1.1. 实训案例
1.1.1. 实训背景介绍
M公司是一家专注于财务软件开发的科技企业，作为Y集团旗下的重要子公司，公司规模约100人。随着业务发展，M公司内部陆续部署了财务系统、项目管理系统、客户关系管理系统等多个信息系统。然而，系统间数据孤立、数据质量标准不一、数据定义不一致等问题日益凸显，导致跨系统数据分析困难、报表编制效率低下、决策支持力度不足。
在此背景下，M公司希望在Y集团整体数字化战略的指引下，基于“理采存管用”方法论开展数据治理项目。首先通过“摸家底”全面厘清自身数据资源现状与业务需求，明确治理方向。以此为基础，系统性地建立数据治理体系，推动数据汇聚与数据仓库建设，加强主数据、元数据、数据标准与质量的管理，最终实现数据对业务的有效赋能。并通过资产目录、可视化分析报告与AI智能体等形式，提升管理决策的精准性与效率。
1.1.2. 数据治理规划
在M公司数据治理规划阶段，定战略、建体系和摸家底这三部分工作并非简单的线性顺序，而是一个迭代、协同、渐进明晰的过程。它们之间存在相互的依赖与反馈关系，尤其是在战略制定和现状摸底之间。采用“制定-调研-完善”的循环模式来保持三部分工作的持续完善，既能确保战略不脱离实际，也能让体系建设有据可依。
1.1.2.1. 长期战略制定
(1) 资料收集与分析
M公司治理项目启动后，项目组收集了多类企业资料，全面理解M公司背景、战略导向和行业环境。其中，着重分析了“M公司企业战略”和“M公司组织架构”两份核心资料：
- M公司企业战略
M公司作为Y集团核心子公司，以市场扩张为导向，计划三年内从细分市场扩展到更广客群和场景。公司推动产品创新与服务深化，加速向财务数字化解决方案服务商转型，通过提供自动化、智能化解决方案，突破市场边界，提升市场份额和品牌影响力，实现业务增长，并在Y集团生态中承担更重要的赋能角色。
- M公司组织架构
M公司组织架构按职能划分为人力资源部、综合部、财务部、研发部等9个主要部门，尚未设立专职的数据治理或数据管理岗位。
表 1 M公司组织架构
(2) 高层领导访谈
基于《高层领导调研访谈问题清单》，项目组对M公司包括CTO、CFO及COO在内的核心管理层进行了访谈。
高层普遍感受到，当前数据支撑不足带来的决策滞后与协同效率低下。在数据治理期望上，高层最关注的三个方向依次是：
- 提升报表生成与数据分析效率；
- 实现销售业务数据的全景视图；
- 加强回款数据质量与风险管控。
(3) 数据愿景、方向和长期目标制定
项目团队以高层访谈、企业战略为核心输入，通过头脑风暴、研讨会等形式，与高层、业务及技术领导达成共识，初步制定数据愿景、战略方向与长期目标。确保内容既承接M公司的企业战略意图，又贴近实际痛点与能力基础。整个过程强调“上下协同、共识驱动”，最终形成以下指引未来三年数据治理工作的顶层框架。
表 2 M公司数据战略
(4) 数据治理团队组建
根据战略规划，M公司初步组建了数据治理团队，推进后续的数据现状摸底、治理体系设计、治理路线图制定等规划工作。团队主要包括数据治理工作组和数据专员，其中，数据治理工作组的成员全职执行数据治理规划任务。
表 3 M公司数据治理团队
1.1.2.2. 数据现状摸底
(1) 摸底范围和计划制定
数据治理团队结合初步制定的数据战略和各部门工作现状，明确了本次摸底范围，并制定了摸底计划。
- 组织范围：M公司销售部、人力资源部、财务部、信息科技部。
- 业务范围：围绕M公司销售管理相关的业务。
- 系统范围：客户关系管理系统（CRM）、财务管理系统（FMS）和人力资源管理系统（HRMS）。
表 4 M公司数据治理摸底计划
(2) 信息化现状调研
经过与信息科技部的专项调研，数据治理团队全面了解了M公司整体信息化建设与管理状况：公司已建立了覆盖核心业务环节的信息系统，以本地化部署为主，基础数据管理职能分散在各系统运维团队，尚未形成企业级的数据架构与管理体系。
根据摸底范围，聚焦分析客户关系管理（CRM）、财务管理系统（FMS）及人力资源管理系统（HRMS）3个业务系统。它们均已上线运行，部署于公司的本地数据中心，且后端均采用MySQL数据库。
目前各系统独立运行，数据存量大约250G，预计年增长量为60-70G，未通过接口或中间平台进行数据集成，导致业务数据在系统间形成孤岛，跨域数据拉通与综合分析存在显著技术障碍。各系统的使用情况如下。
表 5 M公司系统建设现状-使用情况
(3) 业务现状调研
根据M公司现有组织架构，团队梳理出公司的业务域，构成公司运营与管理的主体框架。
表 6 M公司业务域
以公司业务域为框架，调研销售管理、财务管理和人力资源管理中的主要业务流程，明确各环节的所需数据、执行动作、支撑系统和产出数据等。并通过跨业务域流程的对接分析，进一步绘制跨域业务协同与数据流向图。
以“合同签订和收款”业务流为例，业务流程图如下。
图 1 合同签订和收款业务流程图
该业务涉及的流程描述如下：
图 2 合同签订和收款业务流程描述
该业务的数据流向如下：
图 3 合同签订和收款数据流向图
在业务流程调研的同时，数据治理工作组进一步收集了各业务部门对数据质量、集成及可视化等方面的数据需求。其中，销售部门提出的“合同收款状态实时同步至CRM”需求最为强烈，目前因系统未集成，导致收款信息滞后，直接影响客户跟进与业绩统计；财务部也提出收款确认时，经常因为信息有误，找不到对应的合同，需要花费大量的人工和时间核对，影响月度结账效率与财务数据准确性。
(4) 数据梳理
经过沟通后，本次梳理采用综合法开展，即在已明确的业务域框架下，以业务系统为主线梳理，再补充文档等数据资源。
首先从CRM、FMS、HRMS三个系统的MySQL数据库中自动提取表结构信息，形成初步的数据资源清单；针对表中字段业务含义不明确的情况，结合各系统功能和用户操作场景进行补充完善。
在此基础上，进一步结合前期梳理的业务流程与部门考核资料，收集并识别目前以Excel、纸质单据等形式存在的线下数据资源，补充至清单中。
本次梳理也明确了边界：仅覆盖与“销售—财务—人力”核心业务链相关的数据，排除纯日志、临时表及测试数据等。最终，共梳理出有效数据资源317个，其中CRM系统108个、FMS系统132个、HRMS系统77个。
图 4 M公司数据资源清单（部分）
(5) 现状评估
经过调研，整理出各部门提出的主要痛点，并从数据视角进行需求分析，具体如下：
图 5 M公司数据治理需求分析
总体来看，当前“系统孤立、管理分散、标准不一”的数据困局，已成为制约M公司市场扩张战略的关键瓶颈。客户、合同等核心数据在各系统中定义不一致、无法联通，导致跨部门协同效率低下，难以支撑快速市场响应与规模化客户运营。
为实现市场突破，业务侧需求高度聚焦：
- 解决数据集成，打通“销售-财务”等核心链路，支撑实时业绩洞察与精准客户运营；
- 建立统一的数据标准与质量保障，确保核心业务数据准确可信；
- 构建面向业务的数据服务能力，直接赋能市场开拓、销售预测与决策效率，驱动战略目标达成。
1.1.2.3. 治理路线图制定
(1) 行动计划制定
为确保M公司数据战略有效落地，团队制定了为期三年的数据治理行动计划。
图 6 M公司数据治理三年行动计划
- 第一阶段：基础构建与价值初显
本阶段的核心任务是成立数据治理组织，完成大数据平台的建设，重点实现CRM、FMS和HRMS的数据汇聚与共享。围绕销售业务域，制定核心数据标准，实施数据质量监控，并构建面向销售管理的可视化分析看板与AI智能体，来支持销售过程跟踪、业绩分析与决策优化。
预期成效是初步建立“组织有责、平台有数、标准有依”的治理基础，通过销售业务域的数据治理实践，验证路径的有效性，实现销售核心数据的“可见、可管、可用”，初步体现数据治理在提升销售协同与决策效率中的业务价值。
- 第二阶段：深化治理与智能拓展
本阶段的核心任务是基于销售业务域的数据治理经验，实现全公司数据资源的集成、标准制定和质量管控，全面推进主数据落地。同时，设计企业级指标体系，支撑经营分析、绩效考核等多场景数据应用。
预期成效是实现数据治理能力的体系化扩展与智能化升级，形成覆盖全业务的数据资产目录与服务体系，构建统一的客户全景视图与市场洞察体系，初步形成数据驱动决策的文化与考核机制，显著提升跨部门协同效率与市场响应速度。
- 第三阶段：全面赋能与资产运营
本阶段在加强常态化数据治理的基础上，开发可供内外部使用的数据产品或服务，并探索构建高质量数据集，来支持AI深度训练或对外输出，推动数据在市场预测、产品规划等战略场景中的深度应用。
预期成效是完成数据从“治理对象”向“可运营资产”的转变，实现数据价值的持续释放与反哺业务创新，形成以数据为核心驱动力的组织能力。
(2) 本期治理目标分解
为确保行动计划的有效推进，需要分解为可执行、可衡量、可追踪的短期目标。
图 7 M公司数据治理短期目标
1.1.2.4. 治理体系设计
(1) 组织体系完善
基于M公司数据基础较弱、缺乏专职数据管理岗位且亟需快速建立统一治理框架的现状，计划采用集中式数据治理模式，并构建由数据治理委员会、数据治理工作组和各业务部门数据专员组成的三层数据治理组织架构。
图 8 M公司数据治理组织体系
(2) 制度体系设计
在数据治理规划框架下，M公司的制度体系设计工作围绕“建立行为准则、确保有章可循”展开，构建了以《数据管理办法》为总纲，以数据标准、质量等核心领域实施细则为支撑，并配套具体操作规范的三层制度框架。该体系明确各类数据活动的责任、流程与规则，并通过与数据认责机制、技术平台及常态化培训相结合，确保制度可落地、可执行、可监督，为数据从采集到应用的全生命周期管理提供稳定的制度保障，推动数据治理从项目化向常态化运营转变。
1.1.3. 数据制度建设
在规划阶段，M公司已确立了集中式数据治理模式，并组建了数据治理委员会、工作组及各部门数据专员。基于“办法-细则-规范”三层框架，M公司首先制定了纲领性文件《数据管理办法》，明确了数据管理的目标、原则、组织职责、管理范围及核心流程。随后，基于近期的治理计划，配套制定了《数据标准管理实施细则》、《数据质量管理实施细则》，并针对技术操作层面编写了《数据中台数据管理规范》。
数据制度制定并发布后，数据治理工作组组织了多场专项培训，向业务部门解释制度中的关键条款，特别是数据认责、质量整改流程等与业务日常工作密切相关的部分。同时，将制度要求嵌入到数据管理平台的工作流中，例如质量问题工单自动派发给责任人并跟踪闭环。通过“制度+平台”的结合，确保了制度的可执行、可监督。
1.1.4. 数据标准建设
依据《数据标准管理实施细则》，M公司首先在销售业务域启动了标准建设，聚焦客户、员工、合同、商机、收款等核心数据。
1.1.4.1. 现有数据标准梳理
数据治理工作组收集了CRM、FMS、HRMS三个系统的数据字典、业务表单及已有的数据规范文档，发现各系统对同一业务概念的定义存在显著差异，数据内容的规范也不尽相同。
1.1.4.2. 业务术语
通过与销售、财务、人力资源等部门代表的多轮研讨，对关键业务术语达成一致定义。
图 9 M公司业务术语（部分）
1.1.4.3. 数据元标准
基于业务术语，识别出与销售域相关的基础数据元，并参考国家、行业、地方标准及业务规范，制定了M公司数据元标准。
图 10 M公司数据元标准（部分）
1.1.5. 数据集成和存储
为实现销售业务域的数据贯通，M公司将CRM、FMS、HRMS三个系统的数据按照统一标准进行集成与存储。
1.1.5.1. 数仓规划
数据集成采用“中心辐射型”模式，以数据中台为核心，通过批量与实时相结合的方式汇聚各系统数据。
数据仓库划分为贴源层（ODS）、治理层（DW）和应用层（ADS）。贴源层保持与源系统一致的表结构；治理层进行模型重构和标准化治理，细分为主数据库和主题数据库；应用层面向业务应用需求构建宽表或汇总表。
以“合同签订和收款”业务流为例，数据存储规划如下：
图 11 M公司数仓规划
1.1.5.2. 模型设计
(1) 概念模型设计
创建销售主题的概念模型。
借鉴业界通用模型，从M公司销售域业务流程、数据资源清单中提取实体。
图 12 M公司销售主题概念模型（部分）
ER图如下：
图 13 M公司销售主题ER图（部分）
(2) 逻辑模型设计
以销售主题概念模型为基础，细化为逻辑模型。
图 14 M公司销售主题逻辑模型（部分）
(3) 主数据库物理模型设计
根据销售主题逻辑模型，提取员工、客户以及合同，作为主数据。
员工主数据物理模型（部分）如下：
图 15 M公司员工主数据物理模型（部分）
客户主数据物理模型（部分）如下：
图 16 M公司客户主数据物理模型（部分）
合同主数据物理模型（部分）如下：
图 17 M公司合同主数据物理模型（部分）
(4) 主题库物理模型设计
根据销售主题逻辑模型，将“商机信息”划分为销售主题的物理模型。提取“开票登记记录”和“收款登记记录”，将其划分为财务主题的物理模型。
1.1.5.3. 数据集成
(1) 来源数据归集
确认集成范围及设计归集模式，主要采用批处理方式，定期同步业务系统数据表。
图 18 M公司来源数据集成范围（部分）
同时，设计来源数据的清洗规则。
图 19 M公司来源数据清洗规则（部分）
(2) 治理库数据归集
基于数据模型设计成果，M公司将治理层细分为主数据库和主题数据库。
主数据库主要存储企业级的核心主数据，如客户、员工、合同等，通过统一编码和标准化管理，确保关键基础数据在全公司范围内保持一致和可复用。
主题数据库则面向业务主题，例如销售主题、财务主题，其数据一部分来源于贴源层的原始业务数据，另一部分则关联主数据库中的信息，通过融合加工形成面向主题的数据集。
图 20 M公司治理库数据归集（部分）
1.1.6. 数据质量管理
数据集成后，M公司启动了数据质量管理，首先聚焦销售业务域的关键数据。质量管理以业务系统的原始数据为主，以数据仓库中的数据为辅。
1.1.6.1. 范围确认
根据业务应用需求，将治理库中使用的数据、已有使用场景的数据纳入首批质量管理范围。
图 21 M公司数据质量管理范围（部分）
1.1.6.2. 规则制定
依据M公司数据标准，以及相关的国家、地方、行业标准和项目规范，制定并共识了数据质量评测规则。
图 22 M公司数据质量规则（部分）
1.1.6.3. 发现问题
通过评测工具，发现数据质量问题。数据治理工作组组织相关业务部门，分析问题根因，发现典型问题和产生原因，如：
- 客户跟进人缺失：CRM系统中的客户信息表，约有5%的客户记录未指定跟进人（销售负责人）。主要是由于销售人员离职后，其负责的客户未及时重新分配跟进人。
- 开票金额大于合同金额：FMS系统中的开票记录与CRM系统中的合同金额比对时，发现约8%的开票金额超过了对应的合同金额。主要是由于开票记录和合同金额都是手工登记，且2个系统间的数据缺乏校验。
- 收款中的客户信息缺失或不准确：FMS系统的收款登记表中，约有12%的记录缺少客户名称、客户编码，或客户名称与CRM系统中的标准名称不一致。主要是由于仅根据银行回单，手工登记收款信息，当信息有误时匹配困难。
1.1.6.4. 源头整改
针对发现的问题，制定整改措施并落实责任部门，纠正当前数据问题，预防未来数据问题。
图 23 M公司数据质量问题整改措施（部分）
同时，通过培训强化业务人员的数据质量意识，将数据质量指标纳入部门月度考核。
1.1.6.5. 周期性评价
整改完成后，数据治理工作组每月发布《数据质量评价报告》，跟踪核心数据质量趋势。报告显示，经过3个月持续改进，销售域核心数据完整性从82%提升至97%，一致性从76%提升至95%，显著改善了业务数据的可信度。
1.1.7. 数据共享
在完成数据集成与治理后，M公司通过数据中台将治理后的数据按需共享至各业务系统，确保各系统能够基于一致的数据开展业务处理与分析。M公司的数据共享场景举例如下：
- 将治理库中的员工、客户、合同等主数据作为企业级基础数据，同步至CRM、FMS、HRMS等业务系统，确保各系统核心实体信息的一致性；
- 将治理库中形成的财务主题数据（如开票记录、收款记录等）同步回CRM系统，使销售人员能够及时掌握合同回款状态，有效支撑客户跟进与业绩分析；
- 通过API服务，将数据上报给集团。
1.1.8. 数据资产目录
在数据治理初见成效后，M公司构建了企业级数据资产目录，通过数据资产门户向公司提供数据发现与共享服务。
初期将经过治理的数据表和API发布到资产目录中，往后计划将各类报表、指标也陆续发布。
图 24 M公司数据资产目录（部分）
1.1.9. 可视化分析看板
为了赋能业务决策，治理工作组面向销售总监和销售经理，聚焦合同签订、回款进度、商机转化等关键指标，基于治理后的数据开发了销售管理可视化看板。
看板数据每日更新，并设置权限控制，确保只有相关人员可访问。看板上线后，销售总监可随时掌握业务动态，周例会数据准备时间由原来的半天缩短至15分钟。
图 25 M公司经营分析看板
1.1.10. AI智能用数
为进一步降低用数门槛，M公司引入了AI智能体，支持业务人员通过自然语言，对销售数据进行查询与分析。
AI智能体上线后，非技术背景的销售、市场人员可以自助获取数据，数据需求响应时间从天级缩短到分钟级。
图 26 M公司AI智能体
图 27 M公司AI智能体数据解读
（或访问：https://xcnoejbrkx3v.feishu.cn/drive/folder/HCXufFf6ilq0ejdF5Hmc3CJhnYf）
- 《数据治理实战指南》——致正在阅读本书的你
- 《数据治理实战指南》——导读
- 【第一部分 框架篇】第1章 数据治理行业概述
- 【第一部分 框架篇】第2章 数据治理方法论
- 【第二部分 规划篇】第3章 定战略
- 【第二部分 规划篇】第4章 建体系
- 【第二部分 规划篇】第5章 摸家底
- 【第三部分 实施篇】第6章 数据集成
- 【第三部分 实施篇】第7章 数据仓库及数据模型管理
- 【第三部分 实施篇】第8章 元数据管理
- 【第三部分 实施篇】第9章 数据标准管理
- 【第三部分 实施篇】第10章 数据质量管理
- 【第三部分 实施篇】第11章 主数据管理
- 【第三部分 实施篇】第12章 数据安全管理
- 【第三部分 实施篇】第13章 数据价值应用
- 【第四部分 实战篇】第14章 数据治理实战演练
