传统的数据治理计划经常达不到预期，因为它们过于关注政策、合规和执行。这可能导致业务用户、数据治理团队和执行管理层之间的脱节。
一个真正成功的数据治理流程建立在四个关键优先事项之上，这些优先事项将业务价值放在了正确的位置，在所有利益相关者之间建立了明确的一致性。遵循这个由 4 部分组成的策略将提高效率并加速投资回报，从而导致数据治理计划实现其设计目标。
准确地说，这是数据治理的“业务优先方法”。事实证明，与更传统的方法相比，它的投资回报率提高了 2 到 7 倍，同时交付结果的速度提高了 40%。它还将数据治理计划在企业范围内扩展的可能性提高了 75%。业务优先的数据治理促进了组织的采用，为数据完整性奠定了基础，并在长期内始终如一地提供业务价值。
1. 将数据治理与业务目标联系起来
良好的数据治理流程始于明确定义的业务目标，组织中通常将其分为三大类，其中包括有助于将风险降至最低的数据、提供洞察力的数据以及为运营决策提供信息的数据。
对围绕隐私、安全和合规性的潜在差距的清晰理解推动了风险最小化。这包括分析风险暴露、控制欺诈、隐私和安全、内部 IT 控制等。
业务洞察力在有针对性的销售、生产管理、采购策略等方面推动业务价值。分析帮助业务中的利益相关者对公司的客户和潜在客户有清晰的 360° 了解。
卓越运营是关于改善周期时间和数据质量，同时降低组织所做的一切成本。这包括政策管理、客户满意度、费用管理、数据质量管理等。
当组织的数据治理流程在设计时考虑到这些业务目标，最好遵循明智建议：“以终为始”。
组织列表中的许多目标将由相同的数据集驱动。例如，管理客户数据的隐私，很可能是帮助战略决策者获得 360° 客户视图的相同数据。这些相同的数据集可能会影响围绕客户满意度或机构管理的运营改进。
治理过程的一个关键部分包括将这些数据资产与组织的关键业务目标联系起来并理解这些关系。例如，如果公司打算改进其产品和服务的个性化，那么可能会将销售、营销和财务确定为关键利益相关者。影响这些利益相关者的预期结果可能包括将新产品的推出时间缩短 5%，将客户流失率降低 11%，或将客户续订率提高 17%。
上述所有情况的总体目标是建立可信客户数据资产的共同视图。然后可以将特定的数据治理功能（例如数据目录、数据沿袭、批准工作流和明确定义的数据完整性规则）识别为有助于实现该目标的组件。通过连接业务目标和数据治理能力之间的点点滴滴，将为成功奠定基础。
2. 优先处理重要的数据
并非所有数据都是一样重要的。大约 5% 的企业数据集推动了 95% 的业务成果。成功的数据治理计划通过优先考虑最需要关注的数据集来认识到这一事实。
在大多数组织中，有一个以核心数据为基础的四层层次结构。数据金字塔的较低级别由在系统级别填充原始信息的表和字段组成。就在上面是第二层，由帮助企业日常运行的运营信息组成。接下来是作为业务绩效优劣的 KPI 和指标，除此之外，业务分析中的可操作见解为整个企业提供战略方向。
通过了解每个数据元素如何适应之前建立的业务目标，数据管理者可以通过识别哪些数据点很重要来更简便地设置优先级，然后专注于管理那些最重要的数据。
3. 建立利益相关者的参与机制
在组织的三个层次上协调利益相关者：战略（执行管理）、运营（包括产品开发和规划等）和战术（包括数据管理和数据科学）。
这些群体中的每一个都通过不同的视角看待商业价值。这意味着他们通常有不同的方法和指标来确定成功或失败。在组织的所有三个级别上建立利益相关者的参与需要数据治理流程来解决每个组的需求和关注点。
对于战略级别，可以根据其对公司总体 KPI、提高的客户满意度或流程支持的影响来评估一项计划。在运营层面，数据治理将根据其对数据质量、周期时间或错误率等部门目标的影响进行评估。从战术角度来看，重点可能是数据的可访问性和完整性。一个好的数据治理计划将用能引起他们共鸣的术语来阐明为每个群体提供的价值。
4. 扫清数据治理的障碍
最后，有效的数据治理计划将消除利益相关者流程中的摩擦，帮助他们实现预期结果，从而为成功铺平道路。这将使业务团队更容易为数据治理流程做出贡献，让团队保持参与并希望获得更多。
包括个人入职沟通、时事通讯和领导层认可的计划将比那些让采用的计划获得更大的吸引力。自助服务解决方案（例如平台培训视频、数据完整性仪表板和进度记分卡）可提高结果的可见性，并邀请广大利益相关者参与。通过遵循此策略，可以大大提高数据治理流程的有效性。
