数据治理是长期、复杂的工程，每个
数据治理的领域都可作为一个独立方向进行研究，目前总结的数据治理领域包括但不限于以下内容：
数据标准、数据模型、元数据、
主数据、数据分布与存储、数据生命周期管理、
数据质量、数据安全等。同时各领域之间需要有机结合，如数据标准、元数据、数据质量等几个领域相互协同和依赖：
通过数据标准的管理，可以提升数据合法性、合规性，进一步提升数据质量，减少数据生产问题；在
元数据管理的基础上，可进行数据生命周期管理，有效控制在线数据规模，提高生产数据访问效率，减少系统资源浪费；通过元数据和数据模型管理，将表、文件等数据资源按主题进行分类，可明确当事人、产品、协议等相关数据的
主数据源归属、数据分布情况，有效实施数据分布的规划和治理。
数据治理项目的实现需要的核心要素之一是明确一个需要解决的业务场景问题，如果没有找到明确的业务痛点场景和期望得到的目标，不建议启动数据治理项目。
往往大家看到数据前后不一致、标准不合规、来源影响不清晰等问题就觉得数据治理必须启动，但不能忽略发现这问题的具体业务场景真正需要的是什么。
数据治理的具体工作是从定义问题开始，通过对内部业务、对技术、对组织架构、对数据的重新梳理，形成对资源（人、资源、环境等）的尽可能的充分认知，细分明确数据从业务、从组织、从IT、从上下游输入输出等不同视角的一致性理解，根据企业和职能部门的实际情况基于充分利旧的原则，进行技术架构的总规划，合理定义最终目标、实施路径、安全和隐私保障、过程考核结果评估等，并充分利用技术工具辅助数据治理过程的快速实施和见效落地。
数据治理的要点我理解他是一个长期循环往复的工作机制，没有明确的终点，随企业业务的开展应持续进行数据治理工作，并不断完善优化过程、方法和目标。
数据治理的流程需要找准一个短期工作目标，但并不一定意味这个场景问题的解决就应停止数据治理，启动数据治理项目就应该认为他是一个无法停下来的火车，只有一路向前，才能引导企业的业务持续不断的优化和达到内部各部门协同工作的最优状态，最终形成各部门对公司或者职能部门的业务目标的一致性理解，让后形成各自子工作目标的确认并有效执行。这一过程也是构建数据驱动企业决策、业务经营数字化的典型过程
数据治理还是一个强服务型的工作，需要有明确的服务能力保障，不仅从实时交付，而是陪伴用户一直走下去的意识和能力。
（部分内容来源网络，如有侵权请联系删除）
