在數據智能運用的道路上，數據煙囪、信息孤島遍布。由于頂層設計的缺失及歷史原因，企業的各個業務系統、管理系統等的數據壁壘問題嚴重。另外，由于所用技術不同、開發團隊水平不一、開發平臺和工具不統一、缺乏規范的數據管理標準，各個系統間的數據難以兼容及集成。數據無法共享，造成一定的數據存儲成本及數據管理成本的浪費。因此，對于
數字化轉型企業來說，追溯數據來源、統一數據定義、分類數據存儲、消除無效數據，可以降低數據管理成本，規避數據應用的法律風險，降低產品維護及開發成本。那么應該如何正確治理數據呢?
一、數據治理四個階段
第一階段，梳理企業信息，構建企業的數據資產庫。首先要清楚企業的數據模型、數據關系，對企業資產形成業務視圖、技術視圖等針對不同用戶視角的展示。
第二階段，建立管理流程，落地數據標準，提升數據質量。從企業角度梳理質量問題，緊抓標準落地。
第三階段，直接為用戶提供價值。本階段依賴于前兩個階段的建設，為用戶提供方便的獲取數據的途徑。
第四階段，為企業提供數據價值。通過多種手段對多種來源的數據進行分析，形成企業知識圖譜，體現數據的深層價值。
二、正確數據治理流程
1、整理業務規則，統一數據定義
在企業數字化轉型過程中，對數據的共同理解與解釋至關重要。數據質量問題通常是指同一數據集被解釋為不同事物，或者不同數據集被解釋為相同事物。企業可令
數據治理團隊運用一定的數據管理應用程序完成業務規則的梳理和數據定義的統一。
2、跟蹤外部數據來源
企業數據應用的方向不再局限于內部數據，更多著眼于第三方數據，這是構成分析解決方案的要素之一。無論是合作伙伴數據、供應商數據還是互聯網開放數據，都可以提升企業獲取新業務價值的資源。
3、確認影響業務的關鍵數據指標
為了衡量一款產品及服務是否能夠滿足市場需求，必須采用一定的企業績效指標。不完整、不準確的數據可能導致客戶投訴。因此，客戶流失率、KPI等數據指標的梳理及確定至關重要。
4、分析關鍵業務的數據質量
在梳理過程中，數據治理團隊可以采用數據分析工具預測數據分析模型，在較短時間內了解數據質量。也可以創建針對數據存儲庫運行的腳本，解決高級別的跨應用數據分析需求。
5、創建數據自動化管理調控體系
數據治理團隊應建立自動化管理體系，把關數據治理到數據應用的整個流程，在績效考核、分析決策、基礎數據質量之間建立明確的自動化反饋機制，以業務結果反饋數據治理效果。
6、檢測數據質量對業務的影響程度
憑借專業的數據質量分析工具，數據治理團隊能夠測試數據質量，識別異常數據，以便開展有針對性的數據處理工作。通過業務影響程度測量數據質量，可以幫助企業有效篩查無價值數據，提高數據質量。
7、聽取、溝通業務需求，有針對性地治理數據
數據治理團隊在對數據進行清洗治理時，首先不要妄圖通過數據治理立即解決所有問題，而是應該認真聽取業務部門對數據的需求。通過有效溝通，確定行動計劃，探索數據內部潛在的問題，為分析決策提供支撐。
8、創建數據質量動態感知臺，監控數據治理進程
數據治理團隊可以創建數據質量動態感知臺。數據質量動態感知臺可以根據KPI和關鍵業務操作流程制定數據質量的績效。在某些需要調整的地方，數據業務分析師可以與CDO溝通調整治理路線和重點。
9、建立學習——分享——培訓機制
團隊負責人需要建立一套學習——分享——培訓機制，團隊成員可以將發現的數據問題及時共享給團隊其他成員，一起討論數據治理的解決措施，幫助團隊成員提升自身能力。
10、避免“IT怪圈”
業務場景是瞬息萬變的，用戶的需求需要隨時被滿足，技術部門疲于應付前端業務部門低端的需求，導致業務需求響應慢，結果并不令人滿意，甚至延誤了商機。如此循環下去，技術部門將陷入IT怪圈，無法抽身。
