第2章 数据分类的基本原则与方法

数据分类这件事，说起来好像很简单：就是把数据分门别类放好呗。但我在实际项目中踩过不少坑，才发现这里头门道真不少。好多人一上来就急着定分类体系，结果搞出来不是太粗就是太细，业务部门根本不买账。

这一章，我就把数据分类的核心原则和实战方法掰开了讲。你如果能把这些原则吃透，至少能避开 80% 的坑。

2.1 数据分类的五大核心原则

我总结下来，真正好用的数据分类方案，都跑不出这五个原则。我们一个个看。

原则	一句话解释	我的踩坑经验
业务相关性	分类必须跟业务场景挂钩，不能脱离实际	有次纯按技术字段分类，业务方完全看不懂
系统性	分类体系要完整，不能有遗漏或重叠	客户信息既放在“营销”又放在“客服”，乱套了
稳定性	分类维度不能三天两头变	有些公司半年换一次分类，数据治理根本没法做
实用性	分类结果要能落地执行	定的太细，一线员工根本记不住，等于白做
合规性	必须符合法律和行业监管要求	等保2.0和GDPR对某些数据的分类有硬性规定

2.2 三种主流的分类方法

方法有好几种，但我个人习惯分成三大类。你想想看，不同的场景用不同的方法，效率能高出一大截。

2.2.1 自上而下法（业务驱动）

说白了，就是从业务的顶层开始设计。先定义业务域，再拆成业务子域，最后落到数据实体上。

• 优点： 体系完整，不遗漏核心业务数据
• 缺点： 周期长，初期看不到成果
• 适用场景： 新建数据平台、数据中台建设

2.2.2 自下而上法（数据驱动）

这种方法更务实。先拉出所有数据清单，基于字段特征去聚类。比如把所有客户的手机号归到“个人敏感信息”类。

• 优点： 上手快，3-5天就能出初版
• 缺点： 容易漏掉业务语义，分类可能不合理
• 适用场景： 已有的系统梳理、数据资产盘点

2.2.3 混合法（最推荐）

我在项目中用得最多的就是混合法。先用自上而下搭框架，再用自下而上填充内容。

// 混合法操作步骤（我在项目中常用的套路）
1. 业务部门定义一级分类（客户、产品、交易、营销……）
2. 技术团队扫描库表，生成字段清单
3. 双方坐下来，把字段往分类里塞
4. 塞不进去的，回头调整分类维度
5. 反复迭代 2-3 轮，基本就稳了

2.3 从方法到实践：一个完整的分类流程

光讲理论太虚了。我直接给你画一张图，把整个流程串起来。

2.4 实战案例：互联网行业的数据分类

我拿一个真实的互联网项目给你们拆解一下。当时那个平台有 3000 多张表，30 多万个字段。要是没个方法论，光分类就能累死人。

第一步：定业务域。 跟业务总监聊了一个下午，定下来 7 个一级分类：用户、商品、交易、营销、内容、风控、基础数据。

第二步：字段打标签。 我用自下而上法，写了个脚本自动识别字段特征。比如字段名叫 mobile、phone、tel 的，直接打上“联系方式”标签。

# 字段打标伪代码（我当时写的简化版）
def auto_tag(field_name):
    if 'id_card' in field_name:
        return '个人身份标识'
    elif 'mobile' in field_name:
        return '个人联系方式'
    elif 'salary' in field_name:
        return '个人财务信息'
    else:
        return '待人工确认'

第三步：来回对齐。 技术打标的字段，让业务同事一个个确认。那次确认下来，大概有 15% 的字段被打标错了——主要是因为字段命名不规范。

2.5 分类的粒度：粗还是细？

这个问题我经常被问到。我的回答是：分层处理。

• 一级分类： 8-12 个，面向业务管理层
• 二级分类： 30-50 个，面向数据管理员
• 三级标签： 不限，面向机器自动化处理

你想想看，要是给 CEO 看一个 300 行的分类表，他肯定马上关掉。但如果你只给 10 个业务域，他就能立刻理解。

2.6 关于分类的文档化

分类做完了，一定要形成文档。我习惯用这种方式记录：

分类编码	分类名称	业务描述	包含字段示例	关联法规
D01	用户基础信息	注册、认证时采集的用户核心信息	user_id, nickname, avatar	个人信息保护法
D02	个人敏感信息	涉及个人隐私的高敏感数据	id_card, bank_card, biometrics	等保三级、GDPR
D03	交易流水	订单、支付、退款等交易记录	order_id, amount, pay_time	电子商务法

有这份文档，不管是做分级、做安全策略，还是做数据目录，都有据可依。而且，新同事来了，看这个表基本就能上手。

数据分类这事，不用追求一步到位。先跑起来，再迭代优化。我一直认为：一个能用但不断改进的分类体系，远好过一个完美但永远出不来的方案。