有一组国外的调研成果显示，在各个企业中，有61%的领导都明确表示希望优化数据治理流程，但只有42%的领导认为他们才正在走上正确的路线以实现他们的数据治理目标。这个差异表示了一个当前数据治理的重大挑战：虽然人们已经认识到需要有效的数据战略及规划来实现企业的数据治理工作，但实际上大多数企业似乎都无法持续按照预订的路线成功实施。

在调研成果中还发现，实际的数据治理解决方案并不是普遍认为的标准数据治理解决方案，不少的公司请了外部咨询或者自我建设的过程中，大量地使用了所谓成功的数据治理解决方案，而没有按照所在行业，自我企业的特殊性及当前的数据挑战和要求进一步地形成个性化的数据治理解决方案。采用了所谓成功或者标准的数据治理方案在短期好像是有效的，但往往不能够持续有效。

什么是“数据治理”

我们先明确一下数据治理的本质目的是什么：数据治理的内容包括确保数据使用效率和保障以符合标准的方式管理和规范数据。它将影响广泛的数据管理活动，如数据质量管理、数据安全（数据隐私保护）、元数据管理、数据模型、数据架构等等。数据治理的核心目标最大化数据价值同时将相关风险降至最低。

数据治理的一个关键方面是数据治理文档。具有适当的文档和治理流程的组织可以更轻松地生成管理报告和执行审核活动。

数据治理文档需要确保组织的所有成员，无论其角色或技术专业水平如何，都可以轻松访问和理解其中重要的数据治理信息。如将相关报告和管理策略转化为更易于管理的格式（如PDF文件）并提供适当的平台保障企业各个角色对这些文件的可访问性和可用性需求。

当然数据治理的正确文档还可以提供以下好处：

• 简化报告生成和审计

• 提高关键数据的可访问性

• 确保政策的统一适用

• 协助培训和新老员工

• 协助满足法规遵从要求

为什么“标准数据治理解决方案”会失效？

如果您是有经验的企业管理者，估计您也会意识到“标准的企业管理方案”也需要按照企业的实际情况进行改造及变更才能顺利执行下去。数据治理是数据管理活动的核心部分，本质也是属于企业管理范围内。所以市面上宣传的，或者成功企业的标准数据治理解决方案针对您的企业来说就是一个常见但有缺陷的信念。

现实情况是，不同行业都独特的数据需求和挑战；即便同一行业，不同企业由于发展阶段及业务量级或范围的差异也会有不同的数据需求和挑战。例如，在医疗行业上首要的考虑患者的数据隐私和安全，在国内需要保障医院的院感、护理、电子病历的上报质量等，在院内由于单病种计费（DRG）要求需保障相关手术、药品、护理级别等参考代码的一致性质量要求。而在金融机构中由于监管的要求及数据合规要求，要求监管数据质量及数据安全的管理质量。

此外，当前数据环境是动态的，新技术和数据类型迅速涌现。静态的、通用的数据治理策略不可能适应这些持续的变化。这也会导致我们需要利用新的数据机会和防范新出现的风险。

在近一年中，AI数据治理一直在提起，除了我们需要清醒地理解我们企业自己的现状，也需要持续关注这一方面的内容。

定制数据治理框架的重要性

如上所述，我们认为，各行各业，各个企业自定义数据治理框架才能满足企业的特定需求。这也是符合管理理论的。

首先，由于是自定义的数据治理框架，从数据治理规划上就可以明确企业当前的数据需求及迫切需要的数据治理活动是什么，从而在框架上可以简化数据管理流程，有的放矢，并能够更好地与特定的组织（相关业务方）工作流程保持一致。这种数据与业务的一致性将推动了整体运营效率，减少了冗余，节省了时间和资源。结果将最大限度减少错误，节省成本，达到了数据与业务双赢的局面。

其次，自定义的数据治理框架将为组织提供了足够的空间及针对风险因素和环境的定制策略，与组织相关强大的管理机制组合在一起，以识别、评估、缓解和最终处理风险。

随着组织的不断发展，以及外部环境和监管的持续变化及加强，组织的数据治理需求也会不断的变化。而自定义框架具有可扩展性和适应性，这种灵活性对于保持长期有效的数据治理至关重要。

关于数据治理的一些常见误区：

误区1：“一劳永逸”的方法是行之有效的

一些人认为，一旦建立了数据治理框架，它就可以在自动地运行（特别是强调通过技术实现的人们）。现实情况是，数据生态系统是动态的，数据处理不会在真空中发生，不断适应是必不可少的。

误区2：合规就等于治理

虽然合规性等同于与监管标准保持一致，但真正的治理不仅仅是只检查一系列要求，不仅仅只是因为它们是法律强制要求的。真正的治理是有意识和有动机的，涉及在整个组织中培养一种责任、透明度和道德数据处理的文化。

误区3：数据治理完全是IT的责任

这一点，国内应可以很容易理解到，但是现状与理想总是存在巨大差距。

误区4：数据治理只适用于大公司

小型企业经常成为这种误解的牺牲品。数据治理听起来像是小型企业不需要的东西，而强大的数据治理似乎是为大公司保留的奢侈品。实际上，虽然治理规模可能不同，但原则保持不变。值得庆幸的是，量身定制的治理框架可以扩展以满足任何组织的需求，即使是小型企业也可以实现这一有价值的目标并降低风险，同时利用数据提高效率。

误区5：数据治理阻碍了创新

这一点很有市场，人们普遍担心，严格的数据治理会施加太多限制，从而减少创新。然而，这只是一种毫无根据的、有偏见的担忧。相反，有效的治理通过为实验提供安全的基础，以及清晰、有效的方法来收集和分类数据，从而增强创新。它鼓励在既定的道德和合规范围内创造性地解决问题。

误区6：数据治理是一次性项目

这一点，好像在国内都可以达成共识。但是特别是当请外部公司来支持企业数据治理工作时，往往甲方总是不自觉是按照“数据治理是一次性项目”这个理念来要求乙方在项目内将企业的数据治理工作一次做好并做完整。成功的治理需要持续监控、评估和适应不断变化的数据环境。这些内容不是复选项，而是组织必须致力于持续成功的运营要求。法规在变化，技术在变化，您的业务以及您的需求都在发生变化。一次把所有事情都做对是行不通的。

从本质上讲，良好的数据治理甚至与技术无关，而是关于如何在日益依赖不断增长的资源的世界中处理资源。认为这是一个纯粹可以在技术层面上用通用的、现成的解决方案来解决的问题，这可能是令人欣慰的——但事实并非如此。

但这也并不是灰心丧气的理由。通用解决方案可能不切实际且存在根本缺陷，但这并不意味着不存在解决方案——而且是有效的解决方案。