数据治理的关键在于“治理”，谈及治理，必然涉及到一系列的战略、组织、经营、流程等方方面面的改进。要保障这一系列调整措施的落实，建立明确的针对数据治理的考核制度是非常必要的。

一套奖惩有序的数据治理绩效考核体系，能帮助企业规范数据管理流程，落实数据治理相关方的职责，从而提升整体数据质量，实现数据战略。

但由于部门壁垒、缺乏工具系统支撑、考核指标设置不合理、以及经营业绩压力等因素，当前很多企业对于数据治理相关规范的执行落实情况不佳。本文主要从数据治理的原则、数据治理的绩效指标设计与参考、数据治理考核方式等方面进行分享，希望为企业的数据治理绩效考核的具体实施提供参考。

— 01 —

数据治理绩效考核五大原则

1. 分工明确

要做好数据治理，并不是某些特定部门的职责和义务。要将数据治理绩效考核纳入全企业的管理体系中来，首先就要理清数据治理考核在全企业考核体系中的目标和定位，并以此为依据，明确牵头部门、辅助部门和考核主体。

2. 奖惩结合

奖惩有序，是数据治理绩效体系能落地见效的前提保障。通过合理有效的激励问责机制，能规范数据管理流程，落实各参与方职责，从而提升数据质量，达成考核目标和最终实现数据战略。数据治理的奖惩标准，应由数据治理归口部门进行制定，可以结合企业现有考核体系进行扩展。要注意的是，问责机制虽在短期内见效快，但应考虑数据治理是一项持续性工作，还需充分结合“激励”的方式，做到奖惩有序严明。

3. 客观公平

数据治理的绩效考核，应基于企业自身以及各部门分别客观的实际情况来进行，针对各部门的实际工作范围，设定不同的考核指标。对其结果的判定，也需基于实际发生的数据管理工作的执行效果与问题来进行综合判定。如若某项指标无法量化，需进行人工考核，人工考核也应明确标准，避免主观。可以采取工具化的方式对过程进行控制，保障考核的结果的客观性。

4. 公开透明

企业应明确数据治理考核开展的流程方式、频次以及具体考核的标准，保障考核的公开透明和持续，加深成员对数据治理绩效考核的过程以及重要性的理解，保证考核的公平与合理。

5. 逐步推进

数据治理考核应以企业数据管理工作现状为前提，根据不同阶段的工作重点，选取重点领域的关键环节，设置考核指标和分值。随着数据工作的逐步推进，对考核指标和分值做出相应的调整。

— 02 —

如何设计数据治理考核指标？

针对数据治理体系不同领域不同的管理水平和诉求，数据治理指标体系可以从定性、定量和奖惩分这三个方面分别设计。

对于需要重点管理、关注过程和行为本身的的领域，例如数据质量领域，就可采用结果导向，从数据问题的响应和实际解决角度进行定性指标设计。

对于一些较容易量化的指标，如KPI等，就可根据指标结果实现的难易度、实际目标值进行定量评价设计。

而对于激励性的领域，例如数据应用，可以设置相应的奖励分等；对于重要的、底线性要求，则可进行扣分设置。

下图是可供参考的数据治理绩效指标设计表。

— 03 —

常见数据治理考核指标参考

数据治理的绩效考核可以从数据治理人员、数据质量问题、数据标准贯彻、治理策略执行、技术达成、业务价值实现等6个维度考量。

数据治理考核评价指标示例

— 04 —

数据治理考核方式

数据治理的绩效考核应采用日常考核与定期考核相结合、系统自动考核与人工考核相结合的模式进行，明确考核奖惩措施，强化数据治理考核机制。

1. 日常考核

日常考核是考核数据治理的相关干系人（尤其是数据的生产者或所有者）在日常工作流程中，录入和审核数据是否及时、完整、准确、规范，其目的是在源头堵住不良数据的入口以防范数据安全风险。举例如下。

（1）及时性考核

比如业务员是否第一时间将销售订单录入CRM系统中，销售主管是否在规定的时间内完成订单数据的审核，ERP系统中本月的有效单据（如请购单、采购单、委托单、出入库单等）是否审核月结完毕。

（2）准确性考核

对业务单据的关键属性的值的完整性、准确性进行考核，例如客商档案录入是否完整，税率、进货数量、单据价格是否准确等。

（3）规范性考核

责任人是否越权操作，比如：是否使用他人账号/密码登录系统并录入或审核数据；是否未经上级领导批准，将账借给他人使用或者让他人代录入或审核数据。

2. 定期考核

数据管理部门应定期开展数据质量的稽查，通过制定数据质量稽查规则，明确数据稽查内容、稽查周期、稽查方法，来检查数据是否完整、及时、准确。定期考核可以分为抽样数据稽查和全面数据稽查。

抽样数据稽查：数据治理小组定期按照一定的时间范围对相关数据集的数据质量情况进行检查，目的是及时发现增量数据中的数据质量问题。

全面数据稽查：数据治理小组必须按照一定的周期对相关数据集的存量进行全面的数据质量问题稽查，需要定期发布报告，以显示每个指标的成功之处和待改进之处。一般来说，全面数据稽查的频率要低于抽样数据稽查，数据集的记录数越小，越适合采用全面数据稽查的方法。例如，小于10万条记录的数据集必须每月进行一次全面数据稽查。

3. 系统自动考核

对于计算机系统能够量化的数据质量规则，应尽量采用系统自动考核方式进行数据质量问题的稽查。可量化的数据质量规则举例如下。

记录差异性：检查跨系统之间实体记录不相同的信息，例如A系统中的客户资料在B系统中不存在。

字段一致性：检查跨系统之间实体相同的记录的字段是否一致，例如A系统中客户“张三”的出生年月与B系统中客户“张三”的出生年月不相同。

字段准确性：检查单系统中某字段的取值是否正确，例如账目表中客商费用的取值不能大于100万元。

业务逻辑性：检查系统中某字段的取值是否符合业务逻辑，例如销售单据中的客户编码、产品编码是否分别存在于客户档案表、产品档案表中。

系统自动考核要求数据质量管理工具提供数据质量检查规则、数据质量任务、考核规则的配置功能，数据质量任务的分派、处理、审核、监控功能，以及数据质量问题报表的展示和查询功能等。

4. 人工考核

人工考核主要是根据审核人员的经验以及填报单位的各种定量和定性信息，采用人机结合的方式对已录入数据进行检查和审核，进而判断数据是否符合要求。人工考核面向的数据主要分为两类。

无法形成量化指标或者量化范围难以鉴定的数据，例如数据质量问题对企业业务的影响程度。

计算机稽查发现的“异常数据”和“重复数据”，例如：计算机稽查到CRM系统中有20条重名的客户信息，这时需要人来判断这20条客户信息是否真的重复，为什么会重复。经审核确定的“异常数据”和“重复数据”应向填报单位核实，核实后，填报单位应对数据进行改正。

在数据治理绩效考核中，只有通过了人工数据审核，才能进行数据汇总并给出考核结果。

— 05 —

小结

数据治理考核的执行与企业原有的考核节奏保持一致即可。但考核管理部门需要定期跟踪关键节点，例如按照月度或者季度的频次，跟踪各部门全年整改完成率以及数据质量情况，评估当期的风险，做到监督的职责。

随着考核管理水平的提升，数据治理归口管理部门还应定期审视和调整数据治理考核指标，例如将数据质量问题的响应率转换为数据质量问题的发生率，逐步提升企业数据质量，最终提升各部门的数据管理和应用水平。