識別關鍵數據元素，并將其視為戰略資源進行定量管理
首先，我們需要對數據資產進行分級劃分，確定哪些數據資源應該首先被視為資產，以及哪些數據資產的質量處理級別應該是高優先級的。

當企業從零開始建立數據治理體系時，階段性的數據治理需要評估，確定哪些數據資產應該首先進行資產化。這個決策應該基于已建立的數據資產分級劃分。

當前的分級管理需要考慮一些關鍵因素，包括業務重要性評估、數據訪問熱度、使用頻率、下游數據類型等等，以及數據鏈路的深度和數據的層級。

在不同的項目中，我們需要對新增的元數據進行注冊時進行價值模型評估，并對存量數據進行圈定。這樣，我們可以劃分優先級，估算數據治理的成本，并根據不同的分類階段性地推進數據治理工作，以實現長期投入和回報的平衡。

"以用促治"，貫穿整個數據生命周期的策略和流程，實現端到端管理，跨管理領域的縱向實踐

（1） "以用"的定義
"以用"的定義是在實際項目開展中進行數據治理，重點關注核心系統以及與經營和管理直接相關的系統，以實現數據資產化。

（2） 全生命周期
全生命周期的核心思想是在整個項目流程中，無論是數據標準、元數據注冊、數據質量還是數據安全，都要將流程扎實貫徹。在項目從開始到結束的整個過程中，應該堅持管理理念，并將流程本地化，然后提煉和總結，形成通用化的流程，作為企業級標準流程。

這樣一來，不僅有了數據質量和數據治理全過程的實踐經驗，還形成了通用的成果，更容易獲得高層支持。

（3） 縱向事件
對于資源有限的企業，不宜一開始就全面展開數據治理。應該選擇某一個縱向領域，例如某一業務領域，對該領域的各個管理領域的模塊進行深入了解和實踐，而不是全面鋪開。一旦在一個縱向領域取得成功，將這種信心轉移到其他業務領域，以獲得更好的支持。

讓業務用戶深度參與治理過程，提高治理效率，利用AI提升參與過程的智能化體驗
要讓業務用戶深度參與數據治理過程，以提高效率，需要利用AI來提升整個過程的智能化體驗。整個數據治理過程需要根據定制需求來進行，因為這不是一個通用模塊，而是需要定制化的。平臺需要隨著管理思路的變化而不斷更新。對于一些重復性的工作，如元數據處理，在元數據注冊過程中，智能填充翻譯和業務含義，以及元數據與數據標準的對齊，都需要考慮智能化。

除了定制化整個平臺，還需要將數據和AI能力相結合，將重復性工作剝離出來，并將一些明確的規則作為訓練集用于訓練其他任務，使其能夠自動化、智能化地完成所需的工作。

分類分級權限矩陣，強化數據安全的智能化管控
分類分級權限矩陣需要強化數據安全的智能化管控。這需要平臺與AI的結合。

（1）根據行業分類分級指南，將已知的元數據根據標準進行分類和分級，作為基礎的訓練集。然后將算法應用于其他元數據，實現元數據的自動分類和目錄掛載。最后，通過人工核驗來不斷校正和優化算法。

首先，在證券行業有一個分類分級的指南，提供了一個參考清單。有了這個清單，我們可以將現有的技術數據標準進行分類和分級。然后，將這些作為訓練集進行訓練，將算法應用于其他元數據，實現自動分類和目錄掛載；之后，通過人工核驗來不斷校正和優化算法，以實現自動化分類和分級。

（2） 敏感數據的自動識別和定級
接下來，需要自動識別和定級敏感數據，包括靜態和動態脫敏策略的執行。

有些平臺已經具備這一功能。例如，網易數帆平臺提供了自動識別敏感數據的功能。

（3） 數據服務和審批流程
最后，需要在安全性方面應用分類分級權限矩陣。

核心是數據服務的審批流程。不同的數據分類、不同的數據等級以及是否屬于敏感數據，將決定數據服務的審批流程。例如，數據訪問、離線數據導出以及跨系統數據請求都將根據這些核心審批點進行判斷，走不同的審批流程。

（4） AI：數據異常訪問監控與預警
最后，還需要建立AI模型來監控和預警數據異常訪問，例如高頻下載等。

以上是數據治理過程中的一些實踐和思考，總結為四點。