就目前而言，关于数据资产管理，谈论最多的还是数据管理和数据治理这两个概念。数据管理和数据治理有很多地方是互相重叠的，它们都围绕数据这个领域展开，因此这两个术语经常被混为一谈。那么，对于这两个概念，两者的准确定义是什么，具体区别又是什么？
数据管理包含数据治理
数据治理是数据管理最显著的领域。数据管理协会（DAMA）在数据管理知识体系（DMBOK）中认为，数据治理是数据管理的一部分。根据企业信息管理（EIM）的定义，强调了数据/信息管理和治理上的紧密关系，也重申了数据管理包含治理这个观点。Gartner认为EIM是“在组织和技术的边界上结构化、描述、治理信息资产的一个综合学科”。DMM模型中包括六个有效数据管理分类，而其中一个就是数据治理。
数据治理与数据管理的区别
数据治理是用来明确相关角色、工作责任和工作流程的，确保数据资产能可持续地、长期有序地得到管理。而在数据管理过程中要保证一个组织已经将数据转换成有用信息，这项工作所需要的流程和工具就是数据治理的工作。数据管理是一个更为广泛的定义，它与任何时间采集和应用数据的可重复流程的方方面面都紧密相关。例如，简单地建立和规划一个数据仓库，这是数据管理层面的工作。实施各种各样针对元数据和资源库管理工作的标准，并且定义谁以及如何访问这个数据仓库，这是治理层面的工作。
关键的不同点
虽然数据治理是数据管理中的一部分，但后者必须要由前者来提供可靠的信息到核心业务流程。数据管理包括数据管理战略、数据质量、数据生命周期管理、平台与架构以及聚集于其他因素之中的流程和风险管理。情景化这两个领域的最好办法，就是理解数据治理是负责正式化任何数据管理当中的流程，数据治理本身着重提供一整套工具和方法，确保企业在实际上治理这些数据。
数据建模
数据建模结合了数据管理与数据治理两者进行协调工作，是数据管理中，依赖于数据治理的关键领域。遵从一致性的数据建模，令数据标准变得有价值。利用数据建模技术直接关联不同的数据治理领域，将数据治理工作扩展到其他业务部门，确保数据治理贯穿整个企业。例如数据血缘关系以及数据质量。当需要合并非结构化数据时，数据建模将会更有价值。此外，数据建模加强了治理的结构和形式。
数据治理领域
业务词汇表：建立统一的业务术语对于企业而言非常关键，如果这些术语和上下文不能横跨整个企业的范畴，那么它将会在不同的业务部门中出现不同的表述。
元数据：元数据通常聚集于业务词汇表上，要求数据元素和术语的一致性定义
数据质量：数据质量是非常重要的，它极大提升了治理的水平。数据质量的具体措施包括数据详细检查的流程，目的是让业务部门信任这些数据。
参考数据管理：参考数据结合元数据，提供数据的上下文。由于参考数据变更的频率较低，参考数据的治理经常会被忽视。
生命周期管理：数据保存的位置、数据保存的时间跨度以及数据如何使用都会随着时间而产生变化，某些生命周期管理还会受到法律法规的影响。
