什么是数据处理什么是数据管理两者之间的区别是什么？如何做好数据管理工作

本文目录

• 什么是数据处理什么是数据管理两者之间的区别是什么
• 如何做好数据管理工作
• 如何管理好企业的数据
• 什么是数据化管理
• 如何有效的进行数据治理和数据管控
• 如何做好数据管理
• 元数据库是什么与数据库有何区别
• 什么是元数据
• 什么是元数据管理及其作用
• 企业数据治理的重点和难点

什么是数据处理什么是数据管理两者之间的区别是什么

两者是完全不同的。

数据处理的基本目的是从大量的、可能是杂乱无章的、难以理解的数据中抽取并推导出对于某些特定的人们来说是有价值、有意义的数据。

数据处理是系统工程和自动控制的基本环节。数据处理贯穿于社会生产和社会生活的各个领域。数据处理技术的发展及其应用的广度和深度，极大地影响了人类社会发展的进程。

数据管理是利用计算机硬件和软件技术对数据进行有效的收集、存储、处理和应用的过程。其目的在于充分有效地发挥数据的作用。实现数据有效管理的关键是数据组织。

随着计算机技术的发展，数据管理经历了人工管理、文件系统、 数据库系统三个发展阶段。在数据库系统中所建立的数据结构，更充分地描述了数据间的内在联系。

便于数据修改、更新与扩充，同时保证了数据的独立性、可靠、安全性与完整性，减少了数据冗余，故提高了数据共享程度及数据管理效率。

如何做好数据管理工作

一、认识做好数据管理工作的重要意义，从思想上高度重视数据管理工作 做好数据管理工作对银行经营管理来说，有着重要的意义。通过培训，我改变了以前那种“数据管理就是完成信息统计报表报送和数据整理”的肤浅认识，深刻认识到数据管理工作内涵丰富，尤其是大数据分析和渠道建设创新等工作要做好、做深做透不是一件容易的事情，而且做好数据管理工作对银行意义重大： 从外部来看，做好数据管理工作是满足信息披露要求的有力保证。目前我国已初步建立了一套规范上市银行信息披露行为的规章制度,我们要加强数据管理，严格按照外部监管部门的统计管理制度要求完成各类统计报表上报、提高数据质量，才能满足信息披露要求。 从内部来看，做好数据管理工作有助于全面提升银行核心竞争力.数据管理部门通过对数据的整理加工，分析挖掘,能为领导决策提供有效的数据信息，有力地支持和服务全行业务发展。特别是当前外部对银行数据质量要求日益严格，我行战略转型也需要数据管理工作具有扎实的数据基础和强大的分析能力。 二、了解掌握并执行数据管理相关制度和要求，为做好数据管理工作打下基础 数据管理工作，除了报送各类数据信息统计报表以外，更重要的工作应该包括对数据信息进行有效加工和数据管控，大数据推广应用、调研分析等方面。而我们只有学习掌握了数据管理相关制度才能够正确执行统计管理制度，为提高数据质量打下基础。 制度学习方面虽然有看似有些枯燥，但这些是我们必须遵守的，从国家层面来看，国家颁布了一系列数据管理相关的法规和办法，如：《统计法》、《金融统计管理规定》、《银行业监管统计管理暂行办法》、《征信业管理条例》。特别是本次培训中，柳纠夫副总经理反复强调我们要依法合规开展征信工作，如果有违反条例规定未按照与个人信息主体约定的用途使用个人信息或者未经个人信息主体同意向第三方提供个人信息，情节严重或者造成严重后果的，将被有权机关罚款；如构成犯罪，将依法追究刑事责任。“知规才能执规”，商业银行只有依法进行金融统计工作、规范金融统计活动，才能保证整个金融统计活动有序、有效开展。除了国家颁布的相关法规及办法以外，我们还要掌握建行内部制定下发的各项制度规定，严格遵照执行，保证数据信息质量和客户信息安全。

如何管理好企业的数据

企业如何才能管理好数据呢？

马云曾经在一次演讲中说过:"人类正从IT时代走向DT时代"。

DT时代，它是以服务大众、激发生产力为主的技术。也就意味着今后的市场竞争，拼的是你的数据能够给社会创造多少价值，能否用数据挣钱成为核心所在。

有研究表明：

1.很大一部分数据属于线下数据，而线上数据只占了其中小部分。

2.只有少量数据属于可访问的互联网数据，另外的大多数据还储存在企业内部。

也就是说，真正想要实现互联网的大数据互通，就是要让还未被利用起来的企业线下数据发挥其价值和效用。

出于对数据处理的关注，企业管理者们对数据收集、数据整理、数据分析的需求和要求都逐步提升，这一趋势也就助推了阿里“数据中台”战略诞生，数据中台也就成了继“数据工具”、“数据平台”、“数据湖”之后的新一轮数据处理系统。

数据中台：未来企业数据管理的发展重点

国内各行业上百家代表型企业选择与第三方数据中台服务商“百数”合作尝试中台战略。

据了解，截至2020年10月，已经涉及100多个行业的上10万家企业使用了百宝云提供的数据中台及其衍生服务。

吸引众多企业入局的“数据中台”战略到底为什么能够成为未来企业数据管理的发展重点？

1.将内部数据有机结合，转变为数据生产力

2.管理数据的同时，实现数据业务化

百数在为企业搭建数据中台上承担了相应的行业重任，致力于让广大企业在符合自身需求的前提下，实现数智化升级。

什么是数据化管理

数据化管理是指将业务工作通过完善的基础统计报表体系、数据分析体系进行明确计量、科学分析、精准定性，以数据报表的形式进行记录、查询、汇报、公示及存储的过程，是现代企业管理方法之一。

数据化管理的目标在于为管理者提供真实有效的科学决策依据，宣导与时俱进的充分利用信息技术资源，促进企业管理可持续发展。

扩展资料：

数据化管理的意义：

1、数据化管理是科学管理的基础。科学管理的目标是目标明确、决策准确、措施有效、执行有力。

数据化管理是将业务工作中的基本状况，通过翔实的数据直观地展现，并通过适当地分析，明确经营基本状况，发现业务工作中的不足之处，为管理者提供准确的决策依据，促进管理层进行有针对性地改进和有效地决策，是科学管理的基础。

2、数据化管理是科学领导的参考。领导学认为领导的艺术与方法是达成领导效能与发展的关键因素。数据化管理是优秀的管理方法之一。

完善的数据化管理能够明确指出下属业务工作中存在的各类问题，以实事求是的方法并辅之于其他的管理手段，能够有效地指导若干下属开展工作，能够根据问题的严重性与重要性进行有针对性地改善，促进团队的整体进步，从而实现领导效能，是科学领导的有效参考。

3、数据化管理是企业管理改进的关键。优秀的企业管理应该具备完善的运营数据分析体系。一切企业活动，最终都以数据最为参考， 达成一定的数据指标，循环改进，持续发展。数据化管理存在于企业的每个环节，通过参考经营数据管理的企业体制是确保企业良性发展的关键。

参考资料来源：百度百科——数据化管理

如何有效的进行数据治理和数据管控

大数据时代的到来，让政府、企业看到了数据资产的价值，并快速开始 探索 应用场景和商业模式、建设技术平台。但是，如果在大数据拼图中遗忘了数据治理，那么做再多的业务和技术投入也是徒劳的，因为很经典的一句话：Garbage in Garbage out。

当你处理或使用过大量数据，那么对“数据治理”这个词你一定不会陌生。你会思考数据治理是什么？数据治理是否适合你？如何实施。简单来说，数据治理就是处理数据的策略——如何收集、验证、存储、访问、保护和使用数据。数据治理也还包括谁来查看，使用，共享你的数据。

随着大数据时代的推进，以上这些问题日益突出，越来越多的企业依赖采集、治理、储存和分析数据，并实现他们的商业目标。数据变成了企业的盈利工具、业务媒介和商业机密。数据泄露会导致法律纠纷，还会令消费者对公司的核心业务失去信心。

如果抱着侥幸的心理，让各个业务部门自己管理数据，那么你会缺乏有效的数据管理，甚至各部门会自己做自己的。你无法想象各个部门按随心所欲地自己生产、储存、销售产品。数据使用不当就像库存使用不当一样，会给企业造成沉重的损失。因此必须制定一项测量用以保证所需数据的有效和安全，可用性，这就是我们要谈的“数据治理”。

数据治理策略必须包含完整的数据生命周期。策略必须包含从数据采集、清洗到管理，在这个生命周期内，数据治理必须要有关注以下内容：

数据从哪里来，数据怎么来

这是数据生命周期的起点。数据来源决定了数据治理策略的基础。例如数据集的大小就由数据来源所决定。是从目标市场、现存用户和社交媒体收集数据？还是使用第三方收集数据或者分析你收集的数据？输入数据流是什么？数据治理必须关注这些问题，并制定策略来管理数据的采集，引导第三方处理他们收集的数据或者分析你收集的数据，控制数据的路径和生命周期。

数据校验

通常数据源都是非常庞大且多样的，这是一个让数据管理者非常头疼的问题。将数据噪音和重要数据进行区分仅仅只是开始，如果你正从关联公司收集数据，你必须确保数据是可靠的，对于那些几万、几十万、甚至成百上千万的复杂关系数据，单靠人为的通过Excel对进行数据清洗已经不太现实，需要专业的数据清洗工具或系统对海量复杂关系数据进行批量查询、替换、纠正、丰富以及存储。将元数据、主数据、交易数据、参考数据以及数据标准内置固化到数据清洗工具或系统中，结合组织架构、内容管控、过程管控等管理机制、技术标准提高数据治理人员的工作效率。比如：需要手工编写程序收集的元数据，系统帮你自动获取；需要人工识别或编写代码实现的数据质量检查，系统帮你自动识别问题；用文档管理的数据字典，系统帮你在线管理；基于邮件和线下的流程，系统帮你线上自动化。当然，系统并不是万能的，数据治理的软件工具与其他软件工具一样，没有什么神奇之处，没有数据治理人员的参与和数据治理工作的推进，软件再完美也无法完成数据治理整个过程。这也是为什么数据治理咨询服务一直有其市场，以及为什么国内大部分单纯数据治理软件项目未能达到预期目标。

数据治理必须解决存储问题

而数据存储和数据集的大小有密切关系。大数据的存储必须是在安全的冗余系统之中。常常利用层次体系，根据使用频率来存储数据。这样一来，昂贵的在线系统提供的是被频繁请求的数据，而请求频率较低的数据则存储在便宜，可用率较低的系统上。当然，一些请求频率低但是敏感的数据如果存储于安全性较低的系统上，风险会大大提升。因此，在制定数据存储方案时，良好的数据治理策略必须考虑到方方面面的因素。

数据治理必须建立访问管理制度，在需求和安全性找到平衡点

明确访问者的权限，只能访问他们对应权限包含的数据。只有合法请求才能够访问数据，而敏感的数据需要更高的权限和更严密的验证才可以被访问。只向具有特定安全级别的用户开放。应该对用户和数据本身设置访问级别，管理账户时，应与人力资源部和采购部紧密互动，这一点非常重要，因为这样可以及时地使离职员工和停止合作的供应商不再拥有访问权限。处理好这些细节以及确保数据所有权和责任，这是构成完整的数据治理策略的一部分。

数据的使用/共享/分析

如何使用数据是数据治理之后一项重要的内容，数据可能会用于客户管理，提高客户体验，投放定向广告，用户应用系统初始化基础数据工作，辅助应用系统建设，提供市场分析和关联公司共享数据。必须仔细界定哪些数据可用于共享或者用于营销，并保护它们免遭攻击和泄露，因为数据本来就应该被用于纯粹的内部用途。让用户知悉采集数据的所有公司都会遵守数据安全和保证的规定。能够确保数据被合理合规的使用，也是数据治理重要的一项内容。

收集、验证、存储、访问和使用都是数据安全计划的必要组成部分

收集、验证、存储、访问和使用都是数据安全计划的必要组成部分，必须要有一个全面的策略来解决这些问题以及其他安全问题。数据安全计划必须是有效且可用性高，但是数据生命周期的所有部分都很容易受到攻击和由于粗心造成的破坏。你必须在数据治理中确定数据安全计划，包括访问控制，静态数据，数据加工，数据传输之后的加密等。

管理/元数据

没有管理的数据生命周期是不完整的。例如，将元数据应用于一段数据，用来进行识别检索。元数据包含数据的来源，采集或生成的日期，信息访问的级别，语义分类及其他企业所必须的信息。数据治理能建立一个元数据词汇表，界定数据的有效期。请注意数据也会过期，过期之后我们只能用于 历史 数据的分析。

数据治理创建的过程中可能会在企业内部遭到一些阻力，比如有的人会害怕失去访问数据的权限，而有些人也不愿意和竞争者共享数据。数据治理政策需要解决上述问题，让各方面的人都可接受。习惯了数据筒仓环境的公司，在适应新的数据治理策略上面会有困难，但如今对大型数据集的依赖以及随之而来的诸多安全问题，使创建和实施覆盖全公司的数据策略成为一种必然。

数据日益成为企业基础设施的一部分，在企业一步步处理各种特定情况的过程中形成决策。它以一次性的方式作出，常常是对某一特定问题的回应。因此，企业处理数据的方法会因为不同部门而改变，甚至会因为部门内部的不同情况而改变。即使每个部门已经有一套合理的数据处理方案，但这些方案可能彼此冲突，企业将不得不想办法协调。弄清数据存储的要求和需求是一件难事，如果做得不好，就无法发挥数据在营销和客户维系方面的潜力，而如果发生数据泄露，你还要承担法律责任。

另外在大企业内部，部门之间会展开对数据资源的争夺，各部门只关注自身的业务情况，缺乏全局观念，很难在没有调解的情况下达成妥协。

因此公司需要一个类似数据治理委员会的机构，他的职责是执行现有数据策略、挖掘未被满足的需求以及潜在安全问题等，创建数据治理策略，使数据的采集、管护、储存、访问以及使用策略均实现标准化，同时还会考虑各个部门和岗位的不同需求。平衡不同部门之间存在冲突的需求，在安全性与访问需求之间进行协调，确保最高效、最安全的数据管理策略。

建立数据治理委员会

负责评估各个数据用户的需求，建立覆盖全公司的数据管理策略，满足内部用户、外部用户甚至法律方面的各种需求。该委员会的成员应该囊括各个业务领域的利益相关者，确保各方需求都得到较好地满足，所有类型的数据所有权均得到体现。委员会也需要有数据安全专家，数据安全也是重要的一环。了解数据治理委员会的目标是什么，这一点很重要，因此，应该思考企业需要数据治理策略的原因，并清楚地加以说明。

制定数据治理的框架

这个框架要将企业内部、外部、甚至是法律层面的数据需求都纳入其中。框架内的各个部分要能够融合成一个整体，满足收集、清洗、存储、检索和安全要求。为此，企业必须清楚说明其端到端数据策略，以便设计一个能够满足所有需求和必要操作的框架。

有计划地把各个部分结合起来，彼此支持，这有很多好处，比如在高度安全的环境中执行检索要求。合规性也需要专门的设计，成为框架的一部分，这样就可以追踪和报告监管问题。这个框架还包括日常记录和其他安全措施，能够对攻击发出早期预警。在使用数据前，对其进行验证，这也是框架的一部分。数据治理委员会应该了解框架的每个部分，明确其用途，以及它如何在数据的整个生命周期中发挥作用。

数据测试策略

通常一个数据策略需要在小规模的商用环境中进行测试，用来发现数据策略在框架，结构和计划上的不足之处并进行调整，之后才能够投入正式使用。

数据治理策略要与时俱进

随着数据治理策略延伸到新的业务领域，肯定需要对策略进行调整。而且，随着技术的发展，数据策略也应该发展，与安全形势、数据分析方法以及数据管理工具等保持同步。

明确什么是成功的数据策略

我们需要确立衡量数据治理是否成功的明确标准，以便衡量进展。制定数据管理目标，有助于确定成功的重要指标，进而确保数据治理策略的方向是符合企业需求。

无论企业大小，在使用数据上都面临相似的数据挑战。企业越大，数据越多，而数据越多，越发需要制定一个有效的，正式的数据治理策略。规模较小的企业也许只需要非正式的数据治理策略就足够了，但这只限于那些规模很小且对数据依赖度很低的公司。即便是非正式的数据治理计划也需要尽可能考虑数据用户和员工数据的采集、验证、访问、存储。

当企业规模扩大，数据需求跨越多个部门时，当数据系统和数据集太大，难以驾驭时，当业务发展需要企业级的策略时，或者当法律或监管提出需求时，就必须制定更为正式的数据治理策略。

如何做好数据管理

　　数据管理是信息化建设工作中的重点之一,通过健全组织、规范管理、比对分析、综合运用，把数据管理与企业生产有机结合，从而使企业利益进一步提高。

　　(一)提高认识，科学管理

　　对数据进行科学的管理，只有上升到战略的高度上去认识和重视才行。数据是主体软件应用的基础。所有的企业资料最终都汇集成数据，保存在计算机系统的数据库中，工作人员通过信息交互系统从后台数据库获取所需数据，经中间层信息系统处理后得到结果，所有的查询、分析都需要真实、全面、准确、一致的数据。企业信息化建设中存在的一些问题，主要不是因为没有好的系统，而是因为已有的系统没有得到很好的应用。因此，数据的准确性、完整性、科学性，将直接决定结果的正确性。也必将影响信息化应用的成效。同时，只有科学的管理，才能保证数据的准确、完整。

　　(二)健全职能部门，完善管理制度

　　数据管理职能因该有专门的部门实施，因此应成立专门数据管理领导小组和数据管理(处理)部门，将数据的监管职责赋予数据管理部门，由数据管理部门集中管理监控数据，各有关职责部门配合。各单位也相应设立相应的数据处理岗。然后制发《数据管理办法》、《数据管理责任追究暂行办法》，明确数据管理部门的职责范围、工作程序、监控内容、考核奖惩等，建立数据通报、培训等制度，制定信息采集、审核、录入、分析比对、信息传递等相关办法，使数据监管与运用工作逐步规范。

　　(三)严控数据录入环节，加强源头控制

　　一是提高人员素质。对数据录入人员进行软件操作、数据录入、职责规定等知识培训，明确职责、明确各级、各岗数据管理人员工作职责及质量标准;明确综合管理软件的问题提交、处理、反馈程序，数据出现问题都由数据管理部门统一负责接收、研究解决并反馈，避免多头提交、多头请示，为数据管理工作提供人员素质保障。

　　二是加强信息系统提高系统本身的差错纠错功能，减少或避免数据录入的错误。

　　三是创建合理高效工作流。结合实际情况制定工作流，明确职责、避免重复、方便管理为目的，细化岗位，一人多岗(单位人数少)或一岗多人(岗位工作量大)，科学的`连接每个岗位，组织起高效的工作流，减少数据冗余，最大限度地提高征管效率。

　　四是原则行事。按照“三不录”原则，即不规范不录、不安全不录、未审核不录，严把数据的采集、审核、审批、录入、修改等环节。确保系统数据完整、准确，系统运转优质、高效。

　　五是通报考核。建立通报制度。例如，坚持 “一月一通报、一月一讲评、一月一考核、一月一追究”。按时将各单位征管数据质量完成情况等，在公文处理系统和网站上发布数据通报，并在每月的局务例会上，由分管局长对上月数据质量进行通报讲评，分析症结，提出整改措施。建立日常考核台账，按月考核，并将各单位得分情况张榜公布;同时，按照责任追究办法，追究相关单位和人员的责任。对全年数据质量评比排名在后几位的，目标管理考核中给予倒扣分。制定数据考核指标，数据质量考核中，低于平均指标的，目标管理考核一票否优。

　　(四)思想要重视，全员要参与

　　加强数据管理，全面推进企业信息化建设应用进程，离不开各级领导的重视和支持，只有领导重视，才是做好数据管理和深入分析的关键，信息化建设才能真正得到发展。同时，所有的工作人员，都应该把好各自工作环节的数据管理，不制造垃圾数据、错误数据，发现问题及时解决，追根求源，争取将错误数据、垃圾数据剔除干净，确保数据的正确完整。

　　(五)协作要到位

　　数据处理工作中，信息技术是实现手段，信息技术应用的先进性决定了系统软件的质量水平高低，而业务的规范程度决定了信息化推进的广度和深度。数据处理应用不仅涉及信息化技术的选择和应用，同时还涉及到企业业务流程的规范和统一，并且直接影响企业系统信息化建设的成效。所以，每一项企业管理数据处理及其具体应用，都离不开信息部门和业务部门的紧密合作、协同工作。技术部门与业务部门需要很好的合作和相互的支持和配合，才能使数据处理应用程度深化和完善。

　　(六)机制要健全

　　在业已建立机制的基础上，要进一步完善数据分析应用管理办法，建立部门工作责任制，包括项目管理制度、信息发布制度等;建立与数据处理应用相适应的企业业务配套制度;建立信息技术支持、安全和运维保障制度，包括信息安全应急处置预案、运维岗责体系等，保障数据分析应用工作健康有序发展。

元数据库是什么与数据库有何区别

元数据（Meta Date），主要记录数据仓库中模型的定义、各层级间的映射关系、监控数据仓库的数据状态及ETL的任务运行状态。一般会通过元数据资料库（Metadata Repository）来统一地存储和管理元数据，其主要目的是使数据仓库的设计、部署、操作和管理能达成协同和一致。

元数据是数据仓库管理系统的重要组成部分，元数据管理是企业级数据仓库中的关键组件，贯穿数据仓库构建的整个过程，直接影响着数据仓库的构建、使用和维护。

• 构建数据仓库的主要步骤之一是ETL。这时元数据将发挥重要的作用，它定义了源数据系统到数据仓库的映射、数据转换的规则、数据仓库的逻辑结构、数据更新的规则、数据导入历史记录以及装载周期等相关内容。数据抽取和转换的专家以及数据仓库管理员正是通过元数据高效地构建数据仓库。
• 用户在使用数据仓库时，通过元数据访问数据，明确数据项的含义以及定制报表。
• 数据仓库的规模及其复杂性离不开正确的元数据管理，包括增加或移除外部数据源，改变数据清洗方法，控制出错的查询以及安排备份等。

元数据可分为技术元数据和业务元数据。技术元数据为开发和管理数据仓库的IT 人员使用，它描述了与数据仓库开发、管理和维护相关的数据，包括数据源信息、数据转换描述、数据仓库模型、数据清洗与更新规则、数据映射和访问权限等。而业务元数据为管理层和业务分析人员服务，从业务角度描述数据，包括商务术语、数据仓库中有什么数据、数据的位置和数据的可用性等，帮助业务人员更好地理解数据仓库中哪些数据是可用的以及如何使用。

由上可见，元数据不仅定义了数据仓库中数据的模式、来源、抽取和转换规则等，而且是整个数据仓库系统运行的基础，元数据把数据仓库系统中各个松散的组件联系起来，组成了一个有机的整体。

派可数据，用心创造数据价值 让数据分析更简单

什么是元数据

元数据（Meta Date），主要记录数据仓库中模型的定义、各层级间的映射关系、监控数据仓库的数据状态及ETL的任务运行状态。一般会通过元数据资料库（Metadata Repository）来统一地存储和管理元数据，其主要目的是使数据仓库的设计、部署、操作和管理能达成协同和一致。

元数据是数据仓库管理系统的重要组成部分，元数据管理是企业级数据仓库中的关键组件，贯穿数据仓库构建的整个过程，直接影响着数据仓库的构建、使用和维护。

• 构建数据仓库的主要步骤之一是ETL。这时元数据将发挥重要的作用，它定义了源数据系统到数据仓库的映射、数据转换的规则、数据仓库的逻辑结构、数据更新的规则、数据导入历史记录以及装载周期等相关内容。数据抽取和转换的专家以及数据仓库管理员正是通过元数据高效地构建数据仓库。

• 用户在使用数据仓库时，通过元数据访问数据，明确数据项的含义以及定制报表。

• 数据仓库的规模及其复杂性离不开正确的元数据管理，包括增加或移除外部数据源，改变数据清洗方法，控制出错的查询以及安排备份等。

元数据可分为技术元数据和业务元数据。技术元数据为开发和管理数据仓库的IT 人员使用，它描述了与数据仓库开发、管理和维护相关的数据，包括数据源信息、数据转换描述、数据仓库模型、数据清洗与更新规则、数据映射和访问权限等。而业务元数据为管理层和业务分析人员服务，从业务角度描述数据，包括商务术语、数据仓库中有什么数据、数据的位置和数据的可用性等，帮助业务人员更好地理解数据仓库中哪些数据是可用的以及如何使用。

由上可见，元数据不仅定义了数据仓库中数据的模式、来源、抽取和转换规则等，而且是整个数据仓库系统运行的基础，元数据把数据仓库系统中各个松散的组件联系起来，组成了一个有机的整体。

什么是元数据管理及其作用

元数据管理定义如下：

1、元数据管理包括业务词汇表的发展，数据元素和实体的定义，业务规则和算法以及数据特征。

2、最基础的管理是管理业务元数据的收集、组织和维持。

3、对技术型元数据的应用对主数据管理和数据治理项目的成功至关重要。

元数据管理作用：

1、元数据是“所有系统、文档和流程中包含的所有数据的语境

2、如果没有元数据，组织IT系统中收集和存储的所有数据都会失去意义，也就没有业务价值。

3、元数据管理是一项和主数据管理、数据治理一样重要的功能，因为元数据管理是每一个这些准则的基础组件。

4、组织部署了数据治理项目，但没有解决元数据管理问题，仍然获得了成功，那是因为很多数据管家执行的活动和任务在聚焦元数据和元数据的管理流程。

参考资料：

1、赵泉等编著.信息检索.机械工业出版社,2008

2、鞠英杰主编.信息描述.合肥工业大学出版社,2010

企业数据治理的重点和难点

重点的话，从技术实施角度看，主要包含“理”“采”“存”“管”“用”这五个，即业务和数据资源梳理、数据采集清洗、数据库设计和存储、数据管理、数据使用。

数据资源梳理：数据治理的第一个步骤是从业务的视角厘清组织的数据资源环境和数据资源清单，包含组织机构、业务事项、信息系统，以及以数据库、网页、文件和 API 接口形式存在的数据项资源，本步骤的输出物为分门别类的数据资源清单。

数据采集清洗：通过可视化的 ETL 工具（例如阿里的 DataX，Pentaho Data Integration）将数据从来源端经过抽取 (extract)、转换 (transform)、加载 (load) 至目的端的过程，目的是将散落和零乱的数据集中存储起来。

基础库主题库建设：一般情况下，可以将数据分为基础数据、业务主题数据和分析数据。基础数据一般指的是核心实体数据，或称主数据，例如智慧城市中的人口、法人、地理信息、信用、电子证照等数据。主题数据一般指的是某个业务主题数据，例如市场监督管理局的食品监管、质量监督检查、企业综合监管等数据。而分析数据指的是基于业务主题数据综合分析而得的分析结果数据，例如市场监督管理局的企业综合评价、产业区域分布、高危企业分布等。那么基础库和主题库的建设就是在对业务理解的基础上，基于易存储、易管理、易使用的原则抽像数据存储结构，说白了，就是基于一定的原则设计数据库表结构，然后再根据数据资源清单设计数据采集清洗流程，将整洁干净的数据存储到数据库或数据仓库中。

元数据管理：元数据管理是对基础库和主题库中的数据项属性的管理，同时，将数据项的业务含义与数据项进行了关联，便于业务人员也能够理解数据库中的数据字段含义，并且，元数据是后面提到的自动化数据共享、数据交换和商业智能（BI）的基础。需要注意的是，元数据管理一般是对基础库和主题库中（即核心数据资产）的数据项属性的管理，而数据资源清单是对各类数据来源的数据项的管理。

血缘追踪：数据被业务场景使用时，发现数据错误，数据治理团队需要快速定位数据来源，修复数据错误。那么数据治理团队需要知道业务团队的数据来自于哪个核心库，核心库的数据又来自于哪个数据源头。我们的实践是在元数据和数据资源清单之间建立关联关系，且业务团队使用的数据项由元数据组合配置而来，这样，就建立了数据使用场景与数据源头之间的血缘关系。 数据资源目录：数据资源目录一般应用于数据共享的场景，例如政府部门之间的数据共享，数据资源目录是基于业务场景和行业规范而创建，同时依托于元数据和基础库主题而实现自动化的数据申请和使用。

质量管理：数据价值的成功发掘必须依托于高质量的数据，唯有准确、完整、一致的数据才有使用价值。因此，需要从多维度来分析数据的质量，例如：偏移量、非空检查、值域检查、规范性检查、重复性检查、关联关系检查、离群值检查、波动检查等等。需要注意的是，优秀的数据质量模型的设计必须依赖于对业务的深刻理解，在技术上也推荐使用大数据相关技术来保障检测性能和降低对业务系统的性能影响，例如 Hadoop，MapReduce，HBase 等。

商业智能（BI）：数据治理的目的是使用，对于一个大型的数据仓库来说，数据使用的场景和需求是多变的，那么可以使用 BI 类的产品快速获取需要的数据，并分析形成报表，像派可数据就属于专业的BI厂商。

数据共享交换：数据共享包括组织内部和组织之间的数据共享，共享方式也分为库表、文件和 API 接口三种共享方式，库表共享比较直接粗暴，文件共享方式通过 ETL 工具做一个反向的数据交换也就可以实现。我们比较推荐的是 API 接口共享方式，在这种方式下，能够让中心数据仓库保留数据所有权，把数据使用权通过 API 接口的形式进行了转移。API 接口共享可以使用 API 网关实现，常见的功能是自动化的接口生成、申请审核、限流、限并发、多用户隔离、调用统计、调用审计、黑白名单、调用监控、质量监控等等。