数据治理的差错

数据已成为大多数企业提高效率和运营绩效所必需的生命线。组织领导者和员工正在努力开发有效的数据治理模型，专注于高质量的数据，以推动业务发展。ERP，CRM和供应链管理等系统依赖于整个组织的高质量和完整数据。

这些数据挑战导致许多组织过分强调数据治理模型，代价是重新调整业务重点以实施数据驱动方法。

因此，组织应努力避免数据治理炒作，并在高质量数据与数据驱动流程的正确实施之间实现健康的平衡，以保证业务的利益。

定义数据治理

在您转向的任何地方，您都会听到组织将资源用于数据治理。数据治理跨越许多不同的功能领域，每个企业都可以对该术语有自己的精确定义。

在一般意义上，数据治理可以被描述为用于管理组织数据的组织框架，以便协调策略，定义目标并建立用于处理企业信息的相关策略。

在数据质量方面接近数据治理

数据治理涉及数据质量，所有权和安全性，元数据和分析过程。在大多数组织中，“治理”一词往往会摒弃员工，他们可能会对组织中的数据治理以及他们的具体角色感到困惑。

为了明确数据治理在业务中的作用，应该在数据质量和更高质量的数据如何提高业务效率方面进行更多的定义。高数据质量应该是任何数据治理活动的基本目标，它应该是关注的关键领域。事实上，Gartner的研究表明，糟糕的数据质量使组织每年平均  花费800万美元。

正确实施数据治理的挑战

许多企业都倾向于花费太多时间来定义数据治理模型，这样他们最终会阻碍他们的组织成为数据驱动。

在整合数据治理模型时，企业会犯几个常见错误。这些包括：

设计数据治理

许多陷入数据治理困境的组织往往无法正确设计其数据治理模型。设计这样的模型意味着识别您的公司文化，决策流程，运营设置和所有权环境。每个组织都需要了解它如何处理和跨不同功能区域共享信息，以实现可以使用数据推动组织发展的过程。

在设计数据治理模型时，应明确定义跨功能区域的特定挑战和基准。例如，如果数据治理可以为业务带来更安全的数据，或者与客户建立更好的通信流程，那么应该根据整个组织可以定位的特定目标和目标来定义模型。

将数据治理视为有限项目

围绕数据治理的炒作使得大多数组织将模型实现为单独且独立的计划。通常，这种方法不会与组织的其他流程交织在一起。

为了使实施成功，它应该是系统的，明确定义的和连续的。信息类型和数据量的变化应纳入框架，关于访问和处理新传入数据的决定应纳入正式结构。

未能建立现有流程

大多数数据治理模型倾向于忽略已经用于处理和处理数据的当前系统。处理数据流程的当前决策人员在设计数据治理模型时应考虑其输入。

这些专业人员的意见可以帮助确定模型的范围以及组织内数据治理所涉及的复杂性。忽略内部数据专业人员的独特视角可能会导致数据治理模型不平衡而无需内部检查和平衡。

实现数据治理成功

组织需要超越设计数据治理模型的阶段。他们需要开始实施数据驱动战略，使他们能够解决分析问题。在数据治理方面取得成功的公司通常在其战略中拥有以下流程：

人员，政策和程序

有效的数据治理流程涉及协作的人员，政策和程序的共同努力。人们在共同努力提供输入以确定需要管理的数据以及设计实施模型的相关政策和程序方面非常重要。

这些策略是围绕数据访问和使用的规则和规则，而程序是指导组织访问，处理和改进数据使用的管理结构。

将数据治理视为产品

组织应以与设计消费者产品相同的方式处理数据治理。产品开发过程是持续的，未来的，并针对特定需求。

数据治理应以大致相同的方式实施，重点关注效率，业务目标和目标，以及旨在持续增长和改进的长期方法。

数据治理作为治理结构的一部分

数据治理涉及如何收集，处理和访问数据以在业务计划中使用的过程。由于该框架的范围，不应孤立地实施数据治理。相反，它应该是组织内其他治理程序的核心组成部分。

IT，企业和数据治理应该共同致力于完整的数据治理流程。