本次分享围绕一个核心问题展开：
如何将数据治理的理论转化为具体的方法和步骤，让组织能够真正开展数据治理，并持续推进下去。
一、为什么要写这本书？
龙石数据从3年前就开始打造产品、培训与陪跑相结合的赋能体系，希望帮助客户建立持续开展数据治理的能力。
杨毓慧将数据治理比作家庭清洁与收纳：一次整理并不能保持长久，只有持续维护，才能让环境始终有序。
数据治理同样如此，需要组织建立长期负责的团队，并通过培训与实践陪跑，掌握方法、形成适合自身的实施路径，实现持续推进。
《数据治理实战指南》正是这一实践思路的进一步沉淀。
全书以 DAMA 数据管理知识体系和 DCMM 国家标准为理论基础，更重要的是将理论转化为具体的方法和步骤，并配套提供模板及成果物示例，帮助读者一步一步完成实际工作。
二、以“理采存管用”梳理数据治理工作
《数据治理实战指南》将数据治理的实施方法总结为五个字：理采存管用，并在此基础上进一步细化实施步骤，形成数据治理作战地图。
理：明确目标与实施基础。
开展数据治理之前，需要明确为什么要做、由谁来做，以及组织当前的数据管理基础。这些问题决定了后续工作的方向，也是实践中容易被忽视的环节。
采：采集所需的数据。
明确治理目标后，将工作所需的数据采集到位，为后续的数据存储、管理和应用做好准备。
存：选择合适的数据模型并存储数据。
根据实际需求选择合适的数据模型和存储方式，为后续的数据管理与使用提供基础。
管：持续开展数据管理。
围绕元数据管理、数据标准、数据质量、主数据、数据安全等领域开展工作，持续完善数据管理。
用：让数据服务于业务。数据治理不是为了治理而治理，它本身不是最终目的，而是一种手段。通过数据治理，让数据更好地实现共享与应用，支撑实际业务，才是治理工作的落脚点。
全书共15个章节。前两个章节介绍数据治理的相关趋势和整体方法论，中间部分逐步展开具体实施步骤，最后通过六个场景，将前面介绍的方法串联起来进行实战演练。
读者既可以了解数据治理的整体框架，也可以在实际工作中，根据具体任务查阅相应章节，找到可以参考的方法。
三、用销售数据分析场景，看人和 AI 如何协同
在分享中，杨毓慧还介绍了一个全链路销售数据分析场景，展示如何将书中的方法与模板用于人和 AI 的协同工作。
整个任务分为规划和执行落地两个阶段。
在规划阶段，治理团队首先利用业务系统梳理、业务流程梳理等模板开展线下调研，再结合 AI 工具进行分析与设计，形成相应的规划成果。
在执行落地阶段，则以第一阶段的规划成果为依据，让 AI 协助完成数据归集、数据清洗等具体工作，并最终形成可视化看板等成果。
在这一过程中，AI 可以承担大量重复、繁琐的工作，但治理团队仍然需要重点做好两件事。
第一，确认 AI 的执行结果是否正确。
第二，确认最终成果是否真正满足业务需求，是否实现了相应的业务价值。
也就是说，AI 可以参与具体任务的执行，但治理团队仍然需要对执行结果进行检查，并判断最终成果是否符合业务需求。
四、方法论、模板和工具，构成落地链路
结合上述实践，杨毓慧将数据治理的落地链路总结为三个要素：方法论、模板和工具。
方法论是地图。有了方法论，团队就知道具体要做什么、应该怎么做。
模板是弹药。通过清单、表格等材料，团队可以直接参考和使用，不必每次都从头开始准备。
工具是装备。前面的方法和模板，最终还需要融入实际的数据治理工作流程中，才能用于具体任务的执行。
基于这样的思路，龙石数据也在探索如何将书中的方法和模板作为 AI 执行任务的依据与规范，让人类团队与 AI 协同开展数据治理工作。
五、这本书适合谁？
对于一线实施人员，这本书希望成为一份手把手的落地手册，帮助大家开展具体工作。
对于管理人员，这本书希望成为一份治理检查清单，为工作检查提供参考。
对于与 AI 协同工作的团队，这本书也希望成为 AI 执行任务时可以参考的知识库，为相关工作提供方法和规范。
