'營收翻倍增長，這家公司如何幫國網等大企業做數據治理？'

專注數據治理，為傳統行業數據中臺落地提供專業方案

調研 | 李喆 撰寫 | 施堯

最近一年，阿里的“中臺”成為大數據行業最為火熱的名詞，不僅僅是大型互聯網公司紛紛效仿，就連傳統企業也都是實行“中臺”戰略，數據中臺建設是其中最重要的一環。

伴隨著數據中臺的興起，數據資產化、數據治理等同樣被越來越多的企業所關注。特別是大數據行業發展至今，絕大多數企業都已經認識到，想要做好數據分析，必須先從數據治理開始做起。

但實際上，數據治理並非新名詞。2003年建行開始引入數據治理，2005年中國移動也開始購買數據治理產品，不過這些傳統企業的嘗試並沒有完全起到預期的效果，單純通過購買數據治理產品、工具，很難真正幫助到傳統企業。

數據治理產品工具這條路在中國走的並不順暢，有些公司開始通過其他方式切入到數據治理這個領域，從諮詢、培訓等方式，快速發揮數據治理的價值，真正解決傳統企業的需求，御數坊就是其中之一。

從諮詢和培訓切入，服務多個傳統大企業客戶

御數坊於2014年年底創立，專注於數據治理領域，以培訓和諮詢服務為切入點延伸至後端軟件產品及相關服務，服務於傳統企業。

雖然從2003年後就開始有大型企業在做數據治理，但效果一直不好。御數坊創始人劉晨看來，對於絕大部分企業來說，數據治理還是新生事物，國內整體上還是處於認知和實踐的早期階段，而培訓和諮詢服務是能夠讓大型企業快速認識到數據治理的價值以及如何落地的有效方式，因此，御數坊先從培訓和諮詢業務入手。

御數坊的培訓業務主要有企業數據管理理論與實踐、數據管理成熟度評估和企業定製內訓三個業務板塊，從2015年開始，為國家電網、南方電網、建設銀行、民生銀行、中國移動、中國電信、海爾等近百家大型企業的近千名數據管理人員進行數據管理理論及實踐的培訓。

通過這些培訓，讓大型企業的IT負責人能夠真正瞭解數據治理的價值與方法，對御數坊而言，既是在做行業佈道，同時也通過培訓獲取客戶。

諮詢業務則是讓大型企業能夠實現數據治理落地的重要方式，御數坊的諮詢業務主要包括數據管理成熟度評估諮詢服務、數據治理體系規劃諮詢服務和數據治理專項提升諮詢服務三個板塊。

此前，很多企業將數據治理等同於ETL，從業務系統中抽取數據，形成數據倉庫或者大數據平臺。但實際工作過程中，很多數據治理最終失敗的原因是沒用從全局考慮數據環境，而只是面向數據平臺建設或某些局部的數據應用開展數據採集、清洗等技術工作，業務部門參與度不足、數據在源端往往不規範，更多時候是考慮存儲的便捷和自己部門使用，而沒有考慮整個公司或集團的數據整合和應用需求，缺乏協調和全局的標準化。

由此可見，數據治理不僅僅是IT部門構建數據倉庫或者大數據平臺要做的事情，而是涉及各個業務部門如何去規範的定義數據，並進行數據採集、數據存儲，甚至會涉及到整個公司的組織架構和數據工作機制建設等問題。想要做好數據治理，是個非常宏大的工程。

因此，御數坊會先為這些傳統企業提供成熟度評估服務，基於評估結果，確定傳統企業當前狀態，再從頂層設計的角度，進行數據治理體系的規劃。基於規劃，一步步地去紮實推進專項治理。

專項治理通常包含兩種情況：一類是面向數據治理的工作職能開展的，比如說數據標準的專項治理，或者是數據模型的專項設計；另一類是面向業務場景的專項治理，比如面向營銷、客服或風控的數據。

通過這種方式，御數坊先後服務於多個行業的數十家大型企業客戶，幫助這些企業建立數據治理組織、制度，統一數據模型，構建指標體系和基礎數據、參考數據標準，提升數據質量提升，進行數據安全分類分級，獲得了非常高的客戶滿意度和客戶粘性。

專注數據治理 紮根行業再做產品

在數據治理領域耕耘近5年的御數坊，從2017年開始結合客戶實際數據治理工作開發數據治理產品DGOffice，目前主要有六個產品中心：數據資產、數據架構、數據標準、數據質量、數據安全和數據運營。

整個數據治理產品的開發規劃分兩個步驟。第一步是把御數坊積累的國際及國內諮詢方法論和多個行業的數據治理真實工作場景沉澱下來，類似SAP的設計，將一套管理流程部署在系統中，讓客戶去使用，或者是客戶的IT服務商輔助他們使用，這部分叫標準化，同時積累的多行業數據標準庫也將有助於幫助客戶實現數據治理工作的快速起步。

第二步是把數據治理的能力自動化、智能化，在每個環節上做智能化的計劃和實施，這部分目前御數坊正在做一些實踐，將NLP語義分析、深度學習、神經網絡等在互聯網領域已經成熟的技術引入數據治理領域，進一步提高數據治理工作效率、降低人工消耗。

近期，愛分析對御數坊創始人劉晨進行調研訪談，對數據中臺和數據治理的理念由來與實施落地，御數坊的業務模式、數據治理領域的現狀與趨勢進行闡述，現將精彩內容分享如下。

劉晨，御數坊創始人&CEO，畢業於清華大學。2008年開始從事數據治理行業，曾在石竹、埃森哲從事數據治理的諮詢服務與產品規劃工作，2014年從埃森哲離職創辦御數坊。

數據中臺的建設離不開專業化的數據治理

愛分析：最近中臺概念比較火，請您談一談對中臺的理解，數據中臺的建設的路徑是怎樣的？

劉晨：阿里出了一本書，提出了中臺的概念，其實書裡最開始提的是業務中臺。業務中臺我認為是阿里將多個電商平臺業務，如C2C的淘寶、B2C的天貓，還有團購的聚划算等，其中有同質化的業務職能抽取出來，形成幾個中心：訂單中心，用戶中心，還有支付中心等，把它變成了一個統一的業務功能模塊；

任何一個電商業務運行到這部分的時候，由相應的業務中臺進行支撐，用這樣的方式複用共性的業務能力、支撐多類業務。不同的業務中臺會沉澱下來不同的數據，形成數據中臺、支撐前端多類業務應用。

御數坊服務於很多傳統企業客戶，客戶的業務不一定具備互聯網企業這樣的條件，比如電網、煤炭這類能源企業，它的核心業務比較單一，比如電力的發、輸、變、配、用，不同業務職能是一個價值鏈的上下游，共性的業務職能往往是人力、財務、物資等支撐職能，這與互聯網的業務中臺是不同的概念。

而這部分支撐職能中，組織方面有共享服務中心，系統上有ERP提供支撐，數據方面已經沉澱下來了人員、設備、項目、物料等主數據，主數據管理在傳統行業中已經有比較成熟的方法論和實踐。這就意味著傳統行業的數據中臺建設思路可能和互聯網領域有一些不同。具體如何構建，業界百家爭鳴也還沒有統一的實踐，對這一點御數坊一直在關注和思考，也在和數據中臺公司合作探索，爭取摸索出一條適合傳統企業客戶的數據中臺與數據治理融合的實踐之路。

愛分析：御數坊的業務主要是數據治理，這和數據中臺有什麼異同？

劉晨：談到數據治理與數據中臺的關係，先說說什麼是數據治理。數據治理的核心作用是實現企業數據資產的標準化、提升數據質量，而這是一個相對全局性的工作，既要有對企業數據資產的全面梳理、制定標準規範、組織架構和制度體系，也要結合數據中臺所支撐的業務應用進行細緻的數據質量檢查、提升，而數據質量提升的工作，也不限於在數據中臺內部，應該是覆蓋源端系統和數據中臺，這就意味著數據治理工作既不源於中臺、也不終於中臺，覆蓋面和複雜度要更大。

所以，我們幫助客戶開展數據治理工作，往往先通過諮詢制定一個標準流程，然後根據客戶不同業務、不同系統或不同數據的具體情況再做策略和實施路徑的調整，有的個性化業務需要做個性化的方案設計。

在整體數據治理體系搭建起來之後，數據資產還需要深度治理，一般來說都是與行業和業務場景強相關的。這種深度治理我們叫做專項治理，共分兩類：一類是面向數據治理的工作職能開展的，比如說數據標準的專項治理，或者是數據模型的專項設計；另外一類叫做面向業務場景的專項治理，比如面向營銷或者面向客服的數據進行數據質量提升。這類專項治理不限於數據中臺，也不限於數據團隊，而是應該覆蓋中臺與源系統，由數據團隊和業務部門、源系統技術團隊共同開展，這樣才能從根源解決數據問題。

從諮詢服務到軟件解決方案，推動數據治理落地見效

愛分析：御數坊的發展歷程是怎樣的？

劉晨：我是2003年本科畢業，開始是在一家外企做研發測試，後來接觸了項目管理軟件，從那時起，對於“管理軟件的背後應該是一套管理思想和方法”深信不疑。2008年加入了石竹，做的就是數據治理軟件產品，包括元數據管理、數據質量管理等，從2010年開始參與國際數據管理協會的相關工作，逐漸慢慢形成了自己的方法論。2011年到2014年，我在埃森哲做了三年數據治理諮詢服務，2014年年末創立了御數坊。

初期的想法是公司應該先做諮詢再做產品，數據治理這個領域國內企業對方法論的理解，以及組織和制度的配套都還很不夠，如果單純銷售產品，客戶價值很難體現出來。想做這個產品的難度並不大，但是隻有客戶對這項工作的認知和實踐程度越來越深，才會慢慢的有軟件產品的需求，軟件才能更好的發揮出價值。

所以我們的思路是先做培訓，進而延伸到諮詢服務，御數坊現在具備數據治理全棧服務能力，能夠滿足多行業客戶在不同階段的數據治理需求。

愛分析：御數坊的產品設計思路是怎樣的？

劉晨：根據這些年的數據治理工作經驗，我們認為，客戶之所以需要外部人員去實施數據治理工作，主要是兩方面原因，一方面數據治理方法論的專業理解不足，以及，高水平的專業人員不夠，這就造成客戶開展數據治理工作的門檻比較高。

為此，我們從兩個方面來嘗試讓客戶的數據治理工作更容易上手。第一步，我們叫做標準化，將自己的諮詢方法論沉澱下來固化在產品中。使用我們的產品，客戶的數據治理的工作過程每一步都是方法論支撐的，因此結果自然是可靠的，同時，方法論的沉澱，也降低了對數據治理實施人員的能力要求。目前產品已經有部分模塊比如數據資產梳理，數據認責，數據質量提升已經在一些客戶得到了驗證，後續會加強推廣。

第二步，我們把數據治理的能力自動化、智能化，在每個環節上做智能化的設計和實施，這部分目前我們正在做一些實踐，對互聯網領域應用的比較成熟技術像語義分析、深度學習、神經網絡等技術會嵌入到數據治理的整個過程中，進一步降低對數據治理人員的依賴。這部分我們也已經跑通了一些場景和算法，正在與標準化的部分相融合。

愛分析：數據治理產品中有哪些產品線？ETL是產品的核心嗎？

劉晨：我們的數據治理產品叫做DGOffice，理念是“一室六中心”，我們的諮詢工作就是幫助客戶建立數據治理組織架構和工作機制，建立數據治理辦公室，我們的產品也叫作數據治理辦公室，也希望用起來像Office一樣簡單易用，降低客戶開展數據治理工作的門檻。

六個中心具體包括：數據資產中心、數據架構中心、數據標準中心、數據質量中心、數據安全中心及數據運營中心，這六個中心負責不同的數據治理能力，由智能化中心提供AI能力支持。

ETL並不是數據治理產品的核心，準確來說ETL不是數據治理的產品。它屬於數據生產的工具，而我們做數據治理的產品是屬於數據管理的工具；打個比方，你幹活需要用到鏟子，這是生產工具，使用鏟子幹活做了多少工作量，比如鏟了多少次、鏟了多少量，需要記錄下來，這時候就用到管理工具。

愛分析：御數坊的數據治理實施過程與數據中臺的建設關係是怎樣的？

劉晨：首先數據中臺建設過程中，需要先有數據治理，但數據治理又不能侷限於中臺。數據由上游業務系統產生，經過採集之後做數據清洗。這其中會有上游的髒數據存在，源源不斷的髒數據會使得我們一直被動地去響應，造成數據數據清洗的諸多不便，因此對於大範圍採集或者企業級數據的治理，需要對上游系統做整改，以求數據質量的改進。

而面向業務場景數據質量專項治理中，一定要與源端系統、源端業務相結合，這個價值在業務訂單量，業務銷售額的核算中都能體現出來，業務價值很清晰。相反，如果將數據治理工作侷限於數據中臺的建設，業務數據的根本問題沒解決，那麼業務價值就不是很明顯，更傾向於給it團隊或者數據團隊做了一些保障性的工作，但這部分工作被業務部門和公司領導認同的價值就相對低一些。

當然，從源端治理的模式可能會比較重，這取決於客戶的推進決心和力度。從御數坊的實踐來看，源端治理的模式業務價值很明顯，也能給中臺建設起到很好的數據質量保障。

愛分析：御數坊未來的產品定位是怎樣的？

劉晨：我們還是專注在數據治理這個領域，簡單來說，還是剛才提到的“標準化和智能化”的兩個理念的深化落地。為了將數據治理的價值真正體現出來，我們會選擇長期合作的客戶，也會面向具體行業和也業務領域，提供更加符合客戶使用習慣或某些業務領域工作特點的定製化版本，為此在產品架構上我們會非常注重可擴展性和靈活性，支持多種部署和二次開發模式。

服務於多行業大型客戶，與數據治理生態合作共贏

愛分析：數據治理項目主要面對什麼樣的客戶？客單價是多少？

劉晨：對於客戶而言，首先是數據體量大、數據環境複雜的大型客戶。一般更對數據治理理解更深的客戶，會比較理性看待諮詢和產品的作用，更願意選擇我們。因為我們的專業經驗豐富，專注做數據治理，業務聚焦，數據治理的方法論也更務實，能夠幫助客戶切實見效。所以對我們而言，一般數據治理上走過彎路的客戶更容易與我們達成合作。

客單價方面，省級的電網客戶客單價一般是百萬級。我們去年最大的項目單價接近500萬。總體而言，我們去年營業額是千萬級，最近幾年每年都在100%以上增長。

愛分析：目前行業中出了能源，金融，和電信運營商外，還有哪些領域是數據治理需求比較高的？

劉晨：政府有一些垂直領域如稅務，還有面向地方的電子政務有數據治理的需求，房地產行業今年的數據中臺和治理需求也比較旺盛。另外零售行業也有較高需求，比如最近找到我們的某個零售集團，他們在國外收購了兩家公司，這時候國內和國外的產品體系不一樣，需要做產品數據的標準業務流程梳理。

愛分析：行業內的競爭格局是怎樣的？

劉晨：不完全稱為競爭，叫做競合可能更合適。做數據治理的公司主要有四類：純諮詢公司、純產品供公司、做數據中臺的公司以及行業性的IT服務商。

單純做諮詢的公司，國內就只有我們，剩下的都是國外公司如四大諮詢公司。所以就國內來看，做數據治理諮詢服務我們算一個大規模的團隊了。產品方面，有幾家老牌公司和新興創業公司，但大家不完全是競爭關係，在很多項目上我們都有合作，比如中臺公司或者行業IT服務商負責數據平臺建設，我們負責數據治理諮詢和應用需求設計，產品公司提供基礎產品組件。

數據治理領域也是個小生態，在其中大家各司其職、各自發揮優勢、共同成就客戶，御數坊也以開放的心態與各方合作共贏。