企业在传统数据平台使用数据时会遇见哪些常见问题或挑战呢？
为帮助你快速理解，下面我将通过一个真实案例进行切入。
数据分析师：“老大，昨天会议上你说的供应商评价场景，我感觉目前数据存在问题。你看 10 年前上的系统与去年上的新系统供应商编码、物料编码、人员编码、数据单位都不一致，根本关联不起来。
就拿其中一个指标来说吧，近 3 年的及时到货量 = 及时到货数量 / 到货数量，目前我们连这个简单的场景都做不了。因为当时编码没有定规则，企业没有制定统一的
数据标准，不仅这个场景做不了，涉及需要大量历史数据训练 AI 模型的场景也无法实现。”
老大：“他们没有上
主数据系统以此保证主数据的一致性吗？也没有人定义标准？看来这个坑不小呀。下面我们抓紧建立一套
数据质量体系吧，针对不符合规范的内容，通过邮件定时发送给业务部门负责人。通知发送后，如果再出现问题那就是业务部门的事情了，要不然老板还怀疑我们的能力不行，这个锅我们不背。”
算法工程师：“老大，要训练的销量预测数据感觉有问题，问了一圈业务领域的人，就没有一个对历史数据全局能说明白的，每个人都只知道自己的那一块数据。我看了一下，营销数据、订单数据、采购数据、供应链数据统计口径都不一致。我已经很尽力地拉了几次会议了，可每次组织会议时，大家都有时间的情况不多，所以这个事情部门之间就推来推去，都想让其他部门改，最后会议都是以不了了之收场。”
研发工程师：“老大，昨天采购那边好像改了什么字段或数据，导致下游的报表数据都出现了问题，今晚又得加班了，主要是现在还不清楚问题到底在哪？”
通过以上这段对话可知，
数据治理一般存在以下 4 种挑战：
第一，数据不可知：作为业务人员/企业管理者不清楚数据与业务之间的关系到底是什么，对于数据资产完全不清晰。
第二，数据不可控：现有数据质量不高，导致业务人员的工作琐碎，工作量巨大，且容易出错。
第三，数据不可取：业务人员无法根据真实需求从数据源中快速提取数据，导致业务需求无法快速被满足。
第四，数据不关联：因各个数据之间没有任何关联性，导致数据难以支撑企业实际业务。
也正是因为所使用的数据存在一系列的问题，且问题还在不断涌现，所以企业有必要对数据进行治理，以此提升数据的价值，并为企业实现数字化战略打好基础。
（部分内容来源网络，如有侵权请联系删除）
