Microsoft Fabric 采用路线图：治理

数据治理是一个广泛而复杂的主题。 本文介绍主要概念和注意事项。 本文确定了在采用 Microsoft Fabric 时要采取的重要操作，但并不是数据治理的全面参考。

根据数据治理协会的定义，数据治理是“一种与信息相关流程的决策权和责任系统，根据商定的模型执行，这些模型描述了谁可以采取什么行动，使用什么信息，以及何时在何种情况下使用何种方法”。

术语“数据治理”是一种错误用词。 治理的主要焦点不是数据本身。 重点是管理用户对数据执行的操作。 换句话说：真正的重点是管理用户的行为，以确保组织数据得到妥善管理。

侧重于自助服务数据和商业智能 (BI) 时，治理的主要目标是实现以下方面的适当平衡：

• 用户授权：使内部用户社区能够在必要的防护措施内提高生产力和效率。
• 法规符合性：遵守组织的行业、政府和合同法规。
• 内部要求：符合组织的内部要求。

控制与提供支持之间的最佳平衡因组织而异。 也可能因组织内不同的业务部门而异。 使用诸如 Fabric 之类的平台，如果你既强调为用户提供支持又强调在既定的保护措施下阐明其实际使用情况，即可大获成功。

治理策略

在任何组织中考虑数据治理时，从定义治理策略开始是最佳选择。 首先关注数据治理的策略目标，通过策略可了解实施治理策略和流程时的所有详细决策。 反过来，治理策略将由组织的数据区域性定义。

治理决策通过记录的指导、策略和流畅程实现。 自助服务数据和 BI 平台（例如 Fabric）包括以下治理目标：

• 向整个组织的用户提供支持，以便他们能够在定义的边界内使用数据和做出决策。
• 通过提供清晰透明的指导（冲突最小）来改进用户体验，说明允许的操作、原因和方式。
• 确保数据使用情况适合业务需求。
• 确保内容所有权和管理职责明确。 有关详细信息，请参阅内容所有权和管理一文。
• 增强跨组织边界处理数据的一致性和标准化。
• 降低数据泄露和滥用的风险。 有关详细信息，请参阅信息保护和数据丢失防护系列文章。
• 满足正确使用数据的法规、行业和内部要求。

治理成功因素

如果治理通过从上到下的规定（更侧重于控制而不是提供支持）来进行，治理便不会受到欢迎。 对于以下情况，治理 Fabric 是最成功的：

• 使用实现所需目标的最轻型治理模型。
• 治理以迭代方式进行，不会显著影响工作效率。
• 尽可能使用从下到上的方法来制定治理准则。 卓越中心 (COE) 和/或数据治理团队负责观察业务部门内发生的成功行为。 然后，COE 会采取措施向组织的其他区域扩展。
• 治理决策在制定之前由不同的业务部门提供意见，共同确定。 尽管有时需要特定指令（尤其是受严格监管的行业中），但规定应该是例外而不是常规。
• 治理需求与灵活性和高效生产能力相平衡。
• 治理要求可以作为用户常规工作流的一部分得到满足，让用户更容易以正确方式执行正确操作，而几乎没有冲突。
• 默认情况下，针对数据新请求的回答不是“否”，而是“是，而且”针对数据访问、使用情况和共享的治理要求制定了清晰、简单、透明的规则。
• 需要访问数据的用户可以通过正常渠道实现此目标，遵守治理要求，而不是规避这些要求。
• 用户应遵循的治理决策、策略和要求符合组织数据区域性目标以及其他现有数据治理计划。
• 影响用户可以执行和不能执行的操作的决策并非完全由系统管理员做出。

将治理引入组织

将 Fabric 治理引入组织时，组织采用三种主要计时方法。

上图中的方法包括：

方法	遵循的策略
	先推出 Fabric，然后引入治理：Fabric 作为一种新的自助服务数据和 BI 工具，已广泛提供给组织中的用户。 然后，在将来的某一时间开始治理工作。 此方法优先考虑敏捷性。
	先进行完整的治理规划，然后推出 Fabric：在允许用户开始使用 Fabric 之前，要进行详细的治理规划。 此方法优先考虑控制和稳定性。
	进行迭代治理计划，并分阶段推出 Fabric：最初只进行足够的治理计划。 然后在迭代治理增强的同时，Fabric 以迭代方式分阶段推出到各个团队。 此方法同时优先考虑敏捷性和治理。

如果已将 Fabric 用于自助服务场景，准备以更有效的方式开始工作，请选择方法 1。

如果组织已有一种成熟的治理方法，可随时将其扩展为包含 Fabric，请选择方法 2。

如果想要平衡控制敏捷性，请选择方法 3。 这种平衡方法是大多数组织和大多数场景适用的最佳选择。

以下各节介绍了每种方法。

方法 1：首先推出 Fabric

方法 1 优先考虑敏捷性和速度。 该方法使用户可快速开始创建解决方案。 如果已将 Fabric 作为一种新自助服务数据和 BI 工具广泛提供给组织中的用户，将使用此方法。 可以实现速效方案以及取得一些成功。 由于自助服务的用户群体未得到充足的指导，在将来某一时间治理工作开始进行通常是为了给不可接受的混乱程度整理秩序。

优点：

• 最快入门
• 能力强的用户可以快速完成工作
• 可迅速见效

缺点：

• 在整个组织中普遍使用 Fabric 后，就需要付出更多的工作量来建立治理
• 来自自助服务用户（需要更改其一直在执行的操作）的抵制
• 自助服务用户需要自行找出问题，这效率低下，会导致不一致
• 自助服务用户需要运用自己的最佳判断力，这会产生需解决的技术债务

在下面的治理难题部分中可了解其他可能缺点。

方法 2：先进行深入的治理规划

方法 2 优先考虑控制和稳定性。 此方法与方法 1 的范围相反。 方法 2 在推出 Fabric 前还包括进行详细的治理规划。 当实现 Fabric 由 IT 主导时，这种情况最有可能发生。 如果组织在高度受监管的行业中运营，或者现有数据治理委员会规定了重要的先决条件和预先要求，也可能发生这种情况。

优点：

• 为满足法规要求做了更充分的准备
• 为支持用户社区做了更充分的准备

缺点：

• 企业内容开发比自助服务更有利
• 用户能够开始获得价值并改进决策的速度更慢
• 如果在允许使用数据进行决策的过程存在明显延迟，就会助长不良习惯，促使用户寻求他法

方法 3：迭代治理同时推出

方法 3 在敏捷性和控制之间寻求平衡。 这是一种理想场景，预先进行了足够的治理规划。 随着时间推移，反复不断进行的的治理改进与提供价值的 Fabric 开发项目一起迭代发生。

优点：

• 对治理和用户工作效率给予同等重视
• 强调边做边学的思维
• 鼓励分阶段迭代发布到用户组

缺点：

• 需要进行简要的沟通才能在敏捷治理实践中取得成功
• 需要额外的规则来保证文档和训练的最新状态
• 引入新的治理准则和策略常常会导致某一级别的用户中断

有关预先规划的详细信息，请参阅准备迁移到 Power BI 一文。

治理挑战

如果组织在没有治理方法或策略方向的情况下实施了 Fabric（如上文方法 1 所述），则可能存在许多需要注意的问题。 根据已采用的方法和当前状态，你的组织可能面临以下某些难题。

策略难题

• 缺少与业务策略一致的数据治理策略
• 缺少管理人员支持将数据作为策略资产进行治理
• 在推进 BI 和分析的采用和成熟度级别方面，采用规划不够充分

人员难题

• 集中式团队与业务部门之间缺少一致的优先级
• 整个业务部门缺少标识的具有足够专业知识和热情的支持者来推进组织的采用目标
• 缺少对自助服务最佳做法的认识
• 抵制遵循新引入的治理准则和策略
• 各业务部门之间重复工作
• 缺少明确的责任、角色和职责

过程难题

• 缺少明确定义的流程会导致混乱和不一致
• 缺少标准化或可重复性
• 缺少沟通和分享经验教训的能力
• 缺少文档和过度依赖于部落知识
• 无法遵守安全和隐私要求

数据质量和数据管理难题

• 数据和报表的激增
• 数据不准确、不完整或过时
• 对数据缺乏信任，尤其是自助服务内容创建者制作的内容
• 在未进行充分数据验证的情况下生成了不一致的报告
• 未使用或难以访问重要数据
• 数据分段、孤立和重复
• 缺少数据目录、清单、词汇表或世系
• 数据所有权和管理不明确

技能和数据素养难题

• 有效解释、创建和传达数据的能力水平不同
• 技能组和技能缺口的水平不同
• 缺少自信管理数据多样性和数据量的能力
• 低估了 BI 解决方案开发和管理在其整个生命周期中的复杂程度
• 任期短，人员不断调动和变动
• 应对云服务的变化速度

治理规划

一些组织在没有治理方法或明确战略方向的情况下实现 Fabric（如上述方法 1 所述）。 在这种情况下，开始治理规划的工作可能较为棘手。

如果组织当前不存在正式治理机构，则治理规划和实施工作的重点将更加广泛。 但是，如果组织中已有数据治理委员会，则重点主要是与现有做法集成并对其进行自定义，以适应自助服务和企业数据以及 BI 方案的目标。

接下来将介绍一些潜在的治理规划活动和输出。

策略

主要活动：

• 举办一系列研讨会，收集信息并评估数据文化、采用以及数据和 BI 实践的当前状态。 有关如何收集信息并定义 BI 采用（包括治理）的当前状态的指导，请参阅 BI 策略规划。
• 使用当前状态评估和收集的信息来定义所需的未来状态，包括治理目标。 有关如何使用此当前状态定义决定所需未来状态的指导，请参阅 BI 战略规划。
• 验证治理规划的重点和范围。
• 确定进行中的现有从下到上的规划。
• 确定当前难点、问题和风险。
• 对高层领导进行治理教育，确保有足够的行政支持来维持和发展该计划。
• 阐明 Power BI 在组织的整体 BI 和分析策略中适合的位置。
• 评估内部因素，如组织就绪性、成熟度级别和主要难题。
• 评估风险、公开、法规和法律要求等外部因素，其中包括区域差异。

主要输出：

• 包含成本/收益分析的业务案例
• 与概略性业务目标一致的经批准的治理目标、重点以及优先级
• 规划短期目标和优先级（速赢）
• 规划长期和远期目标及优先级
• 成功条件和可衡量的关键绩效指标 (KPI)
• 与缓解计划一起记录的已知风险
• 制定计划，满足影响组织中 BI 和分析的行业、政府、合同和法规要求
• 融资计划

人员

主要活动：

• 成立治理委员会，确定主要利益干系人。
• 确定治理委员会的重点、范围和一系列责任。
• 建立 COE。
• 确定 COE 的重点、范围和一系列责任。
• 定义角色和职责。
• 确认拥有决策权、批准权和否决权的人员。

主要输出：

• 治理委员会章程
• COE 的章程和优先事项
• 人员配备计划
• 角色和职责
• 责任和决策对照表
• 通信计划
• 问题管理计划

策略和流程

主要活动：

• 分析当前难点、问题、风险和区域，以改进用户体验。
• 按重要性顺序优先处理要解决的数据策略。
• 确定运行良好且可以正式化的现有流程。
• 确定新数据策略将如何适应社会。
• 确定不同组的数据策略在何种程度范围内出现差异或进行自定义。

主要输出：

• 数据策略和文档如何定义、批准、沟通和维护的过程
• 制定计划，以便请求记录的策略中有效异常和偏差

项目管理

治理规划的实施应作为一系列项目进行规划和管理。

主要活动：

• 确立具有优先级和里程碑的时间线。
• 确定相关的计划和依赖项。
• 确定并协调现有的从下到上的计划。
• 创建与高级别优先级一致的迭代项目计划。
• 获取预算批准和资金。
• 建立一种实际的方法来跟踪进度。

主要输出：

• 具有迭代、依赖项和排序的项目计划
• 追溯的频率，重点是持续改进

治理策略

决策条件

所有治理决策都应与既定的组织采用目标保持一致。 明确策略后，就需要制定更多战术性治理决策，这会影响自助服务用户社区的日常活动。 这些类型的战术决策直接与创建的数据策略相关联。

制定治理决策的依据取决于以下条件：

• 数据和 BI 内容由谁拥有和管理？ 内容所有权和管理一文介绍了三种类型的策略：业务主导的自助服务、托管的自助服务和企业。 拥有和管理内容的人员对治理要求有重大影响。
• 数据和 BI 内容交付的范围是什么？ 内容交付范围一文介绍了内容交付的四个范围：个人、团队、部门和企业。 交付范围会对治理要求有相当大的影响。
• 什么是数据主体区域？ 数据本身（包括其敏感度级别）是一项重要因素。 某些数据域本身需要更严格的控制。 例如，与不太敏感的数据相比，个人身份信息 (PII) 或受法规约束的数据应遵守更严格的治理要求。
• 是否将数据和/或 BI 解决方案视为重要内容？ 如果没有该数据就不能轻易做出明智的决定，则表明处理的是重要数据元素。 某些报表和应用可视为重要项目，因为它们满足一组预定义的条件。 例如，内容交付给管理人员。 预先定义的重要条件有助于大家明确各自的期望。 关键数据通常受到更严格的治理要求的约束。

关键 Fabric 治理决策

在了解目标并寻求更多的战术性数据治理决策时，确定什么是最高优先级非常重要。 确定工作的重点可能非常困难。

以下列表包括一些可在为 Fabric 引入治理时选择优先考虑的项。

• 内容所有权和管理的建议和要求
• 内容交付范围的建议和要求
• 内容分发和共享的建议和要求，分发和共享的对象包括同事以及客户、合作伙伴或供应商等外部用户
• 如何允许用户使用管控数据和高度敏感数据
• 允许使用 IT 部门未知的未经验证的数据源
• 允许手动维护的数据源（如 Excel 或平面文件）时
• 谁被允许创建工作区
• 如何有效地管理工作区
• 如何有效地使用个人工作区
• 哪些工作区被分配给 Fabric 容量
• 谁被允许成为 Fabric 管理员
• 安全、隐私和数据保护要求，以及针对分配给每个敏感度标签的内容的允许操作
• 允许或鼓励使用个人网关
• 允许或鼓励使用用户许可证的自助服务购买
• 对可验证内容的人员的要求，以及必须满足的要求
• 应用程序生命周期管理，用于在内容的整个生命周期（包括开发、测试和生产阶段）对其进行管理
• 适用于重要内容的其他要求，如数据质量验证和文档
• 要求使用标准化主数据和通用数据定义来提高数据资产之间的一致性
• 高级内容创建者使用外部工具的建议和要求

如果未制定治理决策，也未进行良好沟通，用户会自行决定应如何进行操作，这通常会导致常见任务处理方式不一致。

虽然并非每种治理决策都需要提前制定，但请务必确定组织中风险最高的区域。 然后，逐步实施可产生最大影响的治理策略和流程。

数据策略

数据策略是用于定义用户可/不可执行的操作文档。 可以用其他名称来称呼此文档，但目标保持不变：在制定决策（例如上一部分中讨论的决策）时，会将其记录下来供用户社区使用和参考。

数据策略应尽可能简短。 这样其他人可以很容易了解对他们的要求。

数据策略应包括以下内容：

• 策略名称、用途、说明和详细信息
• 特定责任
• 策略范围（组织范围内与部门特定范围内）
• 策略的受众
• 策略所有者、审批者和联系人
• 请求异常的方式
• 审核和强制实施策略的方式
• 策略满足的法规或法律要求
• 对术语定义的引用
• 对任何相关准则或策略的引用
• 生效日期、上次修订日期和更改日志

下面是可选择优先考虑的三种常见数据策略示例：

策略	描述
数据所有权策略	规定数据资产何时需要所有者，以及数据所有者的责任，如支持查看内容的同事、保持相应的保密性和安全性，以及确保合规性。
数据认证（认可）策略	规定验证内容须遵循的流程。 要求可能包括的活动有：数据准确性验证、数据源和世系检查、数据模型技术检查、安全检查和文档检查等。
数据分类和保护策略	规定每个分类（敏感度级别）允许和不允许的活动。 它应指定的活动有：允许与外部用户共享、是否具有保密协议 (NDA)、加密要求、数据下载功能，等等。 有时，该策略也称为数据处理策略或数据使用策略。 有关详细信息，请参阅 Power BI 信息保护一文。

策略范围

治理决策很少会在整个组织中呈现出一刀切的情况。 可行的情况下，从标准化策略开始，然后根据需要实现例外情况是明智做法。 为集中式和分散式团队如何处理策略制定明确的策略，可以让确定处理例外情况的方式变得轻松得多。

组织范围策略的优点：

• 更易于管理和维护
• 提供更好的一致性
• 包含更多用例
• 整体上策略较少

组织范围策略的缺点：

• 不够灵活
• 自主性和支持较少

部门范围策略的优点：

• 在针对特定组制定时，期望会更加明确
• 可自定义且灵活

部门范围策略的缺点：

• 要管理的工作更多
• 更多孤立策略
• 存在信息冲突的可能性
• 在整个组织中难以更广泛地缩放

人员配备和责任

不同组织之间的数据治理组织结构有很大差异。 较大的组织可能具有配备了专职人员的数据治理办公室。 某些组织有数据治理委员会、代表会或指导委员会，配备的成员来自不同业务部门。 根据组织内数据治理机构的范围，可能会有一个与职能团队人员分开的管理团队。

检查和平衡

治理责任与检查和平衡有关。

从底部开始，上图中的级别包括：

级别	描述
	运营 - 业务部门：级别 1 是治理良好的系统的基础，其中包括业务部门中执行工作的用户。 自助服务数据和 BI 创建者具有许多与创作、发布、共享、安全性和数据质量相关的责任。 自助服务数据和 BI 使用者还负责正确使用数据。
	战略性 - 支持团队：级别 2 包括多个组，这些组支持业务部门中用户的工作。 支持团队包括 COE、企业数据和 BI、数据治理办公室以及其他辅助团队。 辅助团队可以包括 IT、安全、HR 和法律团队。 此处还包括变更控制委员会。
	战略性 - 审核和合规性：级别 3 包括内部审核、风险管理和合规性团队。 这些团队为级别 1 和级别 2 提供指导。 他们还会在必要时提供强制实施。
	策略性 - 执行发起人与指导委员会：这一最高级别包括策略和优先级的管理层监督。 此级别处理无法在较低级别解决的任何上报问题。 因此，必须让具有足够权限的领导团队能够在必要时做出决策。

角色和职责

了解自己的治理策略后，应定义角色和职责，以形成明确的期望。

治理团队结构、角色（包括术语）和职责因组织而异。 下表介绍了非常通用化的角色。 在某些情况下，同一个人可能充当多种角色。 例如，首席数据官 (CDO) 可能也是执行发起人。

角色	说明
首席数据官或首席分析官	定义将数据用作企业资产的策略。 监督企业范围的治理准则和策略。
数据治理委员会	指导委员会由各业务部门的成员组成，这些成员身为域所有者，有权做出企业治理决策。 他们代表业务部门并为了组织的最佳利益做出决策。 为企业数据治理团队和工作委员会提供批准、决策、优先级和方向。
数据治理团队	创建治理策略、标准和流畅。 提供企业范围内对数据完整性、可信度、隐私和可用性的监督和优化。 与 COE 协作，向数据所有者和内容创建者提供治理教育、支持和指导。
数据治理工作委员会	单独专注于各治理主题（如安全性或数据质量）的临时或永久团队。
变更管理委员会	协调发布管理流程的要求、流程、批准和计划，目的是降低风险并将变更对关键应用程序的影响最小化。
项目管理办公室	管理各个治理项目和进行中的数据治理计划。
Fabric 执行发起人	促进 Fabric 的采用和成功使用。 主动确保 Fabric 决策与跨组织边界的业务目标、指导原则和策略保持一致。 有关更多信息，请参阅执行赞助一文。
卓越中心	指导创建者和使用者社区，促进 Fabric 在决策中得到有效使用。 跨部门协调 Fabric 活动，以改进做法、提高一致性并减少低效率的情况。 有关详细信息，请参阅卓越中心一文。
Fabric 冠军	业务部门内的一部分内容创建者，他们帮助推进 Fabric 的采用。 他们通过提倡使用最佳做法和积极协助同事来促进数据区域性的发展。 有关详细信息，请参阅实践社区一文。
Fabric 管理员	负责日常的系统监督，以支持内部流程、工具和人员。 处理监视、审核和管理。 有关详细信息，请参阅系统监督一文。
信息技术	为 Fabric 管理员提供以下与 Fabric 相关服务的不定期协助：Microsoft Entra ID（以前称为 Azure Active Directory）、Microsoft 365、Teams、SharePoint 或 OneDrive。
风险管理	审查和评估数据共享和安全风险。 定义道德数据策略和标准。 传达法规和法律要求。
内部审核	审核是否符合法规和内部要求。
数据管理人员	与治理委员会和/或 COE 协作，确保组织数据的数据质量级别可接受。
所有 BI 创建者和使用者	遵守策略，确保数据作为组织资产的安全、受到保护和妥善管理。

注意事项和主要措施

清单 - 建立或增强治理计划时需要注意的事项和可采取的主要措施。

应考虑的问题

通过类似于以下示例的问题来评估治理。

• 概括而言，当前治理策略是什么？ 对于最终用户和中央数据以及 BI 团队来说，此治理策略的用途和重要性在多大程度上是明确的？
• 一般而言，当前治理策略是否有效？
• 组织（或特定业务部门）必须遵守哪些关键法规和合规性标准？ 此标准记录在何处？ 此信息是否可供职务包含处理数据和共享数据项的人员使用？
• 当前治理策略如何与用户的工作方式保持一致？
• 是否有特定角色或团队负责组织中的治理？
• 谁有权创建和更改治理策略？
• 治理团队是否使用 Microsoft Purview 或其他工具来支持治理活动？
• 优先的治理风险有哪些，例如安全性、信息保护和数据丢失防护的风险？
• 发现的治理风险的潜在业务影响是什么？
• 重新评估治理策略的频率如何？ 哪些指标用于评估它，业务用户提供反馈的机制是什么？
• 当用户处理数据时，哪些类型的用户行为会带来风险？ 如何缓解这些风险？
• 配置了哪些敏感度标签（如果有）？ 数据和 BI 决策者是否了解敏感度标签以及它对业务的好处？
• 配置了哪些数据丢失防护策略（如果有）？
• 如何处理“导出到 Excel”？ 采取了哪些步骤来防止数据丢失防护？ “导出到 Excel”的流行程度如何？ 在 Excel 中拥有数据后，用户如何处理数据？
• 是否有不符合监管合规性的做法或解决方案亟须处理？ 如果不解决，是否有理由来解释这些示例对业务的潜在影响？

成熟度级别

以下成熟度级别有助于评估治理计划的当前状态。

级别	治理状态
100：起步	• 由于缺少治理计划，进行中的优质数据管理和非正式治理做法过度依赖个人判断和经验水平。 • 严重依赖不成系统的落后知识。
200：可重复	• 组织的一些领域进行了有目的的工作，对数据管理和治理做法进行了标准化、改进和记录。 • 存在初始治理方法。 正在取得增量进展。
300：已定义	• 制定并广泛传达具有重点、目标和优先级的完整治理策略。 • 针对少数优先事项（难点或机会）实施特定的治理准则和策略。 用户主动且一致地遵循这些准则和策略。 • 角色和职责已明确定义和记录。
400：有能力	• 所有 Fabric 治理优先级都与组织目标和业务目标保持一致。 定期重新评估目标。 • 存在为分散业务部门自定义策略或处理标准治理策略的有效异常的流程。 • 可以清楚了解 Fabric 适合组织的整体数据和 BI 策略的方面。 • 主动分析 Fabric 活动日志和 API 数据，以监视和审核 Fabric 活动。 根据数据执行具有前瞻性的措施。
500：高效	• 定期评审 KPI 或 OKR 以评估可衡量的治理目标。 迭代性、持续进度是首要任务。 • 敏捷性和通过吸取经验教训来实现持续改进（包括有效的横向扩展方法）是 COE 的首要任务。 • 主动使用 Fabric 活动日志和 API 数据来提供信息并改进采用和治理工作。

相关内容

在 Microsoft Fabric 采用路线图系列的下一篇文章中，了解启导和用户支持。