大數據時代，數據成為社會和組織的寶貴資產，像工業(yè)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(wěn)，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臟活累活，很多時候數據治理廠商做了很多工作，但客戶卻認為沒有看到什么成果。大部分數據治理咨詢項目都能交上一份讓客戶足夠滿意的答卷，但是當把咨詢成果落地到實處的時候，因為種種原因，很可能是另一番截然不同的風景。如何避免這種情況發(fā)生，是每一個做數據治理的企業(yè)都值得深思的問題。



可以說在業(yè)界，大家都為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、大中型制造企業(yè)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么？要達到什么樣的合理目標？中間應該怎么避免走一些彎路？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鑒意義。

誤區(qū)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。但是做什么，怎么做，做多大的范圍，先做什么后做什么，達到什么樣的目標，業(yè)務部門、技術部門、廠商之間如何配合做……很多客戶其實并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咨詢項目，通過專業(yè)的團隊，大家一起找到切入點。這個咨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(zhí)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(yè)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(zhí)行數據治理工作。

其實客戶很多時候并不是沒需求，只是需求相對比較籠統(tǒng)，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，這樣才不致于后續(xù)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(guī)劃好路線圖，切忌一上來就搭平臺。

誤區(qū)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，本身的定位也屬于技術部門，它們的共同點是：強技術，弱業(yè)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為出發(fā)點，受限于組織范圍，不希望擴大到業(yè)務系統(tǒng)，只希望把自已負責的范圍管好。

但數據問題產生的原因，往往是業(yè)務>技術。可以說大部分的數據質量問題，都是來自于業(yè)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(tǒng)有不同的表述；業(yè)務需求不清晰，數據填報不規(guī)范或缺失，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(yè)務管理的不規(guī)范。我在與很多客戶做數據治理交流的時候，發(fā)現大部分客戶認識不到數據質量問題發(fā)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(guī)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(yè)務組的強有力的組織架構，能有效執(zhí)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(yè)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，不至于浮在表面。

誤區(qū)三：大而全的數據治理

出于投資回報的考慮，客戶往往傾向于做一個覆蓋全業(yè)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，銷毀，數據的整個生命周期他們希望都能管到。從業(yè)務系統(tǒng)，到數據中心，到數據應用，里面的每個數據他們希望都能被納入到數據治理的范圍中來。

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，想在一個項目里就做完通常是不可能的，而是需要分期分批地實施，所以廠商如果屈從于客戶的這種想法，很容易導致最后哪個也做不好，用不起來。所以，我們需要引導客戶，從最核心的系統(tǒng)，最重要的數據開始做數據治理。

怎么引導客戶呢？這里要引入一個眾所周知的概念：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(yè)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(tǒng)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(tǒng)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(qū)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(tǒng)和人，提供真實可靠的分析報告，才有可能打動客戶，讓客戶接受先從核心系統(tǒng)，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(tǒng)，重要的數據開始做起。

誤區(qū)四：工具是萬能的

很多客戶都認為，數據治理就是花一些錢，買一些工具，認為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，另一方面實際上線后，功能復雜，用戶不愿意用。

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(guī)范都需要人來執(zhí)行、落實和推動，沒有對人員的安排，后續(xù)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(zhí)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，認為與我無關，從而導致整個數據治理項目注定會失敗。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，怎么去推動，持續(xù)把事情做好，以人為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為的治理。對于組織而言，無論是企業(yè)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(tài)。話說回來，我們看看國內的情況，在金融業(yè)和一些大的企業(yè)，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(yè)，他們出于成本的考慮，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，但是不失為一種折衷的方式，重點是要責任到人。

現場的實施和運維也非常重要，盡管數據治理有向自動化的方向發(fā)展的趨勢，但是到目前為止，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(qū)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(tǒng)統(tǒng)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，范圍很大，包括國家標準，行業(yè)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(yè)，或者像國家安全等一些特殊行業(yè)，數據標準的執(zhí)行力度較好，而在政府和普通企業(yè)，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(yè)做數據標準，動機往往不是為了做好數據治理，而是應付上級檢查，很多都是請咨詢公司，借鑒同行業(yè)企業(yè)的標準本地化修改而成，一旦咨詢公司撤離，企業(yè)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(tǒng)，對于這部分信息系統(tǒng)，由于歷史原因，很難進行數據標準的落地。因為改造已有系統(tǒng)，除了成本以外，往往還會帶來不可知的巨大風險。

第二類是對于新上線的系統(tǒng)，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，請先確認你背后站著說一不二的秦始皇，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(qū)要分遺留系統(tǒng)和新建系統(tǒng)，分別來執(zhí)行不同的落地策略。

誤區(qū)六：數據質量問題找出來了，然后呢？

辛辛苦苦建立起來平臺，業(yè)務和技術人員通力合作，配置好了數據質量的檢核規(guī)則，也找出來了一大堆的數據質量問題，然后呢？半年之后，一年之后，同樣的數據質量問題依舊存在。

發(fā)生這種問題的根源在于沒有形成數據質量問責的閉環(huán)。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。數據是從誰那里出來的，誰負責處理數據質量問題。

這種閉環(huán)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(qū)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(huán)節(jié)都有確定責任人的閉環(huán)機制和反饋機制。

誤區(qū)七：你們好像什么也沒做？

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干了些啥？看你們匯報說干了一大堆事情，我們怎么什么都看不到？發(fā)生這種情況，原因往往有前面誤區(qū)一所說的客戶需求不明確，誤區(qū)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“寶寶心里苦，但寶寶不說”是無濟于事的。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，最終為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(yè)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，為大數據應用和領導決策提供數據支撐。并且在這個過程中，一定要重視并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，來自于什么數據源，是否應該用數據資產門戶的方式展示出來。

數據資產用什么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(tǒng)計和展現。

建立了多少條清洗數據的規(guī)則，清洗了多少類數據，是否應該用圖表展示出來。

發(fā)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(tǒng)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(tǒng)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核。

數據分析、報表等應用，因為數據問題而必須回溯來源和加工過程的次數，是否應該統(tǒng)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(huán)節(jié)，這兩者之間進行對比，節(jié)省了客戶多少時間和精力，是否應該有一個公平的評估，并提交給客戶。

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(yè)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(tǒng)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周期的數據治理，有的提出以用戶為中心的自服務化數據治理，有的提出減少人工干預、節(jié)省成本的基于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(qū)，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(yè)務水平。