数据治理，到底为什么这么难？

众所周知，数据治理对企业来说意义干系重大，数据治理不好，数据质量得不到保障，下游的数据应用都是空谈。

DAMA的知识体系中，对数据治理的定义非常抽象，其对数据治理的定义是：对数据资产管理行使权力和控制的活动集合。

其实从生产实践来看，通俗地说，数据治理其实就是在做改善数据质量的工作，为数据应用打基础，做准备。

通过数据治理，企业可以达到如下效果：

1.搞清楚自己都有哪些数据；

2.搞清楚这些数据是什么含义，怎么用；

3.搞清楚数据的质量状况如何

4.对数据质量进行力所能及的提升。

然而，目标很清晰，现实很残酷。数据治理对于大多数企业来说，及枯燥，又困难，想做出成绩很难。

为何这样讲呢？

数据治理经常是盲目的，缺少目标性和方向性。很多数字化转型中的企业，数据量非常大，数据系统也非常多，数据链路错综复杂，十分混乱。

在领导的层面，经常遇到同一个问题，当询问不同的业务出口时，竟然得到截然不同的数据回答。

因此顺利成章地理解为，既然的一个取数工作都做不好，那么数据治理工作仿佛势在必行!很多治理项目就这样因为领导的耐心突然崩溃，匆匆上马了。

然而，数据治理工作不光是说说，而是要投入真金白银。数据治理项目虽然不一定涉及到大量的IT系统开发，但是其对于人力成本的投入甚至更加令人惊骇。

对于一张普通的人员名单数据表，仅仅为了确认这些人员是否还在真实的岗位上，就需要动用大量的组织人力来逐一核实。

类似的事情，数不胜数，这对于业务人员的消耗是不可估量的，为主营业务的正常运营带来非常多的额外“负担”。

数据治理，治理的其实不是数据，而是信息。

数据治理的成本消耗能力，成为推广的最大阻力，因此，在面对数据治理任务时，人力资源永远是稀缺的。这就导致一个结果，数据治理必须是有选择的。

凝练数据治理的范围、目标，就成为挡在前面的第一个难题。

数据治理是应用导向的，知道数据怎么用，数据用在哪，才能“倒推”出来究竟需要治理什么内容，怎么治理，以及治理到什么程度才算够用。

如果企业层面并不觉得数据应用和数据质量是有关系的，这个逻辑关系链路想不通，参不透，那么治理项目就一定推不动。

很多企业主在探讨到数据治理以及数据中台建设的必要性，难以下决心，也正是这样的原因，归根到底，是因为对数据的认知不足，不理解到底为什么数据质量好坏会对当前的业务，甚至未来的业务产生影响。

数据如果乱，但是对我没影响，那么我为什么要治理，又为什么要花钱？

当然，除了目标层面难以统一思想，难以坚定推动，执行层面同样困难。数据质量包括完整性、唯一性、一致性、准确性、规范性、及时性。

这里面每一项都极具挑战。数据治理包括数据问题识别和数据问题整改两个关键步骤。

对于准确性，光识别出问题就十分困难。数据能否准确地反映客观事实，是需要验证的，如果有其他来源的数据库交叉验证，则是最好，否则就只能投入人力现场进行核验。

一致性的问题同样困难。

同样的数据对象，在不同业务系统都有记录，应当以哪个为主？

究竟应当如何确立权威数据源，这就涉及到对整个IT架构的全面梳理，这又要去触碰企业那些不愿意面对的历史问题：

厂商换了一拨又一波；系统之间互相嫁接复用；人工超越权限直接对数据源手动“打补丁” ... ...

关于数据治理，第三个问题在于，很难做到真正形成“长效机制"。

一方面，数据治理很难实际落地。数据治理的过程十分繁琐，而且不一定有机会通过业务场景马上得到有效性的验证，因此数据治理任务很难长期得到业务上的重视。

其次，业务人员通常对数据标准的理解不到位，数据质量责任也经常难以贯彻落实，数据治理工作经常是“被动”的，出了问题才治理，难以在数据源头把控数据质量问题；

第三方面，也是最难的问题，就是治不了。很多问题即使发现了，也没有办法解决，数据问题历史久远，难以对产生数据的原因和责任人溯源，再或者，整改数据的成本远大于数据质量提升所带来的收益。

因此，为了真正做好数据治理工作，很多时候要关注的不是治理本身，而是数据管理机制的建设，数据责任的落实，数据质量评价和整改的自动化处理技术，以及数据系统的流程控制与审核等等