对于各大企业来说，数字化转型已是时代所趋。为了实现永续发展，许多还未踏入数字化这条河流的企业，纷纷紧锣密鼓部署转型大业。而在企业谋求转型的过程中，数据治理是一级必须要跨过的台阶。

数据治理是企业实现数字战略的基础，它能够追溯数据来源、统一数据定义、分类数据存储、消除无效数据；它可以降低数据管理成本、规避数据应用的法律风险、降低产品维护及开发成本······它的最终目的是提升数据的价值，使其能够服务应用于各个业务场景，从而改变企业的盈利模式，大幅提高企业的效益。

然而，数据治理本质上是一个管理体系，是针对企业的系统级工程，它包含了组织、制度、流程、工具等，在实施过程中会牵涉企业的各个部门以及大量员工。想要成功地实施一个数据治理项目，充足的权限、高层的关注、资深的经验技术和强大的执行力，每一项都是不可或缺的。

那么应该如何正确科学地进行数据治理呢？

 

1、组建数据治理团队、分配管理权限和职责

企业高层管理人员和咨询公司，应该各自组建一支针对此次数据治理项目的专业团队，相互配合，协作并进。企业方团队成员应该有足够的工作和管理经验，对数据治理有一定认知，对治理项目持续关注、并提供必要的权限和帮助。咨询公司方团队成员要明确各自的岗位职责，严格遵守实施规范，与企业方严谨敲定各自的职责范围，如有问题，及时沟通。

 

2、评估数据质量，确定数据治理的范围和具体任务

数据治理前，数据治理团队应该就数据的完整性、准确性、及时性、一致性、唯一性，对企业当前数据质量给出评估与考量。同时，要认真听取业务部门对数据的需求。通过有效沟通，确定行动计划，探索数据内部潜在的问题，为分析决策提供支撑。除此之外，也可以从数据对公司的战略重要性、对业务的影响度、数据本身的复杂度来划定数据治理的范围。

最终，根据评估结果以及调研反馈，确定数据治理的范围和具体任务。

 

3、整理业务规则，规范业务流程

在企业数字化转型过程中，对数据的共同理解与解释至关重要。

数据质量问题通常是指同一数据集被解释为不同事物，或者不同数据集被解释为相同事物。

无论是业务还是技术元数据，根据业务属性明确数据定义对于提高数据质量相当重要。企业可令数据治理团队运用一定的数据管理应用程序完成业务规则的梳理和数据定义的统一。

数据治理团队可以选择从业务流程，也就是数据产生的源头开始，对其进行规范化、流程化、标准化处理，并建立相关业务规则文档，保证业务部门能够在人员流动中保持数据治理意识。

 

4、确认业务指标，划分数据层级

在数据治理工作中，对数据进行指标、标签分类非常重要，数据治理团队可以和业务人员沟通协调，并要求合作为业务数据建立对应的指标体系，划分核心数据指标，进行分类分级。其中，要注意确认影响业务的关键数据指标。

 

5、检测数据质量对业务的影响程度

凭借专业的数据质量分析工具，数据治理团队能够测试数据质量，识别异常数据，以便开展有针对性的数据处理工作。通过业务影响程度测量数据质量，可以帮助企业有效筛查无价值数据，提高数据质量。

另外，数据质量的检测应该是长期存在于数据应用过程中的。一旦企业决定进行数字化转型，就必须定期评估数据质量对业务结果的影响，并且随着新业务场景的出现，对数据质量评估的重点和方法作出相应调整。

 

7、建立监控预警机制，关注异常数据

在完成信息建设后，数据治理团队可以利用商业智能BI，协调分析和技术人员制作企业核心数据可视化监控页面，根据KPI指标和关键业务节点制定图表内容，实时查看企业异常状况。

 

8、避免“IT怪圈”

数据治理团队如果没有完全打通企业的内外部数据，业务部门的需求便不能随时得到满足，数据治理团队就会进入IT怪圈。

首先，前端业务场景不断变化，业务部门需要随时响应。

期间，业务部门会不断向技术部门提出各种工作需求。即使有些业务需求简单到并不需要技术人员操作，只须简化数据治理的流程或步骤即可，但由于数据治理得不彻底，技术部门不得不随时响应低端需求。

业务场景是瞬息万变的，用户的需求需要随时被满足，技术部门疲于应付前端业务部门低端的需求，导致业务需求响应慢，结果并不令人满意，甚至延误了商机。如此循环下去，技术部门将陷入IT怪圈，无法抽身。