数据治理

常按 DAMA 车轮图展开：元数据管理（数据目录、技术业务血缘、术语表，回答数据在哪、谁负责、什么含义）；数据质量（完整性、准确性、一致性、及时性、唯一性、有效性的度量、校验与整改闭环）；主数据与参考数据管理（客户、商品、组织等核心实体的唯一可信源与编码标准）；数据安全与合规（分类分级、脱敏加密、访问控制、审计留存，对接个保法与数安法）；数据生命周期（从产生、存储、归档到销毁的策略与成本控制）；数据标准（命名、建模、编码规范）与数据架构治理。落地抓手是组织与机制：数据 Owner 与管家体系、治理委员会、需求与变更流程、考核指标（质量分、目录覆盖率、血缘完整度）。答题先列领域再强调「治理是人与流程加平台」，只买工具不落机制必失败。

痛点是数据规模爆炸后「找数难、懂数难、信任难」：分析师找不到字段在哪张表、同名不同义与同义不同名泛滥、口径来路不明、上线变更不知道影响谁。元数据平台做三件事：采集——自动抽取技术元数据（表、列、任务、BI 报表、API）与运行时统计（行数、产出时间、负责人），对接调度与消息系统补齐血缘；组织——统一目录与搜索引擎（按业务域、标签、Owner 浏览）、业务术语表把指标定义与技术字段挂钩、血缘图谱支撑影响分析（改这张表会影响哪些下游任务与报表）与故障根因定位；治理——数据资产分类分级打标、质量与 SLA 状态展示、弃用下线流程。产品如 DataHub、OpenMetadata、Atlas，核心能力对比看元数据模型扩展性、采集器生态与 API。能讲找数、懂数、影响分析三个场景即完整。

先定维度再定指标：完整性（非空率、行数达标）、准确性（与源或权威系统比对差值）、一致性（跨系统同名指标一致）、及时性（按时产出率、SLA 达标）、唯一性（主键重复率）、有效性（枚举域、格式、值域）。落地闭环四步：规则化——用 Great Expectations、dbt test、Soda 把规则写成代码纳入管道，版本化管理；监控——随任务执行断言，质量看板聚合各域质量分；处置——分级响应，阻断（硬门禁不达标停发下游）、告警（软警告人工确认）、隔离（脏数据进隔离区不污染主表）；整改——问题登记、根因分析（上游源变更、任务逻辑、流程漏配）、修复与回刷、规则库沉淀防复发。关键理念是质量左移（需求与建模阶段定好规则）与把质量指标纳入团队考核。答出六维度加闭环四步即优秀。

血缘描述数据从哪来、经过什么加工、到哪去的图谱，粒度分表级与列级。采集途径：静态解析——SQL 解析（ANTLR 或语法树库）抽任务里的输入输出表与列引用、dbt manifest 与调度系统（Airflow 的 dag 与 task 依赖）API、ETL 工具自带的依赖；运行时捕获——引擎级 hook（Spark Listener、Flink lineage 接口）与查询日志解析，准确度高但有侵入；前端消费侧——BI 工具（Tableau、Superset）API 补报表级血缘。难点：动态 SQL 与临时表、跨系统拼接（调度时间与任务版本对齐）、列级推导（select 星号与函数透传）。应用场景：变更影响分析（改表前列出下游几百个任务与报表并通知）、故障排障（数据错了反查上游哪个任务最近变更）、下线评估（没人消费才敢删）、合规审计（敏感字段流向追踪）。能讲采集三途径与三大应用即完整。

依据数据安全法与个人信息保护法的思路落地。分类：按业务属性分域（用户、交易、经营），分级按敏感与影响程度（如公开、内部、敏感、机密；个人信息单列），编制分类分级清单与识别规则（正则与关键词识别身份证、手机号、银行卡，NLP 辅助）。技术措施：存储安全——静态加密、密钥管理；使用安全——动态脱敏（按角色在查询网关或数仓策略层脱敏）、静态脱敏进测试环境、最小权限与行级列级权限（Ranger、MaxCompute policy）、水印溯源防截图外泄；流转安全——导出审批、API 网关管控、跨域共享走协议与加密通道。流程机制：隐私合规评审（新表新字段过分级）、出境与第三方共享评估、留痕审计与定期复核、应急响应预案。答出「分类分级是基座，技术与流程双轮」并给脱敏与权限实例即佳。