当前，AI技术的爆发式增长正在倒逼企业重新审视数据治理的价值——当业务部门期待用数据驱动决策时，却常因“指标口径不统一”、“数据血缘不透明”陷入内耗；当技术团队投入重金训练模型时，又可能因基础数据质量缺陷导致AI应用事倍功半。

AI时代，如何让数据治理从“成本中心”蜕变为“业务引擎”？

在3月7日「数据荟」Meet Up上海站中，瓴羊Dataphin高级技术专家周鑫指出：“数据治理实施的最大困难，在于整个治理过程抓的点太多。”这一论断揭示了行业共性困局：企业往往在多个治理模块中疲于奔命，却因缺乏核心抓手难以形成持续价值。对此，企业如何破局？阿里云智能集团瓴羊高级技术专家周鑫提出 “以数据标准为中心，贯穿数据全生命周期”，强调以标准化重构治理链路，让数据真正成为业务增长的燃料。

数据治理的 “定海神针”：为什么标准是破局关键？

从实施链路来看，数据治理为何如此困难？

大部分企业进行数据治理时，往往经历评估现状、制定目标、执行计划、持续监控四个步骤，在如此漫长的链路中，既要考虑数据质量、数据质量、数据安全或生命周期，还要在保持较低成本的同时，照顾到整个组织架构，需求不可谓不繁琐。周鑫表示，“传统治理步骤面临四大问题：缺少简单易用的实施方法、治理链路复杂、工具支撑不足、难以持续治理。”

正是这一困境，导致企业在实施阶段很容易偏离中心，缺少一个核心抓手。即使艰难完成治理，后续迭代也非常困难，一个目标的改动，可能牵一发而动全身，造成数据安全与质量规则的反复调整，大大拖慢了治理进度。

因此，问题的关键，是找到数据治理的核心——数据标准。

近年来，国家频频颁布数据标准相关政策规范，从《“数据要素x”三年行动计划》到国家数据标准体系，再到全国数据标准化技术委员会，都印证了数据标准的重要位置。

“当企业把数据标准定下来的时候，治理工作已经做了很大一部分了”，周鑫表示，以瓴羊Dataphin为例，企业完成业务与数据盘点，并将数据纳入数据元中心后，即可在Dataphin梳理数据标准。数据标准的建立不仅贯穿数据建模、研发等事前环节，还能通过生成质量规则和安全识别、分类分级等功能，实现对数据事中及事后的全面管控。

如此一来，用户在落标时，只需关心那些没有满足标准的数据即可。例如，在手机号的标准设置中，系统会根据用户设定的属性要求，自动生成一系列质量校验规则，确保相关字段数据符合标准；在访问权限上也会自动匹配审批流程，帮助快速识别和处理不合规的数据。这使数据标准的满足度与落标情况，成为衡量数据质量优劣的“晴雨表”，数据满足度越高，数据质量也就越好。

AI驱动的主动治理：从“人找数据”到“数据找人”

AI时代奔迅而至，激活了数据治理的一池春水。在AI技术爆发式增长的当下，数据治理的机会在哪里？

周鑫认为，通过AI+数据治理的结合，可以实现完整的主动数据治理。

首先，在数据标准阶段，通过AI逆向生成码表、数据标准以及数据模型可以很大程度地降低从业务到标准、到模型的实施成本。其次，在AI时代，数据从结构化到非结构化、从数据知识到语义知识的变化，通过丰富语义知识能促进AI的成功，企业可借助AI自动构建质量规则，实现分类分级和特征识别，管控数据整个生命周期，在数据治理结束后，AI还可自动识别治理效果，提供治理策略指引，形成数据治理的良性内循环。最后，在资产运营阶段，通过和AI的结合，自动生成专题目录，智能丰富资产元数据和智能找数问数，帮助企业低成本的管理和使用数据资产。

Dataphin的治理实践：让数据资产“主动适配”业务需求

“我是电商业务负责人，今年大促目标是GMV提升20％，数据能帮我做什么？”

“我正在准备做运营外投，对于圈选母婴群，希望从数据上结合知识库，有什么建议？”

“我是产品运营，我想了解产品的销量指标定义是什么？”

……

在AI的助力下，以上数据资产应用问题，都可以通过对话的方式得到回应。

而承载这一功能的平台，便是智能小D。

“智能小D能够通过业务问题直接定位数据资产，例如当问它'如何进行客户分层？'时，基于思路策略，寻找提供对应的数字资产表”，周鑫表示，智能小D基于Dataphin打造，由阿里云百炼平台和开源Dify提供支持，核心功能聚焦于知识管理，尤其擅长数据知识的梳理和应用。未来，智能小D将进一步支持非结构化知识和智能体管理，用户还可通过挂载自定义智能体，实现智能体的个性化定义与功能拓展.

借助智能小D，用户可以直接询问具体的业务需求，如“我要找客户表”、“我要做客户分层，需要那些表？”、“销量下降明显，可能的原因有哪些？”等，大模型将根据用户需求，通过分解、联想等方式，为其快速提供对应的数据资产表，让用户无需BI分析师的专业技能，也能实现轻松读数。

除此之外，Dataphin还在属性丰富方面引入了AI能力，简化了数据上架的流程。以往，一张表上架到目录，需要历经以下几个步骤：针对上百个字段，逐一描述其名称与含义；熟知运营方目录，制定便于搜索的标签；若过程中发现新增指标需求，还需返回重新填写目录和标签。

“比如500个字段、大宽表的情况下，操作下来至少需要半小时，而结合我们的AI能力，整个资产上架的过程能得到极大的提效”，周鑫表示，Dataphin可以帮用户智能生成所有描述，规划所有目录，自动识别潜在指标，待用户确认无误后，即可一键上架，几十秒即可完成所有资产上架工作。

在特征识别方面，Dataphin通过引入AI能力，降低了识别门槛，加快了识别速度。例如，在进行身份字段设置时，传统方法需要编写SQL能够识别的正则表达式，性别识别还需顾及成千上万张资产表复杂的表达方式，很难一次性枚举种种条件。引入AI能力后，Dataphin即可以自动生成所有的正则表达式，几十秒内即可完成一次特征识别。

在数据治理与AI融合的远期规划中，周鑫提出 "迈向智能化最大的标识自助治理，是通过AI能力，基于业务变化自动调整治理目标、策略，最终调整业务动作" 。面对海量数据质量参差、治理链路冗长的挑战，周鑫指出 "从小的业务、领域切入，通过将问题求解集合缩小到特定领域，加快提升数据质量。”这一实践路径的核心在于，初期在有限业务圈内优化数据质量与Agent能力，同步注入行业知识库与业务逻辑，以渐进式迭代实现治理闭环。

周鑫指出，目前Dataphin的数据治理AI计划正处于提效阶段。在这一阶段，Dataphin将进一步引入更多行业和业务知识，增强对非结构化数据的理解能力，并辅助生成质量规则。随着提效阶段的完成，数据治理将迈入自动化阶段，平台将实现质量规则的自动生成、分类分级的自动处理，以及敏感数据的自动识别等功能。最终，在更高阶的智能化阶段，Dataphin将基于对业务流程的深度理解，实现系统自动生成数据标准，全面提升数据治理的智能化水平。

当数据标准贯穿全生命周期，治理动作无缝融入业务流时，企业才能真正将数据资源转化为驱动业务增长的"活水"，实现从“数据支撑”到“数据驱动”的质变。

本文内容来自公众号：瓴羊Daas