中国数字规划之后，近日在*会两**中国务院机构改革的方案中，又提出要组建国家数据局。这又给了数据人强烈的鼓舞，数据人再一次站到了高光的舞台上。
所以有必要对数据工作必备技能——数据治理的概念、治理原则、要求等进行说明。
一般人的生老病死是有生命周期的，企业从创办到消亡是生命周期，同样数据也有生命周期。
数据的生命周期是从数据的产生（录入或自动生成）、存储、流转、应用、然后封存、销毁（删除）的一个全部过程。因此在数据的全生命周期中，必然会存在数据的各种各样的问题，比如说找不到、管不住、用不了等等。所以，要解决这些数据问题，就需要采用各种各样的应对措施，这就是数据治理。
这样就可以清晰地了解到，进行数据治理的过程是一个系统的过程，需要贯穿上下的组织结构、考虑完善的制度与流程、选择适应自身的技术体系、数据可靠性、质量体系以及数据安全。
数字化建设有四个基本的原则：
1、有明确的数据来源
2、数据客观科学
3、数据分析效率
4、数据安全管控
所以针对于数据治理，也必须要从这四个基本原则出发，采取相应的方法及措施。
一、有明确的数据来源——数据从哪里来
这是数据生命周期的起点，数据的来源决定了数据治理策略的基础。但是在数字化转型之初，很多企业的数据是缺失不全的，甚至很多企业并不知道需要采集哪些数据，才会对企业战略探讨能够起到客观科学的作用。
或者数据是散落、不系统的，企业并不知道需要如何整合和汇总，造成了部门之间的数据不统一，采集不规范的情况。
所以数据治理必须要关注这些问题，制定相应的策略来管理数据的来源，引导收集规范可分析的数据，控制数据来源的路径和生命周期。
二、数据客观科学
经常收集到的数据是不规范的且数量庞大的，这样就对数据管理者非常的头疼。如何将数据中的噪音和重要数据分开才只是数据分析的开始。
所以在采集数据的时候，就需要对数据提出一系列规范和要求，其中包括数据的一致性、完整性、准确性、有效性、及时性。
同时还需要保证，所采集到的数据是合法并且原始真实的。否则在数据从采集、加工处理这个长链路和流程中，某一个环节出现问题，都会导致整条数据链路的数据错误。
三、数据分析效率
在数据智能时代，千万级的数据处理也给数据驱动业务带来了不少的压力。企业如何提高数据效率，节约数据成本，获取数据资产价值成为了数据治理的关键问题。
提高数据处理效率，就涉及到数据仓库的资产化管理，比如元数据管理、主数据管理，模型开发效率高，可复用，通过数据仓库分层建设，提升开发效率和运维效率。
还要求数据资产管理的数据产品，既能满足数据仓库建设的高效率，同时也具备资产索引的地图能力，方便业务查找和使用数据。
四、数据安全管控
数据安全主要是针对数据的安全脱敏管理和安全检查。常用的脱敏方式有以下两种：
1、在数据仓库的接入和输出进行脱敏管控，这样操作的好处在于安全易于管控，并且过程少，缺点是会增加开发的工作量；
2、针对用户进行脱敏管理，就是需要对数据仓库的每一层的敏感数据都进行脱敏处理。它的好处在于对开发没有太大影响，但是加大了安全管理的复杂度，需要全域扫描敏感信息，过敏工作量大。