眾所周知，數據治理對企業來說意義干系重大，數據治理不好，數據質量得不到保障，下游的數據應用都是空談。

DAMA的知識體系中，對數據治理的定義非常抽象，其對數據治理的定義是：對數據資產管理行使權力和控制的活動集合。

其實從生產實踐來看，通俗地說，數據治理其實就是在做改善數據質量的工作，為數據應用打基礎，做準備。

通過數據治理，企業可以達到如下效果：

1.搞清楚自己都有哪些數據；

2.搞清楚這些數據是什么含義，怎么用；

3.搞清楚數據的質量狀況如何

4.對數據質量進行力所能及的提升。

然而，目標很清晰，現實很殘酷。數據治理對于大多數企業來說，及枯燥，又困難，想做出成績很難。

為何這樣講呢？

數據治理經常是盲目的，缺少目標性和方向性。很多數字化轉型中的企業，數據量非常大，數據系統也非常多，數據鏈路錯綜復雜，十分混亂。

在領導的層面，經常遇到同一個問題，當詢問不同的業務出口時，竟然得到截然不同的數據回答。

因此順利成章地理解為，既然的一個取數工作都做不好，那么數據治理工作仿佛勢在必行!很多治理項目就這樣因為領導的耐心突然崩潰，匆匆上馬了。

然而，數據治理工作不光是說說，而是要投入真金白銀。數據治理項目雖然不一定涉及到大量的IT系統開發，但是其對于人力成本的投入甚至更加令人驚駭。

對于一張普通的人員名單數據表，僅僅為了確認這些人員是否還在真實的崗位上，就需要動用大量的組織人力來逐一核實。

類似的事情，數不勝數，這對于業務人員的消耗是不可估量的，為主營業務的正常運營帶來非常多的額外“負擔”。

數據治理，治理的其實不是數據，而是信息。

數據治理的成本消耗能力，成為推廣的最大阻力，因此，在面對數據治理任務時，人力資源永遠是稀缺的。這就導致一個結果，數據治理必須是有選擇的。

凝練數據治理的范圍、目標，就成為擋在前面的第一個難題。

數據治理是應用導向的，知道數據怎么用，數據用在哪，才能“倒推”出來究竟需要治理什么內容，怎么治理，以及治理到什么程度才算夠用。

如果企業層面并不覺得數據應用和數據質量是有關系的，這個邏輯關系鏈路想不通，參不透，那么治理項目就一定推不動。

很多企業主在探討到數據治理以及數據中臺建設的必要性，難以下決心，也正是這樣的原因，歸根到底，是因為對數據的認知不足，不理解到底為什么數據質量好壞會對當前的業務，甚至未來的業務產生影響。

數據如果亂，但是對我沒影響，那么我為什么要治理，又為什么要花錢？

當然，除了目標層面難以統一思想，難以堅定推動，執行層面同樣困難。數據質量包括完整性、唯一性、一致性、準確性、規范性、及時性。

這里面每一項都極具挑戰。數據治理包括數據問題識別和數據問題整改兩個關鍵步驟。

對于準確性，光識別出問題就十分困難。數據能否準確地反映客觀事實，是需要驗證的，如果有其他來源的數據庫交叉驗證，則是最好，否則就只能投入人力現場進行核驗。

一致性的問題同樣困難。

同樣的數據對象，在不同業務系統都有記錄，應當以哪個為主？

究竟應當如何確立權威數據源，這就涉及到對整個IT架構的全面梳理，這又要去觸碰企業那些不愿意面對的歷史問題：

廠商換了一撥又一波；系統之間互相嫁接復用；人工超越權限直接對數據源手動“打補丁” ... ...

關于數據治理，第三個問題在于，很難做到真正形成“長效機制"。

一方面，數據治理很難實際落地。數據治理的過程十分繁瑣，而且不一定有機會通過業務場景馬上得到有效性的驗證，因此數據治理任務很難長期得到業務上的重視。

其次，業務人員通常對數據標準的理解不到位，數據質量責任也經常難以貫徹落實，數據治理工作經常是“被動”的，出了問題才治理，難以在數據源頭把控數據質量問題；

第三方面，也是最難的問題，就是治不了。很多問題即使發現了，也沒有辦法解決，數據問題歷史久遠，難以對產生數據的原因和責任人溯源，再或者，整改數據的成本遠大于數據質量提升所帶來的收益。

因此，為了真正做好數據治理工作，很多時候要關注的不是治理本身，而是數據管理機制的建設，數據責任的落實，數據質量評價和整改的自動化處理技術，以及數據系統的流程控制與審核等等