本部分的内容将
数据治理面临的挑战分为两类，一类因“技术”而起，一类因“人”而起。由客观的技术问题对数据治理带来的挑战普遍较好解决，比如如何采集数据、如何存储数据等，都可通过更先进的工具、更新的技术等方式解决。而由人或组织架构带来的问题相对复杂，它的背后包含的是企业在文化、流程上的问题，可以通过以下实例说明。
1. 多业务系统多数据源的整合挑战
企业想要做的数据应用越多，所需的数据就会越多，所要去获取的数据源也会增多，而相应的数据处理也会越多，这是一个极为显而易见的问题。我们在数据应用方面相对“单纯”，主要针对用户行为领域，采集用户行为数据，从客户端、服务端、数据库等做对接。但即使是这样一个限定特殊领域的应用，我们在整合多方面数据源上也会碰到非常多的挑战，可想而知在面对多业务系统多数据源的情况下将更加困难。
2.
数据采集技术上的挑战
近年来，许多公司都在尝试将自己的业务线上化，都需要通过数据对用户进行分析与运营，如何精准采集可用的用户数据以及其他相关数据，都将是数据采集在技术层面上面临的挑战。
3. 用户隐私与安全挑战
用户隐私与安全不仅是对技术挑战，更多的是一种意识上的挑战。企业需要准确把控数据采集的红线，比如针对欧盟范围内的国际业务，就需要参考 GDPR 的相关规范。
在国内，很多银行券商等企业也同样拥有一套完善的数据合规要求，甚至已经细化到“某个特定字段对于某一个特定人可看但不可下载”的程度，这些都是需要在进行数据治理时考虑的因素。另外，如果需要在公网传输交换数据，也同样需要思考数据如何防止窃取和伪造的问题。
4. 组织架构与部门隔阂带来的配合
部分组织在数据治理的过程中速度过慢，成效不好，其中一个很重要的原因是权责、部门配合等方面存在问题。很多情况下，生产数据、使用数据、分析数据的工作人员分布在不同的职能线与部门，角色不同，立场也不同，这些客观存在的影响因素都会影响整个数据治理的最终结果。
5.业务持续迭代中带来的挑战
在互联网行业中，尤其是业务迭代较为迅速的团队里，通常存在“1.0 版本的
数据质量最优，1.1 版本不行，2.0 版本完全不可用”的说法，说明第一次做数据治理时，极重视数据质量，会有完善的流程来保证埋点的准确性，本身也没有太多的包袱；而在后续的产品迭代中，如果流程和标准的迭代相对滞后，整个数据治理的结果也会随着受影响，最终导致整个数据质量低劣，直至所谓的“完全不可用”。
（部分内容来源网络，如有侵权请联系删除）
