自古以來，知易行難。雖然許多企業已經認識到了數據治理很重要，但能真正地建立科學的數據戰略、組織機制、管理流程，制定完備的制度規范、規則標準，規劃好數據治理體系架構，并腳踏實地的落實到實處的企業很少。
每家企業都希望能把數據治理做好，但要對企業的數據治理進行成熟度評估，那么有很多企業的數據治理都是存在問題的。如有些企業搭建了BI智能分析系統，深入了解后得知該系統實際上僅僅被用作簡單呈現信息的報表工具。該系統搭配了炫目的智慧大屏，實際上獲取到的數據因統計口徑不一致而無法準確反映業務實際，無法根據統計的圖表去層層下鉆、撥云見日以及探查異常指標出現的根本性原因，更別談能持續性、系統性、自動化地改善數據質量，以及智能化地對經營分析的發展趨勢進行預測。
數據之痛主要集中在數據應用、數據孤島、數據質量、數據隱私和安全，以及數據管理與治理等多方面。企業只有采取措施來解決和避免這些問題，才能實現數據的價值與應用效果。1、數據應用：在數據應用過程中，會遇到技術不足、展現方式不合理、數據指標模型的統計口徑與實際業務脫節等問題。這會導致數據應用效果不佳或無法達到預期的效果。
2、數據孤島：不同部門、系統或組織之間建設了ERP系統、CRM系統、PLM（Product Lifecycle Management，產品生命周期管理）系統、DMS（Dealer Management System，經銷商管理系統）等眾多業務系統，這些業務系統之間的數據信息孤立，導致數據分析和應用困難、低效。例如，由于存在數據孤島，企業無法準確、及時地進行產銷協同。
3、數據質量：數據質量會影響數據的準確性、完整性和一致性等。如果數據質量不高，則將影響數據分析和應用的可靠性與準確性。例如，在醫療領域，醫學圖像的數據質量不高，可能會導致誤診和治療錯誤。
4、數據隱私和安全：在使用或處理不當的情況下，企業的數據可能會出現泄露、被竊取或濫用等問題，致使企業的聲譽受損。
5、數據管理與治理：來自多元異構系統的數據如果沒有經過標準化過程，則會存在冗余、重復、丟失或不一致等諸多問題，嚴重影響數據應用的效率和準確性。
數據治理依據不同數據的特性，通過規范化的管理手段來持續提升數據質量、釋放數據價值。常見的數據類型可以分為元數據、參考數據、主數據、事務型數據、分析型數據。
企業在不同的數字化發展階段，進行數據治理的主要關注點會發生變化。企業數據治理項目關注點大體上集中在質量、時效、消費、安全、成本等方面。
● 質量：改善數據質量是企業進行數據治理的基礎性要求，主要在于改進數據的穩定性、準確性、完備性、唯一性、一致性、有效性等。
● 時效：數據產生的時效問題，影響了后續所有數據處理的及時性和數據價值。比如，在營銷返利的場景中，企業每天都會計算營收情況，產生各個交易方的返利數據。如果數據產生不及時，則可能無法達到預期的激勵效果。
● 消費：數據要容易被查詢，并且能夠被理解。另一個比較重要的方面是數據可復用，復用可以放大數據價值。
● 安全：數據權限的管理、敏感數據的分級處理與應用應滿足各種數據政策和法規的要求。
● 成本：在數據的生產、處理及價值挖掘等環節相對完善之后，圍繞數據體系的總體成本進行優化，將會是企業的重點考慮方向。
1、 改善數據質量
案例：某公司的客戶信息存在多種問題，如姓名拼寫錯誤、地址缺失、電話號碼的格式不統一等。這些問題如果不及時加以處理，就會導致數據不準確、重復和不完整。
分析：通常，引發數據質量問題的原因是多方面的，如下所述。
● 原始數據本身不完整，執行操作不規范。
● 數據提取技術不穩定，管理職責不明確。
● 數據處理過程中出現錯誤，數據標準沒有被執行。
● 內部數據不統一，外部數據有缺失。
2、優化數據時效
案例：某零售企業面臨市場競爭和消費者需求變化等挑戰，需要及時獲取并分析消費者行為數據以支持決策。
分析：該企業可以進行數據治理以提升數據的時效性，其中包括對數據源、格式和質量進行規范化及標準化，以減少數據獲取和清理的時間與工作量。此外，該企業還可以建立實時數據流管道和實時數據倉庫等技術架構，以提高數據的及時性和準確性，支持快速的數據分析與決策；使用更智能化的數據采集工具，縮短數據同步的時間，實現數據同步故障的自動化解決。
3、提升數據消費
數據只有被有效地使用才能產生業務價值。從數據消費的場景出發，以終為始，增強數據的可用性，賦能業務，這是一種很常見的數據治理項目的開展方式。
在營銷、研發、供應鏈、質量、財務等業務領域，企業可以利用數據挖掘分析來優化自身的決策能力，如圖1-3所示。
案例：某在線教育平臺啟動了客戶體驗改善計劃，讓教師和學生能夠自主地查詢與分析教學數據，以支持教學及學習決策。
分析：該教育平臺可進行數據治理以實現數據的自助消費，其中包括建立自助式數據查詢和分析工具。
4、貫徹數據標準
案例：某電商平臺的商品分類存在多種問題。比如，有的分類使用中文，有的分類使用英文；有的分類命名方式不規范；有的分類過于精細或過于寬泛等。這些問題如果不加以處理，就會導致商品分類混亂、搜索結果不準確。該公司為了解決分類命名不規范的問題，建立了統一的數據標準。選擇一種主要語言作為所有分類的基礎，所有分類名稱都遵循同一套明確的命名規則。制定分類標準，保證每個類別既不過于細致也不過于泛化。同時，該公司利用數據字典工具來維護分類標準，并開發自動化工具來檢測和糾正不符合標準的分類。
5、降低持有成本
案例：某制造業公司面臨經濟下行和市場競爭壓力，需要降低IT運維總體成本。
分析：該公司的數據治理包括優化數據存儲和管理方式，完善數據的備份機制，使用更適合業務需求的存儲技術和方法，減少數據存儲和管理成本。該公司可在IT基礎架構中引入容器化、虛擬化技術，從而更好地共享硬件資源；采用數據歸檔、壓縮和刪除等方式，減少數據存儲和維護成本。同時，該公司還可通過數據治理改善數據備份和恢復策略，在確保數據安全和可用性的前提下，降低數據持有總體成本。
6、完善治理組織
假如人人都對數據質量負責，反而會出現“三不管地帶”。因為人人負責實質等同于人人都不負責，真正出現問題后肯定會出現相互推諉、“甩鍋”的情況。
數據治理體系的建設過程包括數據治理組織機構的資源、流程、權責的明確，即清晰地界定出來“誰有數據的擁有權，誰有數據的使用權，誰有數據的管理權”等。出現數據問題如果不知道該找誰，必然導致許多質量問題得不到解決。在數據治理項目的執行過程中，企業應建立良好的組織保障機制，推動項目的各項工作得到落實。
數據治理的重要性在于確保數據的質量、安全、一致性和可信度，為智能化的數據分析與決策提供基礎性的高質量數據保障，支持數據消費場景深度和廣度的拓展，確保企業數據的價值得到最大化體現，助力企業在競爭激烈的市場中立于不敗之地。同時，了解數據痛點問題及數據資產特征，有助于企業更好地了解和管理數據資產，從而降低數據相關風險、提高數據價值、增強競爭力，并在數據治理的實踐中不斷探索與創新，積極迎接數智化時代的挑戰和機遇。
浙公網安備 33010502006954號 
