第4章 数据治理与质量管理面试题

面试问题：请谈谈你对数据治理框架的理解，以及如何构建数据治理体系？

面试官考察点：是否具备系统化治理思维，能否将组织、制度、流程、技术有机结合。

回答框架：

1. 明确治理目标（合规、质量、效率）；
2. 从组织架构、制度规范、流程机制、技术工具四层展开；
3. 强调自上而下推动、分阶段实施、持续运营。

简短示例回答：“数据治理框架包括组织治理委员会、数据标准与安全制度、生命周期流程，以及元数据平台和质量工具。构建时先做现状评估，再选核心领域试点，最后推广。我在XX公司主导了客户域治理，落地后数据一致率从70%提升到98%。”

可能追问：你们公司使用了哪些数据治理工具？遇到过哪些跨部门协作的阻力？

避坑提醒：避免只讲理论框架，要结合具体行业（金融/电商等）的治理场景和挑战。

面试问题：元数据管理在数据治理中起什么作用？如何实施？

面试官考察点：对元数据价值理解深度，以及技术落地能力。

回答框架：

1. 作用：血缘追踪、影响分析、数据地图、自助取数；
2. 实施四步：元数据采集、存储、更新、消费；
3. 关键点：自动化采集、版本管理、与数据质量联动。

简短示例回答：“元数据管理是数据治理的‘显微镜’，我们通过Atlas采集Hive/Tableau元数据构建血缘图谱，开发人员可快速定位影响范围。实施时采用全量扫描+增量监听机制，保证元数据时效性，同时定期校验元数据质量。”

可能追问：元数据不一致如何处理？血缘图更新延迟怎么解决？

避坑提醒：不要忽略元数据本身的治理（如命名混乱），要强调闭环维护机制。

面试问题：如何评估数据质量？请举例说明数据质量维度及常用指标。

面试官考察点：对数据质量六维度的掌握，以及量化评估和闭环整改能力。

回答框架：

1. 维度：准确性、完整性、一致性、及时性、唯一性、有效性；
2. 指标：缺失率、异常值率、重复率、符合性率、时效差；
3. 方法：规则引擎+统计监控+定期审计+根因分析。

简短示例回答：“以客户地址字段为例，我们定义完整性（地址缺失率<2%）、准确性（与CRM系统一致率>99%）、及时性（T+1更新）。通过Griffin配置跨表校验规则，发现5%异常记录，推动业务部门清洗并优化录入流程。”

可能追问：数据质量差如何推动业务部门整改？有没有自动化报告机制？

避坑提醒：不要只讲维度列表，要把评估与整改闭环结合，体现推动力。