随着
数据价值的日益突显，越来越多的企业开始进行数字战略转型，有的通过数据平台过渡到数据中台，有的直接建设数据中台。
所谓“无规矩不成方圆”，因历史原因企业在发展过程中已经形成了系统林立的情况，汇集到数据平台的数据都各具特色，缺乏标准、规范、治理的数据已经失去了使用的价值。为了规范数据处理过程，凸显数据业务价值，需对数据平台的数据进行综合管理，构建标准化、流程化、自动化、一体化的
数据治理体系，确保数据架构规划合理、数据加工条理清晰、数据处理可管控、数据知识可传承。
有效的数据治理可以确保企业数据全面一致可信，从而全面释放数据资产的价值。
数据治理之困
只有确保数据的标准化、规范化、可信可用，才能进一步通过数据运营、数据应用帮助企业实现
数据资产管理、发现内部数据问题、发掘数据价值，进而实现企业数据资产的盘活和有效利用。数据治理应该采用最简单的手段管理最有价值的数据，但在实际情况中，我们遇到过在很多数据治理开展过程中，常见的“两不三难”的情况：
1）后向型治理，不一致：因历史原因，很多企业采用“先建后治”的方式，通过手工填报、反向解析代码、脚本等的方式进行元数据探查、血缘探查、
数据质量管理，事后才能发现问题，容易造成管理的内容和生产内容的不一致。
2）被动型治理，不高效：当发现质量问题时建设质量平台、需要数据字典的时候建设
元数据管理平台，将原本完整的治理体系割裂为多个系统、多个平台，造成系统集成难度高、治理效果差。
3）误区型治理，难聚焦：随着中台的建设脚本和任务越来越多，本来管理数据变为了管理程序；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。
4）项目型治理，难延续：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，但在实际执行过程中往往以项目交付为目标，点到为止，导致治理不全面、无延续，效果也注定是差强人意。
5）兼职型治理，难落地：由于每个行业、企业、单位的组织体系、数据应用、基础架构不同，需要通过方法论找到适合企业的特有的数据治理思路，同时需要专人或专业团队进行强有力的支撑，但实际执行过程中往往是企业安排员工进行兼职管理，导致职责不清晰，主动性不强，治理工作落地困难。
（部分内容来源网络，如有侵权请联系删除）
