在当今数字化时代，数据指标已成为企业最重要的指南针。有效的数据治理对于确保“数据指南针”持续稳定工作至关重要。本次演讲围绕提升数据指标的 ROI 以 及易用性展开，首先介绍数据 ROI 的计算方法，基于此，我们继续探讨治理低 ROI 数据的策略和技巧，同时通过技术栈升级以及链路优化，降低核心数据的生产资源消耗，提升数据生产的稳定性和及时性。最后，将会介绍一些公司用于提升数据指标使用效率的平台化产品：数据地图、指标平台，以及自助报表分析平台，通过这些平台产品，可以显著降低用户用数成本，从而充分发挥数据指标的指引作用。

演讲大纲：

1. 数据治理背景和整体框架

• 数据治理的背景和目标
• 数据治理实施整体框架

2. 数据 ROI

• ROI 计算口径
• 表/字段 ROI 计算方法
• 流量点位 ROI 计算方法

3. 数据指标分层

• 核心数据指标保障
• 普通数据指标治理
• 热数据加速/温数据压缩/冷数据和无用数据治理

4. Spark+Iceberg 迁移

• 整体迁移方案
• 功能/性能验证及迁移后收益

5. 数据指标应用和数据产品建设

• 模型规范和应用层建设 - 统一数据标准/建设数据公共层和应用层
• 数据地图/指标平台建设 - 元数据管理/指标管理
• 自助报表分析平台 - 数据模型和报表配置一体化

6. 总结和展望

• 思考和总结
• 监控报警智能化
• 指标中台建设

听众收益：

• 数据 ROI 的量化方法，以及提升数据 ROI 的技巧。
• 计算/存储成本优化方法，以及提升数据可用性的工具建设经验。
• 底层技术框架（spark+iceberg）迁移实践经验以及迁移收益。

方案痛点：

• 中台数据治理以数据 ROI 为抓⼿，降低数据生产和使用成本，需要从相关业务方切身利益出发设计统计口径，否则无法落地。实施治理工作过程中，一味降本可能会降低数据的可用性，需要在确保数据建设的高质量和控制使用成本间找到平衡点。
• 底层技术框架变更的不确定性，以及可能对下游造成的影响，需要前期大量的测试、对比和校验，除了要解决新老框架不兼容的问题，还需要有较为合理的迁移方案和详尽的迁移计划才可以确保迁移顺利进行。