數據已經成為新時代的生產要素，在數字經濟時代，數據已經成為繼土地、勞動力、資本、技術后的新型生產要素。從手工記錄信息到信息線上化，再到如今的數字化、智能化，數據已成為企業數字化轉型中的重要依賴資產。本文我將以自身多年的項目總結，通過在實際項目中數據治理遇到的疑難問題加以概括和分析，針對這些常見的難點，提出數據治理整體應對策略，為數字化轉型中的企業提供一些參考思路和建議。

第一部分：數據治理難點分析

數字化轉型是當下企業不得不面對的時代挑戰，順應時代轉型是與時俱進，不轉型守株待兔就是等死，是把命運托付給競爭對手。企業的數字化轉型始于被動成于主動，轉型的目標不是為了提升數字化水平，而是為了提升企業核心競爭力。數字化轉型的核心要素就是數據，在今天，數據連接著一切，要成功完成數字化轉型，基礎工作就是打通數據，數據如果不“拉通”，標準不一致，數據質量低下，數據口徑矛盾，就無法聯通企業內外。

相信做過企業數字化轉型工作的人都會有這樣的一些疑惑：數字化轉型的基礎工作是數據管理工作，組織中多次進行數據治理項目，花費了很大成本，但效果不明顯；數據治理感覺是空中樓閣，無法落地；數據管理工作為何是一個長期持續的工作，不能短期快速實現嗎。這些都是數據治理工作中經常遇到的疑難點，今天筆者就帶著大家一起分析一下數據治理項目中經常會遇到的七大困難點。

數據標準統一難
首先要講的是數據標準規范，沒有標準要求的數據治理就是一團漿糊，永遠說不清楚。實際上數據的標準就是數據統一的準則規范，是對企業或組織所有數據相關方的行為約束，包括業務和系統的管理行為。
因涉及范圍廣，是組織大部分人員甚至是全員都有切身利益影響的事情，所以要想統一數據標準相當于要統一所有業務部門的意見及訴求，這一過程既要做到求同存異，又要有的放矢，抓住重點，這是一項艱難抉擇的任務，比如數據治理中公共核心的主數據它屬于跨部門，跨系統的核心共享數據，各業務職能對其數據顆粒度、數據維護時點、維護規則有著不同的需求，正所謂“眾口難調”。

比如房地產行業中項目開發全周期過程階段如投資定案、土地獲取、報規報建、預測階段、實測階段有著不同階段的數據需求；項目樓棟數據對于工程運營來講在土地獲取之后就要創建，但對于營銷來講預售階段才需要創建。那如何達成一致的標準時點和統一顆粒度呢？解決方案如時點的原則有“就早不就晚”，顆粒度的原則是“就細不就粗”等。

此處主要想講述的是不同企業需要面對的業務背景不同，口徑需求各不相同，但困難都是類似的：數據標準涉及部門多，人員范圍廣，眾口難調，所以制定統一的數據標準是比較困難但又非常重要的事情，思想不統一，工作就打折扣。

數據組織權責建立難
數據治理中一套清晰可靠的組織將驅動數據治理項目的成功運行，數據治理工作是一項需要跨業務組織協調的工作，清晰的組織是支撐數據工作落實的保證。比如數據治理中的指標數據，企業集團層級的核心指標屬于企業共享通用的數據，各個業務部門都有很強的需求，該數據指標的owner方確定好后，將接受下游使用方的數據監督和挑戰，一旦數據規則及口徑有歧義或有問題，可能就會追溯到數據源頭，數據owner方就需要擔責。
在我了解的企業中，如果沒有高層領導指定，幾乎沒有一個企業中某個部門會主動愿意承當起數據源頭錄入工作，認為這可能是一件吃力不要討好的事情。當然站在企業CEO的角度來看這又是一個勢在必行的工作。數據Owner確定的過程是一個反復的過程，要有權責相匹配，在數據錄入過程中有擔責，也應當給予相應的獎勵評價，同時最好把數據的工作嵌入到業務平時的一個常規工作環節中，這樣執行起來也更貼近業務。

數據價值評估難
經常聽到的一句話就是“數據治理這么多年，為何遲遲不見價值凸顯”，在市場瞬息萬變的情況下，沒有快速價值收益就等于失敗，而數據治理是一項需要長期穩步推進的工作。后疫情時代，企業將更難生存，以利潤為目標的企業很難堅持三到五年的時間來研究數據治理工作，這也是很多國內企業做不成的原因，“心急吃不了熱豆腐”。做了很多年的數據治理，但效果不明顯，主要原因有以下兩點：
1）難以持之以恒

這里描述的持之以恒不僅在于堅持數據核心生產要素的企業管理戰略，還在于堅持一套科學有效的治理方法。數據治理其實是一個系統性工程，很多企業一年不出成果就換人，好不容易積累的經驗又得從零開始，一個數據管理者一套方法論，可能并沒有真正的對錯，但很明顯，每一套方法的起點都是梳理數據標準規則，制定數據管理流程制度，搭建數據管理組織等，到最后發現，數據治理的前幾個步驟，來回反復的走，卻始終沒有到達終點，浪費成本不說，甚至讓企業管理者對數據工作失去信心。老板一旦對數據治理工作失去信心，那就可以宣告失敗了。

2）缺少科學的價值評估體系與方法

數據治理的價值度量目前在數據理論研究中仍然是一個難題，無論是國際咨詢公司如IBM、德勤還是國內的大型公司，對于如何有效度量出對目標數據治理的價值，都還停留在探索的理論階段，而價值模糊將影響老板對其投入的程度的評估。目前市場上的數據價值評估方法主要有成本法、收益法、市場法，但均難以有效的度量出數據價值，所以在未見明顯價值的情況下，很難有企業老板愿意持續不斷的投入資金做數據治理工作。

數據質量管理難
符合業務使用的數據，才能稱之為符合質量，高質量的數據促使業務提效，低質量的數據會影響工作效率，增加成本，甚至會讓企業損失及面臨法律風險。在數據質量管理中，對于數據質量的要求也是以滿足業務經營為最基本要求的，造成數據質量問題的原因有多方面：
1）本身數據源頭錄入質量難以控制

這包括數據錄入標準和要求需要清晰規范，要有明確的錄入指引，數據口徑要各方認可，對錄入人員要有嚴格的培訓及考核要求。事實上很多時候數據來源方或者數據生產方都存在不統一的口徑，同一公司不同區域的標準不一樣，如果標準制定太嚴格，所有地方一刀切，也很難落地，還會造成用戶的抵制。解決思路是什么呢，核心還是要簡化數據標準，求同存異，抓大放小，關注最核心的數據質量問題，切忌潔癖和吹毛求疵。

2）下游系統應用方式導致的數據問題

通常來講當數據源系統解決了錄入問題之后，錄入人對數據質量的敏感度并不高，因為用戶真正應用接觸的通常是數據使用方，這些系統的架構設計可能因為歷史的原因，存在很多的問題，甚至短期內是難以改變的，所以也很難使用考核的方式“逼其就范”。

歷史數據清理難
歷史數據是企業過去多年累積形成的數據，從大型的集團企業來看，企業大數據在一年年累積起來，隨著企業經營逐步擴大，企業管理思路也一直在變化。數據在企業不同時期的形態與結構也差異很大，當面對這些企業歷史數據處理時，很多的數字化轉型解決專家也顯得力不從心，無太多好的解決辦法。
對于有大量歷史數據的企業來講，如何做好數據清理將極大影響未來數據治理工作的效果，甚至影響整個企業數字化轉型的成敗。數據清理為什么這么難，回歸到數據的本質，數據是客觀事實的記錄，正因為是客觀事實的反饋，所以某個時期的數據都有時代的特征和管理要求的烙印。

數據在企業發展過程中，精確的記錄企業當時經營的管理要求，不同時代場景下，形成的數據可能各不相同，不同的業務部門在數據應用中同樣存在不一致的精度需求，如針對供應商的合同數據，包含了歷史合同的錄入標準，合同下制定的付款申請單、付款方式，付款憑證等，這些數據存在整個項目的全階段，而不同業務部門對數據清理的內容、范圍要求也不同，這些都需要達成一致。

數據的清理既要考慮現有的規則標準，也要考慮歷史情況，對于主數據、參考數據、事務數據、指標數據的清理之間的相互影響也是需要充分考慮的。

另一方面，歷史數據不僅只有數據是歷史的，就連企業組織結構、員工、系統都是歷史的，而要做數據清理的人員甚至是才剛剛接手，對于歷史遺留的文件資料或證據都難以溯源，有些即使找到也難以客觀的對其準確理解和判斷，這樣就會導致數據失真，最終無法清理出高質量的數據。遇到這種情況，幾乎難有解決方法，只能不斷通過經驗的積累和仿佛驗證來修復數據，加上數據清理人員的仔細推敲，盡可能地清理出準確的數據。

數據系統落地難
目前市面上數據產品可謂數不勝數，可一款好的數據管理產品卻依舊可望而不可求，原因很多，有不同行業難復用性問題、有國內很多軟件廠商專業性問題，也由自身企業發展獨特的環境因素。數據通過系統客觀反饋業務問題，但很多職能型項目，數據規則不明確或者朝令夕改，這種情況下，很難將數據標準固化在系統，講究人情的系統就無法落地。數據系統與業務系統的關系到底是什么，數據管理系統是否應該與業務系統一起建立，是該堅持系統規則還是便利于人情世故，種種的問題影響著對數據產品設計的定位和管理。
比如業內主數據產品比較主流的兩種思路：第一種，企業的主數據系統獨立部署，單獨建設，與各業務系統相互獨立。這樣的建設優點是能保證企業級數據的嚴肅性，不受單個業務部門影響；它的缺點是：容易造成企業級的數據錄入獨立，缺少核驗，導致錄入修改時及時性及規范性降低，因為主數據對象的產生一般都是業務流程到達一定的業務節點時需要創建的，缺少業務流程的支撐，整個業務的連貫性就會減低。

第二種，主數據系統和業務系統相綁定，這樣可以讓業務流和主數據流統一，驅動用戶錄入數據、修改及更新。這種方式的缺點也很明顯，容易被單個業務系統的管理范圍及局限性限制，導致數據屈從源頭業務端的需求，失去企業級視角，難以發揮企業級別的影響力。

數據治理長期執行難
很多數字化項目剛開始一切安好，系統也能順利上線，一段時間后發現前期制定的標準方案執行不下去了。究其原因在于，很多企業項目之初，借助高層的大力支持和外部專業廠商的合作，從數據的方案制定到系統落地，上線都很順利，期間也形成標準化的數據月度會議，但標準化執行幾個月或一兩年的時間后，隨著外部專家的撤離，領導對其關注度降低，相關的人員就逐步對原先制定的數據標準失去耐心，并無暇顧及，導致又回到了原點。
很多數據治理項目短期能夠順利上線，系統和方案堪稱完美，但難點往往發生在運營階段，如何將這一套理論方案和系統可持續化地執行下去，這里就得提出數據管理制度的重要性，數據系統的執行過程中，發布配套的數據管理制度，制定晾曬和考核機制，能夠不斷的驅動數據相關方，持續遵循數據標準規范。

第二部分：數據治理策略應對

考慮到前文提到的七大數據治理難題，實際情況往往更加復雜。總體而言，數據治理工作必須是自上而下的，如果沒有高層的支持和推動，難以成功。因此，企業需要及早進行規劃，設定數據戰略目標，并踏實地、漸進式地執行，不斷進行優化和調整。這一點可以從華為、阿里巴巴、騰訊等數字化成熟的企業中得到證實，它們都不是一蹴而就的。

我們可以借鑒一些先進的數據管理思維方法，比如國家發布的DCMM方法可以指導我們進行數據管理工作，DAMA的數據管理知識體系中包括了數據成熟度模型評估。在進行數據治理之前，我們可以進行數據成熟度評估，這個評估可以幫助企業了解自身數據管理水平，并根據評估結果有針對性地進行數據治理。

解決數據治理的難題和方案可以參考《DCMM數據成熟能力模型評估》中的數據治理內容，我在這里總結了企業數據治理七個主要方向的解決策略，包括數據戰略、數據組織體系、數據管理制度、企業數據架構、數據管理標準、數據質量管理、數據執行與落地。

數據戰略
數據戰略是數據治理的長遠目標，它需要明確定義企業對數據的價值觀。根據《DAMA數據管理知識體系第二版》的描述，“數據戰略需要一個支持性的數據管理戰略——一個維護和提高數據質量、數據完整性、訪問和安全性的規劃，同時降低已知和隱含的風險”。數據戰略需要明確數據管理的定義，為什么數據管理很重要，以及數據管理對組織的影響。這一理念需要傳達給高層領導，以實現上下一心的協作。
同時，數據戰略應包括目標和計劃。目標可以分為短期、中期和長期目標，以明確數據管理工作的方向。此外，數據戰略還應明確數據在未來企業數字化轉型中的必要性和戰略意義。

數據組織體系
數據組織是數字化轉型的推動力，也是真正實施數據管理的前提條件。數據管理組織可以是專門的部門，也可以是跨部門兼職協作。無論如何，這些組織必須能夠執行實際的計劃和工作，如數據標準化管理委員會、數據管理指導委員會等組織形式，以確保數據戰略的貫徹落實，因為數據管理工作通常涉及到不同部門之間的數據協調和合作。
這些組織需要建立常規會議機制，用于決策數據管理工作中的爭議。數據管理會議可以包括月度數據運營會議、季度數據成果匯報會等。此外，數據管理組織需要擁有專業的數據管理人才，并為他們提供培訓，以提高其素質和能力。

數據管理制度
一旦建立了數據管理組織，就需要具體的數據管理制度來指導工作。數據管理制度可以分為三個層次：數據管理辦法、數據管理規范和數據管理指導手冊。
數據管理辦法：這是數據管理的總體要求，內容相對較高層次。它描述了企業對主要數據的總體要求，如數據管理的原則、組織結構、流程管控等。
數據管理規范：這一層次更為具體，拆解了管理辦法的框架，對每個條例進行了詳細解釋，包括流程、責任人、執行方式等。
數據管理指導手冊：這是執行操作的具體指南，具有可操作性，包括數據錄入、績效考核等方面的規定。
這些制度和指南可以幫助確保數據管理工作按照規范進行，從而提高數據管理的效率和質量。

企業數據架構
企業數據架構包括企業業務架構、企業數據架構、企業應用架構和企業技術架構。這些架構之間的關系如下圖所示：
很多人可能對這些不同架構有些混淆，下面對它們進行簡要的解釋。

企業業務架構：它包括企業的管理組織、業務板塊劃分等，是企業整體業務的概況。
企業數據架構：這個層面關注數據在業務架構基礎上的管理，包括哪些部門負責管理哪些數據，以及如何管理數據。
企業應用架構：這包括系統的功能應用，如設計業務邏輯、功能模塊等。
企業技術架構：它主要關注軟件平臺部署、技術工具部署等技術方面的架構。
企業數據架構是數據治理工作的基礎，它可以有助于數據工作的高效推進，資源的集中，思路的統一，以高效地完成從業務到系統的建設工作。

數據管理標準
數據管理標準涵蓋了數據生產、數據傳輸和數據應用的全生命周期過程中的規范要求。這包括數據錄入標準、數據傳輸標準等。數據錄入標準涉及數據的生成過程，需要明確數據是如何生成的、由誰生成、何時生成等。
數據可以通過手動錄入或自動采集方式生成。自動采集需要預先設定規則來確保數據的準確性。數據錄入標準的制定和執行可以提高數據質量。

數據質量管理
數據質量管理旨在確保用戶關注的數據具有高質量。它包括設定數據質量管理目標、明確各類數據質量需求、建立持續更新的數據質量規則庫等。數據質量的維度包括唯一性、一致性、準確性、完整性、有效性和及時性等。
這些維度的規則可以幫助監測和評估數據質量，同時也需要不斷更新以適應不斷變化的需求。數據質量管理的目標是滿足業務需求，因此需要明確哪些數據質量指標對業務具有關鍵意義。

數據執行與落地
數據執行與落地包括數據系統建設、數據安全管理、數據生命周期管理標準等。在此，我們重點強調系統的設計和執行。系統的設計需要平衡控制和業務規則之間的關系。
系統的操作應該人性化，滿足用戶需求，提高用戶體驗。系統的控制應該強調邏輯性，按照規則執行，確保數據的質量。系統操作應考慮到業務轉型，不僅僅是改變系統，還需要改變業務流程，以實現數字化轉型。

總之，數據治理方法雖然各有不同，但需要根據企業的實際情況進行調整和應用。沒有一套適用于所有情況的絕對正確的方法，但通過方法論的引導，結合實際業務，不斷總結經驗，解決最緊迫的數據問題，才能實現數據管理工作的價值，提高企業的數字化能力，加速企業的戰略轉型、思維方式轉變和業務轉型，提高企業未來的市場競爭力。