数据治理面试专题

概述

数据治理面试覆盖：元数据管理、数据血缘、数据质量、数据安全、DCMM 体系。本文按概念、血缘、质量、安全、体系五类整理高频问答与实际案例。

---

一、概念与体系

Q1：数据治理包含什么？

四大支柱：
  数据标准（口径）
  数据质量（可信）
  数据安全（可控）
  数据生命周期（成本）
+ 元数据/血缘/资产支撑

Q2：DCMM 是什么？

数据管理能力成熟度：
  八大能力域
  五级成熟度（初始→优化）
  国家标准

Q3：元数据有哪些类型？

类型	说明
技术元数据	表/字段/类型
业务元数据	含义/口径
管理元数据	负责人/来源

Q4：数据治理难点？

1. 组织保障（人）
2. 标准落地（规范）
3. 责任到人（Owner）
4. 持续运营（机制）
5. 效果量化（指标）

---

二、数据血缘

Q5：血缘有什么作用？

1. 影响分析（改表影响谁）
2. 溯源（数据从哪来）
3. 下线评估（依赖）
4. 质量定位（问题源头）

Q6：血缘怎么采集？

方式	说明
Hive Hook	DDL/DML 上报
Spark Listener	作业监听
SQL Parser	静态解析
Flink	SQL 解析

Q7：字段级血缘怎么实现？

SQL Parser：
  AST → 识别 SELECT 列来源
  映射目标列
  处理函数/子查询/Join

Q8：血缘不准确怎么办？

1. 解析规则校验
2. Hook 覆盖补全
3. 手工补录
4. 定期对账

---

三、数据质量

Q9：质量维度有哪些？

完整性、准确性、一致性
及时性、唯一性、有效性

Q10：质量规则怎么定？

关键表优先：
  非空、唯一、范围
  枚举、对账、及时
  按重要度分级

Q11：质量发现后怎么处理？

闭环：
  告警 → 定位（血缘）
  → 修复（重算）→ 验证

Q12：GX 与 Deequ 区别？

GX：Python 声明式，文档化
Deequ：Spark 大规模，统计分析
  按场景选

---

四、数据安全

Q13：数据分级分类怎么做？

分类：个人信息/财务/商业...
分级：L1 公开 → L4 机密
  识别（字段/内容/规则）
  打标（元数据）

Q14：脱敏方式有哪些？

掩码、替换、加密、哈希、截断
  静态（导入导出）
  动态（查询实时）

Q15：怎么防数据泄露？

1. 权限最小化
2. 脱敏（默认脱敏）
3. 水印（追踪）
4. 审计（留痕）
5. 加密

Q16：GDPR/PIPL 核心要求？

告知同意、最小必要
删除权、可携带
审计合规、泄露通知

---

五、场景设计题

Q17：数据治理平台怎么建？

1. 元数据中心（采集/血缘）
2. 质量平台（规则/看板）
3. 安全平台（分级/脱敏）
4. 资产平台（目录/搜索）
5. 治理运营（指标/闭环）

Q18：业务问"这个数据准不准"？

1. 看质量看板（规则结果）
2. 看血缘（来源链路）
3. 看口径（指标定义）
4. 看负责人（Owner）

Q19：表要下线，怎么评估？

1. 查血缘下游依赖
2. 查使用方（作业/报表）
3. 评估影响
4. 审批 + 灰度下线

Q20：质量问题频发怎么办？

1. 源头治理（采集校验）
2. 规则完善
3. 责任到 Owner
4. 修复闭环
5. 复盘沉淀

---

六、实际案例

案例：电商数据治理

背景：
  指标口径不一、质量问题多
方案：
  1. 元数据采集 + 血缘
  2. 统一指标口径（术语表）
  3. 质量规则（关键表）
  4. 敏感数据分级脱敏
  5. 治理看板运营
成果：
  指标一致、质量提升

阶段	动作
盘点	元数据/血缘
标准	口径统一
质量	规则闭环
安全	分级脱敏
运营	指标看板

---

七、高频易错点

易错点	正确理解
治理是工具	组织+制度+工具
血缘只表级	字段级更精细
质量靠事后	源头治理
安全=加密	分级+脱敏+审计
DCMM 是考试	是改进框架

---

八、速答清单

高频题	一句话答案
治理包含什么	标准/质量/安全/生命周期
血缘作用	影响分析/溯源
血缘采集	Hook/Parser
质量维度	完整/准确/一致/及时
安全怎么做	分级+脱敏+审计
DCMM	八大域五级
治理难点	组织与运营