数据治理：说起来容易，做起来难？

于是乎，我们看到：不仅是传统提供数据仓库、BI、主数据管理、元数据管理、数据集成等数据服务的软件供应商在说数据治理，“BATJ”等互联网公司，大型国企、央企也都在谈数据治理，很多企业都将数据治理作为数智化战略的一项必要举措，列入了企业的战略行动计划。

在众多谈论数据治理的企业或个人中，笔者发现大家对数据治理有着一个普遍的共识，那就是：“数据治理说起来容易，做起来难”！

01

为什么要做数据治理，真的想透了吗？

请问你们为什么要做数据治理？

常见回答：我们要建立数据标准，提升数据质量，实现数据资产统一管理。

接着问：为什么要建立数据标准、提升数据质量，不做会怎样？

常见回答：数据质量问题比较多，无法提供准确的数据报表，影响业务效率，无法支撑企业的数字化转型。

再次问：都影响到了哪些数据报表、哪些业务？

常见回答：XX报表不准确、统计口径不一致、系统之间数据孤岛，数据集成困难……吧啦吧啦……

接着追问：为什么会造成数据报表不准确，口径不一致，系统集成难？

常见回答：因为数据标准一致，数据源的数据质量差。

到此为止，采用咨询常用的5Why分析法，似乎已经get出了数据治理的现状和目标。我们将其总结下：通过数据治理实现企业数据的标准化、提高数据质量、提升业务处理的效率，为数据分析提供准确的数据支撑，赋能业务，助力企业实现数字化转型。

但是，我们仔细分析这样的调研结果是浮于表面的，围绕数据的问题在原地打转，没有将为什么要做数据治理真正想透。

数据要产生价值，需要一个合理的“业务目标”，数据治理的所有活动应该围绕真实的业务目标而开展，建立数据标准、提升数据质量只是手段，而不是目标。因此

数据治理的第一步不是分析数据问题，而是分析业务问题，找到企业的核心业务诉求，定义数据治理的目标和范围。
 

02

数据治理不是什么高大上的东西，基本是脏活、累活！

数据治理很火，在DAMA 数据管理知识体系指南中，数据治理位于数据管理“车轮图”的正中央，是数据架构、数据建模、数据存储、数据安全、数据质量、元数据管理、主数据管理等10大数据管理领域的总纲，为各项数据管理活动提供总体指导策略。

DAMA-DMBOK2.0 数据管理车轮图

谈到数据治理，我们经常讲它是一个涉及到企业战略、组织架构、数据标准、管理规范、数据文化、技术工具的一个综合体。没有数据治理实践经验的，一定会认为：哇，数据治理好“高大上”呀！又是战略、又是标准、又是文化的，听起来很高深吗！

然而，只有你真正做过数据治理人才知道：数据治理不仅都是苦活、累活，还是个受累不讨好，经常背锅，领导看不见价值的活。

都说数据是资产，数据治理很重要。尽快大家都说数据治理很重要，领导也很重视，但在很多企业真正实施的过程中，却总会遇到高层领导支持力度不足，业务部门人员配合不到位，数据治理的总是要给业务让路等等问题。究其原因：领导说重视数据，是真重视，还是嘴上说说？有没有将其纳入企业的战略行动计划？

数据治理要定战略、定制度、建组织，这是顶层策略，这每一项都牵一发而动全身，都需要高层领导的大力支持和推动，业务部门和技术部门的紧密协同。

数据治理要立标准、理流程、清数据，需要对每个数据域、数据实体、数据条目、数据项进行梳理和标准化，甚至有时候需要人工逐条、逐字段的定义数据标准、核实数据质量。数据治理人员不仅要有良好的数据思维，还要有足够的细心、耐心和体力才能实现企业数据质量的不断提升，打磨出适合企业的数据标准。

03

数据治理不是一个“项目”，想要立竿见影的效果？难！

那么，数据治理是项目吗？

是，当然是。

不论是全面的资产管理，还是针对特定领域的数据治理，都需要组建项目团队、定义项目目标和范围、制定项目计划、推进项目实施、最后是项目总结和结案。数据治理有明确的目标，有特定范围、质量、成本、时间、资源要求，从定义上讲数据治理当然是项目。

但是，通过一个数据治理项目的实施，即使这个项目预算很大，周期很长，是否就能解决企业数据管理和使用中的各种问题？是否就能培养出企业的数据文化，转变人们的数字化思维？是否就能实现企业管理和业务模式的创新？

一定不可能！

数据治理的最终目标是赋能业务，提升数据价值。这是一个持续漫长的运营过程，需要逐步完善、分步迭代，指望一步到位完成数据治理是不现实的。

项目型的数据治理，是不全面的，无延续性，能够解决一时的数据问题，但很难获得持续的数据价值。因此说，数据治理不是一个“项目”，而是一个持续运营的过程。我们也可以将这个过程，看作是由一个个数据治理“微项目”组成，连续的、螺旋上升的模型。一个项目的结案，不是企业数据治理的终点，而是企业数据治理真正的起点！

04

做了数据治理，为什么数据质量依然很差，咋办？

一个网友留言：石老师，我们公司两年前就做了数据治理，建立了数据治理平台，元数据管理、数据质量管理等功能都有了，但是我们的数据质量问题还是很多，导致花了很多钱建设的BI系统基本都没人用，请问有什么好的方式解决？

这个问题，我没有答复。原因是数据质量差、BI用不起来，这个问题虽然常见，但是10家有相同问题的企业中，有9家的原因是不一样的。在没有经过详细调查，不了解具体背景的情况下，不敢贸然给出建议。

我们在《数据治理系列5：数据质量管理的正确打开方式》一文中，曾盘点了引发数据质量问题的各种原因：有业务方面的数据定义不明确，也有技术方面的数据抽取不完整；有管理方面的岗位职责不清晰，也有执行层面的数据操作不规范；有数据处理加工过程中出现了错误，也有数据源本身就有问题；有数据治理系统功能有缺陷，也有系统强大但是没人用……

做过了数据治理，企业的数据质量就一定能提升吗？其原意是要问：上过了数据治理系统或实施了数据治理项目，为什么还会有数据质量问题。

这个问题很复杂。正如上文中的项目型数据治理，点到为止，治标不治本。有的企业认为数据治理就是上一套强大的数据治理平台，只要平台功能强大，就能管好数据，这恰恰是陷入了另一个误区——唯工具论，岂不知数据治理的本质是管理数据，而不是管理程序、脚本和任务。另外，还有很多企业是出现了数据问题，并且对业务造成很大影响之后才去进行治理的——被动式治理，失去了治理数据的主动权，常常是解决了一个问题又引出了更多的问题。

……
 

05

数据治理之道是什么，要怎么做？

在笔者之前分享的《数据治理治什么？在哪治？怎么治？》、《企业数据治理十大最佳实践》等文章中对如何开展数据治理做了比较详细描述，有兴趣的可以在本公众号的历史文章中查看。

前段时间，在网上看到一篇关于数据治理关键要素的总结文章，觉得写的很好，引用过来，供大家参考：

数据治理需要体系建设：为发挥数据价值需要满足三个要素：合理的平台架构、完善的治理服务、体系化的运营手段。

根据企业的规模、所属行业、数据量等情况选择合适的平台架构；治理服务需要贯穿数据全生命周期，保证数据在采集、加工、共享、存储、应用整个过程中的完整性、准确性、一致性和实效性；运营手段则应当包括规范的优化、组织的优化、平台的优化以及流程的优化等等方面。

数据治理需要夯实基础：数据治理需要循序渐进，但在建设初期至少需要关注三个方面：数据规范、数据质量、数据安全。规范化的模型管理是保障数据可以被治理的前提条件，高质量的数据是数据可用的前提条件，数据的安全管控是数据可以共享交换的前提条件。

数据治理需要IT赋能：数据治理不是一堆规范文档的堆砌，而是需要将治理过程中所产生的的规范、流程、标准落地到IT平台上，在数据生产过程中通过“以终为始”前向的方式进行数据治理，避免事后稽核带来各种被动和运维成本的增加。

数据治理需要聚焦数据：数据治理的本质是管理数据，因此需要加强元数据管理和主数据管理，从源头治理数据，补齐数据的相关属性和信息，比如：元数据、质量、安全、业务逻辑、血缘等，通过元数据驱动的方式管理数据生产、加工和使用。

数据治理需要建管一体化：数据模型血缘与任务调度的一致性是建管一体化的关键，有助于解决数据管理与数据生产口径不一致的问题，避免出现两张皮的低效管理模式。

来源：数据社

最后的话

数据治理不是一蹴而就的，它是一个漫长而持续的过程，没有一针顶破天的诀窍，也没有立竿见影的途径。只有将数据治理变成一种常态化机制，就如同我们每天吃饭、睡觉一样，形成一种习惯、一种文化、持之以恒、不忘初心、不懈努力，才能达到预期目标。

来源:数据社