1. 数据治理概述：定义、核心目标与边界

聊数据治理之前，我想先问一个问题：你所在的公司，有没有出现过这些情况？

• 业务部门说「报表数据对不上」，技术部门查了半天发现是口径不一致
• 新来的数据分析师问「客户表在哪」，老员工说「你问的是哪个客户表？我们有三个」
• 合规审计时，发现某张表里居然有明文身份证号，吓得赶紧打补丁

这些场景，我几乎在每个项目里都见过。说白了，它们都是数据治理没做好的典型症状。

这一章，我们先搞清楚数据治理到底是什么，它的核心目标是什么，以及它和数据管理有什么区别。嗯，这些基础概念如果不掰扯清楚，后面讲权限模型设计时你会越听越糊涂。

1.1 数据治理的定义

数据治理（Data Governance）不是一套工具，也不是一个平台。我个人习惯把它理解为：一套关于数据资产的管理体系。

更正式一点的定义是：数据治理是对数据资产管理行使权力和控制的活动的集合。它包括数据标准、数据质量、数据安全、数据生命周期等一系列管理活动。

你想想看，一个企业有财务数据、客户数据、生产数据……这些数据谁来管？怎么管？管到什么程度？出了问题谁负责？——这些问题的答案，就是数据治理要回答的。

1.2 核心目标：可用性、完整性、安全性

数据治理的目标可以归纳为三个关键词。这三个词，我建议你记牢，因为后面所有章节都会反复提到它们。

目标	含义	典型问题
可用性	数据在需要时能被正确的人获取	数据找不到、权限申请流程过长、数据孤岛
完整性	数据准确、一致、无缺失	字段为空、数据对不上、重复记录
安全性	数据不被未授权访问、泄露或篡改	敏感数据暴露、权限过大、审计缺失

可用性——说白了就是「想用的时候能用上」。我曾经帮一家零售企业做治理，发现他们的销售数据存在三个不同的系统里，口径还不一样。业务要拉个日报，得等IT手动跑脚本。这叫什么可用性？这叫「不可用」。

完整性——数据不准，比没有数据更可怕。我记得有个金融客户，因为客户信息表中的手机号字段有30%是空的，导致营销活动ROI计算完全失真。后来一查，是上游系统没做非空校验。

安全性——这个不用多说。GDPR、个人信息保护法出来之后，数据安全已经从「加分项」变成了「必答题」。我见过最夸张的一个案例：某公司把全量用户表放在一个任何人都能访问的共享目录里，连密码都没有。

1.3 数据治理 vs 数据管理

这两个概念经常被混用。我面试时也喜欢问这个问题——能说清楚的人，基本对数据治理有真正的理解。

简单来说：数据治理是「决策层」，数据管理是「执行层」。

• 数据治理：定规矩、定标准、定角色、定流程。它回答的是「谁可以做什么」「数据应该长什么样」「出了问题找谁」。
• 数据管理：按照治理定的规矩去执行。包括数据建模、数据存储、数据清洗、数据备份等具体技术活动。

我打个比方：治理是立法，管理是执法。没有立法，执法就是瞎搞；没有执法，立法就是空文。

维度	数据治理	数据管理
定位	战略层、决策层	战术层、执行层
主要活动	制定政策、分配权限、监控合规	数据建模、ETL、质量清洗、存储运维
负责人	数据治理委员会、数据所有者	数据工程师、DBA、数据分析师
输出物	数据标准文档、权限矩阵、审计报告	数据仓库、数据字典、清洗脚本

你想想看，很多公司数据管理做得不错——ETL跑得溜、数仓搭得稳、报表出得快。但为什么还是乱？因为治理没跟上。没有统一的数据标准，每个团队各自为政，最后数据越管越乱。

1.4 本章知识体系总览

下面这张图，把数据治理的核心逻辑串起来了。你可以把它当作本章的「思维导图」。

这张图展示了本章的核心逻辑：数据治理以可用性、完整性、安全性为目标，通过「立法」的方式指导数据管理去「执法」。后面的章节，我们会围绕这三个目标，一步步展开权限模型的设计与落地。