当前数据治理存在哪些问题和困难？

DGI（Data Governance Institute，数据治理研究所）认为，企业不仅需要管理数据的系统，更需要一个完整的规则系统以及规章流程。数据治理基本上涵盖了企业所有与数据有关的内容，因此在整个企业范围内，包括工作流程、涉及人员和使用的技术等等，都需要经过仔细考量，以保证数据的可用性、一致性、完整性、合规性、和安全性，确保在整个数据生命周期中，都具有较高的数据质量。

数据治理不只是技术问题，更是一个管理问题。例如大家常见的项目管理系统只是一个工具，如何让项目管理工具与项目管理思想相匹配才是项目管理系统实施过程中的最大挑战，也才能发挥最大的效果。数据治理也是同样的道理。

组织信息化建设正从以应用为中心向以数据为中心转变的关键时期，组织也逐步认识到数据的巨大价值，但低质量的数据和复杂的数据应用手段，让数据价值发掘的效果大大降低，甚至，会让组织决策层丧失数字化转型的信心。

那么，如果在项目实施的初期能识别出影响项目实施效果的困难，并找到相应解决办法，就显得异常重要。最常见的数据治理问题：

1、跨组织的沟通协调问题。数据治理是一个组织的全局性项目，需要 IT 部门与业务部门的倾力合作和支持，需要各个部门站在组织战略目标和组织长远发展的视角来看待数据治理。因此，数据治理项目需要得到组织高层的支持，在条件允许的情况下，成立以组织高层牵头的虚拟项目小组，会让数据治理项目事半功倍。

2、投资决策的困难。组织的投资决策以能够产生可预期的建设成效为前提，但往往综合性的数据治理的成效并不能立马体现，它更像一个基础设施，是以支撑组织战略和长期发展为目标，所以，导致此类项目无法界定明确的边界和目标，从而难以作出明确的投资决策。面对此类情况，我们的经验是采用“大平台 + 小目标”的实施方案。“大平台”指的是数据治理的支撑平台。“小目标”指的是利用基础支撑平台和一小部分数据实现某一个具体业务目标。“大平台 + 小目标”方案的优势是能够快速实现可评估的工作成效，难点就在于基础支撑平台要能够对未来的综合治理提供足够的支撑能力，避免重头再来。以智慧市场监管为例，全部的数据包含企业法人监管、质量监督检查、食品监管、药品监管、特种设备监管、主题检查和执法等等，实施综合性的数据治理项目，则可以对企业法人实现全维度的分析和预警，而“大平台 + 小目标”的实施方案则可以实现诸如食品药品安全监管这些主题性的建设目标。

3、工作的持续推进。数据治理是以支撑组织战略和长远发展为目标，应当不断吸收新的数据来源，持续追踪数据问题并不断改进，所以数据治理工作不应当是一锤子买卖，应当建立长效的数据改进机制，并在有条件的情况下，尽量自建数据治理团队。

4、技术选型。前几年，随着大数据的发展，各种名词层出不穷，令人眼花缭乱，例如：数据仓库、ETL、元数据、主数据、血缘追踪、资源目录、结构化非结构化、Hadoop、Spark、联机事务处理（OLTP）、联机分析处理（OLAP）、商业智能（BI），等等。这里面有针对传统数据库的，有针对大数据数据库的，再加上组织对自身数据资产情况没有一个清晰的认识，这也就导致了数据治理的技术选型困难。而当下，基于传统关系型数据库仍然符合绝大多数据企业的业务需求，为避免误解，以下内容主要针对的是传统关系型数据库数据治理的介绍。