目前多数企业的数据治理组织多以临时组织的方式存在，这样的组织类似于项目部，对企业来说组织构建和培养上没有连续性，缺少数据管理经验和知识的有效传递；数据治理组织要实现由无组织向临时组织，由临时组织向实体与虚拟结合的组织，最终发展到专业的实体组织，设立各类职能部门，加强数据治理的专业化管理，并建立起专业化数据治理团队。
1.按照层级划分的数据治理组织结构
数据治理是一项复杂的系统工程，从组织层级角度看，需要决策层、管理层和执行层等3个层面相互配合才能完成。
1）决策层：主要由领导组成，确定数据应用战略发展方向，制定数据治理制度、重要决策等。
2）管理层：由业务和IT的部门负责人组成，其中业务部门领导负责相关业务数据标准、数据定义、数据质量和管理体系的确认，数据需求管控、项目管控等工作；IT技术部门领导负责相关技术实现，数据清洗、数据整理、数据存储、数据模型等，数据管理平台提供，数据需求分析，以及项目实施等。
3）执行层：由系统操作人员组成，主要职责是按照数据治理、要求和规范采集数据，并向相关组织提供需求和建议。
2.按照职责划分的数据治理组织结构
如果按照在数据管理中的分工来划分，数据治理组织可以分为4种角色：数据生产者、数据使用者、数据管理者和数据加工者。
1）数据生产者：数据的生产部门，一般是业务操作人员，负责数据的录入与质量初审，他们的工作决定着后期数据的质量。
2）数据加工者：专职进行数据集成、数据挖掘、数据管理平台开发与运维的部门，一般是IT部门人员承担，他们还负责数据质量的绩效评估工作，通过工具发现数据质量存在的问题。
3）数据使用者：是数据的分析与利用部门，一般是业务领导或对数据依赖性较高的业务部门，需要基于数据进行决策和业务运作。
4）数据管理者：专职对数据管理体系进行管控的部门，承担数据标准制定、数据治理体系制定与完善等职责。具体如图8-6所示。
图8-6 数据管理的角色划分示意(www.daowen.com)
上述4种角色中，数据的生产者和数据的管理者这两种角色是比较清晰的，但数据加工与数据使用者两种角色具有不同的划分方式。
第一种方式：数据加工部门既负责数据的集成、数据管理平台建设与运维等技术工作，还负责数据建模、分析等数据应用性工作，数据分析完成后将结果推送到数据使用部门。
这种模式下，数据加工部门相当于一个Hub，解决一个组织大部分的数据需求。当数据使用部门需要数据时，他们提交需求给数据加工部门，然后数据加工部门开始抽取、运算和分析，把数据和结果返回给业务部门。
第二种方式：数据加工部门仅负责数据的集成、数据管理平台建设与运维等技术工作，数据使用部门负责数据的建模与分析工作，自主根据业务需求进行模型构建和数据分析。
这种模式下，数据分析人员分布到各个业务部门去。他们帮助业务部门运用数据系统来获取和处理数据，并与业务人员一起更直接、更快捷地解读数据，并将结果直接应用于业务。
这两种模式在现实中都存在，其优劣势比较如表8-1所示。
表8-1 两种数据分析模式的优劣势对比
采用第一种方式的组织，在最开始开展数据分析时可能会进展很快，但他们很快会发现，自己没日没夜地工作越来越难以满足业务部门的需求，自身价值和定位都受到质疑。原因是数据分析人员不了解业务，他们不能深刻、及时地了解业务部门的需求。
正确的做法是让数据分析人员回归业务部门，而不是龟缩在数据加工部门中。数据属于业务，数据分析人员当然也属于业务，让数据分析师分布到各个业务部门去。因此，第二种模式才是一种科学、长久的机制。
图8-7 某企业数据治理组织结构设置示例
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
