文章目录
- 前言
- 一、全流程说明
-
- [1. 流程图](#1. 流程图)
- [2. 关键链路说明](#2. 关键链路说明)
- [3. 全流程逻辑闭环](#3. 全流程逻辑闭环)
- 二、流程详解
-
- [1. 指标标准：业务驱动的治理起点](#1. 指标标准：业务驱动的治理起点)
- [2. 企业级数据字典：数据标准化的核心依据](#2. 企业级数据字典：数据标准化的核心依据)
- [3. 企业级数据模型：数据治理的技术载体](#3. 企业级数据模型：数据治理的技术载体)
- [4. 数据架构：数据流转的基础支撑](#4. 数据架构：数据流转的基础支撑)
- [5. 数据质量：数据可信的全链路保障](#5. 数据质量：数据可信的全链路保障)
- [6. 数据安全：数据合规的全流程防护](#6. 数据安全：数据合规的全流程防护)
- [7. 数据目录：数据资产的沉淀与价值释放](#7. 数据目录：数据资产的沉淀与价值释放)
前言
本流程围绕 "指标驱动、标准先行、模型落地、质量闭环、安全合规、资产沉淀" 六大核心逻辑，形成端到端的数据治理闭环。
一、全流程说明
1. 流程图
2. 关键链路说明
- 指标标准是业务起点，驱动数据字典、模型设计与数据质量规则的制定；
- 数据字典为模型设计、ETL 开发、数据治理提供统一标准；
- 数据架构 + 企业级数据模型是技术落地的核心，实现数据从源到数仓的标准化流转；
- 数据质量基于数据架构、模型、指标规则，实现全链路数据校验；
- 数据安全嵌入数据分类、存储、访问、脱敏全流程，保障数据合规；
- 数据目录沉淀所有治理成果，实现数据资产的可发现、可理解、可追溯。
3. 全流程逻辑闭环
从业务指标 出发，通过数据字典 统一标准，驱动数据模型与架构 落地，以数据质量与安全 保障可信合规，最终沉淀为数据目录实现资产价值释放，各模块相互支撑、迭代优化，形成完整的数据治理闭环。
#mermaid-svg-7oUvwtDlmVv6jG98{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-7oUvwtDlmVv6jG98 .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-7oUvwtDlmVv6jG98 .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-7oUvwtDlmVv6jG98 .error-icon{fill:#552222;}#mermaid-svg-7oUvwtDlmVv6jG98 .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-7oUvwtDlmVv6jG98 .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-7oUvwtDlmVv6jG98 .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-7oUvwtDlmVv6jG98 .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-7oUvwtDlmVv6jG98 .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-7oUvwtDlmVv6jG98 .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-7oUvwtDlmVv6jG98 .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-7oUvwtDlmVv6jG98 .marker{fill:#333333;stroke:#333333;}#mermaid-svg-7oUvwtDlmVv6jG98 .marker.cross{stroke:#333333;}#mermaid-svg-7oUvwtDlmVv6jG98 svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-7oUvwtDlmVv6jG98 p{margin:0;}#mermaid-svg-7oUvwtDlmVv6jG98 .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-7oUvwtDlmVv6jG98 .cluster-label text{fill:#333;}#mermaid-svg-7oUvwtDlmVv6jG98 .cluster-label span{color:#333;}#mermaid-svg-7oUvwtDlmVv6jG98 .cluster-label span p{background-color:transparent;}#mermaid-svg-7oUvwtDlmVv6jG98 .label text,#mermaid-svg-7oUvwtDlmVv6jG98 span{fill:#333;color:#333;}#mermaid-svg-7oUvwtDlmVv6jG98 .node rect,#mermaid-svg-7oUvwtDlmVv6jG98 .node circle,#mermaid-svg-7oUvwtDlmVv6jG98 .node ellipse,#mermaid-svg-7oUvwtDlmVv6jG98 .node polygon,#mermaid-svg-7oUvwtDlmVv6jG98 .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-7oUvwtDlmVv6jG98 .rough-node .label text,#mermaid-svg-7oUvwtDlmVv6jG98 .node .label text,#mermaid-svg-7oUvwtDlmVv6jG98 .image-shape .label,#mermaid-svg-7oUvwtDlmVv6jG98 .icon-shape .label{text-anchor:middle;}#mermaid-svg-7oUvwtDlmVv6jG98 .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-7oUvwtDlmVv6jG98 .rough-node .label,#mermaid-svg-7oUvwtDlmVv6jG98 .node .label,#mermaid-svg-7oUvwtDlmVv6jG98 .image-shape .label,#mermaid-svg-7oUvwtDlmVv6jG98 .icon-shape .label{text-align:center;}#mermaid-svg-7oUvwtDlmVv6jG98 .node.clickable{cursor:pointer;}#mermaid-svg-7oUvwtDlmVv6jG98 .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-7oUvwtDlmVv6jG98 .arrowheadPath{fill:#333333;}#mermaid-svg-7oUvwtDlmVv6jG98 .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-7oUvwtDlmVv6jG98 .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-7oUvwtDlmVv6jG98 .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-7oUvwtDlmVv6jG98 .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-7oUvwtDlmVv6jG98 .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-7oUvwtDlmVv6jG98 .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-7oUvwtDlmVv6jG98 .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-7oUvwtDlmVv6jG98 .cluster text{fill:#333;}#mermaid-svg-7oUvwtDlmVv6jG98 .cluster span{color:#333;}#mermaid-svg-7oUvwtDlmVv6jG98 div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-7oUvwtDlmVv6jG98 .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-7oUvwtDlmVv6jG98 rect.text{fill:none;stroke-width:0;}#mermaid-svg-7oUvwtDlmVv6jG98 .icon-shape,#mermaid-svg-7oUvwtDlmVv6jG98 .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-7oUvwtDlmVv6jG98 .icon-shape p,#mermaid-svg-7oUvwtDlmVv6jG98 .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-7oUvwtDlmVv6jG98 .icon-shape .label rect,#mermaid-svg-7oUvwtDlmVv6jG98 .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-7oUvwtDlmVv6jG98 .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-7oUvwtDlmVv6jG98 .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-7oUvwtDlmVv6jG98 :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 1.指标标准
2.企业级数据字典
4.企业级数据模型
3.数据架构
5.数据质量
6.数据安全
7.数据目录
业务场景识别及指标设计
指标数据标准库
指标计算逻辑
业务实体/属性
稽核规则
企业级数据字典设计
业务属性
技术属性/英文简称
编码/代码
信息调研
企业级逻辑数据模型
物理模型
ETL（数据落标）
数据架构分层/定位
数据存储策略
统一调度平台
可观测性监测
关键属性异常监测
维度数据异常监测
指标稽核规则监测
数据分类分级
存储加密
访问权限矩阵
敏感数据动态脱敏
日志审计
数据资产自动发现
数据资产自动分类
血缘/影响分析
数据资产分析
二、流程详解
1. 指标标准：业务驱动的治理起点
- 核心目标：统一业务指标口径，解决 "数出多门、口径不一" 问题
- 关键工作：业务场景识别与指标设计 → 指标数据标准库建设 → 指标计算逻辑定义 → 业务实体 / 属性梳理 → 指标稽核规则制定
- 输出成果：指标标准库、业务实体清单、指标稽核规则库
| 工作项 |
输入 |
输出 |
工作方式 / 核心内容 |
| 业务场景识别及指标设计 |
业务需求文档、现有报表口径、业务部门访谈记录 |
业务指标清单、指标业务定义初稿 |
访谈业务部门，梳理核心业务场景，识别关键指标，统一指标业务含义与统计维度 |
| 指标数据标准库建设 |
业务指标清单、数据字典 |
指标数据标准库（含指标编码、口径、维度、频度） |
对指标进行标准化定义，统一指标编码、统计口径、计算逻辑、分析维度、统计频度 |
| 指标计算逻辑定义 |
指标数据标准库、业务实体 / 属性清单 |
指标计算规则文档、SQL / 算法逻辑初稿 |
基于业务实体与属性，明确指标的计算规则、关联数据来源、过滤条件、聚合方式 |
| 业务实体 / 属性梳理 |
指标计算逻辑、企业级数据字典 |
业务实体 - 属性关系清单 |
梳理支撑指标计算的核心业务实体，明确实体的关键属性、数据来源及依赖关系 |
| 指标稽核规则制定 |
指标计算逻辑、业务实体 / 属性清单 |
指标稽核规则库（含校验逻辑、异常阈值） |
定义指标数据的完整性、准确性、一致性校验规则，设置异常阈值与告警条件 |
2. 企业级数据字典：数据标准化的核心依据
- 核心目标：建立企业级统一数据语言，消除跨系统数据差异
- 关键工作：企业级数据字典设计 → 业务属性标准化 → 技术属性 / 英文简称标准化 → 编码 / 代码标准化
- 输出成果：企业级数据字典、业务 / 技术属性标准清单、公共代码标准库
| 工作项 |
输入 |
输出 |
工作方式 / 核心内容 |
| 企业级数据字典设计 |
指标数据标准库、现有系统字段清单、业务属性定义 |
企业级数据字典规范、数据字典主文档 |
统一数据字典的业务属性、技术属性、编码规则，建立字段级标准定义 |
| 业务属性标准化 |
企业级数据字典规范、业务实体 / 属性清单 |
业务属性标准清单 |
统一字段的业务含义、数据类型、取值范围、业务规则，消除跨系统口径差异 |
| 技术属性 / 英文简称标准化 |
企业级数据字典规范、源系统字段清单 |
技术属性标准清单（含字段英文名、数据类型、长度） |
统一字段的英文命名、数据类型、长度、精度，适配物理模型与 ETL 开发 |
| 编码 / 代码标准化 |
企业级数据字典规范、公共代码清单 |
公共代码标准库（如部门编码、状态编码） |
统一企业级公共编码、代码的取值规则，实现跨系统编码一致性 |
3. 企业级数据模型：数据治理的技术载体
- 核心目标：构建标准化、可复用的数据模型体系
- 关键工作：信息调研 → 企业级逻辑数据模型设计 → 物理模型设计 → ETL（数据落标）流程设计
- 输出成果：逻辑模型（ER 图）、物理模型（表结构）、ETL 流程设计文档
| 工作项 |
输入 |
输出 |
工作方式 / 核心内容 |
| 数据架构分层 / 定位 |
业务场景、数据规模、现有系统架构 |
数据架构分层方案（ODS/DWD/DWS/ADS 等） |
设计企业级数据仓库分层架构，明确各层定位、数据流转路径与边界 |
| 数据存储策略制定 |
数据架构分层方案、数据量预估、数据生命周期 |
数据存储策略文档（含分层存储、冷热数据管理） |
基于数据分层，制定数据存储介质、存储周期、归档策略、冷热数据分离方案 |
| 统一调度平台建设 |
数据存储策略、ETL 流程需求 |
统一调度平台方案、调度任务框架 |
搭建统一调度平台，实现 ETL 任务的定时调度、依赖管理、异常告警与监控 |
4. 数据架构：数据流转的基础支撑
- 核心目标：搭建分层、可控的数据流转与存储架构
- 关键工作：数据架构分层 / 定位 → 数据存储策略制定 → 统一调度平台建设
- 输出成果：数据架构分层方案、存储策略文档、统一调度平台框架
| 工作项 |
输入 |
输出 |
工作方式 / 核心内容 |
| 信息调研 |
业务需求、现有系统数据结构、数据字典 |
调研分析报告（含业务实体、数据分布） |
调研现有业务系统的数据结构、数据流转、实体关系，梳理建模基础信息 |
| 企业级逻辑数据模型设计 |
调研分析报告、数据字典、指标标准库 |
企业级逻辑数据模型（ER 图、实体关系） |
基于业务实体与指标需求，构建逻辑模型，定义实体、属性、关系与业务规则 |
| 物理模型设计 |
逻辑数据模型、数据存储策略、技术属性标准 |
物理数据模型（表结构、字段定义、索引设计） |
将逻辑模型转化为物理表结构，定义字段、数据类型、索引、分区、主键 / 外键 |
| ETL（数据落标）设计 |
物理模型、数据字典、编码标准 |
ETL 流程设计文档、数据落标脚本 |
基于物理模型与数据标准，设计数据抽取、转换、加载流程，实现数据标准化落标 |
5. 数据质量：数据可信的全链路保障
- 核心目标：实现数据全生命周期质量可控、可监测、可追溯
- 关键工作：可观测性监测 → 关键属性异常监测 → 维度数据异常监测 → 指标稽核规则监测
- 输出成果：数据质量监控看板、异常监测规则库、质量稽核报告
| 工作项 |
输入 |
输出 |
工作方式 / 核心内容 |
| 可观测性监测 |
统一调度平台、ETL 流程、数据落标结果 |
数据质量监控看板（含数据流转状态、运行日志） |
搭建数据质量监控体系，监测数据流转过程的状态、延迟、成功率等基础指标 |
| 关键属性异常监测 |
企业级数据字典、物理模型、业务属性标准 |
关键属性异常监测规则、告警配置 |
针对核心字段（如主键、外键、关键指标字段），监测空值、重复值、格式异常等问题 |
| 维度数据异常监测 |
维度数据标准、维度表、数据字典 |
维度数据异常监测规则、维度数据校验报告 |
监测维度数据的完整性、一致性、维值有效性，如维度缺失、维值不匹配、层级异常 |
| 指标稽核规则监测 |
指标稽核规则库、ETL 结果、统一调度平台 |
指标稽核监测报告、异常告警日志 |
基于指标稽核规则，对指标数据进行实时 / 离线校验，识别数据质量问题并触发告警 |
6. 数据安全：数据合规的全流程防护
- 核心目标：建立数据分类分级、访问控制与安全审计体系
- 关键工作：数据分类分级 → 存储加密 → 访问权限矩阵制定 → 敏感数据动态脱敏 → 日志审计
- 输出成果：数据分类分级标准、权限矩阵、脱敏规则库、安全审计方案
| 工作项 |
输入 |
输出 |
工作方式 / 核心内容 |
| 数据分类分级 |
业务需求、数据字典、敏感数据清单 |
数据分类分级标准、数据分级清单 |
对企业数据进行分类分级，明确公开数据、内部数据、敏感数据、核心数据的划分规则 |
| 存储加密 |
数据分类分级清单、物理模型、存储策略 |
数据存储加密方案、加密配置脚本 |
针对敏感数据，制定存储加密方案，实现静态数据加密存储，防止数据泄露 |
| 访问权限矩阵制定 |
数据分类分级清单、用户角色清单 |
数据访问权限矩阵、权限配置文档 |
基于数据分级与用户角色，定义数据访问权限，实现最小权限原则，控制数据访问范围 |
| 敏感数据动态脱敏 |
数据分类分级清单、ETL 流程、数据服务需求 |
动态脱敏规则库、脱敏配置脚本 |
针对对外输出的数据，制定动态脱敏规则，实现敏感数据在使用场景中的自动脱敏 |
| 日志审计 |
访问权限矩阵、数据访问日志、操作日志 |
数据安全审计报告、日志审计方案 |
采集数据访问、操作、变更日志，实现数据安全行为的全流程审计与追溯 |
7. 数据目录：数据资产的沉淀与价值释放
- 核心目标：实现数据资产的可发现、可理解、可追溯
- 关键工作：数据资产自动发现 → 数据资产自动分类 → 血缘 / 影响分析 → 数据资产分析
- 输出成果：数据资产目录、血缘图谱、资产分析报告
| 工作项 |
输入 |
输出 |
工作方式 / 核心内容 |
| 数据资产自动发现 |
物理模型、ETL 流程、统一调度平台 |
数据资产清单（表、字段、接口） |
基于数据源自动发现数据资产，识别数据表、字段、接口等数据对象，构建资产清单 |
| 数据资产自动分类 |
数据资产清单、数据字典、命名规则 / Schema |
数据资产分类目录、分类标签 |
基于数据字典与命名规则，对数据资产进行自动分类，建立主题域 / 业务域分类目录 |
| 血缘 / 影响分析 |
数据资产清单、ETL 流程、指标计算逻辑 |
数据血缘图谱、影响分析报告 |
构建数据血缘关系，追踪数据从源系统到指标的流转路径，支持变更影响分析 |
| 数据资产分析 |
数据资产目录、数据质量报告、访问日志 |
数据资产分析报告（含资产热度、使用情况） |
分析数据资产的使用情况、访问热度、质量状况，为数据资产优化与价值评估提供依据 |