请遵循这条基本原则，数据治理必须从松散遵循的指南的数据治理模式转变为充分利用数据和分析能力的模式才会带来更大价值
一、企业数据治理现状
每个企业的高管都知道数据很重要。没有它，就不可能进行数字化转型以推动组织超越竞争对手，没有准确的分析就不能推动新的收入来源，甚至无法很好地经营基本业务。但是，要使数据治理工作有动力，就必须有随时可用，高质量且相关的数据。良好的数据治理可确保数据具有这些属性，从而使其能够创造价值。
问题在于，当今大多数企业的数据治理成效差强人意。该问题通常从高层开始，其高级主管无法识别数据治理中创造价值的潜力。结果，数据治理便成了一组策略和指南，属于IT部门执行的支持功能，且很难得到广泛遵循，从而使数据治理功效甚微。有的组织尝试使用技术来解决问题，虽然诸如数据湖和数据治理平台之类的技术解决方案可以提供帮助，但它们并不是万能的。
没有质量保证的治理，公司不仅会错失数据驱动的机会，还会错失商业机会。没有质量保障的数据治理工作将浪费大量资源，数据处理和清理可能耗费分析团队一半以上的时间，其中包括高薪数据科学家的时间，这限制了可伸缩性并使数据分析工作让人感到沮丧。确实，由于数据问题整个组织的员工生产力可能会遭受损失：2019年全球数据转型调查的受访者报告称，由于数据质量和可用性较差，他们平均将企业总时间的30％花费在非增值任务上。
虽然直接将价值归属于数据治理有些牵强，但有许多案例说明了其显著的间接价值。领先的公司已经从其数据生态系统中投资了数百万美元的成本，并使价值数百万甚至数十亿美元的数字和分析能力成为可能。数据治理是捕获此价值的公司与未捕获此价值的公司之间的三大区别之一。此外，对数据治理投资不足的公司使他们的组织面临实际的监管风险，这可能会造成很高的成本。
二、为有效治理奠定基础
当前许多企业努力有效地开展数据治理，有些企业表现非常出色。例如，一家领先的全球零售商多年来一直在努力从数据中获取价值，其数据治理在IT内部进行管理。然后，作为企业范围分析转型的一部分，它投资于教育，并让整个高级执行领导团队参与数据治理。它为每个执行主管（CFO，CMO等）分配了多个数据域或业务数据主题领域，其中某些领域（如消费者交易和员工数据）跨越了多个职能或业务领域。
这些领导者体验了数据治理的价值后，便成为拥护者。在他们的域内，他们选择了代表作为数据域所有者和管理者，并将数据治理工作与优先级分析场景直接联系起来。然后，他们在实施中根据其可交付的价值确定优先级数据，每隔几周与首席执行官和高级领导团队核对一次。这些努力已开始获得回报，使组织能够在几个月的时间内开展起来优先处理数据域，并减少数据科学家花费在数据清理上的时间，从而加速了分析用例的交付。该程序会随着时间的推移不断增长。
如以上案例所示，有效的数据治理需要重新考虑其组织设计。典型的治理结构包括三部分：
■中央数据管理办公室（DMO），通常由首席数据官（CDO）领导，明确目标、数据策略和治理负责人，确定总体方向和标准；
■工作组，由完成日常工作的数据域组织的治理角色；
■数据委员会，将领域负责人和DMO召集在一起，将数据策略和优先级与公司策略联系起来，批准资金并解决问题。
这种结构可作为数据治理的基础，平衡中央监督，适当的优先级划分和一致性，同时确保创建和使用数据的员工是管理数据的领导者。
三、推动数据治理的六种策略
仅凭组织基础是不够的，需要六个关键策略来确保数据治理创造价值。
1.获得高层管理人员的支持
正如前面的示例所强调的那样，数据治理的成功需要业务领导的支持。第一步，DMO与最高管理者合作，以了解他们的需求，突出当前的数据挑战和局限性，并解释数据治理的作用。第二步是在高级管理层内部组成数据治理委员会，该委员会将指导治理策略满足业务需求，并监督和批准旨在推动改进的举措，例如，与DMO一起设计和部署企业数据湖。第三步，DMO和治理委员会应努力定义一组数据域，并选择业务主管来领导它们。这些领导者通过定义数据元素和建立质量标准来日常推动治理工作。公司需要花费时间来宣贯领导者的新角色，这些角色通常被添加到他们的主要职责中。他们应该了解自己将在这些角色中产生的价值，并掌握所需的技能，包括了解相关法规和数据体系结构的核心要素。
至关重要的是，拥有自上而下的业务领导支持将避免角色不清晰和授权方面的问题。业务方面的数据管理员将理解这项工作是企业的优先事项，并抽出时间来解决这一问题（这可能会通过改变他们的绩效指标或调整他们的其他职责来实现）。自上而下的授权还可以立即解决数据所有权上的冲突。
领先的组织还创造了跟踪进展和价值创造的具体方式。例如，他们可以测量科学家为优先用例寻找、管理或启用数据所花费的时间，或者与低质量数据和相关业务错误相关的经济损失。跟踪这些影响指标有助于确保高层管理人员的关注和持续支持。
2.与重点转型工作进行整合
为了确保数据治理工作能够创造价值，请将它们直接与已经引起CEO重视的持续转型工作联系起来。例如数字化转型，全渠道支持或企业资源规划现代化。这些工作通常取决于数据的可用性和质量。
将数据治理与变革主题联系起来，可以简化高层领导的认同，并改变组织结构。这些举措不是将治理独立运行，而是将数据责任和治理转移到产品团队，在生产和消费时将其集成。
例如，一家欧洲零售商开始对其核心业务进行数字化转型，并迅速扩展其在线业务，这需要对电子商务堆栈（包括后端平台）进行重大的重新开发。数据被认为是关键的推动力，并且建立了DMO和数据委员会来开发未来生态系统的核心框架，以及数据域的结构，包括将来管理数据的战略目标。
主要产品负责人在专门的领域领导着数字化转型小组，，他们成为了各自职责范围内的数据领导者。产品所有者变成了数据域所有者。例如，负责推动店内结账流程改进的产品所有者拥有销售和支付域。这种结构确保了治理工作主要面向支持业务需求，并确保创建和使用数据的领导者积极指导数据管理。
3. 确定数据资产的优先级，关注数据领导力
许多企业以整体的方式处理数据治理，一次性治理所有数据资产，毕其功于一役。但如此大的范围意味着在任何特定领域的相对进展都很慢，而且存在着工作与业务需求没有直接联系的风险。为了取得成功，数据资产应该以两种方式进行优先级排序：按域和每个域中的数据。
数据委员会在数据管理组织的支持下，应根据转型方向、监管要求和其他要素，对域进行优先排序，以创建域部署路线图。然后，组织应该迅速推出优先实施的域，从最初的两到三个开始，并争取每个领域在几个月内完全发挥作用。
例如，一家北美零售商提出了一个大胆的愿望，那就是要在三年内通过先进的分析技术使公司转型。该公司很快意识到其当前数据会阻碍它的发展，并建立了DMO和数据域来开展治理。它确定了整个企业的十个域，并优先部署了前两个域-事务数据（记录店内购买记录）和产品数据（建立了清晰的产品及其详细信息层次结构）。这有助于加快围绕店内分类和库存的优先开展数据分析。
除了对域进行优先级划分外，还通过为每个数据元素定义关键程度来对每个域内的数据资产进行优先级划分。在大多数组织中，关键数据通常不超过总数据的10％到20％。关键元素（例如客户名称或地址）应得到高度的关注，包括持续的质量监控和对整个组织流程的清晰跟踪，而对于在分析，报告或业务运营中使用较少的元素（例如客户的学历），无需跟踪就可以进行临时质量监控。这显着缩小了治理工作的范围，并确保将精力集中在最重要的数据上。
4. 应用正确的治理级别
数据治理在组织和行业之间可能会有很大差异。领先的组织采用“基于需求”的方法，采用适合其组织的复杂的管理级别，然后通过数据集调整严格级别。
重要的是要认识到，数据治理最初主要是银行在BCBS 239以及其他需要复杂治理模型的法规压力下开始的。大多数行业和组织不会面临相同级别的监管压力，因此其程序的设计应与他们面临的监管级别和数据复杂性级别保持一致。拥有跨多个区域的多个不同业务的组织比那些只在一个地理区域开展业务的公司有更复杂的需求；同样，高速度的数据更改或低水平的技术自动化增加了数据复杂性。
最全面的治理模型（例如，对于一家全球银行而言）将有一个强大的数据治理委员会（通常由最高管理层负责人参与）来推动它；高度自动化，其中元数据记录在企业词典或数据目录中；数据血缘追溯到许多数据元素的源；以及随着企业需求变化而不断进行优先级划分的更广泛的域范围。
相比之下，针对某区域公司的数据治理可能会有一个数据理事会，该理事会召开会议的频率较低，并且仅定期邀请高级管理人员参加。元数据跟踪甚至可以从Excel中开始；有限的血统追踪以及更窄的域范围。
在为整个组织建立正确的治理级别的同时，调整跨数据集的治理严格性级别。许多组织的历史数据标准对整体质量和访问设置了保守的限制。这样可以最大程度地降低风险，但也抑制了创新。领先的组织有意识地平衡机会和风险，并通过数据集区分治理。
例如，组织可以对仅在探索环境中使用而不超出数据科学团队边界的数据应用轻度治理。团队可能也不需要完全准备好的集成数据和完整的元数据。数据屏蔽可能适用于确保隐私以及严格的内部保密协议（NDA）。但是，一旦在更广泛的环境中，例如在与客户的互动中使用此类数据时，就需要应用更强大的治理原则。
一家亚洲金融机构采取了一种激进的方法，利用这些原则“释放数据”。在允许的每个数据集敏感度水平范围内，能够释放大约60%的低风险企业数据，让所有员工都能使用和探索这些数据。另一方面，高度敏感的数据，如个人识别信息，在谁可以访问和如何访问方面都受到高度限制。
随着组织的成熟以及治理能力和技术的不断发展，范围变得不再重要。一套工具开始使数据管理活动自动化，并且其覆盖范围和成本效益只会随着时间的推移而提高。当前数据管理业务的厂商都在推出用于自动元数据收集，血缘创建，数据质量管理和其他治理功能的功能。
5.采取迭代且重点突出的实施策略
为确保数据治理快速创造价值，需要针对数据域调整治理优先级，并使用迭代来快速实现。这超出了将治理与业务需求集成，确定用例和域的优先级以及应用基于需求的治理的范围。关键是在日常治理中采用迭代原则。例如，如果存在积压的已知数据质量问题，请每天检查并重新排列优先级，以在优先级变化时努力使业务收益最大化。
即使解决方案不是完美的，也可以按一下以快速启用优先级用例。一旦证明了价值，就可以进行长期开发以使用例准备就绪，比如通过与核心客户关系管理和可操作客户主数据集成。例如，增强客户活动可能不需要整个企业的完全集成的数据集，而需要专用平台中的量身定制的方法。数据治理应支持并加速这种量身定制的方法，除了建立强大的主数据管理外，还应重点解决围绕可用性和质量的问题。
6.培养数据文件激发数据热情
当数据使用者兴奋并致力于实现数据的愿景时，他们更有可能帮助确保数据的高质量和安全性。领先的组织对变更管理进行投资，使数据怀疑者转化为支持者。这可能是数据治理中最困难的部分，因为它需要激励员工使用数据并鼓励生产者共享数据（并从源头上提高质量）。
成功的组织使用多种干预手段来推动正确的行为。这些可以包括来自首席执行官和其他高级领导的角色，对高质量，响应迅速的来源的认可以及示范作用。一些组织还提供培训和资格认证，并就数据工作中的职业机会进行交流。有些公司则利用数据和分析方面的成功制造影响、出版书籍甚至形成数据艺术。工作的有效性在很大程度上取决于组织的文化。
四、需要优先考虑的问题
企业可以通过思考以下六个问题来开始其新的数据治理方法：
1.由于错过了优势、在手动清理数据时浪费了大量时间，或者业务决策不正确且不理想，没有正确地进行数据治理的机会成本是多少？？
2.谁在领导当今的治理工作，将对话提升到最高管理层会是什么样？谁应该参与？
3.治理在哪里最重要？企业目前最需要哪些领域和领域的一部分？
4.哪种治理原型最适合组织，当前的工作是否符合该需求水平？
5.如何通过调整重点和注入迭代的工作概念来加速治理？
6.您是否拥有内部机构来管理这种转变？
五、综述
数据治理对于通过分析，数字化转型和其他变革性机会获取价值至关重要。尽管许多企业都在努力使它正确无误，但是每个企业都可以通过将其思维方式从将数据治理作为框架和策略的思维转变为从战略上将其嵌入组织日常工作的方式来获得成功。
联系客服
