Data Governance Engineer 面试准备指南：Data Quality、Lineage、Catalog、Observability 怎么讲

Data Governance Engineer 是一个越来越常见、但很多候选人不会准备的岗位。它不像传统 Data Engineer 只考 SQL、Spark、Airflow，也不像 Analytics Engineer 只看 dbt 和 metrics layer。Data Governance 更关心数据是否可信、可追踪、可管理、可审计，以及谁对数据负责。

能源、金融、医疗、保险、零售和大厂数据平台团队，都可能招聘 Data Governance Engineer、Data Quality Engineer、Data Platform Governance Engineer 或 Data Stewardship Engineer。面试题往往很实际：你怎么制定 data quality policy？你用过什么 catalog？如何做 lineage？如何发现上游 schema change？如何让业务团队真的遵守 governance？

这篇文章会系统拆解 Data Governance Engineer 面试该怎么准备。

这个岗位到底考什么

Data Governance Engineer 面试通常会覆盖：

daily work / past project deep dive
data catalog：Alation、Collibra、DataHub、Amundsen
data quality policy
data validation tools
data observability：Monte Carlo、Great Expectations、自建 checks
lineage：table、column、pipeline、dashboard lineage
ownership：dataset owner、SLA、incident process
privacy / compliance：PII、access control、retention
stakeholder communication

它不是单纯工具问答。面试官想知道你能不能把“数据治理”从口号变成工程流程。

Data Quality Policy 怎么回答

如果面试官问：“How do you plan policy for data quality?” 不要只说 row count check。

一个完整回答可以分成 6 层：

Define critical data elements：哪些表、字段、指标最关键。
Define quality dimensions：freshness、completeness、validity、uniqueness、consistency、accuracy。
Define ownership：谁是 dataset owner，谁响应 incident。
Define checks：每个 critical table 应该有什么 automated checks。
Define SLA：延迟、错误率、修复时间。
Define escalation：报警、ticket、runbook、postmortem。

你可以举例：

“对于订单 fact table，我会检查每日 row count 是否异常、primary key 是否重复、order_status 是否在允许枚举里、event_time 是否晚于 ingestion_time、核心金额字段是否为负、上游延迟是否超过 SLA。”

这比泛泛说“我会保证数据准确”更有说服力。

Data Observability：Monte Carlo 之外要讲原理

有些面试官会问你是否用过 Monte Carlo、Datadog Data Observability、Great Expectations、Soda、dbt tests。即使你没正式用过，也可以讲清楚你理解的问题。

Data observability 关注的是：

freshness：数据是否按时到
volume：数据量是否异常
schema：字段是否变化
distribution：数值分布是否漂移
lineage：上游变化影响哪些下游
incidents：如何发现、通知、修复、复盘

如果没有用过商业工具，可以讲自建方案：

Airflow task 完成后记录 row count
对关键字段做 null rate / unique count / min-max check
用历史窗口检测异常波动
schema snapshot 做 diff
写入 data quality result table
报警到 Slack / PagerDuty
生成 dashboard 给 owner 看

关键是你要说明 check 不是越多越好，而是要围绕业务风险。

Data Catalog：不只是文档库

Alation、Collibra、DataHub、Amundsen 这类工具常被问到。很多候选人只会说“用来查表”。这太浅。

Data catalog 在 governance 里的价值是：

dataset discovery：业务方知道该用哪张表
ownership：每张表有 owner
glossary：指标定义统一
lineage：知道上下游影响
certification：标记 trusted dataset
access workflow：申请权限和审批
usage analytics：知道哪些表没人用或被大量使用

面试里可以说：

“我不会把 catalog 当成静态文档。它必须和 pipeline metadata、warehouse query logs、dbt models、BI dashboard、ownership system 连接起来。否则很快就会过期。”

这能体现你不是在背工具名。

Lineage：Table-level 不够，关键字段要 Column-level

Data lineage 常见追问：

如果上游字段改名，会影响哪些 dashboard？
如果某个 KPI 算错了，如何定位源头？
如果要删除 PII 字段，如何知道下游在哪里使用？
如果一个 pipeline 出错，如何判断 impact radius？

回答时区分：

table-level lineage：表和表之间依赖
column-level lineage：字段如何被转换和传递
job-level lineage：Airflow / Spark / dbt task 的依赖
dashboard lineage：指标和报表依赖哪些表

如果面试官问实现，你可以讲从 SQL parser、dbt manifest、warehouse query history、Airflow DAG metadata 和 BI metadata 中抽取 lineage，再存到 metadata graph。

Governance 和工程交付如何结合

很多公司 data governance 做不好，是因为它变成了文档和会议。好的 Data Governance Engineer 要能把规则嵌进开发流程。

可以主动提：

data contract：producer 和 consumer 约定 schema、SLA、语义
CI checks：PR 阶段检查 schema change 和 breaking change
dbt tests / Great Expectations：pipeline 内置质量检查
ownership required：没有 owner 的 dataset 不能标记 production
certification workflow：trusted table 需要满足质量和文档要求
incident process：质量报警后有明确 owner 和 runbook

这会让你的回答更像能落地的工程方案。

常见面试问题和回答方向

Tell me about your daily job

不要流水账。按 data lifecycle 讲：ingestion、transformation、quality check、catalog、lineage、stakeholder support、incident response。

What tools do you use to validate data quality?

可以讲 SQL checks、dbt tests、Great Expectations、Monte Carlo、Airflow sensors、自建 anomaly detection。重点说你如何选 check，不是列工具。

How do you deal with data governance?

从 policy、ownership、catalog、lineage、quality、access、incident 六个维度答。

How do you handle stakeholders?

举例说明你如何和 data producer、consumer、analytics、security、legal 或业务团队对齐定义和 SLA。

两周准备计划

第 1-3 天：补 data quality 基础

准备 freshness、completeness、validity、uniqueness、consistency、accuracy 的定义和例子。

第 4-6 天：补工具和实现

梳理 Alation / Collibra / DataHub、Monte Carlo、Great Expectations、dbt tests、Airflow metadata。

第 7-9 天：练案例

练订单表异常、IoT 数据延迟、PII 字段下线、dashboard 指标错误、schema drift。

第 10-14 天：项目 deep dive

准备一个治理项目，一个数据质量 incident，一个跨团队推动标准化的故事。

需要 Data Governance / DE 面试辅导？

Data Governance Engineer 面试最难的是把工具、流程和业务风险讲成一个完整系统。Interview Coach Pro 可以帮你准备 data quality policy、catalog / lineage、data observability、stakeholder communication 和 DE technical mock。