企业数据治理的坑你遇到过哪些？

在这些年的数据治理实践当中有成功的经验，当然也经历过很多失败的教训，有些教训反反复复的出现…笔者一直在思考怎么避免这些问题，所以今天就跟大家分享一下我们曾经遇到过的坑，希望对大家会一些指导意义。

数据治理当前大部分的立项都是信息技术部门，原因在于业务部门往往觉得数据治理和我没什么关系，技术部门大多是以数据中心或者大数据平台为出发点，受限于组织范围，不希望扩大到业务系统，只希望把自已负责的范围管好。

这种情况呈现出的状态，即客户遇到了数据质量的问题，也意识到要通过数据治理来解决，很多时候，客户所立的项目就叫数据治理，殊不知数据治理是一个很大的概念（这里指广义的数据治理），包括很多内容，想在一个项目里就做完是不可能的，很多人认为我们只做了元数据、数据质量、数据标准，内容不算多，但其实内容真的不少。很容易导致最后哪个也做不好，用不起来。

1.客户的需求不太明确
客户想了解数据治理，并且想花大价钱去做数据治理，必定是因为数据存在很大问题，很多脏数据导致分析得不好看，但是做什么，如何去做，做多大的范围，先做什么后做什么，达到什么样的目标，业务部门、技术部门、厂商之间如何配合做等等，很多客户其实并没有想清楚自已真正想解决的问题。于是，数据治理，很难找到一个切入点。

2.数据治理是技术部门的事

很多业务人员认为，数据治理是技术部门的事，但是其实数据产生问题，往往是来自源头，也就是业务人员，业务人员录入数据不规范或者缺失，导致数据产生各种问题，很多表面上的技术问题，如ETL过程中某代号变更导致数据加工出错，影响报表中的数据正确性等，在本质上其实还是业务管理的不规范。

在跟客户沟通交流的时候，会发现很多客户可能不知道数据产生问题的根本原因，只想通过技术去把数据治理好，错误数据治理正确，缺失数据补全，希望通过清洗去将数据治理好，然后分析得美观，但其实我们在治理数据的同时，需要去制订规范，去规范我们的数据，把错误数据扼杀在摇篮里，这样我们在治理数据的同时，能保证后面录入的时候不会再有错误数据，避免进入死循环，这就需要各个部门，技术和业务齐心协力，共同维护数据问题。

3.大而全的数据治理

出于投资回报的考虑，客户往往倾向于做一个覆盖全业务和技术域的、大而全的数据治理项目。从数据的产生，到加工、应用、销毁，数据的整个生命周期他们希望都能管到。从业务系统，到数据中心，到数据应用，里面的每个数据他们希望都能被纳入到数据治理的范围中来。

客户一般想要把数据治理做全，全生命周期的一个管理，从采集，到治理，到清洗，到分析，到销毁，从业务系统，到数据中心，到数据应用，里面的每个数据他们希望都能被纳入到数据治理的范围中来。但其实数据治理很广，想要在一个项目里面把数据治理做全是很难的，具体到实时层面要考虑各个因素，实施周期会比较长，所以会有一期、二期分批地去实现，我们需要引导客户，遵循2/8原则——80%的问题产生于20%的系统和数据——从最核心的系统、最重要的数据、最容易产生问题的地方开始着手做数据治理，进而推广到其他系统，把数据治理做全

对于企业而言，有效的数据治理是必不可少的，当企业在数据方面出现问题，无法为企业高层做分析决策提供数据支撑时，数据治理的启动势在必行，选择合适的时机启动数据治理，是避免决策出现重大失误的有效手段。目前国内能做数据治理的公司有亿信，普元、石竹等，其中亿信做这一块起步较早，已经有成熟的产品和解决方案

亿信华辰自主开发的睿治数据治理平台包含以下功能：


元数据：元数据是数据治理的基础，是对数据的描述，可总览分析元数据之间的关系和互相之间的影响。

数据标准：数据标准是对数据进行统一的、规范的定义，确保数据在复杂数据环境中保持一致性、规范性，提高数据管控的效率，完善数据治理体系。

数据质量：数据质量包括对数据质量规则的定义、数据质量检查方案的定义，支持定时自动执行质量检查，自动生成质检报告，监控并揭示数据质量问题，提供问题明细查询和质量改进建议。

数据处理：数据处理主要用于对数据进行清洗、转换、整合、模型管理等处理工作，既可以用于对数据问题进行可行的修正，也可以用于为数据应用提供可靠的数据模型。

主数据：主数据是对需要共享的数据建立的统一管理，为各业务系统数据调用提供黄金数据。

数据资产：数据资产是将全部数据作为资产，进行不同角色的目录化管理，分析数据资产之间的关系，获知资产访问、利用情况等。

数据交换：数据交换用于实现不同机构不同系统之间的数据传输交换，完成基本的数据汇集，确保数据在传输中的完整性、一致性。

数据生命周期：对数据的全生命周期进行管理，主要是根据设置对数据进行自动归档和销毁，对近线数据和离线数据分别管理。

数据安全：数据安全贯穿于数据治理全过程，用于保证数据的安全性，提供对隐私数据的加密、模糊化处理。

睿治平台主要目的是发现并解决数据问题，通过一系列措施规范数据，减少数据问题发生，整体提高数据的应用价值。将实现业务目标作为数据管理和服务的核心驱动力，优化数据架构，提升数据仓库/信息化管理系统建设，支持管理能力的提高、精细化和决策的科学性。