《整体方案》
我们回顾上个章节所阐述的痛点，提炼下来，主要是：数据不统一，数据重复建设，数据定位困难，深入分析原因，可归纳为如下几点：
1.管理上无专门数据组来承载数据资产的维护，常用数据沉淀的职责：各个业务组承担着各自的对外数据开发的职责，他们有权限随意建表和数据流程，无收拢口径；
2.数据定义缺乏规范：数仓里的数据杂乱无章，表和字段命名不规范，指标计算不统一，导致无法得知该数据的属性，用途，所以相同的业务想要使用的时候，只能从最底层创建相同的表，进一步加大了重复表带来的存储和管理成本；
3.缺乏科学的建模规范：缺乏一套科学成熟的方法，来对数仓的数据进行管理，上面说的数据规范化定义的作用是能快速知道表的作用和业务属性，而建模规范指的是整个数仓数据表的流程化建立的标准化；
4.无流程化的研发规范：开发人员在接触需求后，无统一的需求研究，模型设计等环节，大多都是直接上手开发，导致数据流程开发无章法；
基于以上的原因分析，对问题逐个击破，所形成的核心解决思路为：从 管理组织规范->数据定义规范->数据建模规范->研发流程规范->规范化推进 分步骤有序建立数据规范并落地
下面对这几个模块进行说明：
1.管理组织规范：
成立一个专门的数据管理组是很有必要的，其职责是将数据统一管理，开发的权限收拢，统一数据的入口和出口，统一进行数据资产的维护，这样可以大大降低数据权限放开过大导致的风险；如何理解数据资产的维护？比如我们的业务指标，数据管理组需要协助业务组按照规范来定义指标， 负责指标的管理与运营，保障指标从创建、审核、上线以及到最后消亡的整个生命周期的运营。
2.数据定义规范：
主要包括对数据仓库的数据表和数据指标的规范定义。通过制定数据表和数据指标规范，来丰富我们的元数据，并确保指标的清晰定义，作为数据仓库治理过程的最基础的一个环节，合理的数据规范定义非常重要，定义规范后，在进行数据使用时候就能见名知意，加速数据定位速度。
3.数据建模规范：
我们需要对数仓进行分层管理，并按照业务特点来对主题进行划分，所有数据在横向上属于某个层次的表，在纵向上属于某一个主题的表，明确了数仓中各层和各主题的职责和边界后，构建一致的基础数据核心模型，并基于业务迭代来不断完善和迭代相应的模型和规范。
4.研发流程规范
对于数据研发项目严格遵循目前的软件研发流程，经过需求调研，模型设计，模型测试，模型发布 这些环节来保证标准化的数据流程的建立，通过企业内部需求管理系统来对需求进行集中管理，并将研发环境与线上环境进行隔离。
5.规范化推进
在成立了数据管理小组，定义好各种规范后，我们需要去推进这些规范的落地，去存量和控新增 是这个阶段的主要目标：
去存量的过程，就是将存量数据由乱到治的过程，需要使用上面定义的各种标准对存量数据进行规范化，并且通过方法来保障存量数据标准化后的可持续性；
控新增阶段，我们需要建立各种自动化手段来定期监测数据的合理性和规范性，确保规章制度的落实。
通过对痛点的拆解和原因的分析，提出了建设规范化数据的核心思路：从管理组织规范->数据定义规范->数据建模规范->研发流程规范->规范化推进 逐步解决，最终达到规范化数据的目标；在下面的章节中，将针对每个环节进行更细化的展开 ，欢迎大家一起学习。
