本文内容根据澳优乳业CIO张阁在“数智深耕·破局增长——重塑消费品零售新生态”私享会”上的分享整理

澳优乳业 CIO 张阁

在6月26日，CIO发展中心举办的“数智深耕·破局增长——重塑消费品零售新生态”私享会上，澳优乳业CIO张阁聚焦消费品行业共性数据难题，带来“消费品企业数据治理工作探讨”主题分享。针对多系统割裂、数据标准混乱、质量参差不齐等行业痛点，提出“业务与数据双融合”治理体系，厘清对象确权、数据标准、数据流向、质量校验全流程闭环，明确业务、IT、数据三大团队分工，解决企业“数据治理投入大、业务价值感知少”的核心难题，为上层AI应用筑牢根基。

以下内容根据现场演讲录音删减整理。

大家好，我是澳优乳业的张阁，非常荣幸受邀分享，今天分享的主题是消费品制造企业数据治理的实践分享，围绕为什么做、做什么、如何做、谁来做四大核心问题，拆解行业痛点与落地方法论。

一、为什么要做数据治理

数据治理的核心驱动力是业务需求，最终目标是创造业务价值，同时也是企业数字化建设的核心基础。从业务视角来看，数据治理能够创造四类核心价值：第一是业务可视，让数据真实反映业务，这是数字化的基础能力，当前行业普遍面临数据不完整、不及时、存在虚假错误，无法真实映射业务的挑战；第二是精细运营，支撑用户分类画像与AI自动化评估，而用户管理不统一、登记记录不唯一、信息不完整，是限制企业精细化运营能力的核心瓶颈；第三是高效协作，打破烟囱式系统建设造成的信息孤岛，实现跨部门信息共享与流程协同，解决接口映射不统一、跨系统数据标准不一致的协同障碍；第四是智能作业，为AI应用提供高质量数据底座，支撑量化判断与精准理解，而AI时代的数据治理已经从结构化数据延伸到非结构化数据，需要解决业务术语、参数模板、权限体系等一系列新问题。

从IT视角来看，数据治理贯穿系统建设全生命周期，是数字化建设的前置基础，覆盖系统建设全流程：建设前，完成业务对象梳理、对象登记确权、数据安全分级、数据流向规划，为系统建设打牢数据底座；建设中，落地库表登记、接口设计、校验设计，同步完成历史数据清洗；上线后，持续开展数据质检、数据校正、数据授权。

澳优乳业十年数字化实践的核心结论是：数据治理是企业数智化的核心工作。功能落地、体验提升完全依赖数据基础，缺失数据底座的系统建设，最终都会暴露系统性问题。

消费品企业数据治理难度显著高于金融、互联网行业，传统DAMA治理体系存在明显局限性，根源在于三大行业特性：

一是业务标准化程度低，缺乏统一管理：产业链长、业务复杂，核心对象（如客户）常由多部门、多系统分头管理，重复登记、数据不统一问题突出；

二是业务变化快、玩法迭代快：面向海量消费者，创新与调整速度快，传统数据治理单周期长达3个月以上，完全跟不上业务变革节奏；

三是系统异构复杂度高：外购系统占比高，库表字段难以调整，叠加并购带来的系统差异，历史包袱重，数据质量提升难度极大。

二、核心思路：数业融合治理机制

所有数据问题的根源都是业务管理问题，所有业务管理问题也最终会反映到数据上。数据与业务是一体两面：数据是业务的记录，从业务中来、到业务中去；数据质量反映作业管控水平，数据标准体现业务需求与业技一致性，数据流向映射跨部门协作状态。

因此消费品企业的数据治理，既不是单纯的技术工作，也不是单纯的数据工作，本质是业务标准与业务管理的重塑，是业务流的治理。纯技术采购系统、单域数据咨询的模式都无法落地，必须从业务标准与管理切入，形成数据业务协同治理机制。

三、做什么&如何做：治理框架与落地闭环

1. 治理框架：业务主导，数科支撑

在具体治理框架上，澳优乳业整体遵循“业务主导，数科支撑”的分工逻辑：业务侧负责制定资源标准、表单标准、指标参数与业务术语，数科侧负责落地对象确权、库表与页面改造、数据标准、数据质量、数据流向与数据合规。

其中，资源标准的核心价值是实现企业资源集中化、精细化管理，从根源解决多部门分头管理导致的数据混乱；表单标准本质是业务活动的标准化，数字化场景中80%的处理对象都是表单，业务活动越规范，系统表单就越标准稳定；业务术语是AI时代的核心基础，能够实现全员、员工与系统、员工与智能体的统一语言，减少智能体幻觉与需求传递偏差；对象确权用于建立业务要素的数据映射，明确“谁来管理”，是治理落地的权责基础；数据标准用于实现业务、管理、技术三方对数据的一致性管理，替代传统仅从数据出发的标准体系；数据流向支撑多部门数据共享与系统联通，最大化数据复用价值；数据质量则聚焦解决数据“缺、重、错、乱、迟”的可用性问题。

治理对象整体分为个人对象、实体对象、指标参数/标签类特定对象三类，三类对象的治理方法与价值各有差异，但均由业务主导制定标准，完成管理与确权。

2. 治理闭环：从“采存建管用”到“责需流表质”

澳优乳业将完整的治理流程总结为“责需流表质”方法论，替代了传统数据治理“采存建管用”的技术视角逻辑，形成了从对象确权、数据标准、数据流向、表/页建改到数据质检、数据校正的完整闭环：第一步明确治理对象的管理部门与负责人，确定数据标准归属；第二步从业务需求出发制定标准，而非从现有字段反向推导；第三步梳理上下游系统与部门的流向关系，完成流量评估、授权与接口改造；第四步落地库表、页面的改造优化，让标准嵌入系统作业环节；最后通过自动化质检加人工校正的方式，持续保障数据质量。

3. 落地四大核心原则

澳优乳业落地过程中有四大核心原则：一是以双跨对象为主，遵循二八原则，优先治理跨系统、跨部门的核心复用对象，实现最高的投入产出比；二是以需求定数标，摒弃从现有数据反向推导标准的做法，从业务趋势与使用需求出发匹配数据标准；三是数业同责确权，明确业务负责人就是对应数据对象的数据Owner，数据管理范围与业务权责范围完全一致；四是同一源头治理，从业务源头而非数据仓库切入治理，管源头、管流向、管修改，保障全链路数据口径一致。

4. 四大典型治理误区

澳优乳业实践中还要规避四大典型治理误区：针对记录数据错误，禁止直接在数据库刷改数据，必须走业务登记、修改审批流程，从业务端完成规范变更；针对报表数据错误，禁止直接修改数仓数据修正报表，必须从源头开展数据质量管理，系统性问题从根源完成整改；针对系统联通问题，摒弃仅靠接口加字段映射的连通方式，必须基于统一数据标准做授权与协同，解决部门口径不一致的根本问题；针对外购系统实施，不能直接启用系统自带库表、由开发随意定义字段，外部系统必须适配企业统一数据标准，融入整体数字化体系。

四、谁来做：铁三角组织模式

数据治理长期陷入“两张皮”困境的核心原因，是业务与IT权责分离、动力不匹配。破局的核心是建立数据治理铁三角专项小组，针对每个治理对象配套三类角色：

业务管理团队：负责录入管理、使用管理、数据质量、数据校正，是数据质量的第一责任人，业务驱动是治理落地的核心动力。

数据管理团队：负责对象确权、数据标准、数据流向、库表登记检核，承担体系设计与规则落地工作。

系统产品团队：负责页面校验、数据填报、库表与页面改造，是数据标准落地到系统的核心载体，没有产品落地的治理标准都是空谈。

澳优乳业基于铁三角模式，共拆解形成18个具体工作项，每个工作项明确牵头岗位与协作岗位，所有工作均由业务与IT协作完成，共同推进治理落地。