數據治理實踐者手記

第一篇　理論與方法
第1章 為什麽數據治理如此重要 2
1.1　科技特徵及演化趨勢 3
1.1.1　組織進化與數智化轉型 6
1.1.2　技術進化與劇烈“內捲” 10
1.1.3　數據消費場景的演進 11
1.2　數據資產的特徵 15
1.2.1　通用資產的特徵 15
1.2.2　數據的保鮮期 16
1.2.3　數據可能是負資產 17
1.2.4　數據資產的特殊性 17
1.3　數據之“痛”，“痛”在哪裡 18
1.3.1　找不到關鍵數據 20
1.3.2　數據質量差 21
1.3.3　分析手段舊 23
1.3.4　分析效率低 24
1.3.5　數據雜亂 25
1.3.6　響應業務變化慢 26
1.3.7　非結構化數據的信息密度低 27
1.4　數據治理，治理什麽 28
1.4.1　改善數據質量 29
1.4.2　優化數據時效 30
1.4.3　提升數據消費 30
1.4.4　貫徹數據標準 31
1.4.5　降低持有成本 31
1.4.6　完善治理組織 32
1.5　本章小結 32
第2章 敏捷數據治理方法論 33
2.1　什麽是敏捷數據治理 34
2.1.1　統計報表的局限性 36
2.1.2　非數字原生企業的轉型挑戰 39
2.1.3　常見數據治理框架的局限性 40
2.1.4　數據標準化面臨的困難 42
2.1.5　數據治理的常見誤區 43
2.2　敏捷數據治理的總體框架、執行要點及主要特性 45
2.2.1　敏捷數據治理的總體框架 46
2.2.2　敏捷數據治理的執行要點 49
2.2.3　敏捷數據治理的主要特性 52
2.3　確定目標、釐清現狀 53
2.3.1　調研及評估 54
2.3.2　如何獲得高層管理者的支持 56
2.3.3　如何獲得業務部門的支持 58
2.3.4　常見的數據治理切入點 60
2.4　數據治理平臺規劃 65
2.4.1　有效的數據治理計劃 66
2.4.2　技術路徑選擇 70
2.4.3　組織保障體系 72
2.5　本章小結 75

第二篇　平臺建設與工具
第3章 敏捷數據治理平臺的技術規劃 78
3.1　技術框架的總體思考 79
3.1.1　彼之蜜糖，汝之砒霜 80
3.1.2　數據的處理與存儲方式 83
3.1.3　數據庫、數據倉庫與數據中台 86
3.1.4　數據特性的治理差異 88
3.1.5　雲原生 89
3.1.6　微服務 90
3.1.7　應用性能監控 91
3.2　數據存儲 92
3.2.1　規劃要點 93
3.2.2　存儲備份 94
3.2.3　實操經驗 96
3.3　數據技術底座 98
3.3.1　公有雲套件 99
3.3.2　私有化部署 101
3.4　數據ETL 103
3.4.1　多源異構 104
3.4.2　任務調度 105
3.4.3　數據清洗 106
3.5　產品選型建議 107
3.5.1　技術架構 108
3.5.2　成本預算 110
3.5.3　供應商綜合實力 112
3.6　本章小結 114
第4章 敏捷數據治理平臺的功能分析 115
4.1　智能數據應用 115
4.1.1　自助式BI分析 116
4.1.2　數據分析洞察 118
4.1.3　數據預警 120
4.2　數據指標體系 121
4.2.1　數據梳理：自上而下 122
4.2.2　數據梳理：自下而上 125
4.2.3　可視化指標管理 127
4.3　模型構建 129
4.3.1　指標模型 130
4.3.2　數據模型 136
4.3.3　算法模型 138
4.3.4　展示模型 140
4.4　主數據管理 143
4.4.1　主數據編碼 144
4.4.2　主數據集成 148
4.4.3　主數據範圍識別及難點分析 149
4.5　元數據管理 153
4.5.1　應用場景 156
4.5.2　難點及案例分析 156
4.6　數據標準管理 160
4.6.1　標準制定 162
4.6.2　標準落地 163
4.6.3　常見問題 170
4.6.4　難點分析 172
4.6.5　術語辨析 175
4.7　數據質量管理 177
4.7.1　質量指標 178
4.7.2　事前預防 180
4.7.3　事中控制 181
4.7.4　事後補救 181
4.7.5　難點分析 183
4.8　本章小結 184
第5章 數據治理項目的落地實施 185
5.1　項目實施過程管理 187
5.1.1　項目啟動 188
5.1.2　例行會議 189
5.1.3　管理要點 190
5.2　長效運營與持續改善 192
5.2.1　組織挑戰 193
5.2.2　文化挑戰 194
5.3　項目實踐中的難點 195
5.4　本章小結 199
第6章 數據治理工具箱 201
6.1　數據ETL工具 203
6.1.1　功能與特點 204
6.1.2　開源ETL產品 206
6.1.3　商業ETL產品 208
6.1.4　缺陷評述 209
6.1.5　選型建議 210
6.2　主數據管理工具 212
6.2.1　功能與特點 212
6.2.2　開源MDM產品 214
6.2.3　商業MDM產品 214
6.2.4　缺陷評述 215
6.2.5　選型建議 216
6.3　元數據管理工具 218
6.3.1　功能與特點 219
6.3.2　開源元數據管理產品 220
6.3.3　商業元數據管理產品 221
6.3.4　缺陷評述 222
6.3.5　選型建議 224
6.4　數據標準管理工具 224
6.4.1　功能與特點 225
6.4.2　產品介紹 226
6.5　數據質量管理工具 226
6.5.1　功能與特點 227
6.5.2　開源數據質量管理產品 229
6.5.3　商業數據質量管理產品 230
6.5.4　缺陷評述 231
6.5.5　選型建議 232
6.6　數據共享與開放工具 233
6.6.1　數據資產目錄 233
6.6.2　BI報表 236
6.7　本章小結 241

第三篇　場景解讀
第7章 應用場景 244
7.1　大型集團/企業 245
7.1.1　案例：A集團的協同管控之路 245
7.1.2　難點解析 247
7.1.3　應對策略 249
7.1.4　實現效果 250
7.2　零售與分銷行業 252
7.2.1　案例：B零售公司數據治理助推數字化轉型 252
7.2.2　難點解析 254
7.2.3　應對策略 256
7.2.4　實現效果 257
7.3　製造業 258
7.3.1　案例：C零部件製造企業數據驅動的業務優化 259
7.3.2　難點解析 260
7.3.3　應對策略 260
7.3.4　實現效果 261
7.4　電商行業 263
7.4.1　案例：D電商公司數據治理支持精準營銷 263
7.4.2　難點解析 264
7.4.3　應對策略 265
7.4.4　實現效果 266
7.5　政府、金融和能源等領域 268
7.5.1　案例：數據開放與治理 268
7.5.2　難點解析 270
7.5.3　應對策略 271
7.5.4　實現效果 273
7.6　本章小結 275
第8章 技術場景 276
8.1　混合雲架構下的數據治理 277
8.1.1　案例：E醫療集團的數據治理 277
8.1.2　難點解析 278
8.1.3　應對策略 279
8.1.4　實現效果 280
8.2　大數據架構下的數據治理 282
8.2.1　案例：F廣告公司的大數據營銷平臺 282
8.2.2　難點解析 283
8.2.3　應對策略 284
8.2.4　實現效果 285
8.3　微服務架構下的數據治理 287
8.3.1　案例：G烘焙公司的數據一體化平臺 287
8.3.2　難點解析 288
8.3.3　應對策略 290
8.3.4　實現效果 291
8.4　本章小結 293
第9章 業務場景 294
9.1　財務數據治理與應用 295
9.1.1　案例：H集團的業財一體化平臺建設 295
9.1.2　難點解析 297
9.1.3　應對策略 298
9.1.4　實現效果 299
9.2　供應鏈數據治理與應用 300
9.2.1　案例：J零售連鎖企業集成供應鏈協同優化 300
9.2.2　難點解析 302
9.2.3　應對策略 303
9.2.4　實現效果 305
9.3　營銷數據治理與應用 306
9.3.1　案例：K電子商務公司的精準營銷 307
9.3.2　難點解析 308
9.3.3　相關技術 309
9.3.4　應對策略 310
9.3.5　實現效果 311
9.4　生產數據治理與應用 312
9.4.1　案例：M機械製造企業的生產效率提升 313
9.4.2　難點解析 314
9.4.3　相關技術 315
9.4.4　應對策略 316
9.4.5　實現效果 318
9.5　本章小結 320
後記 總結與展望 321