数据治理，如何有效施“治”

文/高云程

数据治理到底在“治”什么？人力资源的数据治理又有何侧重？为何通常“治”数据的主要精力都会聚焦于“治”业务？

企业数字化转型背景下，数据治理已成为企业与各部门数字化转型的核心任务之一，几乎言数据项目必谈数据治理。作为人力资源从业者，大家也会或多或少地参与到企业数据治理相关的项目中。然而，数据治理到底在“治”什么？人力资源的数据治理又有何侧重？为何通常“治”数据的主要精力都会聚焦于“治”业务？这些问题都是人力资源数字化转型过程中，在数据价值的实现路径上需要深入思考的问题。

“治”什么

作为从公司层面提出数据治理的概念的先驱者，IBM 将数据治理定义为通过不同的策略和标准提高组织数据的可用性、质量和安全性。国际数据管理协会（DAMA）给出的定义则是对数据资产管理行使权力和控制的活动集合。

简单来说，人力资源部门为了实现数据价值，需要对企业人力资源数据实施一套管理行为。在解释数据治理的概念时，超市商品管理会是一个比较形象直观的类比，人力资源在数据治理方面的工作同样也可以做如下的类比：

通常人力资源数据治理的项目会同时伴随大量的业务治理，在这个过程中离不开对岗位、员工等主数据的标准整理以及选、用、育、留等流程规范的梳理。

●狭义上的数据治理工作

更加关注数据本身，其目标就是推进数据资源的整合与协同共享，提高数据治理，并确保数据在存储及使用过程中的安全性。

●广义上的数据治理

需要关注数据完整的生命周期，在这个过程中涉及的业务、技术、管理工作，也都会被归入数据治理的范畴，包括业务定义与流程梳理，数据采集、存储、处理、分析应用，数据标准整理，数据质量方案设计与安全策略规划等，都是需要进行治理的工作。

“谁”来治

数据治理是一个综合性的项目，需要技术部门和业务部门的共同参与，任何一方的缺失都无法确保良好的项目结果。在人力资源数据治理的过程中，是由人力资源自己来牵头，还是由技术部门或者企业数据中心牵头，也取决于治理项目的需求和业务应用场景。

●技术部门

在数据治理项目中，技术部门可以负责制定数据治理的规范和标准框架，推动数据治理的实施和应用。

如果由技术部门进行项目牵头，优势在于其更了解数据治理的落地预期，从而能够更好地制定数据治理的整体规划及路径。此外，技术部门通常能够深入了解各个部门的数据工作内容，可以更好地协助人力资源部门与其他业务部门的协同工作，从而提高数据治理的整体效果。

不过，技术部门牵头数据治理项目也存在一定的挑战，例如，规划和执行中可能会涉及过多的技术方案和业务流程，导致项目实施的复杂度和难度增加，与此同时，技术部门也容易缺乏对具体业务细节的了解，难以充分覆盖业务部门的一些专项需求。

●业务部门

作为业务部门，人力资源部门在数据治理项目中可以负责提出业务需求和数据治理项目的实施目标。

由人力资源部门进行项目牵头，能够基于对自身的数据业务场景的全面了解,更好地掌握业务流程和数据治理的实践，使数据治理与业务流程进行深度结合，实现数据治理在业务领域的最佳实践效果。

当然，由人力资源部门牵头数据治理项目同样也存在一定挑战，例如，业务视角会更局限于部门自身的应用场景，对于集团或企业层面的数据架构缺乏整体性的考虑，同时也会更侧重功能性的落地，不容易在实施成本和实施结果中形成最佳的平衡。

综上所述，技术部门和业务部门在数据治理项目中有各自的优势和侧重，可根据企业实际情况和业务场景来确认具体的牵头角色，在项目过程中充分发挥各自优势，共同推进数据治理项目的开展与执行。

怎么“治”

人力资源数据治理项目高度绑定自身业务，具有典型的特殊性、难点和重点，项目执行过程中也会投入大量工作成本进行流程梳理、业务确认、标准制定、架构设计、质量管理等治理工作内容。所以，非常有必要对人力资源数据治理的内容有一个全面的掌握。

●人力资源数据治理的特殊性

在选、用、育、留的全流程中，企业有着大量的制度和流程来确保人力资源工作的正常推行，这也必然造成人力资源数据的多样性和复杂性。

与此同时，各类员工信息，薪酬数据，乃至一些特殊企业涉密的人才信息，都对人力资源数据的安全性和隐私保护的工作提出了非常高的要求。

此外，人力资源数据无论是个人填报还是事务工作中的数据收集，很多情况也只能依赖手工录入和更新，那么，数据的及时性和准确性的问题也会被重点关注。

●人力资源数据治理的难点

数据显示，尽管大部分企业都已着手进行e-HR 和相关数据基础设施的建设，但受限于自身业务复杂性及一些数据合规方面的限制，数据仍然很难进行体系化的管理。大量线下数据缺乏合适的方式入库，数据质量、数据标准和协同工作能力都很大程度上制约了企业的数据应用效率。

●人力资源数据治理的重点

调研发现，如何实现数据协同共享是治理工作的重中之重，也是降低数据使用成本，最终实现数据价值的核心基础。

此外，项目中各类标准规范的梳理与建设的内容也不容忽视。一套成熟完善的人力资源主数据标准也是能够有效进行数据协同互通的前提。对于整体层面需要完整进行数据服务能力建设的企业或集团来说，人力资源数据标准和制度流程的建设也是数据治理项目中需要投入大量工作的一项内容。

不同的企业规模，尤其不同的员工数量和不同业务复杂度的场景下，人力资源数据治理方案的选择有着很大的不同。与此同时，人力资源数据治理往往也依托于企业自身人力资源相关的信息系统的建设。

从人力资源管理的角度，不同员工规模对应的信息系统和数据治理工作内容也会各不相同。

治理方案

企业在不同员工规模时期的业务情况和数据基础设施能力各不相同，数据治理工作的关注重点也会有所区别：

●少于50 人的企业

此时人力资源管理业务较为简单，通常使用免费的工具或者基础性的软件就能满足大部分业务要求，比如可以使用免费的考勤和会议软件，以及用Excel 进行绩效记录和算薪。毕竟人力资源信息系统的部署和实施费用并不低，少量人员就能完成的工作暂时还没必要去购买成熟的系统。在这个阶段也不需要开展一个完整的数据治理项目，人力资源数据更多还是聚焦在基础人事数据的质量上，在没有相关系统支撑的情况下尽量确保数据的准确性和完整性即可。同时，还要注意数据的备份和存档，为数据的追溯性和连贯性打下基础。

●50-100 人的企业

规模在100人以下的企业，随着管理数量和复杂度的提升，会逐步开始考虑引进人力资源信息系统或一些核心模块组件，比如一些按年付费或者按人头收费的SAAS 型人力资源系统，也有部分一次性买断的标准化的系统，也能基本满足企业人力资源服务的基本需求。通常此时已经会形成一些人力资源的主数据体系和部分核心管理内容的数据标准，但人力数据应用的整体投入通常不会有较多预算，所以，数据治理会偏重去完善人力业务流程体系，从而明确其中的数据流转路径，以业务或部门负责的各个模块建立数据分类并开展对应的管理工作。

●100-500 人的企业

当前体量规模的公司通常都已经有较为成熟的人力资源管理制度，各人力业务模块业务也趋于完整，标准化的e-HR 系统会是性价比较为理想的选择，并且人力资源数据分析的需求会开始逐渐增多。为了提高数据使用效率，在这个阶段已经比较适合开展完整的数据治理项目，对人力数据的主题域进行梳理，通过元数据管理统一标准的技术定义及业务定义，进行基础的数据模型管理，为业务提供更好的数据服务。随着数据生产和使用场景的多元化，也要兼顾数据安全体系的建设，并建立日常数据管理的机制。

●500 人以上的企业

随着企业员工规模的进一步扩大，组织架构及部门，甚至分公司、子公司的出现也会使企业人力资源管理变得极为复杂。为了对应不同的管理场景，企业人力资源信息系统也会有更多定制和二次开发的模块，加之随员工规模而增加的数据量，数据管理工作也变得更为复杂。在这个阶段，数据治理项目会变成数据价值实现的必要项，需要建立完整的治理框架，对数据采集、数仓管理、数据标准、数据服务、数据安全等内容进行全面的治理工作，进而在人力资源的工作中使数据的价值得到最大程度的体现。

搭建治理框架

由于人力资源的数据量通常不会达到技术层面“大数据”的量级，即传统关系型数据库和通用e-HR 产品就能实现业务支持，而几乎不需要分布式存储计算等高成本硬件支撑，其治理框架也会更侧重数据业务流程中的几个主要环节。中智在人力资源数据治理项目实践过程中，针对不同行业类型和企业架构的各类方案，重点总结了人力数据治理框架中的核心工作项，分别包含了数据采集治理、数据标准治理、数据仓库治理、数据服务治理以及数据安全治理。

●数据采集治理

人力资源数据经常会存在线上化程度低或者线上化不规范录入等情况，会对后续的数据使用业务产生非常大的影响。对于企业级的数据采集，还是需要先确保尽可能地将各业务模块线上化，在选、用、育、留的业务过程中进行相关数据的留档，系统工具能够极大地减少数据采集的成本。对于集团级的数据采集，通常会基于整体的数据采集平台，针对下属企业不同的数字化能力，可开放填报接口与系统接口支持手工与自动化的数据采集。

●数据标准治理

数据标准是后续数据应用与协同共享的核心前提。技术层面需要将数据的类型、结构、属性、规则进行明确的描述，业务层面需要从数据的所属域、定义、内容、关系、维护等多角度来进行统一管理。其中，企业级的数据标准会侧重梳理自身的人力主数据体系以及相关流程的规范化和制度化，并且建立上级管控或外部对标时不同维度间的映射关系，这样也能够大幅提升后续数据使用的效率。集团级的数据标准则侧重整体性的协调并建立统一的数据标准体系，分期分步进行贯标，从而提升自身的管控能力。

●数据仓库治理

随着对数据价值以及数据基础设施的重要性越来越重视，各大企业都已着手开始搭建整体性的数据仓库，其中人力资源数据将作为数据仓库的重要构成部分。数据仓库治理更多是侧重技术端的内容实现，包括人力主数据的协同共享，以及不同数仓分层中的信息隔离、汇总、清洗、校验等工作都需要与信息部门或数据团队进行统一的管理。同时，各数据业务表之间标准的关系模型的建立，也将是数据处理应用环节所不可缺少的工作内容。

●数据服务治理

数据服务主要面对应用层提供标准的数据接口，包括数据提供、报表计算、可视化展示、专项分析等内容。其中，人力数据的可靠性和便利性是其服务内容的前提，无论是统一性技术方案的支持，还是一致性业务标准的输出，都是人力资源部门在提供对内或对外数据服务时需要遵循的原则。企业层面的治理需要聚焦数据质量的管理，减少后续数据处理、核对以及外部解释的成本，同时也可通过商业平台能力的建设，加强数据分析以及业务支持的能力。集团层面的治理更多会从管控角度进行重点数据信息和关键指标的监察追溯，从而更好地为集团管控进行服务。

●数据安全治理

人力资源数据的特殊性也决定了其在安全治理上的一些困难，这其中不但涉及个人信息保护法下的数据隐私问题，也会涉及很多企业内部相关的保密制度。数据的管理归口，使用合规性，访问、维护及使用权限都需要在安全治理中得到落实。其中，企业级治理相对比较容易能在系统层面实现权限控制，成熟的信息系统以及数据库的管理已能够符合主要的人力数据安全治理的需要。集团级的治理仍需要明确数据的归口，在此基础上制定明确的权限管理制度。此外，集团采集到的企业数据应该如何进行适当的加密或脱敏处理，也需要结合集团自身制度以及国家要求和行业通用标准实施。

人力资源数据治理将伴随着企业与人力业务发展成为一项持续维护迭代的工作。这项工作也将助HR 一臂之力，冲破数据管理与应用中的阻力，实现数字化对人力资源管理理念的升级与革新。