数据治理成功的九大细节，你都忽略了哪几个？
数字化时代，数据作为新的生产要素受到了各界前所未有的重视。
有效的数据治理可以确保企业数据全面、一致、可信，从而全面释放数据的价值，提高业务流程效率、提升业务增长的机会，驱动企业数字化转型。
但是企业要想数据治理成功，必须注意以下细节：
01明确的目标
没有明确的目标或者专注于短期的治理目标，没有形成一套持续治理的机制，导致资源浪费，进而导致数据治理在产生效果之前被搁置一旁。
有效的数据治理首先要有明确的治理目标，而这一目标一定要与业务价值绑定。
02分工明确、权责清晰
有效的数据治理必须做好数据的确权认责，处理好IT部门和业务部门的协作关系。
IT部门应专注于技术交付，业务部门需要关注数据质量规则的定义和数据质量的持续改进。
两个团队必须共同努力并保持开放的沟通渠道，以便监控和改进数据质量。
03高层管理者高度关注
有效的数据治理项目需要高级领导层承担责任，牵头的高级管理者不仅需要对数据治理有一定的认知，还需要具备相当的权威和影响力，能够做到跨部门的协调，并在项目中能够给予数据部门充分的授权和大力的支持。
04数据治理专家
数据治理是跨职能的，不是某一个部门的事情或者某一个人的事情，单纯的业务人员和孤立的技术人员都不具备交付数据治理的完整能力。
企业需要培养一批既懂数据治理技术，也懂企业业务的数据治理专家。
05透明的规则和系统
有效的数据治理需要保持充分的透明度。项目的进展、工作成果、存在问题都需要及时让老板看见，让业务部门看见，以增强他们对数据治理的信心。
有问题不能藏着掖着，应及时暴露出来，及时解决。
在数据层面，也需要更加透明，主数据和参考数据要做到公司范围内共享，数据资产、数据资源要尽量可视化，要让数据看得见、找得到、用得好。
06主动式数据治理
有效的数据治理需要从事前、事中、事后三个层面构建数据治理策略。
事前：定义和建立数据标准，进行数据标准的宣贯和培训，培养企业数据文化。
事中：基于数据标准的数据校验、基于既定流程和制度的数据维护和使用。
事后：连续的数据质量测量，持续的数据问题和业务流程改进等。
07不能项目型数据治理
数据治理的最终目标是提升数据价值，是一个持续漫长的运营过程，需要逐步完善、分步迭代，指望一步到位完成数据治理是不现实的。
项目型的数据治理，是不全面的，无延续性，能够解决一时的数据问题，但很难获得持续的数据价值，效果也注定是差强人意。
08不能孤立式数据治理
有效的数据治理应被视为帮助业务人员实现业务目标的工具，它不是一项额外的任务，应嵌入到企业的业务流程中，在业务的日常中规范数据的维护和使用。
09不能唯工具论
如果数据治理唯工具论，过于重视工具和技术，忽视了数据治理组织、文化、制度、流程、标准等体系的建设。
本来数据治理的本质是管理数据，走入误区变成管理程序、脚本、任务，造成了管理失焦。
