寫在前面：
這是一個系列文章，沉澱了我在數據治理領域的一些實踐和思考。共分爲5篇。分別是：
一、數據治理：那些年，我們一起踩過的坑
主要講講數據治理工作中常見的一些誤區。
二、要打仗，你手裏先得有張地圖：數據治理之元數據管理
這一篇講講元數據的概念和具體應用場景。
三、不忘初心方得始終：數據治理之數據質量管理
提升數據質量，始終是數據治理工作中最重要的目標之一。本篇講述如何科學地進行數據質量管理。
四、書同文車同軌：數據治理之數據標準管理
數據標準的落地始終是難題。本篇希望能提供一些數據標準建設的思路。
五、大數據的淘金之旅，數據治理之數據資產管理
不管廠商把它們叫什麼：業務標籤，數據資產，還是知識圖譜管理，本質上都是從數據中提煉出來的資產。怎麼管理和應用好這些資產，是現今數據治理的重要研究課題
這些觀點是一家之言，歡迎同仁們商榷，可以發郵件給我：[email protected]，共同探討數據治理相關領域的問題。
謝謝。
正文：
大數據時代，數據成爲社會和組織的寶貴資產，像工業時代的石油和電力一樣驅動萬物，然而如果石油的雜質太多，電流的電壓不穩，數據的價值豈不是大打折扣，甚至根本不可用，不敢用，因此，數據治理是大數據時代我們用好海量數據的必然選擇。
但大家都知道，數據治理是一項長期而繁雜的工作，可以說是大數據領域中的髒活累活，很多時候數據治理廠商做了很多工作，但客戶卻認爲沒有看到什麼成果。大部分數據治理諮詢項目都能交上一份讓客戶足夠滿意的答卷，但是當把諮詢成果落地到實處的時候，因爲種種原因，很可能是另一番截然不同的風景。如何避免這種情況發生，是每一個做數據治理的企業都值得深思的問題。
可以說在業界，大家都爲如何做好數據治理而感到困惑。
筆者涉獵大數據治理領域有6年多的時間，負責過政府、軍工、航空、大中型製造企業的數據治理項目。在實踐當中有過成功的經驗，當然也經歷過很多失敗的教訓，在這些過程中，我一直在思考大數據治理究竟是在治理什麼？要達到什麼樣的合理目標？中間應該怎麼避免走一些彎路？今天就借這個機會跟各位分享一下我曾經趟過的坑，希望對大家有一些借鑑意義。
誤區一：客戶需求不明確
客戶既然請廠商來幫助自己做數據治理，必定是看到了自己的數據存在種種問題。但是做什麼，怎麼做，做多大的範圍，先做什麼後做什麼，達到什麼樣的目標，業務部門、技術部門、廠商之間如何配合做……很多客戶其實並沒有想清楚自已真正想解決的問題。數據治理，難在找到一個切入點。
以筆者的經驗來看，如果客戶暫時想不清楚需求，建議先請廠商幫助自己做一個小型的諮詢項目，通過專業的團隊，大家一起找到切入點。這個諮詢項目工作的重點應該是數據現狀的調研。通過調研數據架構、現有的數據標準和執行情況，數據質量的現狀和痛點，客戶目前已經具有的數據治理能力現狀等，來摸清楚數據的家底。
在摸清家底的基礎上，由專業的數據治理團隊幫助客戶設計切實可行的數據治理路線圖，雙方取得一致的基礎上，按照路線圖來執行數據治理工作。
其實客戶很多時候並不是沒需求，只是需求相對比較籠統，模糊不清晰，雙方可以花費一定的時間和精力找到真正目標，磨刀不誤砍柴工，這樣才不致於後續花更多的錢來交學費。
總結：數據治理工作，一定要先摸清楚數據的家底，規劃好路線圖，切忌一上來就搭平臺。
誤區二：數據治理是技術部門的事
在大數據時代，很多組織認識到了數據的價值，也成立了專門的團隊來負責管理數據，有的叫數據管理處，有的叫大數據中心，有的叫數據應用處，名稱不一而足。這些機構往往由技術人員組成，本身的定位也屬於技術部門，它們的共同點是：強技術，弱業務。當數據治理項目需要實施的時候，往往就是由這些技術部門來牽頭。技術部門大多是以數據中心或者大數據平臺爲出發點，受限於組織範圍，不希望擴大到業務系統，只希望把自已負責的範圍管好。
但數據問題產生的原因，往往是業務>技術。可以說大部分的數據質量問題，都是來自於業務，如：數據來源渠道多，責任不明確，導致同一份數據在不同的信息系統有不同的表述；業務需求不清晰，數據填報不規範或缺失，等等。很多表面上的技術問題，如ETL過程中某代號變更導致數據加工出錯，影響報表中的數據正確性等，在本質上其實還是業務管理的不規範。我在與很多客戶做數據治理交流的時候，發現大部分客戶認識不到數據質量問題發生的根本原因，只想從技術維度單方面來解決數據問題，這樣的思維方式導致客戶在規劃數據治理的時候，根本沒有考慮到建立一個涵蓋技術組、業務組的強有力的組織架構，能有效執行的制度流程，導致效果大打折扣。
總結：數據治理既是技術部門的事，更是業務部門的事，一定要建立多方共同參與的組織架構和制度流程，數據治理的工作才能真正落實到人，不至於浮在表面。
誤區三：大而全的數據治理
出於投資回報的考慮，客戶往往傾向於做一個覆蓋全業務和技術域的，大而全的數據治理項目。從數據的產生，到數據的加工，應用，銷燬，數據的整個生命週期他們希望都能管到。從業務系統，到數據中心，到數據應用，裏面的每個數據他們希望都能被納入到數據治理的範圍中來。
但殊不知廣義上的數據治理是一個很大的概念，包括很多內容，想在一個項目裏就做完通常是不可能的，而是需要分期分批地實施，所以廠商如果屈從於客戶的這種想法，很容易導致最後哪個也做不好，用不起來。所以，我們需要引導客戶，從最核心的系統，最重要的數據開始做數據治理。
怎麼引導客戶呢？這裏要引入一個衆所周知的概念：二八原則。實際上，二八原則在數據治理中同樣適用：80%的數據業務，其實是靠20%的數據在支撐；同樣的，80%的數據質量問題，其實是由那20%的系統和人產生的。在數據治理的過程中，如果能找出這20%的數據，和這20%的系統和人，毫無疑問，將會起到事半功倍的效果。
但如何說服客戶，從最重要的數據開始做起呢？這就是我們在誤區一中談到的：在沒有摸清楚數據的家底之前，切忌貿然動手開始做。通過調研，分析，找出那20%的數據和20%的系統和人，提供真實可靠的分析報告，纔有可能打動客戶，讓客戶接受先從核心系統，核心數據開始做起，再漸漸覆蓋到其他領域。
總結：做數據治理，不要貪大求全，而要從核心系統，重要的數據開始做起。
誤區四：工具是萬能的
很多客戶都認爲，數據治理就是花一些錢，買一些工具，認爲工具就是一個過濾器，過濾器做好了，數據從中間一過，就沒問題了。結果是：一方面功能越做越多，另一方面實際上線後，功能複雜，用戶不願意用。
其實上面的想法是一種簡單化的思維，數據治理本身包含很多的內容，組織架構、制度流程、成熟工具、現場實施和運維，這四項缺一不可，工具只是其中一部分內容。大家在做數據治理最容易忽視的就是組織架構和人員配置，但實際上所有的活動流程、制度規範都需要人來執行、落實和推動，沒有對人員的安排，後續工作很難得到保障。一方面治理推廣工作沒人做，流程能否堅持執行得不到保障。另一方面沒有相關的數據治理培訓，導致大家對數據治理的工作不重視，認爲與我無關，從而導致整個數據治理項目註定會失敗。建議大家在做數據治理的時候將組織架構放在第一位，有組織的存在，就會有人去思考這方面的工作，怎麼去推動，持續把事情做好，以人爲中心的數據治理工作，才更容易推廣落地。
有一位國外的數據治理專家說得好，Data Governance is governance of people; Data behaves what people behave。翻譯過來就是：數據治理是對人的行爲的治理。對於組織而言，無論是企業還是政府，數據治理實質上是一項覆蓋全員的、有關數據的“變革管理”，會涉及到組織架構，管理流程的變革。
當然，這是一種理想的狀態。話說回來，我們看看國內的情況，在金融業和一些大的企業，可能會建立專門的組織來負責數據治理工作，但是某些政府和中小型企業，他們出於成本的考慮，往往沒有這方面的預算。這種時候就需要折衷考慮，讓已有崗位上的人，兼職負責數據治理的某個流程或功能。這樣會加大現有崗位人員的工作負擔，但是不失爲一種折衷的方式，重點是要責任到人。
現場的實施和運維也非常重要，儘管數據治理有向自動化的方向發展的趨勢，但是到目前爲止，數據治理更多還是一種服務工作，而不僅僅是一套產品。因此，配置足夠強的實施顧問和實施人員，幫助客戶逐步打造自身的數據治理能力，是一項非常重要的工作。
總結：記住，做數據治理不是去逛逛shopping mall，選幾樣稱心應手的工具回來就萬事大吉了。開展好數據治理不能迷信工具，組織架構、制度流程、現場的實施和運維也非常重要，缺一不可。
誤區五：數據標準難落地
很多客戶一說到數據治理，馬上就說我們有很多數據標準，但是這些標準卻統統沒有落地，因此，我們要先做數據標準的落地。數據標準真正落地了，數據質量自然就好了。
但這種說法其實混淆了數據標準和數據標準化。首先要明白一個道理：數據標準是一定要做的，但是數據標準化，也就是數據標準的落地，則需要分情況實施。
要做數據標準，我們首先需要全面梳理數據標準。而數據標準的全面梳理，範圍很大，包括國家標準，行業標準，組織內部的標準等等，需要花費很大的精力，甚至都可以單獨立一個項目來做。所以，首先需要讓客戶看到梳理數據標準的廣度和難度。
其次，就算是花很大精力梳理，也很難看到效果，結果往往是客戶只看到了一堆Word和Excel文檔，時間一長，誰也不會再去關心這些陳舊的文檔。這是最普遍的問題。
在金融業，或者像國家安全等一些特殊行業，數據標準的執行力度較好，而在政府和普通企業，數據標準基本上就是一種擺設。
造成這種問題的原因有兩個：
一是大家對數據標準工作的不重視。
二是國內的企業做數據標準，動機往往不是爲了做好數據治理，而是應付上級檢查，很多都是請諮詢公司，借鑑同行業企業的標準本地化修改而成，一旦諮詢公司撤離，企業本身是沒有數據標準落地的能力的。
但數據標準的落地，也就是數據標準化，其實一定要注意分情況進行，至少要分兩種情形：
一類是已經上線運行的系統，對於這部分信息系統，由於歷史原因，很難進行數據標準的落地。因爲改造已有系統，除了成本以外，往往還會帶來不可知的巨大風險。
第二類是對於新上線的系統，是完全可以要求其數據項嚴格按照數據標準落地的。
當然，數據標準是否能順利落地，還與負責數據治理的部門所獲得的權限直接相關，倘若沒有領導的授權和強力支持，你是無論如何無法推動“書同文車同軌”的，要做到這一點，請先確認你背後站着說一不二的秦始皇，或者你本身就是秦始皇。別抱怨，這就是每個做數據治理的團隊面臨的現狀。
總結：數據標準落地難是數據治理中的普遍性問題，實施過程中需要區要分遺留系統和新建系統，分別來執行不同的落地策略。
誤區六：數據質量問題找出來了，然後呢？
辛辛苦苦建立起來平臺，業務和技術人員通力合作，配置好了數據質量的檢核規則，也找出來了一大堆的數據質量問題，然後呢？半年之後，一年之後，同樣的數據質量問題依舊存在。
發生這種問題的根源在於沒有形成數據質量問責的閉環。要做到數據質量問題的問責，首先需要做到數據質量問題的定責。定責的基本原則是：誰生產，誰負責。數據是從誰那裏出來的，誰負責處理數據質量問題。
這種閉環不一定非要走線上流程，但是一定要做到每一個問題都有人負責，每一個問題都必須反饋處理方案，處理的效果最好是能夠形成績效評估，如通過排名的方式，來督促各責任人和責任部門處理數據質量問題。
這其實還是要追溯到我們在誤區二里談到的：要建立組織架構和制度流程，否則數據治理工作中的種種事情，沒有人負責，沒有人去做。
總結：數據質量問題的解決，要形成每一個環節都有確定責任人的閉環機制和反饋機制。
誤區七：你們好像什麼也沒做？
很多數據治理的項目難驗收，客戶往往有疑問：你們做數據治理究竟幹了些啥？看你們彙報說幹了一大堆事情，我們怎麼什麼都看不到？發生這種情況，原因往往有前面誤區一所說的客戶需求不明確，誤區三所說的做了大而全的數據治理而難以收尾等，但還有一個原因不容忽視，那就是沒有讓客戶感知到數據治理的成果。用戶缺乏對數據治理成果的感知，導致數據治理缺乏存在感，特別是用戶方的領導決策層，自然不會痛快地對項目進行驗收。
遇到這種情況，一句“寶寶心裏苦，但寶寶不說”是無濟於事的。一個項目從銷售、售前、到組織團隊實施，多少人付出了辛勤的汗水。重要的是讓客戶認識到項目的重要價值，最終爲所有人的付出買單啊。
在我看來，在數據治理的項目需求階段，就應該堅持業務價值導向，把數據治理的目的定位在有效地對數據資產進行管理，確保其準確、可信、可感知、可理解、易獲取，爲大數據應用和領導決策提供數據支撐。並且在這個過程中，一定要重視並設計數據治理的可視化呈現效果，諸如：
管理了多少元數據，是否應該用數據資產地圖漂亮地展示出來。
管理了多少數據資產，哪些來源，哪些主題，來自於什麼數據源，是否應該用數據資產門戶的方式展示出來。
數據資產用什麼方式對上層應用提供服務，這些對外服務是如何管控的，誰使用了數據，用了多少數據，是否應該用圖形化的方式進行統計和展現。
建立了多少條清洗數據的規則，清洗了多少類數據，是否應該用圖表展示出來。
發現了多少條問題數據，處理了多少條問題數據，是否應該有一個不斷更新的統計數字來表示。
數據質量問題逐月減少的趨勢，是否應該用趨勢圖展現出來。
數據質量問題根據部門、系統的排名，是否應該加在數據質量報告中，提供給決策層，幫助客戶進行績效考覈。
數據分析、報表等應用，因爲數據問題而必須回溯來源和加工過程的次數，是否應該統計逐月下降的趨勢；之前的回溯方式，和現在通過血緣管理更清楚地定位問題數據產生的環節，這兩者之間進行對比，節省了客戶多少時間和精力，是否應該有一個公平的評估，並提交給客戶。
用戶之前找數據平均使用的時間，現在找數據平均需要的時間，是否能通過訪談的方式得到公平的結論，提交給客戶。
……
以上這些都是提升數據治理存在感的手段。除了這些之外，時常組織交流和培訓，引導客戶認識到數據治理的重要性，讓客戶真正認識到數據治理工作對他們業務的促進作用，逐步轉移數據治理的能力給客戶等，這些都是平時需要注意的工作。
總結：傳統的數據治理工作不重視效果的呈現，我們做數據治理工作，一定要從需求開始，就想辦法讓客戶直觀地看到成果。
總結：
在激烈的市場競爭下，大數據廠商提出來數據治理的各種理念，有的提出覆蓋數據全生命週期的數據治理，有的提出以用戶爲中心的自服務化數據治理，有的提出減少人工干預、節省成本的基於人工智能的自動化數據治理，在面對這些概念的時候，我們一方面要對數據現狀有清晰的認識，對數據治理的目標有明確的訴求，另一方面還要知道數據治理中各種常見的誤區，跨越這些陷阱，才能把數據治理工作真正落到實處，項目取得成效，做到數據更準確，數據更好取，數據更好用，真正地用數據提升業務水平。
作者信息：
蔣珍波，一名專業的大數據售前諮詢，擅長爲客戶提供科學合理的大數據解決方案，尤其擅長數據治理解決方案。曾先後供職於東南融通、軟通動力、普元信息等公司，負責過數據倉庫、大數據平臺、數據中臺、數據治理等售前諮詢等工作，有政府、企業、零售等多個行業經驗。目前在數瀾科技擔任售前諮詢工作。
本文經過公司小編精簡後，以更加有趣的形式發表在公司的公衆號上，更適合讀者閱讀理解，鏈接地址：