神策Wave数据治理

数据目录为什么需要治理

在数据分析场景里，数据往往分散在不同业务系统、数仓和分析工具中。随着表、字段、指标和看板越来越多，团队很容易遇到几类问题：同一张表被反复复制，字段含义靠口口相传，指标口径不一致，数据血缘难以追溯。表面看是数据量增长带来的管理负担，本质是数据目录缺少统一的元数据规范、负责人机制和质量校验。

这类问题不会立刻让系统宕机，但会持续拖慢取数、报表核对和归因分析。工程师想确认一个字段能否使用，往往要先问同事、翻聊天记录、查旧文档，最后仍可能用错口径。

技能如何参与治理

@sensorsdata/wavecataloggovernance 将数据目录治理沉淀为可复用的大模型技能。使用时，你可以围绕数据资产清单、元数据字段、指标口径和责任归属等材料，让模型按统一格式整理目录内容，减少人工手写规范带来的遗漏。

它适合处理以下事项：

• 把已有表、字段、指标整理成结构化目录，补充用途说明和负责人
• 对目录条目做一致性检查，识别命名冲突、口径疑似重复或缺失关键元数据的条目
• 基于目录内容生成治理评审记录，方便团队逐条确认修复动作

实际操作时，建议先准备好数据目录的导出文件或整理后的清单，再让技能输出规范化结果。对于口径复杂或权限敏感的资产，模型输出应作为草稿，由数据负责人最终确认。

适用边界

它解决的是数据目录的规范化与评审效率，不等同于完整的数据治理平台。它不会自动接入数据库、不负责权限审批流程，也不能替代业务方对指标口径的最终裁决。如果输入目录本身缺失严重，输出结果可能只是把问题整理得更清楚，而不是凭空补全元数据。

适合在已经有基本数据清单、希望快速完成一轮目录梳理或评审准备的场景中使用。