数据治理的基础-数据标准
2023-05-24 13:55:45
根据中国信通院的定义：数据标准，是指保障数据的内外部使用与交换的一致性和准确性的规范性约束。
即通过制定一套由管理制度、管控流程、技术工具共同组成的体系，来对数据定义、分类、格式、编码等标准化管理。对企业来说，数据标准就是对数据类型、长度、归属部门等定义一套统一的规范，以保障不同业务系统之间可以做到对同样的数据理解统一和使用统一。
数据存储结构不一致，调用多系统的数据时，由于某些数据在不同系统中数据存储结构不同，导致数据无法直接关联，影响不同系统之间的数据共享。
数据定义不一致，不同系统对数据的命名、业务含义、取值范围等定义不同，比如同名不同义、同义不同名等。
数据理解不一致，不同人员对数据的理解不一致，导致在数据使用时浪费很多时间来进行沟通。
数据来源不一致，数据存在多个来源，在使用数据时，不清楚应该取哪个系统的数据。
数据标准化的过程其实就是在数据管理平台实现数据标准，并将各个系统产生的数据通过清洗、转换加载到整合平台的数据模型中，实现数据标准化的过程。
所以，数据治理的第一步就是要梳理清楚企业拥有哪些数据，并整合数据。而构建数据整合平台则必须要建立一套数据标准和数据模型，实现数据的标准化。
数据标准管理通过对各个环节数据的定义、格式、值域范围、业务规则等进行维护及应用，帮助企业规范各环节对业务的统一理解，增强企业各部门对数据的定义与使用的一致性，实时贯通企业业务流程，精准监控业务运行情况。
在企业的数据管理和数据应用中，数据标准除了能防止数据对象、数据属性的定义之间的冲突，还对企业应用系统的集成和数据分析挖掘具有重要意义。
数据标准的意义有以下几点：
数据标准化可以使数据在不同系统之间相互通信和共享，从而实现数据的一致性和互操作性。
数据标准可以通过规范化数据的格式、命名和处理方式，降低数据处理的复杂度和成本。
数据标准可以对数据进行规范化，从而提高数据的质量和可信度，减少数据错误和偏差的发生。
数据标准可以使数据的管理和维护更加简单和有效，可以快速识别和解决数据质量问题。
数据标准可以为业务和决策提供准确和完整的数据支持，使其更加科学和准确。
数据标准化可以促进信息在组织间的共享和交流，有利于知识和技术的传播和创新。
一般可从三个维度对数据标准进行分类：数据结构、数据内容来源、技术业务。
结构化数据标准是针对结构化数据制定的标准，通常包括：信息项分类、类型、长度、定义、值域等。
非结构化数据标准是针对非结构化数据制定的标准，通常包括：文件名称、格式、分辨率等。
基础类数据标准是指业务系统直接产生的明细数据和相关代码数据，保障业务活动相关数据的一致性和准确性。
派生类数据标准是指基础类数据根据管理运营的需求加工计算而派生出来的数据，例如：统计指标、实体标签等。
从技术业务角度进行的数据标准分类
业务数据标准是指为实现业务沟通而制定的标准，通常包括：业务定义和管理部门，业务主题等。
技术数据标准是指从信息技术的角度对数据标准的统一规范和定义，通常包括：数据类型、字段长度、精度、数据格式等。
数据标准是提高数据质量的一项重要手段。以下是数据标准应用于数据质量提升的几个方面：
在数据入库前，进行格式、数据类型、数据值域等方面的检查，确保数据符合标准化规范，在数据入库后减少数据质量问题的发生。
规定数据编码方案的标准化，如代码表、数据字典等，避免数据存储在多个表中，增加数据冗余和不完整。
规定数据的规模和单位，统一使用数据规模和单位，以避免不同数据之间的大小和数量的误差。
规定数据元素、字段名、表名等命名规范，避免不同名称或缩写名称的混乱，易混淆或重复出现的情况。
数据建模的时候引用数据标准，将数据标准提前到数据生成之前，从事后校验变成事前控制。
建立数据监督机制，及时监测、发现和纠正数据的错误，保证数据的准确性和正确性。 总之，在数据标准的基础上，可以有效提升数据质量，减少数据质量问题的发生，为企业提供更准确、完整和一致的数据基础，为业务决策等提供支持和保障。
企业数据治理的成效很大程度上取决于数据标准的合理性和统一实施的程度。企业数据标准体系的建设应既满足当前的实际需求，又能着眼未来与国际、国内的数据标准接轨。企业数据标准主要包括数据模型标准（元数据标准）、主数据标准与参考数据标准、数据指标标准等，每类数据标准都可以作为是一个独立主题实施。
数字化的特点是“数据驱动”，而实现“数据驱动”的前提是数据必须是标准的、规范的、消除了大部分数据质量问题的。统一的数据标准，能够让业务人员轻松获取数据，从而让业务人员自助式地进行数据分析、数据探索提供了可能。因此，数据标准是实现“数据驱动管理”、“数据驱动创新”的基础。
