数据治理中的“运动式治理”陷阱：为什么数据

一、一个季度一次的清理循环

某企业的数据质量管理工作有一个固定的节奏。每季度末，数据治理团队启动“数据质量攻坚周”。全员动员，各部门抽调人手，加班加点清洗客户数据、物料数据、供应商数据。攻坚周结束时，数据质量报表一片向好，完整率95%，重复率3%，异常率1%。团队松了一口气，庆祝阶段性胜利。

下一个季度的第二个月，完整率掉到了85%，重复率升到了8%。第三个月，数据又回到了清理前的状态。于是下一轮攻坚周开始了。

同样的循环，每季度重复一次。数据没有变好，团队也没有闲着。清理的速度赶不上污染的速度，运动式治理成了常态。不是团队不努力，是产生问题的源头没有被堵住。

运动式治理的核心问题是治标不治本。每次清理都是对“已发生的污染”做补救，不是对“污染的源头”做阻断。数据被清干净了，但录入环节的规则没有变，审批流程的漏洞没有堵，系统校验的功能没有加。清完一批，新的一批又来了。清得越快，数据增长越快，清理的工作量只会越来越大，不会越来越少。清一轮能维持三个月，下一轮需要的人力可能比上一轮更多，因为数据量在增长。三年前一个季度清理一万条，现在一个季度可能要清理三万条。投入的人力成本在攀升，治理效果并没有明显改善。边际收益递减到一定程度，团队会疲惫，管理层会质疑。到那个时候，治理工作不是因投入不足停滞，而是因治理模式本身不可持续而停滞。

二、运动式治理的形成机制

运动式治理的形成不是偶然的，它有一整套制度逻辑在支撑。

考核指标的短期导向

企业的绩效考核周期通常是季度或年度。数据治理团队的KPI是“本季度数据质量达标”。攻坚周正好满足这个周期。短期内快速见效，报表好看，考核过关。长期的数据质量稳定性不在本季度的考核范围内。指标是季度性的，行为也是季度性的。季度的考核周期决定了治理行为不能拉得太长。三个月清零一次，三个月后又重新涨起来。团队在这个节奏里越跑越快，跑不到终点线。

治理资源与业务规模的错配

数据量的增长速度是指数级的，治理资源的增长速度是线性的。企业业务扩张，客户数量、物料种类、订单量都在增长。数据污染的速率与业务规模成正比。数据治理团队的编制通常按固定比例配置。业务翻一倍，污染速率翻一倍，清理能力不可能同时翻一倍。治理能力的增速跟不上污染速率的增速，这是运动式治理陷入困境的数学原因。不是管理水平的问题，是指数函数与线性函数的增长率差异问题。

源头控制的缺位

录入系统的数据产生质量问题，根本原因不是录入者不认真，是系统没有拦住错误数据。编码格式不规范，系统不校验。必填字段为空，系统不提示。重复数据提交，系统不查重。录入者在不知道规则的情况下犯的错误，系统不仅不提示，还照单全收。等数据进了库，再由治理团队去发现、去合并、去补全，成本已经高了很多倍。源头不设防，下游的水永远清不了。截流模式的数据治理，本质上是在帮上游的错误买单。

三、从“运动式”到“日常化”的转变

运动式治理的替代方案是日常化治理。不是在季度末集中清理，是在日常操作中逐步消化。日常化治理需要几个条件。

条件一：问题发现的实时化

不是等季度末跑报表才知道数据脏了，是问题在发生时就暴露。新录入的客户名称重复了，系统实时提示“该客户可能已存在”。物料编码格式不对，系统实时报错“编码格式不符合规则”。必填字段缺失，保存按钮置灰。实时校验的意义在于错误数据没有机会进入数据库，而不是进了之后再去打扫。实时性的另一个好处是反馈及时，录入者第一时间知道自己的操作触犯了哪条规则，下次就会注意。延迟反馈的效果很差——过了几天再告诉录入者“你上次录的数据有问题”，他很可能已经不记得当时的业务场景了。

条件二：处理流程的闭环化

数据问题被发现后，需要有明确的处理路径。不是“发现-汇总-集中处理”，是“发现-指派-处理-验证-关闭”。责任人是谁，处理时限是多久，处理结果如何验证，验证通过后如何关闭。每个数据问题在系统中都有状态跟踪，不会被遗忘。流程的闭环化程度越高，问题从发现到解决的平均周期越短。周期越短，问题的累积效应越小，对业务的影响也越小。

条件三：责任归属的明确化

每个数据域的日常治理职责归属到具体岗位。客户数据的日常检查由销售部的数据 steward 负责，物料数据的日常检查由技术部的数据 steward 负责。不是数据治理团队替他们做，是他们在自己的日常工作中做。数据 steward 不是“兼职的数据治理专员”，是业务部门中对数据质量负责的角色。这个角色的职责需要写进岗位说明书，纳入常规考核。明确的责任归属才能驱动持续的改进行为。

条件四：工具支撑的轻量化

日常化治理需要轻量化的工具支撑。不是在Excel里手工比对，是系统自动识别重复、自动标注异常、自动推送待办任务。数据 steward 每周花一小时处理系统推送的异常数据，而不是花一周时间集中清理。工具的自动化程度决定了日常治理的时间成本。如果每周只需要一小时就能处理掉当周产生的所有数据问题，业务部门愿意配合。如果需要每天花半天，没人愿意接这个活。

四、新易编码在日常化治理中的设计

物料编码管理是日常化治理的典型案例。新易编码在设计上遵循“源头拦截+日常巡检+定期清理”的三层治理模型。

源头拦截：编码申请时的强制查重

用户申请新编码时，系统自动检索已有物料库，相似度超过阈值的记录会弹窗提示。用户可以查看相似物料的详细信息，确认是否确实需要新编码。重复提交的申请在创建阶段就被拦截，不会进入编码表。源头拦截是日常化治理的第一道防线。防线设在入口处，不是在数据已经污染之后。

日常巡检：质量看板

编码管理员每周登录新易编码，打开质量看板。最近一周新增编码的重复率、驳回率、分类错误率，以图表形式展示。异常项可以点进去查看详情，在线处理。不需要导出Excel、不需要手工筛选、不需要写邮件催办。巡检的周频次与问题产生的速度匹配。每周花一小时，数据质量可以稳定维持在可接受的水平。每季度花一周集中清理，波动幅度大且不可控。

定期清理：僵尸编码的批量处理

长期未被引用的编码，系统可以自动标记为“不活跃”。编码管理员定期审核，确认无用的批量冻结或归档。批量处理不占用日常巡检的时间，按季度或半年执行一次。定期清理处理的是累积效应的问题，不需要高频投入。

数据可视化：问题趋势分析

系统记录每周的重复率、驳回率、处理时长等指标，生成趋势图。指标曲线向上走，说明源头拦截或日常巡检有问题。指标曲线向下走，说明治理措施有效。趋势分析帮助团队判断阶段性改进措施的效果，而不是等到季度末才发现问题恶化。

新易编码降低了日常化治理的实施门槛，但没有降低治理标准。以前每季度花一周时间集中清理，现在每周花一小时日常巡检。总投入时间减少，数据质量的稳定性提高。数据质量的波动幅度缩小了，业务部门对数据的信任度也会提升。

五、小结

运动式治理不是某个人或某个团队的选择，是在特定考核周期、资源约束、系统能力下的必然产物。季度考核驱动季度清理，资源线性增长驱动集中突击，系统能力缺失驱动人工补漏。三个因素叠加，运动式治理成为最“合理”的应对方式。

要打破这个循环，需要同时改变三个因素。考核周期从“季度达标”调整为“持续稳定”，治理能力增速匹配数据量增速，系统能力从“事后清洗”升级为“源头拦截”。单向改变不可能起作用。光改考核，不增加系统能力，团队会陷入两难。光改系统，不调整考核，团队还是按老节奏做事。

日常化治理不是比运动式治理更高尚的选择，是在更合理的制度设计、更充足的资源投入、更先进的工具支撑下形成的自然结果。条件具备了，团队自然会选择日常化。条件不具备，要求团队日常化是不现实的。治理模式不是管理者拍脑袋决定的，是在给定的约束条件下演化的。约束条件的变化，才是改变模式的真正杠杆。

 

如果您有物料编码相关的问题，欢迎咨询新易物料编码