誤區一：必須得有工具平臺，才能開展數據治理。
我常常聽到一些朋友在開展數據治理的時候會說，先整套工具吧，再搞數據治理，這是一個極端。還有另外一個極端就是，完全不需要數據治理平臺工具，直接把數據治理當作咨詢項目，往往導致的結果就是花了大筆的錢，前期可能會有一些效果，可隨著時間推移，遠遠達不到當初的預期。其實啊，數據治理是一項和管理深度結合的活動，有工具后可以加快效率，沒有工具同樣可以進行數據治理。

比如在信息化程度不高、數據量不大、數據類型不多的情況下，制定一些合理的治理流程和制度就可以起到很好的效果，工具反倒增加了成本和管理流程，這時候是可以不需要工具的。

而對于經過多年信息化發展的企業，在開展數據治理時，平臺工具就是必備的。工具作為數據治理4大核心要素之一，它的作用就是提升數據治理的效率，而且工具往往是與組織、制度、流程相輔相成的，它會將我們的數據治理咨詢成果落地到平臺中，保障數據治理這項活動的常態化運轉，持續提升企業的數據管理能力。

誤區二：必須發起正式的項目，才能開展數據治理
錯，并不是這樣，其實，無論是it部門，或是業務部門，只要今天制定了與數據有關的某項制度或流程，這都算是在開展數據治理。我們舉個例子，比如技術部門規定，核心系統中，客戶編號只能用ID來表示，這其實就是一條數據標準。其實啊，數據治理的門檻并不高，很多部門甚至小組內部都會有這樣、那樣的數據規范，而且這些規范在一段時間內都可以起到良好的正向的作用。

我講這個誤區的目的呢，就是告訴大家，面對數據治理不要怕，數據治理的門檻并沒有我們想的那么高，人人都可以做些有益于數據正向發展的工作。但當我們開展規?；瘮祿卫頃r，還是應該起個項目，結合企業的戰略規劃、業務需求、市場發展等多方面因素，制定合理的數據治理實施路徑。

誤區三：數據質量問題找出來了，然后呢？
當數據治理正式開啟后，業務和技術人員通力合作，辛辛苦苦建立起來平臺，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，然后呢？半年之后，一年之后，同樣的數據質量問題依舊存在。

發生這種問題的根源在于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。數據是從誰那里出來的，誰負責處理數據質量問題。定責之后是問責，問責之后是整改和反饋，然后是質量問題的新一輪評估，直至形成績效考核和排名。只有形成這種工作閉環，才能真正提升數據質量。

誤區四：好像什么都做了，又好像什么都沒做？
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？發生這種情況，原因探尋到最后往往是客戶需求不明確，項目推進的過程中也沒有形成有效的反饋機制，而且也沒有讓客戶感知到數據治理的成果，所以客戶才有了開頭的疑問。

其實，數據治理的成果是可以量化的，也可以將成果的可視化呈現，并且在平常與客戶的溝通、培訓、知識轉移等過程中，就數據治理的重要性、發揮的價值等方面對客戶進行潛移默化的影響。

誤區五：數據治理無法落地需要檢視是否好高騖遠？
數據治理不是一堆規范文檔的堆砌，而是需要將治理過程中所產生的的規范、流程、標準落地到IT平臺上，在數據生產過程中通過“以終為始”前向的方式進行數據治理，避免事后稽核帶來各種被動和運維成本的增加。

數據治理需要聚焦數據：數據治理的本質是管理數據，因此需要加強元數據管理和主數據管理，從源頭治理數據，補齊數據的相關屬性和信息，比如：元數據、質量、安全、業務邏輯、血緣等，通過元數據驅動的方式管理數據生產、加工和使用。

數據治理需要建管一體化：數據模型血緣與任務調度的一致性是建管一體化的關鍵，有助于解決數據管理與數據生產口徑不一致的問題，避免出現兩張皮的低效管理模式。

數據治理是一個長期的過程，開啟之時要穩健，進行之時要全面，后續維護要一以貫之。億信華辰旗下的睿治數據治理平臺將會是你數據治理的好幫手，從元數據、主數據、數據標準、數據質量再到數據處理、數據資產、數據交換和數據安全等，為企業提供一站式解決方案，打通數據治理全流程。

作為一家深耕于數據全生命周期的產品與服務提供商，億信華辰以其過硬的技術能力及春風細雨般的服務在眾多行業領域得以成功落地和驗證，幫助逾8000家政企單位實現數字化轉型，喚醒沉睡的數據，深挖業務價值。