提升数据质量。由于业务线的工作压力大，各部门的OKR和KPI执行都很紧张，因此，我们决定从业务源头开始提升数据质量。我们将通过一系列自动化工具，定期进行数据质量评估，检查数据的准确性，完整性，一致性和时效性。例如，我们将自动检查客户数据是否存在重复，是否存在格式错误，是否存在缺失等问题。如果发现问题，我们会找出问题的源头，找出问题的原因，并进行修复，从源头提升数据质量，以降低业务压力。

在第四步，我们开始制定一套详细的数据标准和规范。这包括了开发规范，上线规范和命名规范等。例如，字段命名规范要求使用英文单词或缩写，避免使用拼音或无意义的字符。我们规定了日期和时间类型的存储规则，使用 DATE、DATETIME 或 TIMESTAMP 类型来存储日期和时间信息。所有表都必须有一个主键（primary key），而且是一个自增的整数类型。我们还为每个字段添加了详细的注释，描述了字段的含义和用途。这些规范有助于保证数据的规范性，提升数据质量，从而保障数据的质量和一致性。

第五步，我们开始构建数据资产管理系统，以更好地管理和利用数据资源。该系统包括指标管理，标签管理，元数据管理，以及数据健康和安全管理。我们定义了一套标准的业务指标，并建立了一个系统来管理这些指标，从而使得业务部门可以方便地查询和使用这些指标，而不需要手动从各个数据源中提取和计算。我们建立了一个标签库，用于给数据打标签。这些标签可以帮助我们更好地分类和理解数据，也方便我们快速找到需要的数据。我们还建立了一个系统来管理元数据，即描述数据的数据，例如数据的来源，创建时间，更新频率等，以保证我们对数据有全面的了解。此外，我们还建立了一套系统来监控数据的健康状态，例如数据的质量，更新状态等，并设置了一系列安全策略和机制，以保护数据不被非法访问和篡改。

在这个过程中，我们构建了一个集成化、可视化的数据中台，这个中台可以自动执行大部分数据治理任务，大大提升了我们的工作效率。通过这个数据中台，我们不仅可以更好地管理我们的数据资源，也可以通过数据分析和可视化，帮助决策者更好地理解业务状态，提高决策质量。总的来说，我们的数据治理实施过程是一个系统化、结构化的流程。通过这个过程，我们不仅提升了数据的质量和规范性，也提高了数据的利用效率，保护了数据的安全，最大限度地提升了公司的决策质量和业务效率。这个过程不仅使得数据治理的过程更加高效，也使得我们的数据资源得到了更好的利用，最大限度地提升了公司的决策质量和业务效率。

数据治理成效（意义）

在我们的数据治理实践中，我深深体会到数据治理不仅仅是一种工作，更是一种全新的思维方式，一种根植在企业每个角落的理念和文化。数据治理引导我们从数据源头出发，全方位、系统地进行管理和治理，目的是为了提高数据质量，发掘数据的价值，同时保障数据的安全。

我司在经历了一系列详细且具有针对性的数据治理工作后，取得了显著的成效。其中包括数据质量的显著提升，业务部门对数据部门及其提供数据的信任度大大提高。我们成功地构建了一个集成化和可视化的数据中台，这极大提高了数据治理的效率。此外，我们更高效地利用了数据资源，这不仅大幅提升了公司的决策质量，同时也优化了业务流程。

而实施数据治理的过程中，也带来了许多意想不到的收益。首先，通过数据治理，我们得以深入理解我们的数据，进一步洞察业务流程，这使我们更加清楚地发现业务的优点和不足。其次，借助于数据治理，我们更有效地运用数据，为业务提供更有深度的洞见和建议。最后，数据治理也助推了公司内部的数据文化建设，使得全公司员工都能理解并认识到数据的价值。

数据治理并不是一项简单的任务，它需要深远的投入，包括人力、财力和时间。然而，这样的投入绝对值得。我们正在经历一个数据快速发展的时代，"数据驱动决策"的商业文化正逐渐成为主流。在这个新文化中，数据已经不再仅仅是数字，它已经变成企业的生命线。通过良好的数据治理，我们能拥有准确、及时、全面的数据来支持决策，帮助我们避免错误决策，快速理解业务情况，以及发现新的商机。

数据治理并不是一蹴而就的过程，而是一种持续性的努力。在这个过程中，我们需要建立规范的数据治理架构，不断提升数据质量，建立全面的数据资产管理系统，同时也要保证数据的安全。尽管这个过程中可能会面临各种挑战，但我们不能因此而放弃。相反，我们应该更加珍视这个过程，因为这个过程能帮助我们发现并提升数据的价值，从而增强企业的核心竞争力。只有通过持续并深入的数据治理，我们才能最大化地利用我们的数据资源，提升我们的决策质量和业务效率，这是公司发展的重要支撑。

从另一个角度来看，你可以把数据治理想象成一座桥梁，它将公司的各个部门连接在一起，促进信息的流通和交流。当这座桥梁建立起来后，各个部门就能更好地协同工作，决策者能更准确地把握业务状况，员工也能更深刻地理解他们的工作对整个公司的价值。这就是数据治理的魅力，它能将公司的各个部分紧密联结，推动整个企业的持续发展。

尽管数据治理需要投入一定的资源和时间，但我相信随着数据的持续增长和发展，数据治理的重要性将会越来越被大家所认识。

【建议收藏】|某大型金融集团内部数据治理实战总结

数据治