摘要：热力学第二定律指出：在一个孤立系统中，熵（即混乱程度）总是趋向于增加。这一规律同样适用于数据世界，海量数据作为对现实世界的客观记录，本身并无好坏之分，其价值与风险并存。若缺乏有效的管理机制与规则约束，数据将不可避免地走向混乱，导致信息失真、使用成本上升、决策偏

热力学第二定律指出：在一个孤立系统中，熵（即混乱程度）总是趋向于增加。这一规律同样适用于数据世界，海量数据作为对现实世界的客观记录，本身并无好坏之分，其价值与风险并存。若缺乏有效的管理机制与规则约束，数据将不可避免地走向混乱，导致信息失真、使用成本上升、决策偏差等问题。

因此，数据治理的本质，正是通过从外部持续“输入能量”与构建“感知能力”，对抗数据系统的自然熵增过程。其中：

唯有构建可感知、可干预、可持续的治理体系，才能实现数据资产的有序运转与价值释放。

在长期实践中，我们总结出当前数据治理面临的主要挑战，集中体现在以下四个方面：

传统治理往往聚焦于单一环节（如数据建模、质量校验或元数据管理），形成“点状治理”模式。这种模式难以覆盖数据从标准定义、生产加工到消费应用的完整生命周期，导致治理效果割裂、难以闭环。

我们认为，真正的数据治理应贯穿标准定义 → 数据生产 → 数据消费的全流程。若仅将数据进行汇总而未提升其内在质量与可用性，则属于“数据管理”而非“数据治理”。

许多团队虽制定了详尽的治理规范与文档，但在实际执行中却面临“纸上谈兵”的困境。治理措施依赖人工推动或上级意志，缺乏与研发流程、工具平台的深度融合，导致执行成本高、可持续性差。

解决之道在于：将治理规则内嵌至数据开发与服务工具链中，实现“规范即代码、治理即流程”，确保标准在生产环境中自动生效。

传统治理多关注技术维度，如存储优化、计算效率、任务调度等。然而，随着数据应用场景的多样化，内容层面的语义一致性问题日益凸显。

例如：

这要求治理工作必须从技术治理延伸至语义治理，强化对指标、维度、业务过程等核心语义单元的统一管理。

部分团队将数据治理视为阶段性项目，以完成“治理任务”为目标，追求短期指标提升。一旦项目结束，治理成果难以维持，问题迅速反弹。

我们认为，数据治理不应是“一次性作业”，而应是一项可持续运营的长期工程。必须建立系统化的保障机制与秩序规则，使其融入日常研发流程与组织文化，避免依赖个体认知或临时推动。

综上所述，数据治理远不止于对数据本身的清洗与规范。其深层本质是对人行为的治理——即规范数据生产者、管理者与消费者的协作方式与责任边界，甚至是一场组织级的变革管理。

在京东零售数据中台的实践中，单纯标准制定、打分评级、质量监控，已不足以应对复杂环境下的治理需求。唯有通过机制设计、工具赋能与文化引导，推动各方形成共识、协同行动，才能实现治理体系的长效运行。

传统治理模式常采用“画圈”思维：设定规则边界，阻止不符合标准的数据流出。然而，这种被动防御机制存在明显局限——规则一旦有漏洞，数据便可能“破圈”；且圈住的数据越多，潜在风险越高。

我们倡导的是一种“引路式治理”理念：通过构建清晰、标准化的数据流转路径，引导数据在体系内有序流动。其核心路径为：

消费有序 → 生产有序 → 定义有序 → 资产有序

即：以统一的消费出口保障数据服务一致性，以标准化的生产模型约束数据加工过程，再通过质量度量与反馈机制持续优化，最终形成正向循环。

在此框架下，我们将重点建设两大核心能力：

我们通过“统一服务 + 语义建模”打通数据消费与生产。

统一服务：采用“DSL + One Service”模式，将自然语言查询转为结构化语句，统一出口，保障口径一致。

语义建模：以指标、维度、业务过程为核心，规范模型设计，支持逻辑映射与按需物化加速。

为实现对海量数据资产（指标、维度、模型等）的整体质量评估，我们设计了一套资产综合评分模型，作为质量度量的核心标尺。该评分并非单一维度的静态打分，而是融合多个治理维度的动态加权体系。

综合分由四项核心分值构成，每项满分 100 分，加权求和形成最终得分：

每项内部再根据治理阶段设置局部权重，确保评分体系能随战略重点动态调整。例如，在治理初期强化“元数据合规”权重，在成熟期提升“可分析调用量”占比。

有观点认为应以“贡献/成本”作为资产价值度量标准（即 ROI 模型）。但我们认为，数据资产的价值具有高度情境依赖性，难以统一量化：

因此，我们采用多维质量因子的综合评估，引导用户关注资产本身的健康度与可持续性，而非简单追求短期产出。

面对海量资产，若全面治理将导致资源分散、效率低下。为此，我们提出资产漏斗模型，将资产划分为三个层级，实施差异化治理策略。

全量资产指所有已注册的数据资产，可类比为工厂生产的全部商品。治理重点在于完成基础元数据认证，消除“三无产品”。

热门资产是那些高频使用、广泛流通的资产，如同市场上的畅销商品。对于此类资产，我们聚焦于推动合并与下线冗余，提升复用性，避免重复建设。

精选资产则是经过质量校验、口径统一、文档完备的高质量资产，相当于经过认证的优质品牌商品。我们致力于将其打造为可信、可依赖的标杆数据源，强化标准并保障服务等级协议（SLA）。

治理原则：

热门以上资产：聚焦“合并、下线”，减少重复建设；

热门以下资产：聚焦“规范、提质”，提升基础质量。

该模型有效缩小治理范围，使资源集中于高价值、高影响区域。

综合分与治理漏斗仅为框架，真正驱动治理落地的是可操作的关键度量指标（KPIs）。我们提炼出以下核心指标，作为治理方向的“导航仪”。

①有生产指标占比

= 有生产行为的指标调用量 / 全量指标调用量

②体系内指标占比

= 归属明确指标体系的指标调用量 / 全量指标调用量

③可分析指标占比

= 支持自由拖拽分析的指标调用量 / 全量指标调用量

④可实验指标占比

= 支持 AB 实验场景观测的指标调用量 / 全量指标调用量

⑤精选指标占比

= 通过质量检测的高质量指标调用量 / 全量指标调用量

在实际治理过程中，质量度量体系暴露出大量典型问题，我们通过“存量治理 + 增量防控”双路径进行纠偏：

问题：多个团队定义“GMV”指标，分别统计支付口径、下单口径、含退单/不含退单等，导致跨部门数据冲突。

治理：通过“指标唯一性校验”规则（基于 4W1H 要素：Where、Why、What、Who、How），识别冲突项，推动合并或重命名。

问题：“微信渠道 GMV”、“首页弹窗 GMV”、“红包活动 GMV”等指标与“总 GMV”无层级关系，形成扁平化堆积。

治理：引入“指标修饰词”与“过滤条件”语义模型，明确子指标与父指标的衍生关系，构建树状结构，提升体系可读性与数据口径系统继承。

问题：相同维度（如“新客维度”）跨模型定义不同，维度值存在差异。

治理：建立一致性维度体系，统一定义与编码，强制引用标准维度表。

问题：因命名不规范或缺乏查重机制，出现“订单数”、“下单数”、“创建订单量”等语义重复指标。

治理：推动核心主题共建，由标准小组裁决权威版本，合并或下线冗余资产。

提及“指标体系”，多数人脑海中浮现的是一张以北极星指标为起点、逐层下钻归因的分析图谱。这类体系主要用于业务监控与决策支持，关注的是“如何分析”。

而京东零售所构建的，是面向数据资产管理的资产级指标体系，其核心目标是回答“数据应如何建设”。它不仅是分析逻辑的呈现，更是驱动底层模型设计与字段开发的源头依据。

我们以业务过程为原点，结合一致性维度，构建出经典的总线矩阵，并将其产品化、数字化，形成可追溯、可联动的资产规约框架。该矩阵明确回答了两个关键问题：

这一结构直接指导 GDM（基础数据模型）与 ADM（公共口径数据模型）建设方向，确保数据产出与业务需求对齐。

传统数据建设常以技术实现为导向，导致模型与业务脱节、口径混乱、复用困难。京东零售的指标体系设计坚持“业务语义驱动技术实现”的原则，构建一条从“业务语言”到“物理字段”的可追溯链路。

该体系的核心在于：所有指标均非凭空产生，而是源于明确的业务过程与分析视角。每一个字段的增加、每一张表的扩展，都应能在指标体系中找到其语义源头与业务归属。

为实现指标的标准化管理与可追溯性，我们将指标按语义逻辑划分为三个层级，形成自底向上的衍生机理：

这三层结构不仅厘清了指标间的派生关系，也为后续的血缘追踪、影响分析提供了语义基础。

指标体系与数据架构深度绑定，实现语义到实现的贯通：

一个完整的指标体系不仅是逻辑模型，更是连接业务语言与技术实现的桥梁。其核心由五大要素构成：

①一套维度体系

定义跨业务过程共享的标准维度，如“时间”、“地域”、“商品类目”、“用户等级”等。通过统一维度定义，确保不同业务线在相同维度下的分析口径一致，避免“同维不同义”问题。

②四种节点类型

通过节点间关系建模，清晰表达指标间的依赖与衍生路径。

③三种拆解方式

这三种拆解方式共同构成指标体系的动态演化能力。

④两种配置路径

优先采用自动拓扑，确保关系可追溯、可验证，减少人为干预带来的不确定性。

⑤五种风险提示

将质量度量中沉淀的关键问题（如相似维度、相似指标、人工配置风险、主子关系不一致、元数据合规）嵌入指标体系界面，作为治理提醒与优化建议，实现“指标体系”与“质量度量”的联动。

在实践中，我们发现指标体系的建设常陷入以下误区：

①误区一：将指标体系视为图形化工具

仅通过拖拽方式连接指标节点，却未建立指标与逻辑表、物理字段之间的真实映射关系。这种“静态图谱”无法支撑影响分析与变更管理。

②误区二：忽视自动拓扑的价值

依赖人工维护关系链路，导致信息滞后、准确性差。我们强调通过元数据自动识别实现动态拓扑，确保体系具备实时性与可审计性。

③误区三：割裂需求与建模流程

仍沿用“需求提报 → 模型变更 → 字段新增”的传统模式，缺乏对指标归属与语义一致性的前置校验。

为此，我们推动需求承接逻辑的升级：任何新指标或口径变更，必须首先在指标体系中定位其业务过程与维度归属，明确其原子指标来源与衍生路径，再反向驱动模型层的扩展设计——是通过扩维方式新增维度关联，还是通过字段拍平方式优化查询性能，均需基于体系规划决策。

当质量度量与指标体系深度融合，我们得以构建一张覆盖“业务过程 → 指标定义 → 逻辑建模 → 物理实现”的全景图谱。在此框架下：

例如，若需调整“支付金额”的计算逻辑，系统可立即识别该原子指标所支撑的所有衍生指标与复合指标（如 APP 平台支持金额、订单转化率），并联动提示相关模型与看板的适配方案，实现变更影响的一眼可知。

我们打造数据质量看板，以资产综合分衡量整体健康度，支持按部门对比与趋势分析，结合赛马机制激发治理积极性。

针对低分项，系统自动归因至具体问题（如“有生产指标占比低”“元数据不全”），并在治理页面提供整改建议，形成“评估—归因—行动”闭环。

产品设计上：

当业务提出新需求，优先在体系中定位或补充“未注册指标”。该节点即成为研发的建设锚点，系统自动提示需扩展的逻辑表与物理字段，实现“从业务语言到数据生产”的精准传导。

（1）生产即标准

（2）业务数据化

（3）产品化运营

以上就是本次分享的内容，谢谢大家。

来源：正正杂说