科普｜數據治理如何在 Martech 中發揮效能？

在 Martech 領域，有一個小眾又重要的領域，數據治理。說它小眾，是因為這個詞在 Martech 中很少被提及；說它重要，是因為它遠超市場側應用的范圍，而是企業級管理的重要一環。在近期的調研中，超六成企業將大數據平臺建設與數據治理作為 2021 年的“十四五”戰略規劃；“數字化轉型 + 數據治理”的解決方案成為企業實現數據驅動增長的共同選擇。根據沙利文與頭豹研究院的調研，2018 至 2024 年，數據治理在大數據平臺建設中預算占比逐年升高，數據治理市場將保持 39% 的年復合增長率到達 325.5 億元。

當前國內充分吸收國外數據治理先進經驗后，全國范圍內數據資產意識升級，數字化轉型與數據安全需求進一步增強。國家層面高度重視數據資產管理，全行業提倡數字化轉型與數據治理。標志性事件是 2019 年十九屆四中全會首次將數據作為生產要素并列，至 2020 年中共中央國務院在《關于構建更加完善的要素市場化配置體制機制的意見》中，進一步提出要“加快培育數據要素市場”。同時在 2021 年 6 月 10 日，第十三屆全國人民代表大會常務委員會第二十九次會議通過《中華人民共和國數據安全法》，更是將數據安全治理提升至前所未有的高度。在這一階段，我國全行業全面鋪開數據治理，推進數字化轉型。

那數據治理究竟是什么？其實，數據治理的概念在業界尚未定論，DAMA（國際數據管理協會）認為，數據治理（Data Governance，DG）指的是對數據資產管理行使權力和控制的活動集合（計劃、監督和執行）。DGI 則認為，從廣義來說，數據治理是對數據相關事項作出決策的工作。從狹義來說，數據治理是與信息相關過程的決策權與問責制度體系，根據商定的模型執行，確定誰能夠對什么信息采取什么措施，以及什么時候、在什么樣的情況下使用什么方法。

在國內研究機構的定義中，阿里研究院認為：數據治理即建立在數據存儲、訪問、驗證、保護和使用之上的一系列程序、標準、角色和指標，以期通過持續的評估、指導和監督，確保富有成效且高效的數據利用，促進跨組織協作和結構化決策，為企業創造價值。頭豹研究院認為：在數據驅動的業務與生產環境中，圍繞具備更高可用性的數據標準與數據模型，規劃構建“采集、存儲、管理、服務”一整套制度體系的系統工程。此外，在阿里研究院調研中，總結了數據治理的相關學者的界定，在此不再贅述。

綜合以上各家之言，可以說數據治理既是一個管理概念，又是一個技術概念。它是一個組織進行數據資產沉淀的基礎，也是所有數據應用的根基，它的好壞直接影響數據的價值實現。

數據治理可以具體為營銷和運營解決怎樣的問題呢？我們認為，主要有以下三點：

第一是打通團隊和組織。有些反常識的是，企業數據用不好最重要的因素并非技術困難，而是管理問題。比如，未設立數據管理關鍵角色權力和責任、數據治理各個相關角色缺乏共同語言、多個部門之間配合不到位等等。這時，一個好的數據治理方案，可以重塑各部門組織架構與合作方式，明確數據團隊的責任，將數據工作流程化、規范化，提升組織產出效率。

第二是積累“有效”的數據資產。當下企業普遍存在數據源太多、太雜的問題，比如數據格式不統一、類型不統一、結構化和非結構化數據并存、用戶行為數據和客戶基本信息割裂，導致整體數據獲取和對接的成本較高。這時我們可以治理多種數據源，確保公司各渠道數據采集的完整性，并通過規范的 ETL 與數據模型，用 ID-Mapping 構建統一用戶體系，從而幫助企業打造有效的客戶主題的數據資產。

第三是驅動數字化應用落地。我們在購買 Martech 工具時，總是將應用場景想象得非常美好，然而實際應用中卻發現距離落地遙遙無期，其中的關鍵就在于數據質量如何管理。通常企業面臨的場景是：源頭的數據埋點和接入數據的質量無法保證，只能對上游數據做人為修復，隨著時間變長，雜質越來越多，能用的越來越少，系統功能再好也只能報廢。這時，我們做好從源頭到應用系統的全局數據質量監控尤其重要，擁有干凈的數據和統一的用戶體系，才可以實實在在地賦能業務運營中的分析場景和營銷場景，這才是上期科普中我們曾提到的 Martech 數據根基。