成功的数据治理需要与明确定义的业务需求保持一致。然而，太多的数据治理程序未能实现目标，因为它们忽略了这一先决条件。你也没能解决这个问题:为什么一个组织应该投资于数据治理，许多人认为他们最重要的资产是什么?
治理团队必须回答以下三个关于基本业务需求的问题:
•治理对于实现法规遵从性是必要的吗?
•治理是更快实现分析洞察的关键成功因素吗?
•治理如何减少业务转换卓越运营计划的时间、成本和风险?
对于大多数组织来说，数据治理目标是这三种目标的组合。但哪一个是你的主要业务驱动力?
如果您能回答为什么要投资数据治理，那么不仅治理团队会支持它，组织也会支持它。治理不仅仅是现代数据治理工具的特性和功能。被忽视的是，治理团队只有在对人员、流程和技术进行协作时才会成功。当然，数据治理工具可以支持人员和流程——但首先必须决定如何实现治理，以最大化成功的可能性，考虑到组织的业务驱动因素和组织文化。
一 定义治理策略
这就引出了下一个关键问题:您的数据治理方法是什么?您希望像公共库那样对每个数据元素进行编目吗?这被称为“自底向上”的方法。也许您需要管理业务流程和相关数据来驱动业务结果?这就是所谓的“中间向外”战略。或者，您的组织希望围绕业务目标和度量的数据进行治理监视和管理。这是“自顶向下”的方法。
无论你选择哪种方法，治理团队都需要社会化的方法来获得组织的认可，因为这是基于公司文化和目标的正确的治理策略。然而，这并不意味着其他方法不能解决问题。例如，一个组织选择了“中间向外”的方法来管理一个新产品引入过程，然后将其发展为关键的KPI和指标，这些指标是“自顶向下”方法的例子。关键是选择一个作为逻辑起点，并随着数据治理程序获得组织接受和发展而发展。
二 定义数据治理
虽然数据治理有许多定义，但我们将其定义为人员、流程和技术的正式编排，以使组织能够将数据作为企业资产加以利用。重要的是要注意，每个组织都根据其独特的文化和治理计划的业务驱动因素定制定义。然而，同样重要的是建立一个强大的团队来开发和完善数据治理策略。选择正确的团队可以决定一个项目的成败。
数据治理团队通常负责获得预算批准、设置治理目标和优先级、构建数据治理模型、选择采用的技术并推广该计划。从很多方面来说，团队是创建数据驱动文化的管道，因为他们在整个公司中建立了激情和活力，以确保数据的持续利用、协作和通信。
现在让我们深入研究企业建立有效的数据治理程序必须解决的四个关键步骤:
•建立领导团队
•选择管理级员工
•任命数据所有者、管理人员和用户
•选择现代技术
1建立数据治理领导组织
成功的数据治理始于领导层。企业通常会任命一位首席数据官(CDO)或其他高级主管来牵头治理工作。CDO负责监督整个团队，并确保数据治理工作保持在正轨上、在预算范围内，并产生预期的结果或ROI。CDO还负责沟通流程和监测成功情况。
在CDO下工作的是一个由来自各个业务部门(如市场营销、人力资源和IT)的行政级领导团队。作为一个统一的团队，CDO和数据治理领导团队开发并建立数据治理流程，其中包括数据政策和流程，同时监督整个项目。在领导团队就位之后，下一步是开发团队的其他成员。
2构建数据治理团队
不同的部门将数据用于不同的目的，因此任命来自不同业务线的数据治理倡导者至关重要。来自不同部门的代表的任务是促进整个企业的协作，以确保遵循治理流程，满足法规遵循标准，并培养数据素养。
这些数据治理团队成员共同建立公共数据定义、实现和监控数据质量分数、制定治理指标并向数据所有者、用户和管理员分配角色和职责。这些治理计划促进了对数据的理解，鼓励了对数据的利用，并建立了对数据资产的信任，从而鼓励数据消费者使用数据并产生有意义的业务见解。
除了这个数据治理团队之外，指定的数据所有者、管理员和用户也在成功的数据治理策略中发挥着关键作用。
3任命数据所有者、管理员和用户
数据所有者、管理员和用户各自有不同的数据治理角色和职责:
•数据所有者有责任确保数据质量在流经业务数据供应链时不会下降，满足所有监管要求，并根据已定义的策略和程序适当使用数据。
•数据管理员监督数据集的分析，为业务用户生成易于理解的报告，并回答数据问题。
•数据使用者必须遵守管理部门制定的所有指导方针和政策，并将发现的任何数据异常情况报告给适当的资料拥有者。
为这些角色选择对组织有意义的名称也很重要。在某些情况下，人们不喜欢“数据所有者”这个术语，因为他们认为没有一个人拥有数据。在这种情况下，您可以将其称为“数据保管人”。
一旦数据治理团队就位并创建了流程，组织就必须选择能够确保全面、成功的数据治理的技术。为了确保产生更好的业务决策的高质量数据，组织需要一个具有企业规模的集成数据管理功能的工具。
4选择现代技术
为了促进有效的数据治理计划，治理团队必须选择能够为数据治理、数据质量和分析提供广泛集成功能的企业数据智能平台。
治理功能应该提供对组织数据环境的清晰可见性，包括可用数据、分配的所有者/管理员、数据沿袭和使用，以及相关的定义、同义词和业务属性。例如，以“自顶向下”治理方法为例。在此场景中，工具必须包含易于可视化的治理仪表板，以显示关键Kpi和度量标准，以衡量实现关键业务目标的进度。
此外，该平台应该通过可视化界面和工作流鼓励协作，以培育一个将人和数据结合在一起的数据社区。工作流之所以特别重要，有两个原因:首先，流程的工作流，如数据访问请求、报告数据质量问题或建议新的治理术语，应该易于构建，而不需要编写代码手册。其次，工作流并不仅仅需要人工触发。对于数据质量指标低于可接受阈值等事件，应该自动触发工作流。这个自动工作流事件及时提醒数据所有者和管理人员有需要他们注意的问题。没有人希望发现一个数据质量问题已经存在了几个月，只是偶然发现的。
该平台还应使所有用户能够轻松定义、跟踪和管理其数据资产的所有方面。
数据质量是任何数据治理策略的组成部分，数据管理解决方案必须通过高级和详细的质量度量来确保整个数据供应链中数据的准确性和可靠性。例如，对于数据分析、一致性、一致性、完整性、及时性和一致性的数据质量检查通常是“细节中的魔鬼”，分析用户希望在他们相信数据集适合某一目的之前检查这些指标。
三 小结
通过采取适当的步骤来建立一个包容性的数据治理团队并选择最先进的技术，企业可以在整个组织中增加企业数据资产的价值。
