4. 数据分级分类方法论：数据资产盘点归纳总结
数据分级分类这件事，说白了就是先搞清楚你家里到底有什么东西，然后再决定哪些值钱、哪些该锁保险箱。我做了这么多年数据治理项目，发现一个残酷的事实：很多团队一上来就急着定级别、写标签，结果盘点阶段就漏了三分之一的数据资产。后面补起来，简直是噩梦。
这一章，我们就把数据资产盘点归纳总结的方法论掰开揉碎。我个人习惯把整个过程拆成四个环节——摸底、归类、梳理、输出。下面一个个说。
4.1 数据资产摸底：你得先知道家底
数据资产盘点的第一步，不是技术，而是管理。你想想看，如果连公司有哪些数据库、哪些表、哪些文件都不清楚，后面的分级分类就是空中楼阁。
我在项目中遇到过一家金融公司，他们自己统计说“我们有200个数据源”。结果我们一摸排，发现光是分公司自己建的Excel台账就有300多份，没人管。所以摸底阶段，我建议用“三张表”来拉网：
| 表名 | 内容 | 责任人 |
|---|---|---|
| 系统资产清单 | 所有业务系统、数据库、中间件、数据仓库、大数据平台 | 运维团队 |
| 文件资产清单 | 共享目录下的Excel、CSV、PDF、日志文件等非结构化数据 | 各业务部门数据负责人 |
| API接口清单 | 数据接口、ESB服务、数据交换任务 | 开发团队 |
这里有个坑：千万不要只依赖自动化扫描工具。工具能扫到数据库表，但扫不到业务人员在本地电脑上存的那份“客户信息最终版2024.xlsx”。你得配合人工确认。
我曾经踩过的坑：一个项目里我们用了脚本自动扫描Hive元数据，列出了3000张表，大家觉得挺全。结果安全审计时发现，财务部有30个Excel文件放在共享文件夹里，里面包含员工工资明细。那些表根本不在元数据里。从那以后，我每次盘点都会要求业务部门亲自签字确认“这就是我们所有的数据资产”。
4.2 数据归类：建立业务与技术双视图
摸底完成后，你手上会有一堆原始名单。接下来就是归类。这里面有两个维度要同时拉：
- 业务视图：按业务域划分，比如客户域、产品域、交易域、风险域、员工域。这有助于后面做“业务影响分析”。
- 技术视图：按数据存储类型、数据格式、访问方式划分。比如结构化表、半结构化JSON、非结构化文档。
我建议用一张数据资产分类矩阵表来管理，效果非常好。举个例子：
| 数据资产名称 | 业务域 | 技术类型 | 所属系统 | 数据量 | 更新频率 |
|---|---|---|---|---|---|
| 客户基本信息表 | 客户域 | MySQL表 | CRM系统 | 500万行 | 每日增量 |
| 交易流水日志 | 交易域 | HDFS文件 | 交易系统 | 每日20GB | 实时 |
| 员工花名册 | 员工域 | Excel文件 | 人事共享盘 | 1个文件 | 每周更新 |
归类阶段还有个容易忽略的事——数据血缘初探。我个人习惯在归类时就顺手标记一下“这个表是从哪个源系统来的”“下游被哪些报表引用”。哪怕只是画个简单的调用关系，后面分级的时候会省很多力气。
4.3 数据梳理：提取分级分类所需的关键属性
归类完，你是不是觉得已经差不多了？还早。接下来才是重头戏——梳理关键属性。分级分类不是看表名拍脑袋，你得知道每个数据资产里到底装了什么东西。
我总结了一个“梳理五要素”：
- 数据内容描述：这个表/文件里存了什么？比如“客户身份证号、手机号、家庭住址”。
- 敏感字段清单：具体哪些字段属于个人敏感信息、企业商业秘密、机密信息。这是分级最重要的依据。
- 访问权限现状：当前谁能读？谁能写？权限是粗放还是精细？
- 数据存储位置：是内网还是公网？是否加密？是否脱敏？
- 数据生命周期状态：是正在使用的活跃数据，还是归档的冷数据？
关键点：梳理阶段必须细化到字段级别。只说到“客户表包含敏感信息”是不够的。你要明确“身份证号字段是C2级，手机号是C3级，家庭地址是C3级”。后续自动化标签脚本才能精准落地。
4.4 数据归纳总结：输出体系化成果
前面三步做完，最后就要把成果归纳整理，形成数据资产目录。这个目录既是分级分类的基础，也是数据治理的“一本账”。
我一般要求输出以下三种成果：
- 数据资产清单（全量）：包含所有数据资产的基本信息、业务域、技术属性。
- 敏感数据矩阵：突出展示哪些资产包含哪些级别的敏感数据，方便后续制定管控策略。
- 数据分布热力图：用可视化方式展示敏感数据在各系统、各业务域的分布情况。
下面这张SVG图，就是整个数据资产盘点归纳总结的知识框架。你可以把它当作一个总路线图——从头看到尾，每一步做什么、产出什么，一目了然。
4.5 避坑指南：我总结的三个常见问题
避坑一：盘点范围“灯下黑”
我曾经在一个项目里，花了三周把所有数据库表都排查了一遍，自认为很完美。结果最后发现，测试环境里有一份“客户脱敏测试数据”居然连了生产库，包含真实身份证号。从那时候起，我强制要求盘点范围必须包含开发测试环境、备份环境、非生产环境。你以为没人用的地方，往往最危险。
避坑二：归类粒度太粗或太细
有人把整个数据库当成一个资产，有人说要把每个字段当成一个资产。这两种都极端。我建议的粒度是——以表/文件为基本单元，同时在表内部标记敏感字段。这样既不会让资产数量爆炸，又能支撑后续的字段级分级。
避坑三：忽略数据副本
唉，这真是个老生常谈的问题。源系统一张表，被ETL抽到数仓，又被人手动导出成Excel，再被邮件转发给合作伙伴。同一个数据资产，物理上可能变成了四个副本。你在盘点时只统计了源表，后面分级封禁只封了源系统，那三个副本照样裸奔。我的建议是：在归类阶段就标记“有无副本”“副本在哪里”。后续可以做“副本收敛”专项行动，把冗余副本清理掉，顺便减少分级范围。
好了，数据资产盘点归纳总结这部分，我们就聊到这。你记住一个核心原则：盘点不彻底，分级全是废。老老实实把这三步走扎实，后面做分级分类才能又快又准。下一步，我们会实际操盘如何给这些资产“定级别”，那个环节更有意思。不过在进入之前，不妨先把本章的SVG框架存下来，每次做项目时对照着走一遍，基本不会出大岔子。