数据治理这件事，为什么总是“看起来很美”

 

来源（公众号）：大数据AI智能圈

办公室里，老板拍着桌子说："我们公司数据这么多，怎么做个报表还要等三天？数据部门到底在干什么？" 

数据部门的同事委屈地说："我们天天在做数据治理啊，买了好多工具，请了咨询公司，制定了一堆标准..." 

老板更生气了："那为什么我要的数据还是找不到？找到了还不准确？" 

这样的对话，在很多公司每天都在上演。数据治理，听起来高大上，做起来却总是"雷声大雨点小"。

数据治理的"七宗罪"

我见过太多公司在数据治理上栽跟头。

问题出在哪里？让我来盘点一下数据治理中最常见的七个坑。

第一个坑：不知道自己要什么

很多公司做数据治理，就像去商场购物没有清单一样。看到别人家做得好，自己也要做。

但具体要解决什么问题？要达到什么目标？一问三不知。

我遇到过一个制造业客户，花了几百万做数据治理，最后交付的时候，业务部门说："这些东西我们用不上啊。"为什么？需求没搞清楚。

就像你去看病，医生问你哪里不舒服，你说："反正就是不舒服，你给我开点好药吧。"医生怎么治？

第二个坑：以为这是技术部门的事

很多公司把数据治理完全交给IT部门，觉得这是个技术活。错了！

数据问题80%来自业务，20%才是技术。

业务流程不规范，数据录入不标准，系统之间缺乏协调...这些都不是技术能解决的。

就像一个餐厅，厨师做菜难吃，你不能只怪锅不好用。

第三个坑：贪大求全

有些公司一上来就要做"全生命周期的数据治理"，从数据产生到销毁，每个环节都要管。

听起来很完美，实际上是给自己挖坑。

记住二八原则：80%的业务价值，来自20%的核心数据。

先把这20%搞定，比什么都重要。

第四个坑：迷信工具

"我们买了最先进的数据治理平台，花了几千万，应该没问题了吧？"

工具只是手段，不是目的。没有合适的组织架构、制度流程，再好的工具也是摆设。

就像给一个不会开车的人买了辆法拉利，还是到不了目的地。

第五个坑：标准制定了就万事大吉

很多公司花大力气制定数据标准，做了厚厚一摞文档，然后就束之高阁了。

制定标准容易，落地执行难。

特别是对于已经运行的老系统，改造成本和风险都很高。

第六个坑：发现问题就完事了

数据质量检查做得很好，发现了一大堆问题，然后呢？

没有然后了。

发现问题不是目的，解决问题才是。没有问责机制，没有闭环管理，问题永远在那里。

第七个坑：做了很多事，但看不到效果

这是最要命的。辛

辛苦苦干了一年，老板问："你们到底做了什么？"答不上来。

数据治理的成果往往不够直观，需要用可视化的方式展现出来。

管理了多少数据？提升了多少质量？节省了多少时间？这些都要有数据说话。

元数据和数据标准

 

说到数据治理，不得不提元数据。

什么是元数据？用最简单的话说，就是"数据的身份证"。

每个人都有身份证，上面写着姓名、性别、出生日期、住址等信息。元数据也一样，它记录着每个数据的"个人信息"：这个数据叫什么名字？存在哪里？什么格式？和其他数据有什么关系？

为什么元数据这么重要？想象一下，如果你是一个将军，要指挥一场战争，但手里没有地图，你怎么打？

元数据就是数据世界的地图。没有这张地图，做数据治理就是瞎子摸象。

而数据标准是个好东西，就像交通规则一样，大家都按规矩来，世界就和谐了。

但现实是什么？很多公司的数据标准就像墙上的标语，好看但不实用。

为什么会这样？

一是标准制定得太理想化，脱离实际情况。就像制定交通规则的人从来不开车一样。

二是缺乏执行力。标准制定了，但没有人监督执行，没有奖惩机制。

三是历史包袱太重。老系统已经运行多年，要改造成本太高，风险太大。

怎么办？分情况处理。对于新系统，严格按标准执行。

对于老系统，能改就改，不能改就在数据中心层面做标准化处理。

数据资产：从"负债"到"资产"的转变

很多公司的数据现状是什么？

堆积如山，但用不起来。数据越来越多，成本越来越高，最后成了企业的"负债"。

怎么把"负债"变成"资产"？关键是要做到四个"可"：

可见：知道自己有什么数据，数据在哪里。就像管理仓库一样，得有个清单。

可懂：数据不能只有技术人员看得懂，业务人员也要能理解。给数据贴上业务标签，用人话解释技术概念。

可用：数据质量要过关，安全要保障，让人敢用、能用。

可运营：建立数据价值评估体系，让数据像其他资产一样可以运营、可以增值。

结语

数据治理不是一个技术问题，而是一个管理问题。

不是买几个工具就能解决的，而是需要组织架构、制度流程、技术工具、人员培训的系统性工程。

最重要的是，要有正确的期望。数据治理不是一蹴而就的，而是一个持续改进的过程。就像减肥一样，不可能今天开始，明天就瘦十斤。

但只要方向对了，方法对了，坚持下去，数据一定能从"负债"变成"资产"，从成本中心变成利润中心。

数据治理的本质，不是治理数据，而是治理人。数据怎么表现，取决于人怎么表现。