数据治理发展到今天，已经形成了非常丰富的方法体系。数据标准、数据质量、主数据、元数据、数据资产、数据安全、数据服务等，每一个领域都有相应的方法、流程和工具。但对于真正负责企业数据治理的人来说，困难往往不在于这些概念不够多，而在于很难把它们组织成一套能够运行的体系。
比如，企业究竟应该先做数据标准，还是先做数据质量？Data Owner应该放在什么位置？信息架构和数据治理是什么关系？数据平台又应该在什么时候介入？
如果只是按照专业模块去看，这些内容很容易变成一张越来越大的数据治理能力地图。华为多年的数据治理实践提供了另外一个观察角度：不只看“要做哪些事情”，更重要的是看这些事情如何组织、如何衔接、如何长期运行。
结合华为公开的数据治理材料，我把这套逻辑概括为“一套机制、两个抓手、一个平台”：以政策、组织和流程形成治理机制，以信息架构和数据质量管理数据本身，再通过IT平台把治理要求固化为持续运行能力。
一、从解决数据问题，到建立数据治理能力
华为的数据治理不是一开始就形成了一套完整体系。从其公开材料中的演进过程可以看到，早期工作更多聚焦于数据清洁、财报准确和业务流程中的数据问题，之后逐步建立Data Owner责任机制、标准与质量体系，并进一步发展到数据底座、数据服务和数据共享。
这个过程非常具有代表性。
企业早期遇到数据问题时，通常首先寻求技术解决方案。数据重复就清洗，系统之间数据不一致就增加接口，报表口径不同就重新加工，数据分散就建设数据平台。这些手段可以解决具体问题，但随着系统数量和业务复杂度不断增加，同类问题往往会反复出现。
原因在于，很多所谓的“数据问题”，根源并不在数据本身。
同一个客户为什么会有多个定义，同一个指标为什么存在不同口径，一项数据为什么找不到权威来源，数据出现质量问题以后究竟应该由业务部门还是IT部门负责，这些问题已经超出了数据库、接口和ETL能够解决的范围。
因此，数据治理需要解决的并不只是如何修复错误数据，而是建立一套长期有效的管理机制，使企业能够持续回答数据由谁定义、由谁负责、按照什么规则管理，以及出现问题以后如何处理。
从这个角度看，华为数据治理演进中最重要的变化，是逐步从数据问题治理转向数据管理能力建设。
二、一套机制：政策、组织和流程
企业级数据治理首先需要建立运行机制。华为的治理体系中，政策、组织和流程构成了这一层的基本框架，分别解决治理依据、治理责任和治理运行三个问题。
政策首先解决数据管理的规则问题。华为建立了公司级的数据管理政策体系，并进一步形成信息架构、数据源、数据质量等方面的专业管理要求。政策的作用并不只是增加制度文件，而是明确企业在数据定义、数据来源、数据质量和数据使用方面应当遵循的统一规则。
对于大型企业而言，这一点尤其重要。如果数据规范只是信息部门或者数据部门内部的专业要求，当不同业务部门之间出现定义冲突时，很难形成统一约束。只有将关键数据规则纳入公司级管理体系，数据治理才具备跨部门运行的基础。
在政策之后，是组织和责任。
数据虽然存储在系统中，但数据的业务含义并不由系统决定。客户如何定义、供应商按照什么规则分类、订单应该包含哪些核心属性，这些都属于业务管理问题。因此，华为在数据治理中建立了以Data Owner为核心的责任机制，并根据公司、业务领域和专业工作形成相应的治理角色。
这套机制的重要价值，是把数据责任从“哪个系统维护”转向“哪个业务领域负责”。
例如，当客户数据出现问题时，仅仅找到维护客户表的IT人员并不能解决根本问题。还需要明确客户这一业务对象由谁负责，企业级定义由谁批准，哪个系统是权威来源，以及不同部门发生数据争议时由谁进行裁决。
责任明确之后，还需要通过流程保证治理能够长期运行。
华为将数据管理纳入业务变革和信息技术管理过程，并进一步形成信息架构、数据质量、数据分析等专业活动。这样一来，数据治理不再只发生在专项治理项目中，而是逐步进入业务设计、系统建设和日常运营过程。
新业务设计时需要识别业务对象，系统建设时需要进行信息架构设计，数据进入运营后需要持续进行质量监控和问题整改。政策规定规则，组织明确责任，流程把这些要求嵌入日常工作，三者结合以后，数据治理才具备持续运行的条件。
三、两个抓手：信息架构和数据质量
治理机制解决的是企业如何开展数据治理，但真正落实到数据本身，还需要一套能够落地的方法。华为的方法中，信息架构和数据质量承担了这一角色。
1. 信息架构：把业务语言转化为统一的数据语言
信息架构是华为数据治理体系中非常关键的一部分。
在华为企业架构体系中，信息架构位于业务与IT之间。业务架构识别业务能力、业务流程和业务对象，信息架构进一步把这些业务概念转化为统一的数据定义，再由应用架构和技术架构落实到系统和技术实现。
因此，信息架构不能简单理解为数据模型，也不只是数据标准管理。它解决的是企业如何形成统一的数据语言。
华为的信息架构主要包括数据资产目录、数据标准、数据模型和数据分布四个核心组成部分。
数据资产目录回答企业有哪些数据，前面的文章我们做了详细的介绍：一篇看懂：详解华为数据资源目录L1到L5设计方法数据标准回答这些数据分别代表什么，数据模型描述数据之间的结构关系，数据分布则说明数据在哪里产生、存储和流动。四个部分结合起来以后，企业才能从整体上看清自己的数据。
其中，业务对象是连接业务与数据的关键。
客户、产品、供应商、合同、订单、设备等业务对象，不会因为某一个系统升级或者替换而消失。系统和数据库会变化，但业务对象及其业务含义相对稳定。因此，企业级数据架构不能仅仅从数据库表和字段出发，而应当先从业务对象建立统一认知，再逐步形成数据实体、数据标准、数据模型和数据分布，并最终落实到系统实现。
这也是信息架构与普通数据建模最大的区别之一。它关注的并不是单个系统如何设计数据库，而是企业如何建立一套跨业务、跨系统的一致数据定义。
2. 数据质量：让实际数据符合既定定义
信息架构解决数据应该如何定义，数据质量则负责检查实际运行的数据是否符合这些要求。
华为的数据质量体系关注完整性、唯一性、有效性、准确性、一致性和及时性等质量维度，同时通过质量标准、业务责任、监控度量、问题整改和持续改进形成完整的治理过程。
其中比较值得关注的是对设计质量和执行质量的区分。
设计质量关注数据在设计阶段是否已经被正确定义，包括数据标准是否明确、模型设计是否合理、权威数据源是否确定、质量规则是否完整等。执行质量则关注业务运行以后，实际产生的数据是否按照这些要求生成和维护。
这样的划分能够解释很多常见的数据质量问题。
如果一项数据连统一定义都没有，不同系统按照各自理解分别建设，那么后续再进行数据清洗，只能不断处理结果。如果数据定义和模型已经明确，但业务执行过程中长期录入错误、更新不及时，则需要从流程执行和责任管理中寻找原因。
因此，信息架构和数据质量实际上形成了前后衔接的关系：信息架构负责建立企业统一的数据定义，数据质量负责持续检查这些定义在业务运行中是否得到正确执行。
这也是为什么数据质量治理不能停留在发现问题和统计问题数量上。只有将质量问题进一步落实到业务对象、责任人和整改过程，并通过复测确认问题得到解决，质量管理才形成闭环。华为相关材料中也体现了规则设计、监控、问题定位、责任整改和持续改进的治理思路。
四、一个平台：把治理要求固化为持续运行能力
治理机制、信息架构和数据质量解决了规则、责任和方法的问题，IT平台则承担技术承载作用。
这个顺序很重要。
现实中不少企业的数据治理恰好相反，先采购治理平台或者建设数据湖，再逐步补充标准、质量和责任体系。结果往往是平台功能非常丰富，但治理要求没有真正形成。
平台可以管理标准，却不能替企业决定标准；可以记录Data Owner，却不能替业务部门确定谁应该承担责任；可以监控数据质量，却无法代替业务完成问题整改。
因此，平台更适合承担的是治理规则的固化和自动执行。
从华为公开材料可以看到，数据平台能力覆盖数据集成、数据标准、数据质量、数据资产、数据服务、数据安全、主数据和管理中心等多个方面，并通过统一平台支撑数据治理和数据使用。
这里还有一个容易被忽视的问题，就是数据进入平台之前是否已经具备基本治理条件。
如果数据源不明确、定义不统一、责任不清楚、质量没有保障，那么把这些数据全部汇聚到数据湖或者数据平台，并不会自动形成高质量数据资产，只会把原来分散在各系统中的问题进一步集中。
因此，平台建设不能替代前面的治理工作。只有治理规则已经明确，责任体系已经建立，信息架构和质量要求已经形成，平台才能真正把这些管理要求工具化、流程化，并逐渐提升治理效率。
在此基础上，企业才能进一步形成数据资产和数据服务能力，使经过治理的数据被业务系统、经营分析和数字化应用持续复用。
五、从数据治理走向AI-Ready
随着AI进入企业业务，数据治理面对的对象正在继续扩展。
过去的数据治理主要围绕结构化数据展开，而今天企业还需要管理大量文档、知识、语料、标签以及其他非结构化信息。华为相关材料也已经把数据治理的演进进一步延伸到数据资源、治理资产、数据服务、领域知识以及模型和智能体。
技术对象虽然发生了变化，但原有治理逻辑并没有因此失效。
AI同样需要知道数据来自哪里、代表什么、是否可信、谁能够使用以及能否追溯。如果这些基础问题没有解决，企业拥有的数据越多，AI能够访问的内容越丰富，风险反而越难控制。
因此，从传统数据治理走向AI-Ready，并不意味着重新建设一套完全不同的方法体系，更可能是在既有治理能力基础上继续扩展治理对象和技术能力。
未来的信息架构需要进一步处理语义和知识之间的关系，数据质量也需要关注知识、语料等新型数据对象的可靠性，数据平台则会逐步承载更多面向知识和AI的数据服务能力。
华为数据治理方法之所以仍然值得研究，恰恰在于其重点并不只是某一代数据平台，而是围绕规则、责任、架构、质量和平台逐步形成了一套可以持续演进的治理体系。
25页PDF下载
数据治理真正难的并不是某一个专业模块，而是如何把企业管理和数据管理连接起来。
政策、组织和流程解决治理如何长期运行；信息架构解决企业如何形成统一的数据定义；数据质量保证实际数据持续符合这些要求；IT平台再把前面的规则、责任和流程固化下来，提高治理效率并支撑数据共享和使用。
这些内容进一步整理成了25页《华为数据治理方法论》PDF，其中保留了不少用图更容易说明的问题，文末阅读原文下载。
注：上传图片压缩导致不清晰，文末阅读原文下载高清完整版。
