不少學校在開展數據治理的時候，會遇到部門數據共享的問題。一方面，一些部門不愿意分享所管理的數據，比如，認為擁有某些數據是特權，或擔心數據安全； 另一方面，即使部門愿意共享數據，信息系統之間數據互通也會有技術障礙，比如，學校的信息系統有些是采購或定制的，供應商往往不太愿意做數據開放或數據導出接口，即使學校愿意在這方面做追加投資，也需要逐個系統去談。有些系統有數據導出功能，可以定期導入到數據分析工具中，只是這些數據在利用時很難做到及時更新。數據需要在整個機構內共享-- 分析不應該以豎井的形式進行，也不應該被視為機構內部門的獨有特權。

范德比爾特大學 (Vanderbilt University) 建立了“自動數據質量流程”，其信息系統能夠識別數據輸入錯誤， 所有數據問題最終都由學校數據治理團隊 (institutional data governance team) 解決。根據大學的說法，該團隊的任務是“建立數據治理政策、程序、標準和指南”，以最大化學校數據的價值。

范德比爾特大學 (Vanderbilt University) 建立了“自動數據質量流程”，其信息系統能夠識別數據輸入錯誤， 所有數據問題最終都由學校數據治理團隊 (institutional data governance team) 解決。根據大學的說法，該團隊的任務是“建立數據治理政策、程序、標準和指南”，以最大化學校數據的價值。

數據使用邊界與倫理
使用學生數據進行學習分析會在多大程度上引發有關學生數據隱私的問題？高校如何使用和共享這些數據 ？ 如何審查依據數據的行動是否有倫理風險？當機器學習算法出錯，無意中引導學生走向錯誤的方向時，會發生什么情況？

目前有很多數據分析項目是基于歷史數據而做預測分析，但所有預測模型都受人類判斷的影響，數十年來對隱性偏見的研究表明，潛在的認知偏見和系統性種族偏見，既影響數據模型的設計，也影響對

研究結果的解釋。比如，預測模型如果過度依賴關鍵的學生人口數據，如財務狀況、家庭經濟狀況、種族、性別或文化背景， 很容易使教育機會存在的歷史性結構不平等永久化。預測分析模型另一個潛在偏見是“確認偏見”，當設計預測模型的人傾向于尋找并使用信息來支持他們自己已有的想法或信念時，就會發生這種情況。在這些情況下，不能支持他們思想的信息將被忽略或丟棄，“確認偏見”既會影響選擇（或未選擇）的數據類型，也會影響對那些數據相關的解釋。因此，“深入理解分析方法背后的假設”至關重要。

消除預測模型中偏見的一個方法就是承認它。要認識到數據的選擇、模型的定義、對發現的解釋，以及基于這些模型采取的行動不可避免地受到“隱性偏見”的影響。在數據上貼上預測分析標簽并不能確保判斷錯誤不會發生，也不能減輕這樣一個事實，即這些偏見在多樣性背景下是極其成問題的。因此，我們必須不斷挑戰數據的來源、假設、數據收集方法、數據的解釋和使用，特別是當數據涉及代表性不足群體或少數民族群體方面時。在高等教育中，我們不僅要注重模擬結果的軌跡， 還要注重改變或破壞現有狀態結果的創新方法。在繼續推進數據驅動決策和預測模型分析的同時，必須牢記數據是可能有偏見的。

數據治理項目成功關鍵
已經有一些數據分析項目獲得成功的高校總結出以下成功經驗：

1.管理層支持：學校管理層是真正希望獲取數據，并努力盡可能多地使用這些數據。為此，要專門成立數據治理管理機構，組織人力花時間有效地挖掘數據。

普度大學(Purdue University)的“院校研究、評估和有效性辦公室”(Office of Institutional Research， Assessment and Effectiveness) 設立了幾個委員會，專門負責高校數據治理政策和標準研究，甚至還設立了一個數據質量小組（data quality subcommittee），專注于尋找數據質量問題的解決方案。

2.有強大的、標準化的基礎設施：數據分析需要更強大的技術架構和熟練的專業人員。

3.直觀的用戶界面和報告：研究用戶友好的數據分析產品，使更廣泛的校園工作人員參與設計和展示數據分析成為可能。當目標明確、可衡量的結果有針對性時，分析效果最佳。

4.供應商透明度：為了確保模型和算法是健全的、透明的、沒有偏見的，必須密切參與或了解預測模型和算法是如何構建的。

5.持續培訓：持續介紹有什么數據分析系統可用，如何使用，持續培訓會提高使用數據做決策的能力。

除了確保這些因素到位之外，重要的是確保教師、員工和學生具有數據讀寫技能，能有效地解析數據，從而在所有領域實現性能改進。