数据治理，即为了提升数据质量，我们需要从指标、人、工具、数据源四方面着手。在我看来，指标治理是最显性也是最优先的。以指标治理为核心（这是决策层最有体感的部分），才能形成从上至下的压力，进而将人的意识和习惯、工具的应用和维护、数据源的扩展和萃取三部分的工作可持续地做好。所谓“由上推下”。

又一个大前提需要说明：指标治理是有范围的，并不能武断地进行全公司或者全事业部的指标统一；建议是先在具体部门或者业务线中，做好指标治理工作，进而寻求更大范围统一的可能性。所谓“由小及大”。

指标治理的步骤说明

首先，我们追求指标的同名同义。从两个方面来达成：

第一，当我们遇到两个相同名称的指标，数值却不相同时，需要做检查，若是计算错误就及时修正，若是口径不同，则将两个名称区别开，记住一定要规范命名（规范命名的方式在下一篇中会说明）；

第二，当我们在做数据产品或者研究时，需要定义某种指标的时候，要优先与现有的指标进行对照，如果重叠，在不产生理解歧义的情况下，继承现有指标命名；若继承名称不合适或者不存在类似的指标，则采用规范的命名方式，将自己所使用的指标与现有的指标区别开。

当然，在同名同义阶段，有一种最讨巧而实用的方式，就是都按命名规范，先定义成与其他指标不同名字，并在产出结果中给出详细的口径说明。

接着是同义同名。在这个过程中，需要由指标治理的负责人，有规律地对各业务人员和分析师在使用的指标进行遍历检查。发现有计算口径或者业务含义相同或接近的指标，进行名称上的整合。需要非常注意，并不是所有意义相同或者相近的指标都要整合，我们千万不能一根筋做事情。比如完全处在两个业务线或者两种主题下的指标，就没有必要非得统一成一个名称。这反而导致本业务线内的指标名称体系的混乱。

最后，是追求异名异义。为什么说“追求”？因为这个状态只要去接近就可以，而没必要真的达到。我们真正要达到的是“不存在同名异义，而存在异名同义”。

指标治理的必要条件

首先是人的意识。不管是管理者、决策者还是执行者，都要具备数据质量意识，在日常接触数据产出时，脑中始终有所“戒备”，养成“遇数三问”的好习惯。

其次，需要有指标维护的工具，可成为指标平台的工具，由指定人员进行管理和维护。在这个工具上，数据使用者能方便的查阅具体指标的名称、计算口径、样例代码、负责人、变更历史等信息。

接着，指标变更需要有一定的流程，尤其是如上篇所说的“评价流”中的指标。应该有一个上至决策层的审批流程，毕竟这是决策层重要的判断依据。

最后，也是最重要的，分析师或者其他数据结果的生产者，一定要具备良好的习惯（也可以上升为职业素养）：

在任何数据产出中，一定标注规范的指标名称、计算口径。

在取数代码或者分析代码中，要有清晰的注释来说明计算逻辑和字段定义。

当发现其他人的产出中，有忽视数据质量的情况时，一定要给予当事人和数据使用方提醒；必要的时候向上反馈。