科普｜数据治理如何在 Martech 中发挥效能？

在 Martech 领域，有一个小众又重要的领域，数据治理。说它小众，是因为这个词在 Martech 中很少被提及；说它重要，是因为它远超市场侧应用的范围，而是企业级管理的重要一环。在近期的调研中，超六成企业将大数据平台建设与数据治理作为 2021 年的“十四五”战略规划；“数字化转型 + 数据治理”的解决方案成为企业实现数据驱动增长的共同选择。根据沙利文与头豹研究院的调研，2018 至 2024 年，数据治理在大数据平台建设中预算占比逐年升高，数据治理市场将保持 39% 的年复合增长率到达 325.5 亿元。

当前国内充分吸收国外数据治理先进经验后，全国范围内数据资产意识升级，数字化转型与数据安全需求进一步增强。国家层面高度重视数据资产管理，全行业提倡数字化转型与数据治理。标志性事件是 2019 年十九届四中全会首次将数据作为生产要素并列，至 2020 年中共中央国务院在《关于构建更加完善的要素市场化配置体制机制的意见》中，进一步提出要“加快培育数据要素市场”。同时在 2021 年 6 月 10 日，第十三届全国人民代表大会常务委员会第二十九次会议通过《中华人民共和国数据安全法》，更是将数据安全治理提升至前所未有的高度。在这一阶段，我国全行业全面铺开数据治理，推进数字化转型。

那数据治理究竟是什么？其实，数据治理的概念在业界尚未定论，DAMA（国际数据管理协会）认为，数据治理（Data Governance，DG）指的是对数据资产管理行使权力和控制的活动集合（计划、监督和执行）。DGI 则认为，从广义来说，数据治理是对数据相关事项作出决策的工作。从狭义来说，数据治理是与信息相关过程的决策权与问责制度体系，根据商定的模型执行，确定谁能够对什么信息采取什么措施，以及什么时候、在什么样的情况下使用什么方法。

在国内研究机构的定义中，阿里研究院认为：数据治理即建立在数据存储、访问、验证、保护和使用之上的一系列程序、标准、角色和指标，以期通过持续的评估、指导和监督，确保富有成效且高效的数据利用，促进跨组织协作和结构化决策，为企业创造价值。头豹研究院认为：在数据驱动的业务与生产环境中，围绕具备更高可用性的数据标准与数据模型，规划构建“采集、存储、管理、服务”一整套制度体系的系统工程。此外，在阿里研究院调研中，总结了数据治理的相关学者的界定，在此不再赘述。

综合以上各家之言，可以说数据治理既是一个管理概念，又是一个技术概念。它是一个组织进行数据资产沉淀的基础，也是所有数据应用的根基，它的好坏直接影响数据的价值实现。

数据治理可以具体为营销和运营解决怎样的问题呢？我们认为，主要有以下三点：

第一是打通团队和组织。有些反常识的是，企业数据用不好最重要的因素并非技术困难，而是管理问题。比如，未设立数据管理关键角色权力和责任、数据治理各个相关角色缺乏共同语言、多个部门之间配合不到位等等。这时，一个好的数据治理方案，可以重塑各部门组织架构与合作方式，明确数据团队的责任，将数据工作流程化、规范化，提升组织产出效率。

第二是积累“有效”的数据资产。当下企业普遍存在数据源太多、太杂的问题，比如数据格式不统一、类型不统一、结构化和非结构化数据并存、用户行为数据和客户基本信息割裂，导致整体数据获取和对接的成本较高。这时我们可以治理多种数据源，确保公司各渠道数据采集的完整性，并通过规范的 ETL 与数据模型，用 ID-Mapping 构建统一用户体系，从而帮助企业打造有效的客户主题的数据资产。

第三是驱动数字化应用落地。我们在购买 Martech 工具时，总是将应用场景想象得非常美好，然而实际应用中却发现距离落地遥遥无期，其中的关键就在于数据质量如何管理。通常企业面临的场景是：源头的数据埋点和接入数据的质量无法保证，只能对上游数据做人为修复，随着时间变长，杂质越来越多，能用的越来越少，系统功能再好也只能报废。这时，我们做好从源头到应用系统的全局数据质量监控尤其重要，拥有干净的数据和统一的用户体系，才可以实实在在地赋能业务运营中的分析场景和营销场景，这才是上期科普中我们曾提到的 Martech 数据根基。