只有確保數據的標準化、規範化、可信可用，才能進一步通過數據運營、數據應用幫助企業實現數據資產管理、發現內部數據問題、發掘數據價值，進而實現企業數據資產的盤活和有效利用。數據治理應該採用最簡單的手段管理最有價值的數據，但在實際情況中，我們遇到過在很多數據治理開展過程中，常見的“兩不三難”的情況：
1）後向型治理，不一致：因歷史原因，很多企業採用“先建後治”的方式，通過手工填報、反向解析代碼、腳本等的方式進行元數據探查、血緣探查、數據質量管理，事後才能發現問題，容易造成管理的內容和生產內容的不一致。
2）被動型治理，不高效：當發現質量問題時建設質量平臺、需要數據字典的時候建設元數據管理平臺，將原本完整的治理體系割裂爲多個系統、多個平臺，造成系統集成難度高、治理效果差。
3）誤區型治理，難聚焦：隨着中臺的建設腳本和任務越來越多，本來管理數據變爲了管理程序；數據治理的本質是管理數據，走入誤區變成管理程序、腳本、任務，造成了管理失焦。
4）項目型治理，難延續：數據治理的最終目標是提升數據價值，是一個持續漫長的運營過程，需要逐步完善、分步迭代，指望一步到位完成數據治理是不現實的，但在實際執行過程中往往以項目交付爲目標，點到爲止，導致治理不全面、無延續，效果也註定是差強人意。
5）兼職型治理，難落地：由於每個行業、企業、單位的組織體系、數據應用、基礎架構不同，需要通過方法論找到適合企業的特有的數據治理思路，同時需要專人或專業團隊進行強有力的支撐，但實際執行過程中往往是企業安排員工進行兼職管理，導致職責不清晰，主動性不強，治理工作落地困難。
目前，在企業進行大數據應用時，我們發現一個規律：企業每天都有不斷的數據分析需求，而數據的質量存在很多問題，當耗費極大心血做一個數據平臺，卻發現結果分析不對。
想做大數據治理，首先要把標準做好。否則，匆忙建設各種數據倉庫、數據集市，最後發現標準有問題、質量不高，然後再建數據標準，導致出現投資浪費問題。