数据中台增速骤降，企业也不再像囤积土地资源一样囤积数据，开始更多关注数据本身能够带来的价值。同时，也开始更加关注基于数据中台的数据治理应该如何开展。在技术架构上，数据治理始终都是数据中台的重要组成部分，但是数据治理的成效始终都没有发挥出来，原因何在？本文分析了数据中台与数据治理的后续发展趋势和思路。
市场在扩大，但是趋于理智，价值导向更明显
数据中台是中国本土诞生的一个词，从技术的角度来讲，笔者个人认为是对数据架构和数据平台的一个巨大贡献，快速拉近了高不可攀的数据技术与实际应用的距离，让数据在企业落地变得触手可及。数据中台显然是近几年的一个行业热点，几乎所有有能力的客户，都会套用数据中台的概念来启动数据域建设或者改造，试图打破信息壁垒和数据烟囱，实现数据资产的整合。在数据要素配置的政策加持下，数据中台市场规模迅速扩大。
最近看了一些数据，数据中台增长率从2019年的120%，降到了2022年的30%，再到2023年的24%，虽然不同机构对这一数字的解读用了不同词儿，有的叫增长趋于平稳，有的叫增速骤降，怎么说都对，但其中的共识就是客户开始变得比以前理智，不再纠结于过分追新求快，开始关注数据中台的价值导向。客户也开始更理智的看待数据要素，从一开始像囤积土地资源一样囤积数据，开始更多关注数据本身能够带来的价值。同时，也开始更加关注基于数据中台的数据治理应该如何开展。
数据中台与数据治理本就你中有我，我中有你
数据中台的出现在客观上对传统数据治理的推进造成了一定的影响，但是数据中台从本质上跟数据治理是相辅相成的关系。首先，数据中台实现了数据资源的聚合和融通，承载了业务条线对数据的需求和期望，是企业切入数据域建设的重要途径和抓手。企业通过数据中台的建设和落地，比较容易在数据层面“找问题”、“强弱项”，有助于数据治理意识和体系的形成。数据中台要想持续发挥价值，需要受数据治理体系的管理和约束，数据治理的持续运行有助于进一步加强和推动数据服务能力建设。
虽然在技术架构上，数据治理始终都是数据中台的重要组成部分，但是数据治理的成效始终都没有发挥出来。究其原因，问题应该出在管理和组织上。
除了工具和平台，我们应该怎么理解数据治理
1.统一思想
数据治理应该成为企业数字化转型战略的一部分，针对不同情况和处境，尽快达成一致，形成统一的治理思想和战略，并纳入数字化战略统一推进。处在数字化转型初期的，应该采取管理先行制度为王的策略；处在数字化转型中期的，应该尽快建立数据治理平台能力，建立全链路数据跟踪监测体系和数据质量基线，快速发现问题，避免一乱一治的问题。
2.组织至上
数据治理始终都是一个以人为本的领域，数据治理的核心是人，不是系统。这个概念可能很多人不能接受，但事实就是这样。平台和工具只能代替人去处理一些重复性劳动，但是数据意识的养成、数据标准的建立、数据质量体系的完善都需要靠人去推动。所以，成立专门的组织就很重要，建立面向数据治理、数据运维和数据运营的专门团队，确定团队和组织的地位和责权利，就变成了当务之急。有时候组织的范围不仅仅是本单位内部，还会包括你的应用开发商、服务商和供应商。
3.模式适配
通常来讲，数据治理的推进模式有集中式、联邦式和分布式。模式没有好与坏的区别，适合的就是最好的。比如，对于管理能效高，自上而下推动力强的企业，显然集中式是最佳的选择。对于存在多源异构数据的企业，数据资源丰富、需要调动不同业务条线的数据意识和积极性，联邦制可能更适合。
4.建章立制
在以前的数据治理活动中，很大程度上规章制度是缺位的。数据治理往往以运动的方式出现，“醒时同交欢，醉后各分散”，雷声大雨点小，运动过后无人问津，一切都回归原点。数据治理的建章立制的过程，也是“立法”的过程，需要明确数据的管理职责、管理流程，形成常态化治理机制，实现数据的“长治久安”。
数据治理的发展趋势
从目前来看，数据治理的发展趋势，有很多方面已经很明确了，比如数据治理与AI的结合、数据安全与数据治理的深度融合、数据价值呈现成为数据治理的关注焦点。以上思路毋庸多言，我想重点分享一下下面的观点：
业务牵引的精细化治理，成为趋势
传统大水漫灌式的数据治理方式，正在被业务场景聚焦的精细化方式取代，开始尝试重点突破关键和核心业务场景，在局部和小范围进行推进，取得成效以后再进行推广。同时，不同行业和领域对数据治理能力的需求迫切程度也不一样，比如金融数据治理重点关注数据标准化，多源异构数据较多和离线实时数据并行的场景更关注数据质量监测，需要按照结合行业属性和业务特点进行有针对性的精细化治理，杜绝头疼医头脚疼医脚。
全链路数据跟踪监测体系和数据质量基线需要持续关注
说起数据质量监测，这正成为数据治理取得价值突破的重要抓手。面对大量多源异构数据和不同业务场景下，离线和实施数据并存的情况，全链路数据跟踪监测体系显得尤为重要，需要从数据源、数据模型到数据应用的全链路监控，监控数据调取、数据运行状态和数据质量事件。同时，我们需要及时构建数据质量运维基线，根据任务要求建立合理的基线预警，对数据质量问题早发现早处置。关注持续的任务关联性和影响性分析（有点像业务连续性里面的业务影响性分析），基于全链路的数据血缘，梳理上下数据依赖关系，及时通报及时修复。
数据治理和数据平台一体化建设
数据治理体系和数据平台建设，往往没办法依照“发现问题、分析问题、解决问题”的路径去落地，会受很多问题的制约和限制。解决数据问题，通常有两个思路：一是从平台架构、技术方面思考解决方法。这个方向就是数据中台，数据中台中的“一切业务数据化、一切数据业务化”的思想，体现出来的数据资产化、元数据管理等等跟数据治理思想一致。二是通过数据治理解决问题。在这个方向上，数据治理从数据资源目录梳理、数据标准建立开始，逐步推动数据资源服务和数据能力服务两大板块。
因此，数据平台建设与数据治理正在深度融合，按照一体化建设的思路向纵深发展。
DataOps数据开发治理一体化
近几年，DataOps数据开发治理一体化在业界非常受欢迎。部分数字化转型较早、数据资源条件优厚的企业，借鉴传统DevOps的理念，将原本分散的数据治理、管理、开发和应用等环节打通，形成一个无缝衔接的大闭环，去破解企业在数据应用中的难题。
究竟什么是DataOps，在现在阶段不太好定义。维基百科对DataOps的定义是一种面向流程的自动化方法，由分析和数据团队使用，旨在提高数据分析的质量并缩短数据分析的周期，简而言之，就是提供一整套工具和方法论，让数据应用的开发和管理更加高效。显然，这个定义有点笼统又不明确。
我们一般理解，DataOps的目标是为了使数据资源和数据应用的开发变得更加有序和可控，实现组件和能力重用以及过程自动化，实现面向用户的自助式数据分析。DataOps在数据开发运营体系化方面，可以作为数据中台建设必须参考的一个方法论。DataOps 强调的是数据应用的开发和运维效率，就像DevOps 一样，DataOps 希望通过提供一整套工具和方法论，来让数据应用的开发和管理更加高效。
如果说数据中台是数据战略层面的，笔者理解DataOps就是战术层面的。
