什么是数据治理？根据定义，企业数据治理包括制定和实施一系列政策与程序，确保企业数据从一开始就准确无误，并且在随后的输入、存储、操作、访问和删除过程中得到妥善处理。企业应如何做数据治理？数据治理并不是单一的流程，它会涉及到网络安全部门、IT部门和人力资源等多部门协作，通常情况下数据治理的职责包括构建基础架构与技术，制定和维护流程与政策，以及指定企业中有权限、有责任处理和保护各类数据的员工（或职位）。
为什么要做数据治理？数据治理是合规管理的关键组成部分，关系到企业如何规避潜在的商业风险。大部分企业都拥有自己的数据系统负责数据的存储、处理和安全机制。但是，制定完善的政策和程序来妥善管理技术和保护数据，这需要依靠人力，也就是治理部门。在数据输入系统之前、被使用的过程中，以及从系统中提取出来供其他应用使用或存储时，数据都必须得到妥善处理和保护。
数据治理和数据管理的区别：数据治理是指通过制定相关政策与程序，来保证数据的准确性、可靠性、完整性和安全性；数据管理则是指实施这些程序的过程。肩负数据管理职责的人员将监督和管理用于处理、存储和保护数据的程序与工具。
数据治理带来的收益
集中进行数据治理可以提供统一、可靠的数据视图。
数据治理带来的收益包括：
- 获得更优质、更可靠的数据：这一点无疑是对“企业为什么要做数据治理”的最好回答。用户和决策者将对数据更有信心，继而能够基于数据制定更有把握的决策。而且，由于这些决策是根据准确的信息所制定，因此必然是明智的。
- 建立统一的真实数据源：企业所有的部门和决策者均采用相同的信息开展工作，其优势可以说是不可估量。大家不必再花时间争辩哪个电子表格或计划更好或更新。企业所有部门将能实现协调一致。
- 遵守法律、法规和行业规定：可靠的数据管理程序是合规的关键。事实上，审计人员与监管代表更关注的是企业生成、处理和保护数据的方式，而不是数据本身。
- 降低成本：不仅审计将变得简单快捷，日常运营也将变得更加高效。因基于错误或过时信息制定决策所导致的浪费将大大减少。此外，企业还可以准确了解正在进行的活动、当前的库存以及可用人力资源的情况，从而优化客户服务。
企业的快速发展依赖于准确、一致且可靠的数据，而这样的数据唯有通过有效的数据治理才能获得。
数据治理框架是什么？
数据治理框架有助于我们了解数据治理包括哪几个方面，其定义为数据战略与合规性奠定基础的模型。治理模型采用描述数据流（输入、输出和存储参数）的数据模型为基础，在此之上添加相关规则、活动、职责、程序和流程，用以定义这些数据流的管控方式。
我们可以将该模型看作一张蓝图，它描绘了数据治理在企业中的运作方式。值得注意的是，每家企业的治理框架都是独一无二的，反映了其数据系统、组织任务与职责、监管要求以及行业协议的具体特点。
企业的数据治理框架应包含以下内容：
- 数据范围：主数据、事务数据、运营数据、分析数据、大数据等等。
- 组织结构：负责人、数据主管、IT 部门、业务团队与执行发起人在框架中的角色和职责分工。
- 数据标准和政策：指明管理与治理对象以及预期成果的指向标。
- 监督与指标：衡量战略执行情况和成效的各项参数。
数据治理流程
企业必须将数据治理融入到数据创建、管理和保护流程中。下面列举了一些程序上的要求与指导方针：
- 程序与文档记录：文档记录不只是要让审计人员满意，而是必须清晰地描述所有流程。此外，企业应提供相关培训和激励措施，强化程序的落实。
- 数据完整性：企业必须根据数据治理模型和框架，在每道程序中都考虑数据完整性问题。这就会需要员工花费更多精力，在程序上做到更加严谨，而这可能会影响工作效率，导致每个流程延长几秒钟。对于这个问题，自动化技术可以帮助解决。一些久经验证且成本相对较低的技术（比如条码扫描仪和触摸屏）可以加快数据采集速度，提高数据准确性。而且，如果结合工业物联网传感器和企业现有的流程控制系统使用，效果会更佳。
- 审计与质量控制：为了验证流程与程序合规性，企业需要将定期检查数据有效性纳入所有程序。对此，最有效的做法是由质量管理团队定期进行检查。
企业数据治理面临的最大挑战是什么？
企业在数据治理中经常面临着许多挑战，如何做数据治理才能使收获的效益最大化，首先我们需要明确自身所面对的问题。企业实施数据治理的最大挑战是组织结构和人员问题。所有业务转型都需要有明确的角色和职责分工，以及一位变革支持者带领实施变革。此外，企业还必须改变观念，不再将数据管理视为无趣的低级工作，而是一项极其重要的任务。对于接触数据（尤其是关键数据）的员工，如果他们需要创建、更改、使用或以某种方式移动数据，就必须了解自己的角色，并承担相应的责任，维护好数据。
企业面临的另一大挑战是数据激增，而且随着时间的推移，数据只会变得越来越多。许多新数据要么杂乱无序，要么是我们以前从未见过或处理过的。这不仅给现有的系统和数据库造成了负担，还使企业不得不实施许多新程序，并提出更高的治理要求。
数据治理工具和技术
数据治理需要什么技术和工具？现代化的数据治理不需要太多繁琐的工具，但是，有些技术可以帮助企业采集、管理和保护数据，比如：
- 信息管家应用可以辅助分析数据并监控企业数据治理政策的执行情况。这类应用能促进各业务部门落实信息治理计划，通过数据验证执行质量标准，并评估数据质量流程的改进情况。
- 元数据管理解决方案（通常称为企业元数据管理，简称 EMM）可以对企业的信息资产进行分类和持续整理，因此在大数据时代发挥着越来越重要的作用。元数据管理解决方案维护的数据资产信息包括类型、标签、来源和日期。
- 信息生命周期和内容管理技术能够利用自动化的信息归档、保留和销毁政策，控制数据量并管理风险。内容管理特定功能还可以实现文档数字化，并将相关内容与事务和工作流相整合，从而简化业务流程。
- 增强数据管理或增强数据集成工具能够借助人工智能和机器学习等新技术获取信息，增强现有的企业数据，最终提高企业的决策水平，并改进某些应用的自动调优功能。
5 大数据治理卓越实践
如何做数据治理？技术和工具只是一个助力，专家们认为企业想要做好数据治理，其最终着眼点在于人，为此有关专家给出了有关数据治理的五大卓越实践：
- 大处着眼，小处着手。这是一条非常好的建议。如果你是从零开始，以前从未实施过数据治理流程，那你就进入了一个全新的领域。这种情况下，谨慎起见，最好是从小规模起步：先小范围地检验自己的想法与理解，积累经验、学习技能并验证方法，然后再全面推广。与此同时，把握全局也很重要。人们通常容易沉溺于细节，偏离总体目标。因此，你必须先明确自身为什么要做数据治理以及其项目总体目标（即对数据治理流程的期待）并记录下来，然后选出一个适中的目标进行试点，以此验证你的方法是否可行。
- 指定一名执行发起人。与所有企业级项目一样，确定一位执行发起人来充当数据战略支持者非常重要。执行发起人将在整个企业内积极倡导并宣传数据战略。此外，发起人还将执行问责制，创建所需的数据思维模式，并帮助裁决业务部门之间的数据问题。
- 构建业务案例。采用数据治理系统需要成本。虽然构建治理框架和处理细节不需要特殊设备，但仍有很多工作要做，而这将耗费企业的资源，尤其是员工的时间。
一种有效的解决方法是为这类项目构建业务案例。业务案例应包含项目概述、目标陈述、预期收益和项目时间表，其中时间表中应注明项目里程碑和进度/成果衡量指标。这些指标有助于确保项目顺利进行，项目团队可以参照预定的时间和里程碑来评估项目进度。此外，业务案例还可以提醒团队成员实施这个项目的初衷，以及为什么按时圆满完成项目对企业很重要。 - 设定正确的指标。衡量指标必不可少，但并非越多越好。即使是自动化评估，也会耗费时间和精力，因为需要人来查看和解读评估结果，甚至可能还要采取纠正措施。衡量指标过多或无效都会适得其反。用户、运营人员和员工会很快推断出什么时候衡量指标并不重要，而这有可能导致他们忽略真正有意义的指标。与关键绩效指标一样，设定少量（通常为 6-10 个）易于管理、有效且有意义的衡量指标比设定 50 或 100 个无意义的指标要好得多，因为如果指标不能帮助我们深入了解系统的实际运行情况以及目标达成情况，数量再多也无意义。
- 沟通。出于对未知的恐惧，大多数人天生厌恶改变，而掌握信息是克服恐惧的最佳方法。对于那些将受到新流程与新程序影响的人员，不论他们是否会积极参与变革，你都需要与他们开诚布公，让他们了解你在做什么，以及这么做的原因。你必须告诉他们变革会给他们的工作带来哪些变化（可能只是细微的改变），以及配合并支持变革的重要性；同时邀请受影响最大的人员参与新程序的规划和实施。这样一来，他们就能清晰地了解变革将给工作效率带来哪些影响，企业会采取哪些措施来减少干扰，以及企业将如何完善流程，提供更优质的数据。
设定少量（通常为 6-10 个）易于管理、有效且有意义的衡量指标比设定 50 或 100 个无意义的指标要好得多，因为如果指标不能帮助我们深入了解系统的实际运行情况以及目标达成情况，数量再多也无意义。
请记住，在进行数据治理之前必须明确为什么要做数据治理，因为数据治理是一个持续的过程，你需要知道自己的最终目标并在这个过程中不断地优化使其最终达成。在建立数据治理体系前期的确会有一些一次性工作，但这些流程将成为企业日常运营的一部分。企业必须根据自身处理的数据量、数据类型和数据特征的变化，持续监控并不断重新评估这些流程。
探索主数据治理解决方案
实施数据生命周期治理，提高业务数据的质量。
数据治理常见问题
SAP Insights 简报