? 數據治理技術的發展使得其中最好的技術為組織的數據景觀提供了完全的透明性，并為業務用戶在搜索、訪問和應用數據時提供了一種方便快捷的體驗。

?????它讓數據分析有效地服務于企業的任何工作。并且它確保整個數據供應鏈的信息流和功能的數據生態系統的健康。這些數據管理工作的根本是數據治理，其核心是提供一個組織的數據資產的能見度，加強問責制，并使其能夠得到充分利用。

數據治理不是一個新的實踐，但它是一個不斷發展的實踐。今天的數據治理與五年前甚至兩年前大不相同。數據治理的發展經歷了多年的嘗試和錯誤，以及不斷進步的技術。每一次有經驗上的失誤，每一次就會有對應的進步。這便是數據治理在發展進程中的自我完善。這些解決方案以業務流程自動化為特色，并側重于提高數據問責制和理解。

在許多組織中，數據治理計劃開始于使用電子表格或MicrosoftSharePoint等基本工具的手動文檔練習。來自單一業務領域的業務涉眾將使用這些簡單的工具記錄數據定義。并定義部門數據資產的所有權/管理責任。通常，這些實施方案僅限于特定的部門或項目。

在IT部門內，數據治理工作通常是從遵從性的角度關注風險緩解，或者管理和理解技術數據譜系。這有助于用戶理解數據是如何隨時間移動而轉換的，以確保遵企業內部或項目需求的相關規則。

然而，這種數據治理模型隔離了業務單元和IT；并且未能將數據作為關鍵業務資產加以利用。此外，隨著數據量的增長，利用電子表格和SharePoint來記錄治理工作很快就變得不可擴展和不可持續。

因此，各企業意識到，他們需要擺脫孤立的方法，將業務和技術數據融合在一起。于是他們沒有使用電子表格來記錄有關數據的信息，而是采用了供應商提供的面向數據治理的工具。

數據治理工具幫助組織將業務和技術數據合并為單一視圖、管理基本譜系，并創建工作流來管理數據資產以提供透明度。這些工具幫助企業為其的數據資產提供業務定義和所有權/管理責任。因此，當組織中的成員對他們的數據有疑問時，他們都知道該訪問什么資源去核實。

一開始，這個效果很好。但是，隨著大數據棧、流數據和數據湖等新技術的引入，數據量和深度都在增加，這些工具便很快被淘汰了。

諸如GDPR、BCBS 239、CCAR、Solvency II和MiFID等監管要求也更加強調數據。用戶開始尋找利用數據的新的創造性的方法。他們越來越希望能夠在搜索、請求和訪問組織的數據資產時候模仿“Amazon Marketplace”的體驗。

目前，新的數據治理技術和完整的數據治理框架解決了傳統遺留工具通過利用機器學習、自動化和推薦引擎收集、驗證和分析數據所面臨的挑戰。

其目標是大大減少以往在填充和維護數據治理工具方面的手工工作。此外，現在的工具應該使搜索數據成為業務用戶簡單而成功的過程。通過提供一個直觀易用的界面來定制他們如何消費數據。例如：它模仿亞馬遜的客戶體驗模型，快速方便的購物。

為了實現這些目標，企業必須將數據訪問、數據質量和機器學習分析擴展到為其數據需求提供自助服務的業務用戶。

目前，按需經濟也創造了要求很高的消費者。而數據消費者有同樣的特性。業務用戶經常需要快速查找、排序和分析數據，因為在節奏快、競爭激烈的商業環境中，洞察的速度至關重要。現代數據治理還可以將以前單獨使用的學科結合在一起，使業務用戶能夠在不需要專門技術知識的情況下對數據做更多的工作。

通過連接可視化數據準備、數據質量、機器學習、治理工作流和儀表板等學科，組織可以授權業務用戶執行以前需要IT資源的技術干預和專門知識的功能。

目前的現代數據治理工具允許業務用戶利用直觀的拖放界面來快速組合數據集。這些工具應用預先打包的數據質量例程而不需要復雜的編碼，然后通過應用機器學習算法來分析數據以充實業務用戶需求。

最終，業務用戶有權快速使用可視化儀表板中的輸出，并提供有意義的數據度量，以便作出決策。

向以業務為中心的數據治理模式的發展還需要零代碼工作流，具有易于使用的接口和預定義的工作流例程，因此業務用戶可以加快新工作流的創建和現有工作流的編輯，而無需依賴編碼專業知識。

這有助于向圍繞業務用戶設計的更加自動化、自給自足的治理框架發展。這將永遠是一個持續的過程。

然而，對于那些繼續維護和開發數據治理模型的人來說，他們將提高整個企業的效率和盈利能力，并幫其獲得競爭優勢。