数据治理体系建设为企业提供高可信数据质量的一套管理机制，能够消除数据的不一致性，建立规范的数据标准，提高数据质量，实现内外部数据共享，并将数据作为组织的宝贵资产应用于业务、管理、战略决策中，发挥数据资产价值。

      然而，各行业在推进数据治理工作时候，发现数据治理工作越做越难。根据数据治理的定义来讲，该工作相比其它数据工作而言，更具有挑战性。其中，数据治理项目的价值衡量、客户预期难以管控、客户对数据治理的理论的理解与实践落地的差异大等问题成为全行业普遍存在的问题。

 第一章  越来越难做的数据治理

      数据治理体系建设工作，归纳为：组织体系、管理体系及技术体系。其中，对于组织体系建设、管理制度体系建设要求而言，数据管理组织需要协同各业务部门，IT（或数据）相关部门，共同高效协同推进公司数据治理工作的开展，提供高可信的数据质量，确保业务部门能够有数据为自己部门所用，让自己的工作更好；IT部门能够更好关注数据平台、主数据、数据标准、指标体系、数据资产建设等工作，提供更高质量的数据，为业务赋能。

      当前，各行业推进中的数据治理工作，呈现出“治理方向目标模糊、理论充斥、甲方需求不明确、急功近利、做的越多越累”的趋势。

       对于某些刚启动数据平台建设的企业而言，企业刚开始启动数据治理工作时候，更多会一上来就大量的实施人员的投入，缺乏全局的对公司数据问题的理解，缺乏全局的治理策略，只看到一个一个的树木，看不到整片森林的情况。治理工作在治理项目结束后，甲方迷茫，项目团队执行越来越累。

       结合看到的一些实际情况，总结归纳出公司推进数据治理工作中，经常碰到的一些影响数据治理项目，容易导致项目风险的因素，供大家参考。项目方/企业在推进数据治理项目时候，可以针对自己情况进行风险自评估。

一、数据治理落地困难的方面

（1）缺乏实践，落地难度远高于理论

过度强调数据治理相关的概念、理论，实际操作落地的难度远高于理论。

（2）管理办法制度流程难以落地

对于某些企业而言，治理形成的组织、管理、制度、流程等难以落地，内部环境不支持当前阶段推动工作往下开展。

（3）收集质量问题并推动解决缺乏策略

碰到某些企业，汇总大量的客户数据治理问题，就开始大力推动质量改进，缺乏优先级，缺乏体系化的治理规划策划，未能进行根原因分析，未能治理根本。

（4）数据质量问题归因不清晰

信息化、数据化建设缺乏理解，对数据质量问题的归属，缺乏深入理解。企业大量的数据质量问题并不全部是归纳到数据管理范畴。更多是跟信息化、IT业务流程、标准规范及客观环境相关，对于不同类型的问题，缺乏治理措施。

（5）企业对数据治理提升业务价值期望过高

某些刚启动数据治理体系及中台建设的企业，对数据治理项目预期期望过高，期望一次的数据治理建设能够解决让领导看到解决了实际问题。

（6）建设内容要太多，不知道哪里用

盲目跟风遵从数据管理理论，不考虑企业实际。数据治理体系里面涉及到的内容（i.e 数据标准、主数据、资产目录、质量POC、管理制度、DCMM评价等等）一个项目全部都想要，但是不清楚每个具体专题是什么？为什么需要？后续怎么用？更不清楚每个专题需要大量的投入资金及人力成本。进而导致项目交付压力大（不知道为什么要建设这些内容，只知道大家都在做）。

（7）盲目采购治理工具或者理论方法

跟风采用一些流行的数据治理方法或工具，不考虑是否适合企业实际情况，不考虑企业当前信息化建设阶段，现状，时机，导致资源浪费且无实际效果。

（8）缺乏全局规划，后续实施跟进严重不足

数据治理项目中，一些企业将大部分资源投入到前期的规划和设计阶段，后续质量改进的实施落地和持续改进投入不足；某些企业，一开始全部直接进入实施阶段（可想而知，数据治理项目结束了，公司IT负责团队对导致公司数据质量问题的主要原因理解可能还不够透彻）。

（9）热衷于制定各类管理办法、制度

企业都想参与DCMM评估，需要各类的管理办法制度、流程、评价等，想要企业能够全部落地。同时，又需要在内部落地。

（10）治理实施力不足，推动不了跨部门的治理工作

明确公司存在的具体的数据质量问题前提下，无法推进跨部门数据治理（治理团队想推动，业务不太想配合推动，动力不足）。数据治理团队交付主要精力放在内部的流程梳理和文件制定上，而对业务一线的数据问题关注支持甚少。业务一线问题的治理改进，逐步又牵扯到相应的实施，实施力量不足，内部环境也不支持。

（11）治理规划不足、或实施侧不足

数据治理项目中，将大部分资源投入到前期的规划和设计阶段，而后续的项目实施和持续改进阶段投入不足。

（12）治理和业务价值脱离

只是机械地执行一些数据治理任务，而不思考如何更好地与业务融合和创造价值。

（13）一次性服务，全都要

数据治理工作当成一次性的任务，而不是持续的过程，项目结束后就不再关注。或者，期望一次治理项目解决全部公司的数据管理问题。数据治理的效果评估过于主观和形式化，不能真实反映工作的实际成效。

（14）未能解决具体问题

对于数据治理中的困难和问题，采取回避或掩盖的态度，而不是积极面对和解决。内部短期难以向上汇报解释清楚数据治理价值。

（15）治理理解与偏差过大

数据治理项目启动时候，缺乏具体的治理目标（解决具体问题的目标）。企业跟外部团队对数据治理后续交付物、效果理解偏差过大。

（16）企业人才匮乏

企业方数据人才匮乏，导致项目推进过程中，咨询实施方需要花费大量时间跟甲方对接人重复沟通，交流，确保理解一致。数据治理工作后续的承接，缺乏延续性。

（17）公司高层支持不足

公司对数据治理工作的支持力度不够，或者存在口头支撑，跨部门支撑力度不够。

实际上，推动数据治理过程中，还存在大量的不足，这里不一一例举。

二、数据治理项目难度评估

企业推进数据治理项目过程中，可参考以上列举的17个问题，结合自身企业情况，判断自身企业启动数据治理项目的风险、实施难度进行评估（X：表示以上17个问题中，自身企业存在的问题个数）。

（A） X<5 

风险及实施难度：实施难度一般，项目风险可控；

应对举措：明确项目目标，确定项目预期，企业和咨询方对预期理解基本一致。

B） 5<10<> 

风险及实施难度：实施难度一般，项目风险高。

应对举措：重新复盘项目，对齐项目目标，对齐预期，重新规划项目。

C） X>10

风险及实施难度：实施难度高，项目风险极高。

应对举措：需要努力，确保项目范围、目标、边界、预期，对齐跟客户对项目预期理解。

       企业数据治理体系建设工作一般是数字化转型部（或数据部）推动，数字化本身是企业辅助管理决策的一个抓手、工具。如果数据工作的建设，对企业没有明显的价值提升，企业高层很难下定决心推动各个部门配合治理体系的落地（除非负责IT的高层，很理解治理工作对公司管理很重要，需要数据侧进行一定的投入。否则，需要花费大量时间达成一致）。

（1‍ ）缺乏明确短期目标和长期治理策略

       数据治理是一项长期而复杂的工程，需要考虑整个公司全局的数据治理策略，作为数据治理工作方向的指引。同时，当前阶段的数据治理需要明确当前可衡量的治理目标、可达到治理效果的目标。制定切实可落地的目标非常重要，只是一些具象和方向性的描述必然是相互欺骗和推诿，各项工作落不到实处，更无法真正聚焦于核心问题的解决。

        企业启动数据治理项目时，并没有充分考虑自身业务需求和诉求，或者对于启动本次治理项目的目标不是很清晰，或者根据培训外部理论学习到的知识为发起的出发点，导致实施过程中，不断调整方向和治理重点、导致资源浪费、效果不佳。

        另外，普遍缺乏对数据问题根原因的理解，治理咨询规划没有长期治理规划，不同治理阶段，不能够合理分配资源和安排工作重点，导致治理工作断断续续和缺乏连贯性。

     建议：结合当前客户客观环境，明确具体治理哪个具体场景，达到相应的治理效果；同步数据质量需要达到什么程度；数据标准做到哪个程度；主数据做到哪个程度等等。具体目标明确到数量、数字，规则简单而真实。数据治理咨询规划，做到对全局治理策略的规划。指导未来治理方向，做好当前阶段的治理工作。

        数据治理往往涉及多个部门，如 IT 部门、业务部门、财务部门等，因此，需要建立有效的数据管理组织架构来统筹、协调和推进工作。然而，在实际操作中，很多企业并没有明确的数据治理组织架构和职责分工。各业务部门都有自己的职责和利益诉求，如果没有统筹协调的机制，容易出现部门之间相互推诿责任、沟通不畅情况。

       比如，数据的录入、存储、管理和使用等环节分别由业务部门负责，但在出现数据质量问题时，却没有一个部门愿意承担责任。这种职责不清的情况，不仅会影响数据治理的效果，还  会打击员工的积极性和主动性。

      另外一方面，各部门只关注自己部门内部的数据质量问题，关注本部门数据的获取、采集、数据高可信问题，如何让数据能够为本部门工作提供更好的支撑。忽略企业内部某些数据的关联性和一致性，因此无法站在企业视角，统筹解决企业核心的数据治理（管理）问题。数据治理只是局部治理，缺乏全局治理。

      合理的组织架构是数据治理工作有效开展的基础。缺乏有效的跨部门协作机制，不同部门之间就会各自为战。很多企业，组织体系未完善，或者不能一步到位，都会影响到数据治理工作后续的持续开展以及给企业带来的效果。

     此外，组织架构及职责权限缺失，无明确的决策层、管理层、执行层前提下，大力推动数据治理工作，资源得不到有效利用。数据治理工作脱离更科学合理的方案，导致项目逐渐偏离方向，越做越虚。

     建议：数据管理组织，根据实际情况逐步设计管理组织，推动组织体系的落地执行。

（2） 管理体系不完善

        数据治理工作同样会涉及大量的管理办法、制度、流程、文件、权责等内容，没有管理的抓手，很难去持续跟进改善公司数据治理工作的开展。

        比如，数据质量是数据治理的核心问题之一。如果数据质量不高，那么即使进行了数据治理，也无法为企业带来真正的价值。数据质量问题主要包括数据不准确、不完整、不一致、不及时等方面。造成数据质量问题的原因有很多，比如数据录入错误、数据来源不可靠、数据更新不及时等。此外，缺乏有效的数据质量监控机制也是一个重要原因。如果没有及时发现和纠正数据质量问题，那么这些问题就会不断积累，最终影响到企业的决策和业务运营。

      因此，对于数据治理的管理，需要制定相应的数据质量管理的办法、制度、质量评价及考核等内容，确保公司数据可持续改进数据质量。

       同样，对于主数据、数据标准、指标等都需要配套的管理的机制及流程，确保能够持续强化公司数据管理工作。

        建议：强化公司当前阶段重点关注的数据管理专题，根据公司全局的治理策略，分阶段建立各数据管理专题的管理体系，分步骤落地。

（3） 缺乏专业数据人才

        数据治理工作的开展，企业方负责数据治理的人员能力不匹配也是导致工作难的重要原因之一。以往项目中，企业方数据治理能力专业度强，项目成功概率极高，咨询实施方更容易花费大量时间按照要求去做专业侧的具体工作。

        如果数据治理人员缺乏专业知识和技能，难以有效地开展工作。往往出现一个大的项目中，专业人员无法发挥优势，外行领导内行。比如：不知道项目成功的标准、无法识别项目的关键问题及风险等，无法把握问题关键及重点，一直强调表面工作。数据管理范畴领域，知识体系庞大、繁杂、新概念新叫法层出不穷，咨询及实施方忙于解释达成一致，容易疲于奔命。

       对于咨询或实施方来说，缺少资深、高级有丰富实战经验的数据方面专家，导致数据治理工作缺乏全局、规划侧的指导。具体的治理实施环节，缺乏相应的业务实施顾问，对业务场景、流程理解不透彻，难以短时间将业务、流程、数据质量的改进融为一体，解决业务中存在的问题。很多实施方，都具备治理实施能力，但是大多属于偏向实施经验，数据治理工作，只能看到树木，但看不到整个森林，这个也是一个普遍存在的问题。

         如何解决数据治理专业人才短缺的问题呢？

      （1）企业人才紧缺解决方案

       对于企业而言，专业人才招募、内部员工培训，可以解决内部治理人才不足的问题。公司数据治理体系建设，外部聘请丰富数据建设经验方面专家，参与公司数据治理全局治理策略工作，可以解决内部治理工作推进人员不足问题。

     （2）咨询方人才紧缺解决方案

       对于咨询实施方而言，明确数据治理缺失的能力点，有效补充该部分专业能力，降低公司数据治理项目的交付风险。

          总之，缺乏专业人才是数据治理面临的重大挑战。只有认识到这个问题的严重性，并采取有效的措施加以解决，企业才能在数据治理的道路上稳步前行，充分发挥数据的价值，实现可持续发展。

          建议：企业方普遍缺失高级治理人才，跟外部生态专家合作；咨询实施方，发现并弥补能力缺失，降低项目交付风险点。

（04） 急功近利，缺乏持续投入和支持

       数据治理是一个长期的过程，需要持续地投入和支持。然而，很多企业在启动数据治理项目时，期望在短期内看到显著的成果，往往会导致工作不扎实，脱离客观事实。往往容易追求一些短期行为追求表面业绩，忽略了对企业数据环境改变具有根本性影响的全局性问题的关注。结果，项目实施一段时间后，由于缺乏资金和人力支持，数据治理工作就陷入了停滞状态。

        急功近利，导致采取一些临时性的、治标不治本的措施，并没有根本上建立配套的数据治理体系和流程。数据治理是一个长期而复杂的过程，不可能一蹴而就，需要按部就班。

       此外，企业高层的支持也是数据治理成功的关键因素之一。如果企业高层对数据治理工作不够重视，没有给予足够的支持和资源，那么数据治理工作就很难取得成功。高层对数据治理工作的关注度、资源投入的承诺不足，也是导致该工作未能持久的原因之一（某些企业领导会提出：数据治理重要，但是当下并非最重要的）。

（05） 频繁变更方向

       频繁变更数据治理的方向会给工作带来极大的混乱和不确定性。很多企业推动数据治理工作时候，先有一个 负责人，负责治理，满足他的诉求需求；过一段时间，再到下一个需要汇报的负责人，换一个领导改一次方向，缺乏稳定、持续的策略和重点，项目业务人员会感到无所适从，他们可能刚刚适应了一种工作模式或规划方向，就又要面临新的调整和改变。

       频繁的变更导致工作缺乏连贯性和延续性，之前积累的经验和成果可能无法得到有效地利用和传承。每一次方向的变更都需要重新进行规划、部署和培训，消耗大量的时间和精力。

        这种频繁的变动也会让员工对数据治理工作失去信心和耐心，认为只是在不断地折腾，来回做布朗运动，看不到实质性的进展。

        数据治理/管理的体系、方法论，国内外都差不多，来来回回的测试，尝试，更无法深入，项目组成员要耗费大量精力去适应不断地变动和调整，导致身心疲惫，越做越虚，更多工作停留表面，越做越虚，越做越多。

        同时，频繁变更方向可能使外部伙伴和相关方对企业的数据产生怀疑，影响企业形象和品牌。

      建议：明确项目目标、科学的实施方法、尊重建设规律、优化组织架构，提升人员能力，摒弃急功近利既要又要的心态。同时，公司需要有稳定的专业人才，全面系统地推进治理工作，真正地发挥治理作用。

第三章 全局、局部及个性化的治理

       对于大多数企业而言，数字化部门在传统企业位于支撑、保障的位置较多，更多企业难以在短时间内：落实数据的组织体系、管理体系，结合是否是公司当前的重点，公司高层是否关注，都会注定数据治理工作不同的走向。目前，数据治理行业项目越来越难做，这并非单个企业的个例，而且是大范围均存在的问题。《数据决策与企业数字化转型》（itsocialbusiness）公众号会不定期针对专门的数据管理主题，发布数据管理专题及应对的方案。

        数据治理工作需要全局的策略、需要分阶段分目标推进局部的治理策略。对于不同企业，信息化程度不一样、公司对数据管理/治理关注程度不一样，当下数据治理的目标、内容是不一样的，治理工作应该做到个性化精准治理。

        摒弃急功近利心态。狭义的数据治理，打个比喻，是在修整个企业的下水道。了解真实的情况下，遵从客观建设规律，稳步推进数据建设工作。

     总之，解决问题的核心还在于人。在于企业推进过程中，需要专业的人员，尊重科学的建设规律、科学的方法，落实好数据治理的长期策略及短期行动计划，才能够把公司的数据治理工作做到更好。

免责申明：
本文系转载，版权归原作者所有，如若侵权请联系我们进行删除！
《数据治理行业实践白皮书》下载地址：https://fs80.cn/4w2atu
《数栈V6.0产品白皮书》下载地址：https://fs80.cn/cw0iw1
想了解或咨询更多有关袋鼠云大数据产品、行业解决方案、客户案例的朋友，浏览袋鼠云官网：https://www.dtstack.com/?src=bbs
同时，欢迎对大数据开源项目有兴趣的同学加入「袋鼠云开源框架钉钉技术群」，交流最新开源技术信息，群号码：30537511，项目地址：https://github.com/DTStack