data-manager

Compare original and translation side by side

🇺🇸

Original

English

🇨🇳

Translation

Chinese

Data Manager

数据管理者

Overview

概述

Manage data programs, governance operations, and data reliability. This skill covers data roadmaps, stakeholder coordination, metadata stewardship, lifecycle management, monitoring, incident response, capacity planning, and SLA frameworks.

管理数据项目、治理操作和数据可靠性。本技能涵盖数据路线图、利益相关方协调、metadata管理、生命周期管理、监控、事件响应、容量规划和SLA框架。

Features

功能特性

Data roadmap planning with stakeholder alignment and delivery cadence
Governance operations: stewardship, access reviews, lifecycle enforcement
Data ops monitoring with incident response and escalation paths
Team KPI/SLA scorecards and operational metrics
Cross-functional coordination across engineers, analysts, scientists, and legal

结合利益相关方对齐和交付节奏的数据路线图规划
治理操作：metadata管理、访问评审、生命周期执行
包含事件响应和升级路径的data ops监控
团队KPI/SLA计分卡和运营指标
跨工程师、分析师、科学家和法务团队的跨职能协调

Usage

使用方法

Identify the user's data management need (roadmap, governance, ops, or coordination)
Follow the corresponding workflow below
Produce structured outputs: roadmaps, governance policies, incident reports, or KPI dashboards

识别用户的数据管理需求（路线图、治理、运维或协调）
遵循下方对应的工作流程
生成结构化输出：路线图、治理政策、事件报告或KPI仪表盘

Examples

使用示例

User: "Create a data team roadmap" Agent: Runs Program Management workflow, produces quarterly roadmap with initiatives, dependencies, and stakeholder sign-offs
User: "Set up data governance" Agent: Runs Governance Operations workflow, defines stewardship roles, access review cadence, and lifecycle policies
User: "Handle a data incident" Agent: Runs Data Ops workflow, triages severity, executes runbook, produces post-incident report with action items

用户：“创建数据团队路线图” Agent：执行项目管理工作流程，生成包含举措、依赖项和利益相关方签字的季度路线图
用户：“建立数据治理体系” Agent：执行治理操作工作流程，定义metadata管理角色、访问评审节奏和生命周期政策
用户：“处理数据事件” Agent：执行Data Ops工作流程，分级评估严重程度，执行运行手册，生成包含行动项的事后报告

When to Use

适用场景

Own the data roadmap, stakeholder reviews, and data product delivery cadence
Run governance operations (stewardship, access reviews, lifecycle enforcement)
Establish data ops monitoring, incident response, and team KPI/SLA scorecards
Coordinate engineers, analysts, scientists, and legal on cross-functional data work

负责数据路线图、利益相关方评审和数据产品交付节奏
执行治理操作（metadata管理、访问评审、生命周期执行）
建立data ops监控、事件响应和团队KPI/SLA计分卡
协调工程师、分析师、科学家和法务团队开展跨职能数据工作

When NOT to Use

不适用场景

Deep platform architecture ADRs or ontology design → use
```
data-architect
```
or
```
ontology-engineer
```
Hands-on warehouse SQL optimization or SCD modeling → use
```
data-warehouse-engineer
```
ML experimentation, model evaluation, or MLOps deployment → use
```
data-scientist
```
Cloud VPC, Kubernetes, or IaC provisioning → use
```
infrastructure-engineer
```
Company-wide multi-team technical programs (non-data) → use
```
technical-program-manager
```

深入的平台架构ADR或本体设计 → 使用
```
data-architect
```
或
```
ontology-engineer
```
实操数据仓库SQL优化或SCD建模 → 使用
```
data-warehouse-engineer
```
ML实验、模型评估或MLOps部署 → 使用
```
data-scientist
```
云VPC、Kubernetes或IaC配置 → 使用
```
infrastructure-engineer
```
公司级跨团队技术项目（非数据类） → 使用
```
technical-program-manager
```

Core Workflows

核心工作流程

1. Data Program & Product Management

1. 数据项目与产品管理

Responsibilities:

Own the data roadmap aligned to business outcomes
Translate stakeholder needs into data product requirements
Coordinate cross-functional data work (engineers, analysts, scientists, legal)

Operational cadence:

Meeting	Frequency	Attendees	Purpose
Data Leadership Sync	Weekly	Data leads, PMs	Blockers, priorities, resource allocation
Stakeholder Reviews	Bi-weekly	Business sponsors	Roadmap alignment, value demonstration
Sprint Planning	Bi-weekly	Engineering team	Commitments, estimation, dependencies
Retrospectives	Monthly	Full data team	Process improvements, team health

Data product delivery checklist:

Define the business question and success criteria
Identify data sources and validate availability/quality
Design the data model (see
```
data-architect
```
skill)
Build with observability (logging, lineage, tests)
Validate with stakeholders before GA
Document and train consumers
Monitor usage and iterate

职责：

负责与业务成果对齐的数据路线图
将利益相关方需求转化为数据产品需求
协调跨职能数据工作（工程师、分析师、科学家、法务）

运营节奏：

会议	频率	参会人员	目的
数据领导层同步会	每周	数据负责人、PM	障碍排查、优先级确定、资源分配
利益相关方评审会	每两周	业务发起人	路线图对齐、价值展示
迭代规划会	每两周	工程团队	任务承诺、工作量估算、依赖项梳理
回顾会	每月	整个数据团队	流程改进、团队健康度评估

数据产品交付检查清单：

定义业务问题和成功标准
识别数据源并验证可用性/质量
设计数据模型（参见
```
data-architect
```
技能）
构建可观测的系统（日志、数据血缘、测试）
GA前与利益相关方验证
文档编写并培训用户
监控使用情况并迭代优化

2. Governance Operations Execution

2. 治理操作执行

Core activities:

Activity	Frequency	Owner	Output
Metadata stewardship	Continuous	Data stewards	Enriched catalog, documented lineage
Access reviews	Quarterly	Security + owners	Approved access matrix
Data lifecycle enforcement	Monthly	Operations	Archived/deleted per retention policy
Quality SLA review	Monthly	Governance lead	Quality scorecard, remediation plan
Policy compliance audit	Quarterly	Audit/compliance	Gap report, remediation tickets

Escalation paths:

Data incident → On-call engineer → Team lead → Director
Quality breach → Data steward → Governance committee → CDO
Access violation → Security team → Legal (if PII exposure)

核心活动：

活动	频率	负责人	输出
Metadata管理	持续进行	数据管理者	丰富的数据目录、文档化的数据血缘
访问评审	每季度	安全团队+数据所有者	批准的访问矩阵
数据生命周期执行	每月	运营团队	按保留策略归档/删除数据
质量SLA评审	每月	治理负责人	质量计分卡、整改计划
政策合规审计	每季度	审计/合规团队	差距报告、整改工单

升级路径：

数据事件 → 值班工程师 → 团队负责人 → 总监
质量违规 → 数据管理者 → 治理委员会 → CDO
访问违规 → 安全团队 → 法务（若涉及PII泄露）

3. Data Operations & Reliability

3. 数据运维与可靠性

Monitoring stack:

Layer	Metrics	Alert Threshold
Infrastructure	CPU, memory, disk, network	>80% for 5 min
Database	Connections, lock waits, replication lag	Replication lag >30s
Pipelines	Success rate, duration, row counts	<95% success rate
Data quality	Null rate, freshness, duplicates	SLA breach
Cost	Daily spend vs budget	>110% of daily budget

Incident response phases:

Detect: Alert fires or user reports issue
Triage: Assess severity (P1-P4), assign owner
Mitigate: Stop bleeding (rollback, redirect traffic)
Resolve: Root cause fix deployed
Review: Post-mortem within 48 hours for P1-P2

监控栈：

层级	指标	告警阈值
基础设施	CPU、内存、磁盘、网络	连续5分钟超过80%
数据库	连接数、锁等待、复制延迟	复制延迟超过30秒
数据管道	成功率、时长、行数	成功率低于95%
数据质量	空值率、新鲜度、重复率	违反SLA
成本	每日支出vs预算	超过每日预算的110%

事件响应阶段：

检测：触发告警或用户上报问题
分级：评估严重程度（P1-P4），分配负责人
缓解：止损（回滚、流量重定向）
解决：部署根本原因修复方案
复盘：P1-P2事件需在48小时内完成事后分析

4. Metrics & SLA Framework

4. 指标与SLA框架

Data team KPIs:

Category	Metric	Target	Measurement
Reliability	Pipeline success rate	>99%	Airflow/Dagster logs
Quality	Data quality score	>95%	dbt tests + Great Expectations
Freshness	Data latency (source → warehouse)	<4 hours	Pipeline metadata
Cost	Cost per TB processed	Trend down	Cloud billing
Productivity	Time from request to production	<2 weeks	Jira/Asana cycle time
Adoption	Active data consumers	Grow 10% QoQ	BI tool usage logs

SLA tiers:

Tier	Description	RTO	RPO	Example
Tier 1	Business-critical dashboards	1 hour	0	Revenue reporting
Tier 2	Operational analytics	4 hours	4 hours	Marketing attribution
Tier 3	Research/exploratory	24 hours	24 hours	Ad-hoc analysis

数据团队KPIs：

类别	指标	目标	测量方式
可靠性	数据管道成功率	>99%	Airflow/Dagster日志
质量	数据质量得分	>95%	dbt测试 + Great Expectations
新鲜度	数据延迟（源→仓库）	<4小时	数据管道metadata
成本	每TB处理成本	呈下降趋势	云账单
生产力	从需求到生产的时间	<2周	Jira/Asana周期时间
使用率	活跃数据用户	每季度增长10%	BI工具使用日志

SLA层级：

层级	描述	RTO	RPO	示例
Tier 1	业务关键仪表盘	1小时	0	收入报表
Tier 2	运营分析	4小时	4小时	营销归因
Tier 3	研究/探索性分析	24小时	24小时	临时分析